2. 时域滤波基础：帧差法与背景减除中的噪声敏感性分析

时域滤波是运动检测中最直观的噪声抑制手段。帧差法（Frame Difference）与背景减除法（Background Subtraction）均依赖像素在时间轴上的变化，但两者对噪声的响应截然不同。本章深入剖析两种方法的噪声传播机制，并给出敏感性对比。

                    核心观点： 帧差法对高频噪声（如椒盐噪声）敏感，而背景减除法对光照突变与背景扰动（如树叶晃动）产生的“伪噪声”更为脆弱。理解噪声类型是选择预处理滤波器的前提。
                

2.1 帧差法中的噪声敏感性

帧差法通过计算连续两帧的像素差来检测运动。设 \(I_t\) 与 \(I_{t-1}\) 为相邻帧，差分图像 \(D_t = |I_t - I_{t-1}|\)。若存在独立同分布的高斯噪声 \(\mathcal{N}(0, \sigma^2)\)，则差分图像的噪声方差变为 \(2\sigma^2\)，信噪比下降约3dB。阈值分割时，噪声容易造成大量虚警。

典型噪声影响

噪声类型	帧差法响应	虚警概率
高斯噪声	方差加倍，阈值需提高	中
椒盐噪声	孤立噪点产生大量假运动	高
量化噪声	平坦区域出现伪差分	低～中

2.2 背景减除法的噪声敏感性

背景减除法维护一个背景模型 \(B(x,y)\)，当前帧 \(I_t\) 减去背景得到前景。噪声不仅来自传感器，还来自背景模型的不确定性（如光照渐变、背景抖动）。背景减除对低频噪声（如阴影、全局光照变化）敏感，容易将缓慢变化归类为前景。

2.3 敏感性对比与应对策略

下表从噪声类型、空间一致性、时间一致性三个维度对比两种方法的脆弱性。

维度	帧差法	背景减除法
高频噪声（椒盐）	高度敏感	中等敏感（背景模型可平滑）
低频噪声（光照渐变）	不敏感（帧间变化小）	高度敏感（易误判为前景）
背景周期性抖动（如树叶）	中等敏感	非常敏感（需额外处理）
空间滤波预处理	强烈建议中值/高斯滤波	建议形态学开运算

代码示例：帧差法 + 高斯预滤波

import cv2
import numpy as np

def frame_diff_with_filter(prev, curr, threshold=30):
    # 高斯平滑降低噪声敏感性
    prev_blur = cv2.GaussianBlur(prev, (5,5), 1.2)
    curr_blur = cv2.GaussianBlur(curr, (5,5), 1.2)
    diff = cv2.absdiff(prev_blur, curr_blur)
    _, mask = cv2.threshold(diff, threshold, 255, cv2.THRESH_BINARY)
    return mask

2.4 噪声抑制的时域滤波策略

针对帧差法与背景减除的噪声弱点，常用以下时域滤波技巧：

帧间中值滤波：对连续三帧取中值，消除孤立噪点。
自适应阈值：根据局部噪声方差动态调整分割阈值。
背景更新率调节：在背景减除中，对噪声较大的区域降低学习率。
运动一致性检查：结合空间邻域投票，抑制单像素噪声。

在后续章节中，我们将深入均值滤波、高斯滤波、中值滤波等具体算子，并评估它们对帧差法与背景减除的改善效果。