📚 课程目录第4章黑电平校正与去噪

黑电平校正与去噪

图像传感器出来的原始数据，说白了就是一堆带着噪声的电压值。你想想看，光电转换过程哪有那么完美？暗电流、热噪声、读出噪声，全混在里面。这一章我们就来解决两个最基础的问题——黑电平校正和去噪。

什么是黑电平？简单说，就是传感器在完全无光情况下输出的信号值。理想情况下应该是0，但实际不是。我见过最夸张的一次，某款CMOS在黑场下居然有512个码值（12bit），这要是不校正，暗部全是灰蒙蒙的。

核心公式：

校正后像素 = 原始像素 - 黑电平值

注意：校正后可能出现负值，需要做钳位处理（clip to 0）。

黑电平的获取方式主要有两种：

我个人习惯用OB区做实时校正，因为暗帧受温度影响太大。有一次在户外做调试，早上和下午温度差了20度，暗帧的黑电平漂了30多个码值，差点把整个项目带偏。

方法	优点	缺点
光学黑区（OB）	实时、不受温度影响	占用传感器面积，行/列数有限
暗帧（Dark Frame）	精度高，可多次平均	受温度、曝光时间影响大

避坑指南：我曾经遇到过OB区像素本身就有缺陷的情况——坏点、暗电流不均匀。如果直接用这些像素做黑电平校正，整张图都会出现条纹。建议先对OB区做坏点检测和滤波。

空间域去噪，说白了就是直接在像素点上做运算。我把它分成三类：均值滤波、高斯滤波、中值滤波。每种都有自己的脾气。

最简单，也最粗暴。取一个窗口，算平均值，替换中心像素。

// 3x3均值滤波核
kernel = [
  [1/9, 1/9, 1/9],
  [1/9, 1/9, 1/9],
  [1/9, 1/9, 1/9]
]

优点：速度快，硬件实现简单。缺点：边缘全糊了。我在做安防摄像头时试过，人脸边缘像打了马赛克，客户直接退货。

比均值滤波聪明一点。它给中心像素更高的权重，边缘像素权重低，符合自然图像的统计特性。

// 3x3高斯滤波核（σ≈0.85）
kernel = [
  [1/16, 2/16, 1/16],
  [2/16, 4/16, 2/16],
  [1/16, 2/16, 1/16]
]

嗯，这里要注意：高斯滤波的σ值很关键。σ太小，去噪效果差；σ太大，图像变模糊。我一般建议σ取0.8~1.2之间，具体看噪声水平。

经验之谈：在硬件实现时，高斯滤波可以用两个一维卷积代替二维卷积，节省大量乘法器。先做水平方向，再做垂直方向，效果完全一样。

这个我特别喜欢。它不取平均，而是取窗口内所有像素的中位数。对付椒盐噪声（就是那种黑白点）特别有效。

// 3x3窗口排序取中值
窗口像素: [45, 52, 48, 255, 50, 49, 47, 51, 0]
排序后:    [0, 45, 47, 48, 49, 50, 51, 52, 255]
中值:      49

你看，255和0这两个噪声点直接被排除了。均值滤波会被它们拉偏，中值滤波完全不受影响。

空间域去噪有个硬伤——它是在单帧里做，必然会损失细节。时域去噪的思路不一样：利用多帧信息，噪声是随机的，信号是稳定的，多帧平均就能把噪声压下去。

核心公式很简单：

output_frame[n] = α * input_frame[n] + (1 - α) * output_frame[n-1]

α是更新系数，取值范围0~1。α越大，当前帧权重越高，去噪效果弱但运动拖影少；α越小，去噪强但容易产生鬼影。

关键参数：

我曾经在智能交通项目中吃过亏。路口抓拍，车是运动的，我用α=0.2做时域去噪，结果车尾拖了一条长长的鬼影，像彗星一样。后来加了运动检测，运动区域自动调高α，静止区域用低α，问题才解决。

重要提醒：时域去噪必须配合运动补偿（Motion Compensation），否则运动物体边缘会出现严重的拖影。最简单的做法是计算帧差，帧差大的区域提高α值。

实际项目中，我通常把空间域去噪和时域去噪结合起来用。先做中值滤波去掉椒盐噪声，再做时域滤波压制高斯噪声，最后用高斯滤波做微调。这套组合拳在大部分场景下效果都不错。

最后说一句：去噪不是越强越好。我见过有人把图像磨得跟油画一样，细节全没了。调优的时候，一定要盯着边缘和纹理看，噪声压下去了，细节还在，这才是好算法。