📚 课程目录第3章去噪算法基础

3. 去噪算法基础：空间域滤波原理与RTL架构设计

图像去噪，说白了就是给传感器拍出来的原始数据“搓澡”。CMOS传感器天生带噪，热噪声、读出噪声、光子散粒噪声……这些乱七八糟的东西混在一起，如果不处理，后面的图像质量根本没法看。

空间域滤波是ISP流水线里最基础、也最常用的一类去噪手段。它不依赖频域变换，直接在像素的“邻居”里做文章。我刚开始做ISP的时候，觉得这玩意儿太简单了，不就是算个平均嘛。后来踩了坑才发现——简单的东西，想做好反而最难。

3.1 三种经典滤波器：原理与对比

空间域滤波的核心思想就一句话：用目标像素周围邻域的像素值，重新计算当前像素的值。不同的滤波器，区别在于“怎么算”和“权重怎么给”。

滤波器类型	核心思想	去噪能力	边缘保留	硬件代价
均值滤波	邻域像素取算术平均	中等	差（边缘模糊严重）	极低（只需加法器+除法器）
中值滤波	邻域像素取中间值	强（尤其对椒盐噪声）	好（几乎不模糊边缘）	高（需要排序网络）
高斯滤波	按高斯分布加权平均	强（对高斯噪声最优）	中等（权重平滑过渡）	中等（需要乘法器+查表）

我的经验：实际项目中，很少只用一种滤波器。通常是“中值+高斯”组合拳——中值干掉椒盐噪声，高斯平滑高斯噪声。我在一个安防摄像头项目里试过纯均值滤波，结果画面像蒙了一层雾，客户直接拒收。

3.2 均值滤波：最简单，但坑最多

均值滤波的公式，大家应该都熟：

// 3x3均值滤波
output = (p00 + p01 + p02 + p10 + p11 + p12 + p20 + p21 + p22) / 9

RTL实现确实简单——9个像素求和，然后右移3位（除以8）或者用除法器。但这里有个大坑：除以9不是2的幂次。

我曾经踩过的坑：为了省资源，直接用右移3位代替除以9。结果图像整体偏暗，因为除以8比除以9大了12.5%。后来我改用乘法近似：乘以(2^16/9)再右移16位，精度就够了。

均值滤波的RTL架构，说白了就是一个滑动窗口+累加器：

// 伪代码：3x3均值滤波RTL架构
always @(posedge clk) begin
    // 行缓冲：3行数据
    line_buf[0] <= {line_buf[0][(WIDTH-1):0], pixel_in};
    line_buf[1] <= line_buf[0];
    line_buf[2] <= line_buf[1];
    
    // 3x3窗口寄存器
    window[0][0] <= line_buf[0][(WIDTH-1):WIDTH-2];
    // ... 其他窗口寄存器类似
    
    // 求和树
    sum = window[0][0] + window[0][1] + ... + window[2][2];
    
    // 输出（近似除以9）
    output <= sum * 7282;  // 7282 = 2^16 / 9
end

3.3 中值滤波：排序网络的艺术

中值滤波对椒盐噪声简直是“天敌”。原理很简单：把邻域像素排个序，取中间那个值。但硬件实现排序，成本可不低。

3x3窗口需要排序9个数，取第5大的。最直接的办法是冒泡排序网络，但9个数全排序需要36个比较器，面积太大。

我推荐的做法：用“行排序+列排序+对角线排序”的三级流水线结构。3x3窗口先对每行3个数排序，得到3个中值；再对这3个中值排序，取中间值。这样只需要9个比较器，面积缩小了4倍。

中值滤波的RTL架构，核心是排序单元：

// 3输入排序单元
module sort3(
    input [7:0] a, b, c,
    output [7:0] min, mid, max
);
    assign {min, max} = (a < b) ? {a, b} : {b, a};
    // 再与c比较，得到最终排序结果
endmodule

// 3x3中值滤波流水线
// Stage 1: 行排序
sort3 row0(.a(w[0][0]), .b(w[0][1]), .c(w[0][2]), .mid(mid0));
sort3 row1(.a(w[1][0]), .b(w[1][1]), .c(w[1][2]), .mid(mid1));
sort3 row2(.a(w[2][0]), .b(w[2][1]), .c(w[2][2]), .mid(mid2));

// Stage 2: 列排序（取三个中值的中值）
sort3 col(.a(mid0), .b(mid1), .c(mid2), .mid(median_out));

3.4 高斯滤波：权重分配有讲究

高斯滤波的权重，是根据二维高斯函数算出来的。离中心越近，权重越大。3x3的高斯核长这样：

// 3x3高斯核（σ≈0.85）
// 归一化系数：1/16
[1  2  1]
[2  4  2]  * (1/16)
[1  2  1]

为什么选这个核？因为权重都是2的幂次，硬件实现只需要移位和加法，不需要乘法器。你看，4就是左移2位，2就是左移1位，1就是原值。

高斯滤波的RTL架构，核心是加权求和树：

// 3x3高斯滤波RTL（无乘法器版本）
// 权重：1,2,1 / 2,4,2 / 1,2,1

// 第一级：按权重移位
w_1x = (w[0][0] + w[0][2] + w[2][0] + w[2][2]);        // 权重1
w_2x = (w[0][1] + w[1][0] + w[1][2] + w[2][1]) << 1;  // 权重2
w_4x = w[1][1] << 2;                                     // 权重4

// 第二级：求和
sum = w_1x + w_2x + w_4x;

// 第三级：归一化（右移4位，即除以16）
output <= sum >> 4;

关键点：高斯核的大小和σ值直接影响去噪效果。核越大，去噪越强，但边缘越模糊。我在一个医疗图像项目里试过7x7高斯核，结果血管边缘都糊了，医生直接说“这图没法看”。后来改成5x5，σ=1.2，效果就好多了。

3.5 三种滤波器的RTL架构对比

从硬件实现角度看，三种滤波器的资源消耗差异很大：

资源项	均值滤波	中值滤波	高斯滤波
加法器	8个	0个（排序用比较器）	7个
比较器	0个	9个（3x3窗口）	0个
乘法器	0个	0个	0个（移位实现）
行缓冲	2行	2行	2行
延迟	3个时钟	5个时钟	3个时钟

选型建议：如果资源紧张，选均值滤波；如果噪声类型是椒盐噪声为主，选中值滤波；如果追求图像质量，选高斯滤波。我个人的习惯是——默认用高斯，遇到椒盐噪声再切中值。

3.6 整体架构与SVG流程图

三种滤波器在ISP流水线中的位置，以及它们之间的切换逻辑，可以用下面这张图来表示：

这张图展示了三种滤波器的统一架构。核心思路是：共享行缓冲和滑动窗口，通过MUX选择不同的滤波算法。这样做的好处是——资源复用，面积小。

3.7 边界处理：容易被忽略的细节

图像边缘的像素，没有完整的3x3邻域。怎么处理？有三种常见方案：

补零（Zero Padding）：边缘补0。最简单，但边缘会有暗边。
复制（Replicate）：边缘像素复制到外面。效果最好，但需要额外逻辑。
镜像（Mirror）：边缘像素镜像对称。效果也不错，但控制逻辑复杂。

我曾经犯过的错：在一个项目中偷懒用了补零，结果图像四周出现了一圈黑边，客户以为是传感器坏了。后来改成复制模式，问题解决。记住——边界处理不是小事，直接影响图像质量。

好了，空间域滤波的基础就讲到这里。均值、中值、高斯这三种滤波器，是ISP去噪的基石。理解它们的原理和RTL架构，后面学更复杂的去噪算法（比如双边滤波、非局部均值）就会轻松很多。