3、传统降噪方法：均值滤波、高斯滤波、中值滤波、双边滤波、非局部均值（NLM）降噪
在进入深度学习之前，咱们得先把传统方法摸清楚。说实话，虽然现在AI降噪很火，但传统方法在工程落地中依然有不可替代的位置。我做过好几个项目，最后发现混合使用传统+AI才是最优解。
传统降噪的核心思想很简单：利用邻域信息来估计当前像素的真实值。你想想看，噪声是随机的，而真实信号是有结构的。如果我们能找到一个好的方式把邻域信息聚合起来，噪声就会被平均掉。
核心共识：所有传统空间域降噪方法，本质上都是加权平均。区别在于——权重怎么算。
3.1 均值滤波
均值滤波是最朴素的方法。把窗口内的像素值加起来，除以像素个数。说白了就是求平均。
// 3x3均值滤波核
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]
[1/9, 1/9, 1/9]我在项目中遇到过一个问题：用均值滤波处理RAW图，结果边缘全糊了。为什么？因为均值滤波对窗口内所有像素一视同仁，边缘两侧的像素差异很大，一平均就把边缘抹掉了。
| 优点 | 缺点 |
|---|---|
| 计算极快，适合实时 | 边缘模糊严重 |
| 实现简单，硬件友好 | 对椒盐噪声效果差 |
| 高斯噪声抑制效果尚可 | 细节丢失不可逆 |
注意：均值滤波在RAW域要慎用。RAW数据是线性响应，均值滤波会引入偏置误差。我曾经在调试ISP pipeline时吃过这个亏，后来改用高斯滤波才解决。
3.2 高斯滤波
高斯滤波比均值滤波聪明一点。它根据像素到中心点的距离来分配权重——越近权重越大，越远权重越小。权重服从高斯分布。
// 3x3高斯核 (σ=1.0)
[1/16, 2/16, 1/16]
[2/16, 4/16, 2/16]
[1/16, 2/16, 1/16]我个人习惯用高斯滤波做预处理。比如在NLM之前，先做一次轻量高斯滤波，可以提升后续算法的稳定性。为什么？因为高斯滤波能抑制高频噪声，让后续的块匹配更准确。
但高斯滤波也有问题。它只考虑空间距离，不考虑像素值差异。所以边缘处依然会模糊，只是比均值滤波好一些。
经验值：在RAW域，σ取1.0-1.5比较合适。σ太小没效果，σ太大细节全没了。我一般用σ=1.2作为默认值。
3.3 中值滤波
中值滤波的思路完全不同。它不求和，而是排序取中间值。这对椒盐噪声特别有效。
// 3x3窗口排序示例
原始窗口: [12, 15, 255, 14, 13, 255, 11, 16, 255]
排序后: [11, 12, 13, 14, 15, 16, 255, 255, 255]
中值: 15你看，两个255的椒盐噪声直接被排除了。中值滤波对边缘的保护也比均值滤波好很多。我建议在RAW域处理坏点（dead pixel）时，优先考虑中值滤波。
不过中值滤波有个硬伤——计算量大。排序操作在硬件上不友好，尤其是大窗口。3x3还好，5x5就开始吃力了。
| 噪声类型 | 中值滤波效果 | 均值滤波效果 |
|---|---|---|
| 高斯噪声 | 一般 | 较好 |
| 椒盐噪声 | 优秀 | 差 |
| 均匀噪声 | 较差 | 一般 |
3.4 双边滤波
双边滤波是个里程碑。它同时考虑空间距离和像素值差异，做到了"保边去噪"。
权重 = 空间权重 × 值域权重
空间权重：离中心越近权重越大（高斯分布）
值域权重：像素值越接近权重越大（高斯分布）
// 双边滤波伪代码
for each pixel p:
sum_weight = 0
sum_value = 0
for each pixel q in window:
w_spatial = exp(-||p-q||² / (2*σ_s²))
w_range = exp(-|I(p)-I(q)|² / (2*σ_r²))
w = w_spatial * w_range
sum_weight += w
sum_value += w * I(q)
I'(p) = sum_value / sum_weight我在项目中遇到过双边滤波的坑。σ_s和σ_r的调参非常敏感。σ_s控制空间范围，σ_r控制值域范围。σ_r设大了，边缘保护失效；设小了，噪声去不掉。
避坑指南：我曾经在RAW域用双边滤波，σ_r设了0.1（归一化后），结果边缘是保住了，但噪声纹丝不动。后来改成0.3才平衡。记住：RAW域的值域范围很大（0-4095或0-1023），一定要归一化后再调参。
双边滤波的另一个问题是计算复杂度。每个像素都要计算窗口内所有像素的权重，O(N×K²)的复杂度在1080p图像上很吃力。
3.5 非局部均值（NLM）降噪
NLM是传统方法的巅峰。它的核心思想是：图像中存在大量重复的纹理结构，我们可以利用这些相似块来降噪。
具体做法：
- 对每个像素，取它周围的一个小块（比如7x7）
- 在整个图像中搜索与这个块相似的块
- 根据相似度加权平均这些块的中心像素
// NLM核心公式
I'(p) = Σ w(p,q) * I(q)
w(p,q) = exp(-||N(p)-N(q)||² / h²) / Z(p)
其中：
N(p) 是以p为中心的块
||·||² 是块间欧氏距离
h 是滤波强度参数
Z(p) 是归一化因子NLM的效果确实好。纹理区域能保留，平坦区域去噪彻底。但代价也大——计算量爆炸。全图搜索的话，一张1080p图像可能要算几十分钟。
| 方法 | 时间复杂度 | 保边能力 | 去噪质量 |
|---|---|---|---|
| 均值滤波 | O(N) | 差 | 低 |
| 高斯滤波 | O(N) | 较差 | 中 |
| 中值滤波 | O(N log K) | 中 | 中 |
| 双边滤波 | O(N×K²) | 好 | 较高 |
| NLM | O(N×M×K²) | 优秀 | 高 |
工程优化：实际项目中，NLM不会做全图搜索。我一般用搜索窗口限制（比如21x21），再加上积分图加速，可以把速度提升10倍以上。另外，在RAW域做NLM时，建议先做简单的Bayer插值，或者直接在Bayer格式上做块匹配——后者效果更好但实现更复杂。
3.6 方法对比与选择指南
说了这么多，到底怎么选？我个人的经验是这样的：
- 实时性要求高（比如手机拍照预览）：用高斯滤波或双边滤波
- 椒盐噪声为主（比如传感器坏点）：用中值滤波
- 追求画质（比如专业相机RAW处理）：用NLM或后续的BM3D
- 作为AI降噪的预处理：轻量高斯滤波就够了
嗯，这里要注意。传统方法虽然不如深度学习强大，但它们的数学原理是相通的。你想想看，深度学习里的卷积层不就是可学习的滤波核吗？注意力机制不就是自适应权重吗？
理解了这些传统方法，你才能真正理解AI降噪模型为什么有效，以及怎么改进。
这张图把五种方法的关系和对比梳理清楚了。从均值到NLM，复杂度在上升，质量也在上升。实际工程中，没有银弹——你得根据场景和资源来选。