3. 去噪算法：从空域到AI的RTL实现考量

图像去噪，说白了就是跟传感器和电路带来的“脏东西”做斗争。我做了这么多年图像处理，最头疼的往往不是算法本身，而是怎么在RTL里把这些算法跑得又快又省资源。今天咱们就聊聊三种主流去噪路线——空域、时域和AI，看看它们在RTL实现上各自有什么坑。

3.1 空域去噪：最基础的像素操作

空域去噪，就是直接在当前帧里，用周围像素来“修复”当前像素。我最早接触的项目就是做均值滤波，那时候觉得这玩意儿太简单了，后来才发现——简单的东西想做好，反而最难。

3.1.1 均值滤波

原理不复杂：取一个窗口（比如3x3），把窗口内所有像素值加起来求平均，替换中心像素。RTL实现时，核心就是那个“求和再除法”。

// 3x3均值滤波的伪代码
sum = p00 + p01 + p02 + p10 + p11 + p12 + p20 + p21 + p22;
result = sum / 9;  // 注意：除法器很贵！

嗯，这里要注意。RTL里做除法，尤其是除以9这种非2的幂次，资源开销很大。我一般会怎么做？

• 用移位近似：除以9 ≈ (sum >> 3) + (sum >> 4) + ... 但精度会损失
• 查表法：把除法的结果预先算好存ROM，但窗口大了ROM就爆炸
• 我最常用的：直接改成“加权平均”，比如用1/8 + 1/16的组合，这样只用移位和加法

3.1.2 高斯滤波

高斯滤波比均值滤波“聪明”一点——它给中心像素更大的权重，离中心越远权重越小。RTL实现时，核心是那个高斯核的乘法累加。

一个3x3的高斯核长这样：

1/16	2/16	1/16
2/16	4/16	2/16
1/16	2/16	1/16

你看，分母都是16，是2的幂次。这意味着什么？意味着除法可以用右移4位搞定！这就是为什么实际项目中高斯滤波比均值滤波更受欢迎——硬件实现更友好。

我个人习惯把高斯滤波拆成两个一维滤波器：先水平方向做一次，再垂直方向做一次。这样乘法器数量从N²降到2N，对于5x5窗口来说，资源节省非常可观。

3.1.3 双边滤波

双边滤波是空域去噪里的“高级玩家”。它不光考虑空间距离，还考虑像素值的相似度。说白了——颜色相近的像素才互相影响，颜色差异大的（比如边缘两侧）就不互相影响。

RTL实现双边滤波，难点在于：

• 指数运算：权重计算需要e的负指数，这在RTL里非常难搞
• 除法：最终要除以所有权重的和，这个除法器跑不掉
• 窗口大：为了效果好，窗口往往做到7x7甚至更大，Line Buffer深度感人

3.2 时域去噪（3DNR）：利用帧间信息

空域去噪有个硬伤——它会模糊细节。时域去噪的思路不一样：既然噪声是随机的，那多帧平均一下，噪声就互相抵消了，而图像内容基本不变。

3DNR的基本公式很简单：

output_frame = α × current_frame + (1-α) × previous_output_frame

α是融合系数，一般在0.1~0.5之间。α越小，去噪越强，但运动拖尾越严重。

RTL实现时，核心模块就两个：

• 帧缓存：至少存一帧图像。对于1080p@60fps，一帧需要约3MB的带宽，DDR带宽压力不小
• 运动检测：判断当前像素和上一帧对应位置的像素是否发生了运动。如果运动了，就不能简单平均，否则会出现“鬼影”

运动检测怎么做？我见过最粗暴的做法——直接算帧差值，超过阈值就认为有运动，然后增大α值（让当前帧权重更大）。

你想想看，如果运动检测做得不好，会出现什么情况？我遇到过——摄像头对着一个静止的桌面，结果因为传感器噪声太大，帧差一直超过阈值，3DNR几乎没起作用。后来我把运动检测改成了“块级检测”，用4x4块的平均值做帧差，噪声被平均掉了，运动检测才正常工作。

3.3 AI去噪：效果最好，代价最高

AI去噪，说白了就是用神经网络来学“干净图像长什么样”。效果确实好，但RTL实现起来……嗯，一言难尽。

目前主流的小型去噪网络，比如DNCNN、FFDNet，在RTL上实现时面临几个核心问题：

• 卷积计算：3x3卷积还好，5x5、7x7的卷积，乘法器数量成倍增长
• 激活函数：ReLU好办，但有些网络用sigmoid、tanh，这些在RTL里需要查表或分段线性近似
• 残差连接：加法器不贵，但数据路径变复杂了
• 权重存储：一个简单的DNCNN可能有几十万个参数，全存片上SRAM不现实，必须用DDR

我建议的做法是——先做模型压缩。量化到8bit甚至4bit，剪枝掉不重要的连接，再用知识蒸馏把大网络压缩成小网络。压缩后的模型，RTL实现才现实。

3.4 三种去噪方案的RTL实现对比

我把三种方案的核心指标整理了一下，方便你做选型参考：

指标	均值/高斯滤波	双边滤波	3DNR	AI去噪（小型网络）
去噪效果	一般	好	好（静止场景极好）	极好
保边缘能力	差	好	一般（运动时差）	好
硬件资源	低	中	中（帧缓存占带宽）	高
实时性（1080p@60）	轻松	可行	轻松	困难
开发周期	1~2周	2~4周	2~3周	2~3月

3.5 知识结构总览

下面这张图把三种去噪路线的核心逻辑和RTL实现要点串起来了，你可以对照着看：

3.6 实战建议：如何选型

说了这么多，到底怎么选？我根据项目经验，给几个参考：

• 低端IPC（1080p@30）：均值滤波 + 简单3DNR。资源够用，效果能接受
• 中端安防（4K@30）：双边滤波 + 3DNR（带运动自适应）。保边缘和去噪的平衡点
• 高端医疗/工业（高帧率）：3DNR为主，AI去噪做后处理。先保证实时性，再追求极致效果
• 手机ISP（功耗敏感）：高斯滤波 + 3DNR。功耗和效果的妥协方案