第二章：去噪的基石——空间域滤波与频域滤波

各位同学，欢迎来到实战手册的第二章。

上一章我们聊了噪声的本质，说白了就是搞清楚了「敌人长什么样」。这一章，我们就要亮出第一波武器了——滤波。我个人一直觉得，滤波是图像去噪的「内功心法」。你招式学得再多，内功不行，照片该糊还是糊，该有噪点还是有噪点。

这一章我会把空间域和频域这两大类方法掰开揉碎了讲。嗯，咱们先别急着上深度学习那些花里胡哨的东西，先把地基打牢。

2.1 空间域滤波：直接在像素上动手

空间域滤波，说白了就是直接拿像素周围的邻居来算。你想想看，一个噪点通常跟周围的像素长得不一样，那我们把它跟邻居「平均」一下，是不是就顺眼多了？

我最早接触图像处理时，第一个学的就是均值滤波。当时觉得这玩意儿太简单了，不就是算个平均值嘛。后来在项目里吃了亏才明白——简单的东西，往往坑最多。

2.1.1 均值滤波

均值滤波的原理，就是用一个窗口滑过图像，把窗口内所有像素的灰度值加起来，除以像素个数，用这个平均值代替中心像素的值。

// 均值滤波核心代码（3x3窗口）
void boxFilter(unsigned char* src, unsigned char* dst, int width, int height) {
    int kernel[3][3] = {{1,1,1}, {1,1,1}, {1,1,1}};
    int sum, ksum = 9;
    for(int y=1; y<height-1; y++) {
        for(int x=1; x<width-1; x++) {
            sum = 0;
            for(int ky=-1; ky<=1; ky++)
                for(int kx=-1; kx<=1; kx++)
                    sum += src[(y+ky)*width + (x+kx)];
            dst[y*width + x] = sum / ksum;
        }
    }
}

2.1.2 高斯滤波

高斯滤波跟均值滤波的区别在哪？说白了，均值滤波是「人人平等」，高斯滤波是「近亲远疏」。离中心像素越近的邻居，权重越大；越远的，权重越小。这个权重分布，就是高斯函数。

我个人习惯用高斯滤波做预处理。比如在手机夜景模式里，先来一轮轻度高斯滤波，把最刺眼的高频噪点压一压，后面再做细节增强就不会放大噪声了。

// 5x5高斯核生成（sigma=1.0）
float gaussianKernel[5][5];
float sigma = 1.0f, sum = 0.0f;
int half = 2;
for(int y=-half; y<=half; y++) {
    for(int x=-half; x<=half; x++) {
        float val = exp(-(x*x + y*y) / (2*sigma*sigma));
        gaussianKernel[y+half][x+half] = val;
        sum += val;
    }
}
// 归一化
for(int i=0; i<5; i++)
    for(int j=0; j<5; j++)
        gaussianKernel[i][j] /= sum;

2.1.3 中值滤波

中值滤波就更有意思了。它不取平均，而是取窗口内所有像素的「中位数」。你想想看，如果窗口里有个椒盐噪声（纯白或纯黑的点），取平均会被它带偏，但取中位数就完全不受影响。

我记得有一次做老照片修复，照片上有大量扫描产生的椒盐噪声。均值滤波和高斯滤波都试了，效果惨不忍睹。换成中值滤波后，那些白点黑点像变魔术一样消失了。嗯，中值滤波对付椒盐噪声，就是降维打击。

2.2 频域滤波：换个角度看问题

空间域滤波是在像素层面操作，那频域滤波呢？说白了，就是把图像从「空间坐标」变换到「频率坐标」。你想想看，一张照片里，平坦区域对应低频，边缘和纹理对应高频，噪声通常也落在高频区域。

所以频域去噪的思路就很清晰了——把高频部分砍掉一部分，再变回空间域。这就是低通滤波的核心思想。

2.2.1 低通滤波

低通滤波在频域里做，其实就是一个「保留低频，衰减高频」的操作。最常用的就是理想低通滤波、巴特沃斯低通滤波和高斯低通滤波。

我个人在实际项目中很少用理想低通，因为它太「硬」了，会在图像边缘产生振铃效应——就是那种一圈一圈的伪影，看着特别假。高斯低通滤波就平滑得多，过渡自然。

// 频域低通滤波流程（伪代码）
1. 对图像做FFT（快速傅里叶变换），得到频域数据
2. 生成低通滤波器掩膜（比如高斯型）
3. 频域数据与掩膜逐元素相乘
4. 做IFFT（逆傅里叶变换），得到去噪后的图像

2.2.2 小波变换

小波变换比傅里叶变换高明在哪？傅里叶变换只能告诉你「有哪些频率成分」，但不知道这些频率出现在图像的哪个位置。小波变换就不一样了，它能同时给出频率和位置信息——这就是所谓的「时频局部化」。

我记得在手机HDR+算法里，小波变换被用来做多帧融合时的细节分离。把图像分解成低频近似分量和高频细节分量，然后对不同分量做不同的处理。低频部分做去噪，高频部分做增强，互不干扰。

// 小波去噪的经典三步
1. 分解：对图像做小波变换，得到近似系数和细节系数
2. 阈值处理：对细节系数做软阈值或硬阈值处理
   - 软阈值：系数小于阈值的置零，大于的向零收缩
   - 硬阈值：系数小于阈值的置零，大于的保留原值
3. 重构：用处理后的系数做逆小波变换

2.3 经典去噪算法对比

好了，前面讲了这么多方法，到底该用哪个？我整理了一张对比表，方便你快速选型。

算法	噪声类型	边缘保留	计算开销	手机端可行性
均值滤波	高斯噪声	差	极低	实时
高斯滤波	高斯噪声	一般	低	实时
中值滤波	椒盐噪声	好	中等	实时
频域低通	高频噪声	一般	高（FFT）	需优化
小波变换	多种噪声	好	高	需硬件加速

你可能会问：「那我到底该选哪个？」我的建议是——看场景。如果是实时预览，用高斯滤波就够了，速度快，效果也还行。如果是后期处理，小波变换是更好的选择，虽然慢一点，但质量高。如果是椒盐噪声，别犹豫，直接上中值滤波。

嗯，这一章的内容就到这儿。滤波是去噪的基石，把这些基础打牢了，后面学非局部均值、BM3D这些高级算法时，你才能理解它们到底「高级」在哪。

---

公众号:蓝海资料掘金营，微信deep3321