第2章深度图噪声源分析

2、深度图噪声源分析：环境光、多路径干扰、运动模糊与传感器噪声

做ToF深度图处理这几年，我最大的感受就是：噪声才是真正的敌人。算法再漂亮，一遇到强环境光或者运动物体，效果立马打回原形。今天咱们就来掰扯掰扯，深度图里的噪声到底从哪来。

核心观点：ToF深度图的噪声不是单一来源，而是四种噪声叠加的结果。搞懂它们各自的特性，滤波才能有的放矢。

环境光对ToF的影响，说白了就是「背景太亮，信号被淹没了」。我刚开始做室外项目时，白天测出来的深度图全是噪点，晚上反而清晰得很。当时我还以为是传感器坏了，后来才明白——环境光中的红外成分会直接干扰调制光的检测。

具体来说，环境光噪声表现为：

我记得有一次在商场里做测试，头顶的LED灯让深度图出现了周期性条纹，折腾了两天才找到原因。嗯，这里要注意：室内环境光往往比室外更棘手，因为人工光源的频闪是规律性的，滤波时得专门处理。

避坑指南：我曾经在强光下直接用原始深度图做目标检测，结果误检率高达40%。后来加了环境光抑制模块，误检率直接降到5%以下。环境光噪声不是不能处理，但必须在硬件和算法两端同时下手。

多路径干扰，说白了就是光走了「弯路」。ToF的原理是测量光往返的时间，但如果光在到达物体前先反射了别的表面，那测出来的距离就是错的。

我画了一张图，帮你理解多路径干扰是怎么发生的：

多路径干扰的典型场景包括：

你想想看，一个像素里同时混入了不同路径的光，相位信息就乱了。我做过实验，在墙角处深度误差能达到实际距离的30%以上。这可不是滤波能完全解决的，得从算法层面做多路径补偿。

警告：多路径干扰在室内场景尤其严重。我曾经在一个小房间里做测试，四面白墙让深度图出现了「鬼影」——明明只有一个物体，却出现了多个虚像。遇到这种情况，先别急着调滤波参数，检查一下环境反射条件再说。

运动模糊的原理其实很简单：ToF传感器需要多次采样才能算出一个深度值，如果物体在这段时间内移动了，那采到的数据就是「混叠」的。

具体来说，运动模糊表现为：

我记得有一次做手势识别，手一挥，深度图上手指的位置直接飞到了背景里。后来查资料才发现，ToF的运动模糊和普通相机的运动模糊不一样——普通相机是空间上的模糊，ToF是时间上的混叠。

个人经验：处理运动模糊，我一般分两步走。第一步是运动检测，用帧差法找出运动区域；第二步是针对性滤波，运动区域用时间域滤波，静止区域用空间域滤波。这样既能抑制噪声，又不会让运动物体「糊」掉。

传感器噪声是硬件自带的，说白了就是「胎里病」。这部分噪声包括：

这里我想多说一句：固定模式噪声是最好处理的，因为它是「确定性」的。我习惯在系统启动时先采集一张暗场图像，然后做减法校正。但暗电流噪声就麻烦多了——温度一变，噪声特性也跟着变。

有一次我在夏天做户外测试，传感器温度从25℃升到了60℃，暗电流噪声直接翻了三倍。从那以后，我做的所有算法都加了温度补偿模块。

关键总结：四种噪声各有各的脾气。环境光噪声看场景，多路径干扰看环境，运动模糊看物体，传感器噪声看硬件。滤波算法不能「一刀切」，得针对不同噪声设计不同的处理策略。

实际场景中，这四种噪声是同时存在的。我画了一张图来展示它们的叠加关系：

从这张图可以看出，滤波算法面对的不是单一噪声，而是「混合噪声」。我个人的经验是：先分离、后处理。先判断当前场景主要受哪种噪声影响，再选择对应的滤波策略。比如强光下优先处理环境光，运动场景下优先处理运动模糊。

实用建议：刚开始做ToF深度图处理时，别想着一个算法搞定所有噪声。先拿一个简单场景练手，比如室内静止物体、弱光环境。等把传感器噪声和固定模式噪声处理好了，再逐步加入环境光和运动场景。一步一步来，反而更快。

好了，这一章咱们把噪声的来源和特性捋清楚了。下一章我会讲讲具体的滤波算法——怎么把这些噪声一个一个「干掉」。记住一句话：知己知彼，百战不殆。搞懂噪声，滤波就成功了一半。