3、噪声处理：中值滤波、高斯滤波、双边滤波在热成像中的应用对比
热成像的噪声，说白了就是图像上那些不该有的「雪花点」和「条纹」。
我刚开始接触热成像时，总觉得这玩意儿比可见光相机干净多了。后来才发现，热成像的噪声虽然视觉上不那么刺眼，但它对温度测量的影响非常大——一个像素的噪声，可能让你误判好几度。
今天咱们就聊聊三种最常用的滤波方法：中值滤波、高斯滤波、双边滤波。我会结合实战经验，告诉你什么时候该用哪个。
3.1 热成像噪声的特点
在动手滤波之前，得先搞清楚咱们面对的是什么噪声。
热成像的噪声主要有三类：
- 高斯噪声：传感器自身的热噪声，呈正态分布。说白了就是每个像素上叠加了一个随机小值。
- 椒盐噪声：坏像素导致的黑白点。我在项目中遇到过一块老旧的探测器，每隔几十个像素就有一个死点，处理起来特别头疼。
- 1/f 噪声：低频漂移，表现为图像上缓慢变化的明暗条纹。
嗯，这里要注意：热成像的噪声通常比可见光图像更「温和」，但它的信噪比往往更低。你想想看，一个物体只比背景高0.5℃，如果噪声有0.3℃，那这个物体几乎就看不出来了。
3.2 中值滤波：专治椒盐噪声
中值滤波的原理很简单：把每个像素的值替换成它周围像素的中位数。
为什么是中位数而不是平均值？因为中位数对异常值不敏感。举个例子：一个3x3的窗口里，如果中心像素是个坏点（比如255），周围都是正常值（比如30左右），取平均值会被拉高到50多，而取中位数还是30左右。
核心特点：
- 对椒盐噪声效果极好
- 能保留边缘（不会模糊边界）
- 对高斯噪声效果一般
- 计算量较大（需要排序）
我曾经在一个电力巡检项目里，探测器有十几个坏像素，用中值滤波3x3窗口，一次就搞定了。但要注意，窗口不能太大——5x5以上会把细小目标也给滤掉。
import cv2
import numpy as np
# 读取热成像图像（16位单通道）
thermal_img = cv2.imread('thermal_raw.png', cv2.IMREAD_UNCHANGED)
# 中值滤波
median_3 = cv2.medianBlur(thermal_img, 3) # 3x3窗口
median_5 = cv2.medianBlur(thermal_img, 5) # 5x5窗口
# 显示对比
cv2.imshow('Original', thermal_img / 256) # 16位转8位显示
cv2.imshow('Median 3x3', median_3 / 256)
cv2.imshow('Median 5x5', median_5 / 256)
cv2.waitKey(0)小技巧：如果坏像素是孤立的，用3x3窗口就够了。如果坏像素成片出现，建议先做坏像素校正，再用中值滤波做二次处理。
3.3 高斯滤波：平滑高斯噪声的首选
高斯滤波用的是加权平均——离中心越近的像素权重越大，权重分布服从高斯函数。
说白了，它比普通均值滤波更「聪明」，不会把远处的像素和近处的像素一视同仁。
核心特点：
- 对高斯噪声效果最好
- 会模糊边缘（这是它的缺点）
- 计算速度快（可分离卷积）
- 参数直观（sigma控制平滑程度）
我记得有一次做人体测温，热成像图像上高斯噪声很明显，温度分布看起来毛毛躁躁的。用高斯滤波一处理，图像立刻变得平滑，温度读数也稳定了。但代价是——人的轮廓变模糊了，边缘温度梯度被削弱。
# 高斯滤波
gaussian_3 = cv2.GaussianBlur(thermal_img, (3, 3), sigmaX=1.0)
gaussian_5 = cv2.GaussianBlur(thermal_img, (5, 5), sigmaX=1.5)
# sigma越大，平滑效果越强
gaussian_strong = cv2.GaussianBlur(thermal_img, (5, 5), sigmaX=3.0)注意：高斯滤波的窗口大小和sigma要匹配。一般建议 sigma ≈ (窗口大小 - 1) / 6。比如5x5窗口，sigma取0.67左右。sigma太大，窗口太小，效果会打折扣。
3.4 双边滤波：既要降噪又要保边
双边滤波是高斯滤波的「升级版」。它在考虑空间距离的同时，还考虑了像素值的差异。
怎么理解呢？
- 空间权重：离中心近的像素权重大（和高斯滤波一样）
- 值域权重：像素值相近的权重大，差异大的权重小
这样一来，在平坦区域（像素值接近），双边滤波就像高斯滤波一样平滑；在边缘处（像素值突变），值域权重会让边缘两侧的像素互不影响，从而保留边缘。
核心特点：
- 既能降噪又能保留边缘
- 对高斯噪声和椒盐噪声都有一定效果
- 计算量非常大（比高斯滤波慢10-100倍）
- 参数调优比较麻烦
我个人习惯在需要精细分析热成像细节时用双边滤波。比如检测电路板上的微小发热点，既要平滑噪声，又不能模糊焊点的边界——这时候双边滤波就是神器。
# 双边滤波
# d: 窗口直径
# sigmaColor: 颜色空间标准差（值越大，颜色差异容忍度越高）
# sigmaSpace: 空间标准差（值越大，空间影响范围越广）
bilateral = cv2.bilateralFilter(thermal_img, d=9, sigmaColor=75, sigmaSpace=75)
# 参数调大，平滑效果增强，但计算更慢
bilateral_strong = cv2.bilateralFilter(thermal_img, d=15, sigmaColor=150, sigmaSpace=150)避坑指南：我曾经在实时处理系统里用双边滤波，结果帧率从30fps掉到了2fps。后来改用快速双边滤波（cv2.ximgproc.bilateralFilter）或者先降采样再滤波，才解决了性能问题。
3.5 三种滤波的对比总结
咱们用一张表来直观对比：
| 特性 | 中值滤波 | 高斯滤波 | 双边滤波 |
|---|---|---|---|
| 降高斯噪声 | 一般 | 优秀 | 良好 |
| 降椒盐噪声 | 优秀 | 差 | 良好 |
| 边缘保留 | 良好 | 差 | 优秀 |
| 计算速度 | 中等 | 快 | 慢 |
| 参数调优难度 | 简单 | 简单 | 复杂 |
| 适用场景 | 坏像素校正 | 整体平滑 | 精细分析 |
3.6 实战选择建议
你可能会问：到底该用哪个？
我的经验是这样的：
- 先做坏像素检测：如果发现明显的椒盐噪声（孤立黑白点），先用中值滤波3x3处理一遍。
- 再做整体平滑：用高斯滤波去除高斯噪声，sigma取1.0-2.0，窗口5x5就够了。
- 最后考虑保边：如果后续要做边缘检测或目标分割，用双边滤波替代高斯滤波。
重要提醒：滤波会改变温度值！中值滤波可能偏差0.1-0.3℃，高斯滤波偏差0.5-1℃。如果要做精确测温，建议在滤波前记录原始温度值，或者只在显示时滤波，分析时用原始数据。
嗯，说到这，我想起一个案例。有个做森林防火的朋友，直接用高斯滤波处理热成像，结果把小火苗的边缘给模糊了，差点漏报。后来换成双边滤波，小火苗的轮廓清晰可见，误报率也降下来了。
所以，滤波不是越强越好，关键看你的下游任务是什么。如果只是给人眼看，高斯滤波就够了；如果要机器分析，双边滤波更靠谱。
这张流程图就是我平时处理热成像噪声的标准流程。先判断有没有椒盐噪声，再根据是否需要保留边缘来选择滤波方法。简单直接，不容易出错。
最后说一句：滤波只是预处理的一步，别指望它能解决所有问题。如果噪声实在太严重，建议从硬件层面找原因——比如探测器温度是否稳定、供电是否干净。软件能做的，终究有限。