核心要点
区分高斯噪声、椒盐噪声、泊松噪声
列举线性与非线性滤波
说明去噪与细节保留的权衡
知道深度去噪方法（DnCNN）
简要回答
噪声类型
- 高斯噪声：传感器电子噪声 → 线性平滑有效
- 椒盐噪声：随机黑白点 → 中值滤波
- 泊松/散粒噪声：光子计数，信号依赖型
经典方法
| 方法 | 特点 |
|---|---|
| 均值/高斯滤波 | 快，模糊边缘 |
| 中值滤波 | 去椒盐，保边较好 |
| 双边滤波 | 空间+强度加权，保边 |
| NLM | 利用非局部相似 patch |
| BM3D | 块匹配+变换域，质量高但慢 |
| 形态学开闭 | 椒盐、小斑点 |
频域：低通滤波，但易振铃；
深度学习：DnCNN、Noise2Noise、扩散去噪，学习数据驱动先验
标准回答
噪声类型
- 高斯噪声：传感器电子噪声 → 线性平滑有效
- 椒盐噪声：随机黑白点 → 中值滤波
- 泊松/散粒噪声：光子计数，信号依赖型
经典方法
| 方法 | 特点 |
|---|---|
| 均值/高斯滤波 | 快，模糊边缘 |
| 中值滤波 | 去椒盐，保边较好 |
| 双边滤波 | 空间+强度加权，保边 |
| NLM | 利用非局部相似 patch |
| BM3D | 块匹配+变换域，质量高但慢 |
| 形态学开闭 | 椒盐、小斑点 |
频域：低通滤波，但易振铃。
深度学习：DnCNN、Noise2Noise、扩散去噪，学习数据驱动先验。
工程建议
- 先分析噪声来源（ISO、压缩、传输）
- 去噪强度与下游任务权衡；检测可能需保留纹理
- OpenCV fastNlMeansDenoising、bilateralFilter
详见 图像处理。
常见误区
⚠️ 常见踩坑
所有噪声都用高斯模糊；不去分噪声类型；忽视去噪对小目标检测的伤害。
追问
追问 1：双边滤波两个 sigma 含义？
sigmaSpace 控制空间邻域范围，越大参与平滑的像素越远；sigmaColor 控制强度相似度容差，越大颜色差异大的像素也会被混合、保边能力越弱。两者相乘决定权重：既空间近又灰度相近的像素权重才高，从而平滑同质区却保住边缘。sigmaColor 调太大双边滤波就退化成普通高斯模糊。
追问 2：去噪放在增强前还是后？
通常先轻度去噪再增强/检测，避免增强放大噪声。极强去噪会抹掉小目标，检测 pipeline 可能跳过或减弱。
追问 3：RAW 域去噪优势？
在传感器 RAW 数据去噪可保留更多光子信息，优于 JPEG 后处理；手机计算摄影常用多帧对齐+RAW 融合。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- OpenCV
开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。