基于SAD的运动感知3DNR去噪算法优化实践

1. 从“鬼影”和“果冻”说起：为什么我们需要运动感知去噪？

刚入行做图像处理那会儿，我最头疼的就是处理动态视频里的噪声。你肯定见过那种画面：一个原本清晰的人走过，身后却拖着一道模糊的“鬼影”；或者视频里稍微有点快速运动，整个画面就像“果冻”一样抖动、粘连。早期我们用传统的3DNR（三维降噪）算法，效果是有的，静态画面干净得像抹了油，可一动起来就全露馅了。问题就出在，算法把每一帧都“一视同仁”了。

简单来说，传统3DNR的核心思想是“时间平均”。它会综合当前帧以及前面好几帧的信息，把对应位置的像素值混合一下，噪声是随机的，一平均就被削弱了，画面就干净了。这招对静止的背景、不动的物体非常有效。但你想，如果一个物体从A点移动到了B点，算法还傻乎乎地把A点过去的像素和B点现在的像素混在一起平均，那可不就在B点留下了A点的“残影”吗？这就是“鬼影”。反过来，如果因为怕产生鬼影，而完全放弃使用时间信息，只靠当前帧自己（这叫空间滤波），那去噪能力就会大打折扣，画面在运动时就会因为噪声去除不干净而产生抖动或模糊，看起来像“果冻”。

所以，真正的挑战在于：如何让算法“聪明”地知道画面里哪里在动，哪里没动？ 动了的地方，就少用甚至不用过去帧的信息，主要靠当前帧自己“解决”噪声；没动的地方，就放心大胆地融合多帧信息，把噪声压得死死的。这就是“运动感知”或“运动自适应”3DNR的核心。而要实现这个“感知”，我们需要一个可靠的运动检测器。今天要聊的基于SAD（绝对差值和）的运动感知3DNR，就是一种在效果和计算成本之间取得绝佳平衡的实战方案，我很多智能摄像头和行车记录仪的项目里都用它，实测下来非常稳。

2. 核心侦察兵：SAD如何成为运动的“尺子”

要让算法感知运动，我们得先定义什么叫“运动”。在数字图像的世界里，运动最直接的体现就是像素值的变化。一个点，从前一帧到这一帧，颜色（亮度）变了，那它很可能动了，或者它所在区域的物体动了。但是，单纯一个像素点的变化太不可靠，万一是噪声呢？所以，我们需要看一个“小团队”的变化。

这就是 SAD（Sum of Absolute Differences，绝对差值和） 登场的时候。你可以把它想象成一个非常勤快的侦察兵。它的工作流程是这样的：

1. 划定侦察区域：对于当前帧里我们要处理的每一个像素点（比如中心点），侦察兵不会只看它自己。它会以这个点为中心，划出一个小的邻域窗口，比如一个 5x5 的像素方块（一共25个“兵”）。这个方块就是它的侦察范围。
2. 对比历史快照：侦察兵手里有一张“上一帧”在同一位置、同样大小的5x5区域的像素值快照（这张快照是已经经过降噪处理的干净画面）。
3. 计算差异总和：侦察兵把当前帧方块里的每一个像素值，减去上一帧对应位置像素值的绝对值，然后把这25个绝对值全部加起来。这个总和，就是SAD值。