135、视频降噪与时域滤波：运动自适应与3D降噪算法实战去年冬天，我在调试一台车载环视系统的夜间降噪时，遇到了一个让人抓狂的问题。白天效果完美，一到晚上，停车场的路灯下，画面里静止的车辆轮廓清晰，但稍微一动，车尾就拖出一条“鬼影尾巴”。更诡异的是，当车辆完全停下，鬼影还会残留两三帧才消失。产线那边催得紧，说隔壁竞品已经跑通了3D降噪。我盯着示波器上的时序图，突然意识到——这不是算法不对，是运动检测的阈值和帧缓存策略没匹配上场景的动态范围。时域滤波的本质：用过去换现在视频降噪和单帧降噪最大的区别在于，我们手里多了一张“时间牌”。单帧降噪只能在一个画面里找像素相关性，比如用双边滤波保边，但代价是纹理细节被抹成塑料感。时域滤波的思路更直接：如果当前像素和前一帧对应位置的像素差异很小，说明是噪声，直接平均掉；如果差异很大，说明是运动物体，得保留。这个逻辑听起来简单，但落地时第一个坑就来了——帧缓存的管理。我见过不少新手直接开一个全局的帧缓冲区，每帧都存整张图。对于1080P@30fps的视频，一帧YUV420的数据量大约是1.5MB，存三帧就是4.5MB。在嵌入式平台上，这4.5MB可能直接挤掉了ISP pipeline里其他模块的DDR带宽。别这样写——正确的做法是用双缓冲或者环形缓冲区，只保留当前帧和前一帧的缩略版本，比如先做2x2下采样再存，运动检测的精度损失几乎可以忽略。运动自适应：别让静止的树叶“跳舞”运动自适应是3D降噪的核心。它的目标很简单：静止区域狠狠降噪，
135、视频降噪与时域滤波：运动自适应与3D降噪算法实战去年冬天，我在调试一台车载环视系统的夜间降噪时，遇到了一个让人抓狂的问题。白天效果完美，一到晚上，停车场的路灯下，画面里静止的车辆轮廓清晰，但稍微一动，车尾就拖出一条“鬼影尾巴”。更诡异的是，当车辆完全停下，鬼影还会残留两三帧才消失。产线那边催得紧，说隔壁竞品已经跑通了3D降噪。我盯着示波器上的时序图，突然意识到——这不是算法不对，是运动检测的阈值和帧缓存策略没匹配上场景的动态范围。时域滤波的本质：用过去换现在视频降噪和单帧降噪最大的区别在于，我们手里多了一张“时间牌”。单帧降噪只能在一个画面里找像素相关性，比如用双边滤波保边，但代价是纹理细节被抹成塑料感。时域滤波的思路更直接：如果当前像素和前一帧对应位置的像素差异很小，说明是噪声，直接平均掉；如果差异很大，说明是运动物体，得保留。这个逻辑听起来简单，但落地时第一个坑就来了——帧缓存的管理。我见过不少新手直接开一个全局的帧缓冲区，每帧都存整张图。对于1080P@30fps的视频，一帧YUV420的数据量大约是1.5MB，存三帧就是4.5MB。在嵌入式平台上，这4.5MB可能直接挤掉了ISP pipeline里其他模块的DDR带宽。别这样写——正确的做法是用双缓冲或者环形缓冲区，只保留当前帧和前一帧的缩略版本，比如先做2x2下采样再存，运动检测的精度损失几乎可以忽略。运动自适应：别让静止的树叶“跳舞”运动自适应是3D降噪的核心。它的目标很简单：静止区域狠狠降噪，
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
