ISP Pipeline（4）： Anti Aliasing Noise Filter 抗锯齿与降噪滤波器
上一篇文章讲的是：ISP Pipeline（3）：Lens Shading Correction 镜头阴影校正-CSDN博客
视频：(5) Anti Aliasing Noise Filter | Image Signal Processing Pipeline Tutorial Series
源码：ISP Pipeline（3）：Lens Shading Correction 镜头阴影校正-CSDN博客
Anti-Aliasing Noise Filter 是在图像进入后续 ISP 流程之前，对 Bayer 原始图像进行空间域平滑处理，目的是消除图像中高频噪声和虚假信号，同时尽量保留边缘信息。
1. Aliasing 锯齿产生的原因
-
原始图像分辨率有限，高频内容（如细线、格栅等）在采样时失真；
-
在 Bayer 模式下，高频伪影更严重，会影响 demosaic；
-
解决方式：在采样或处理前做低通滤波（Anti-Aliasing Filter，AA Filter）。
2. Noise 噪声的来源
-
主要来自于传感器（热噪声、电路噪声）、环境光弱时的随机波动；
-
原始 Bayer 图中的噪声不仅影响清晰度，还会引入伪彩。
滤波器实现方式（常见）
1. Gaussian Blur / Bilateral Filter
-
对图像做模糊处理，降低高频分量；
-
Gaussian 是均值滤波的加权版；
-
Bilateral（双边滤波）可以同时平滑图像又保留边缘。
2. Edge-Preserving Filter
-
用于保持边缘而去除背景噪声；
-
比如 Guided Filter、Non-Local Means、Kuwahara Filter；
-
适用于对图像细节要求高的高端 ISP。
3. Median Filter（中值滤波）
-
抵抗椒盐噪声、单点突变等；
-
对于 dead pixel 或突发点状噪声较好。
代码实现：
def AAF(lsc_img, k):
"""
inputs:
lsc_img = bayer domain image after lens shading correcting
k = anti-aliasing correction factor to control strenght of anti-aliasing
outputs:
aaf_img = bayer domain image after applying anti-aliasing
"""
padded_img = np.pad(lsc_img, (2,2), 'reflect') # pad the image to give corner pixels full set of neighbors
p1 = padded_img[:-4:1, :-4:1] # create 9 different arrays for p0:p8
p2 = padded_img[:-4:1, 2:-2:1]
p3 = padded_img[:-4:1, 4::1]
p4 = padded_img[2:-2:1, :-4:1]
p0 = padded_img[2:-2:1, 2:-2:1] * (k**0.5)
p5 = padded_img[2:-2:1, 4::1]
p6 = padded_img[4::1, :-4:1]
p7 = padded_img[4::1, 2:-2:1]
p8 = padded_img[4::1, 4::1]
neighbors = np.array([p1, p2, p3, p4, p0, p5, p6, p7, p8]) / ((k + 8)**0.5)
aaf_img = (np.sum(neighbors, axis = 0)).astype(np.uint16) # apply the filter
return aaf_img自定义 Anti-Aliasing Filter（抗锯齿滤波器），对中心像素及其周围 8 个邻居加权平均，达到 降噪和平滑高频伪影 的目的。
提取邻域：
p1 p2 p3
p4 p0 p5
p6 p7 p8
其中中心像素是：
p0 = padded_img[2:-2, 2:-2] * (k**0.5)
其余 8 个邻居不乘 k 权重，而是在后续归一化除以 sqrt(k + 8)。
权重逻辑：
其中 k 越大，越强调中心像素，越接近原图（平滑度下降）；
k 越小，越平均，图像越模糊。