Edge Preservation + NR 联动优化方案：多场景图像质量与细节还原的工程实践

关键词：

边缘保留滤波、时序去噪、空间降噪、清晰度优化、结构感知、平台差异、图像质量、ISP 实践

摘要：

边缘保留（Edge Preservation）与图像去噪（Noise Reduction, NR）是提升成像系统画质的两项核心任务。传统 NR 方法在压制噪声的同时往往造成纹理模糊和结构细节丢失，如何实现边缘信息的精准保留与噪声抑制之间的动态平衡，成为当前 ISP 调试与 AI 图像处理系统中的关键难点。本文将围绕行业主流平台（QCOM、MTK、HiSilicon）最新架构，从滤波器设计、结构检测、空间-时域 NR 联动机制、清晰度调控路径等多个维度，系统剖析 Edge Preservation + NR 的协同优化方案，并结合工程实战案例，提供一套面向拍照、视频、夜景等不同场景的参数配置策略与调试建议。

目录
  1. 图像系统中的 Edge Preservation 与 NR 任务边界
  2. 典型边缘感知滤波算法及其降噪适配性分析
  3. 时域 + 空间 NR 联动策略设计与结构保护机制
  4. 滤波器权重 LUT 构建与亮度/纹理分区方法
  5. ISP 中边缘引导去噪模块的结构组成与触发链路
  6. 多平台实现差异对边缘感知 NR 效果的影响
  7. 夜景/人像等关键场景下的实战调试流程与参数参考
  8. 面向未来的联合感知架构与 AI 增强去噪路径规划
第一章：图像系统中的 Edge Preservation 与 NR 任务边界

在数字图像处理流程中，去噪（Noise Reduction, NR）与边缘保留（Edge Preservation） 往往构成一组天然的矛盾：前者追求平滑压制背景区域中的噪声，后者致力于保持物体轮廓、纹理细节与边缘清晰度。在 ISP（Image Signal Processor）内部模块设计中，NR 多部署于 RAW 域、YUV 域甚至 AI 后处理路径中，形式包括 Spatial NR（空域降噪）、Temporal NR（时域降噪）、WNR（Wavelet NR）等；而 Edge Preservation 更多以双边滤波（Bilateral Filter）、导向滤波（Guided Filter）、非局部均值（NLM）或 AI 感知的方式嵌入 NR 模块中作为抑制模糊的辅助通道。

从职责划分上看，现代图像处理架构已逐渐倾向于联动式策略设计，不再将边缘增强与去噪视为两个线性独立阶段。例如，在某些平台（如 MTK Imagiq）中，NR 模块的设计中内置了结构图构建通路，以指导降噪区域选择与强度调控；而高通 Spectra 平台则提供了一套多分支 NR + Detail Enhance 的可编程模块，通过硬件级 LUT 控制边缘保护权重。

图像系统需根据使用场景合理划定 NR 与 Edge Preservation 的目标优先级。例如，在夜景拍照中，NR 强度需要偏大以消除高 ISO 带来的严重噪声，而边缘保留需作为次级优化目标，避免伪影扩散；而在人像视频中，则更关注边缘线条的连续性与面部结构清晰度，NR 需在局部区域动态退让。

第二章：典型边缘感知滤波算法及其降噪适配性分析

边缘保留滤波核心在于“识别边缘、绕开边缘”，以下为当前主流滤波方法在实际 ISP 中的集成方式与适配特征：

1. 双边滤波（Bilateral Filter）
双边滤波基于像素值相近和空间位置接近的权重分配策略，在平滑噪声的同时保留了图像边缘。但其对大幅亮度跳变区域边缘（如白背景上的黑线）仍存在模糊倾向，计算复杂度高，适合用于拍照路径而非实时视频。

2. 导向滤波（Guided Filter）
导向滤波引入一张指导图（通常为灰度图或下采样图），对输出区域结构进行约束，可在保持锐利边缘的同时实现快速滤波。MTK 平台部分版本已将该算法硬件化并嵌入其 YNR 路径，适合视频路径使用。

3. 非局部均值滤波（Non-Local Means, NLM）
NLM 通过统计图像中非邻域块的相似性进行加权平均，对噪声抑制更具鲁棒性，但边缘定义不如前两者清晰，且对算力要求较高。在 QCOM 平台中，NLM 被集成为夜拍 RAW 域 NR 的预处理手段。

4. AI 引导边缘识别模块
随着 NPU 部署成本降低，部分平台引入了轻量 CNN 网络提取边缘结构图（如 Sobel + CNN Fusion），将其作为 NR 强度 LUT 的约束模板。例如，在 HiSilicon 的夜景 ISP Pipeline 中，AI Edge Map 被用于动态调整亮区与暗区的 NR 权重分布。

综上，边缘保留滤波器的选择与调度，应结合图像通路的算力约束、时延要求与目标场景特征进行工程化取舍。典型场景如视频通话/低功耗录像，更适合采用导向滤波 + LUT 方式快速部署；而高质量静态拍摄则可利用双边/AI Filter 强化边缘识别与还原。

第三章：时域 + 空间 NR 联动策略设计与结构保护机制

在多通路 ISP 图像处理体系中，Temporal Noise Reduction（TNR）与 Spatial Noise Reduction（SNR）常作为核心降噪组件协同工作。TNR 通过多帧数据融合压制随机噪声，适合低频纹理和大面积区域的平滑处理；而 SNR 则对单帧图像在空间域中进行去噪操作，更擅长边缘细节与高频噪声的控制。两者的联动策略设计是提升图像质量的关键，在视频通路与低光场景中尤为重要。

一、联动策略目标：动态分工、互补优化

  1. TNR 负责全局性背景去噪，在帧间稳定区域提取高保真信息，避免闪烁；
  2. SNR 对边缘区域与时变区域进行重点增强与选择性降噪，防止时间模糊；
  3. 在复杂场景中，二者通过特征图协同，构建融合强度图（Fusion Weight Map），控制各区域的主导通路与强度策略。

二、结构保护机制设计：

  • 边缘优先保护： 利用梯度图、Laplacian 图或 AI 提取的边缘特征图，作为掩模输入，引导滤波权重不跨越边界；
  • 运动区域动态退让： 通过 Motion Vector（运动矢量）检测与帧差分析，识别移动目标区域，仅启用轻度 SNR 并关闭 TNR；
  • 统一输出域同步： 在 ISP Pipe 尾端，采用统一结构引导图（Edge Map）融合 TNR + SNR 输出，解决强度不一致导致的结构断裂问题。

三、平台实践策略举例：

  • 高通 Spectra 平台中的 “Fusion NR” 机制，将 TNR 的融合图作为 SNR 的加权控制图，提供结构增强 LUT；
  • MTK 平台 Imagiq 模块中，配置双通路时序（Preview、Snapshot 独立 TNR + 共用 SNR）路径，统一输出质量边界；
  • HiSilicon 平台采用线下训练 + 在线推理的 AI Filter，用于边缘区域的 Mask 构建，实现边缘细节动态融合权重控制。

通过合理的结构保护机制与任务分层，工程实现中可显著降低暗区涂抹、移动目标残影及结构跳变等问题，构建稳定、高质量的降噪系统。

第四章：滤波器权重 LUT 构建与亮度/纹理分区方法

滤波器在 TNR / SNR 中的作用不止于算子结构，其核心能力体现为空间/时间联合权重控制机制的调节精度。平台实际部署中，滤波强度调节广泛依赖 LUT（Look-Up Table）系统，通过像素亮度、纹理复杂度、边缘强度等多个输入维度构建多通道控制表格。

一、LUT 控制因子的构建维度：

  1. 亮度分区（Luma-based Region Partition）

    • 将图像像素按亮度范围划分为 4~8 个等级（如 0–64、65–128…）；
    • 暗区使用高 NR 权重防止噪声暴露，亮区适当保留纹理细节；

  2. 纹理复杂度检测（Texture Classification）

    • 使用局部方差/能量或高频分量提取纹理强度；
    • 平滑区域强化滤波，高纹理区采用低权重或关闭滤波；

  3. 边缘/结构掩模（Edge Preservation Map）

    • 利用梯度法（Sobel、Scharr）或方向感知网络提取边界信息；
    • 滤波强度在边缘区域设定衰减因子，防止边缘模糊。

二、LUT 构建机制：

  • 1D LUT： 以亮度为单一输入维度，适合低成本平台；
  • 2D LUT： 亮度 + 纹理输入构成二维矩阵控制表，适用于中高端 ISP；
  • 3D LUT： 加入边缘梯度维度或亮度等级、纹理强度、图像类型分类，实现场景自适应动态权重调节；
  • 部分平台还支持 LUT + 函数混合策略，实现快速调参（如 QCOM 支持 LUT + 指数函数修正权重）。

三、实际工程应用路径：

  • 在调试 Preview Path 中，需重点关注中亮度 + 中等纹理区是否存在过度降噪，适当调整 LUT 中 64~128 灰阶段权重；
  • 在夜景路径中，低亮度区域 LUT 值设为最大降噪权重，同时匹配 Edge Mask 降低边缘附近过度平滑；
  • 配合平台调试工具（如 MTK 的 ADB 动态 LUT 载入工具）实时观察图像质量变化，实现快速迭代优化。

LUT 构建策略的科学性直接影响图像去噪质量与清晰度感知，是决定 ISP NR 模块是否“看上去专业”的核心要素之一。

第五章：ISP 中边缘引导去噪模块的结构组成与触发链路

在移动影像 ISP 架构中，边缘引导去噪（Edge-guided Noise Reduction, EGNR）模块是一种结合图像局部结构感知与动态权重调节的中高端降噪机制。其目标是在保留清晰边缘与纹理的同时有效抑制噪声，避免传统滤波器带来的图像模糊与细节损失。

一、边缘引导 NR 的核心组成结构

  1. 边缘检测模块（Edge Detector）

    • 常见算法包括 Sobel、Scharr、Laplacian 或 Directional Gradient Map；
    • 高端平台会引入 AI Edge Predictor，通过训练模型提取结构 Mask；
    • 输出为强度图（Edge Map）或二值结构图（Binary Edge Mask）；

  2. 权重计算模块（Adaptive Weight Mapper）

    • 根据 Edge Map + 亮度/纹理输入生成多通道空间滤波权重；
    • 支持多组 LUT（亮度 LUT、纹理 LUT、边缘 LUT）协同控制；
    • 对边缘区域自动弱化滤波，对平坦区域加强平滑处理；

  3. 核心滤波器模块（NR Kernel）

    • 常用包括：Bilateral Filter、Guided Filter、Non-local Means；
    • 算子支持 Edge-aware 权重融合输入，调节核大小与方向；
    • 滤波结果按 Edge Mask 执行融合或残差修正；

  4. 融合与输出模块（Mixer & Output Handler）

    • TNR + EGNR 融合，或 EGNR 与 RAW NR、SNR 的前后级融合；
    • 实现多分支去噪路径在统一坐标空间下的输出一致性；
    • 可支持逐块 ROI（Region of Interest）输出控制。

二、触发链路与调度机制

  • 图像路径触发： 在 YUV 域或 RAW 域处理阶段被激活（平台不同而异）；
  • 场景感知调度： 利用 AE/AWB 结果（如亮度指数、色温偏移）判断是否启用；
  • 实时参数传递： 由 HAL 层动态下发场景 ID、噪声指数、曝光参数等；
  • 多模块协同： 与 Sharpening 模块共享 Edge Map，统一边缘识别来源，防止锐化叠加产生伪影。

三、触发实例说明

  • 低光拍摄：ISO > 1000 且亮度小于阈值时，自动启用 Edge-aware 滤波，关闭标准 SNR；
  • 视频路径：实时性要求高，仅执行轻量化 EGNR；
  • ZSL 拍照：Snapshot 启用高强度 EGNR + Temporal Mask Fusion，最大程度恢复边缘细节。

边缘引导去噪是目前图像算法中最接近“视觉感知规律”的一环。通过动态结构图调控滤波强度，既保证了图像清晰度，又压制了高感下的随机噪声，是多平台图像质量分水岭的重要指标。

第六章：多平台实现差异对边缘感知 NR 效果的影响

边缘引导去噪的效果，受限于平台硬件支持、ISP 算法结构和调试接口的差异。在实际工程应用中，主流三大平台（QCOM、MTK、HiSilicon）在 EGNR 的路径架构、控制粒度与图像质量策略方面差异显著。

一、高通平台（Qualcomm Spectra ISP）

  • 优势特征：

    • 基于 Edge-aware Bilateral Filter 构建的 EGNR 管线；
    • Edge Map 可由 AI 模块生成（使用 Hexagon NN 推理）；
    • 支持 Pixel-level 可编程权重 LUT，适配 Luma / Edge / Motion 三通道调控；
    • HAL 层通过 Metadata 传参控制滤波强度和边缘保护阈值。

  • 实战效果：

    • 夜景拍照表现稳定，边缘无拖尾；
    • 在运动场景中结合 Motion Compensation 能抑制移动虚影。

二、联发科平台（MTK Imagiq ISP）

  • 结构特征：

    • 滤波核基于 Non-local Means + 指引图；
    • Edge Map 来源可配置为 Gradient Map 或纹理图；
    • 调试参数大多由 AI NR 模块自动生成，控制权偏少；

  • 实战表现：

    • 低光细节保留优于 QCOM，但存在锐度偏软倾向；
    • 在多摄 ZSL 模式下，调试灵活性略弱，边缘一致性需调校。

三、海思平台（HiSilicon ISP + AI ISP）

  • 实现方式：

    • 融合 AI 网络生成结构引导图，用于 Spatial Noise Estimation；
    • 模块内支持 Patch-based Filtering 与方向权重控制；
    • 提供高自由度参数接口，但依赖底层 HAL API 深度适配。

  • 实战经验：

    • 在夜景监控类项目中，细节表现强，尤其对边界光晕抑制有效；
    • 但在 Preview 通路中实时性能偏弱，建议弱化滤波核或降采样处理。

总结对比：

平台核心算法Edge Map 来源调试自由度实时性能图像表现
QCOMBilateral + AIAI Mask / Sobel中高高清晰稳定，边缘锐利
MTKNLM + Guide MapGradient Map中高较平滑，锐度稍逊
HiSiliconPatch + AI EdgeAI 推理图高中偏低暗光表现优秀，成本高

平台选型需结合实际场景对 EGNR 效果的敏感度，优先考虑结构图稳定性与算法配置自由度，并在工程实现中根据图像类型细化边缘滤波策略。针对边缘模糊、色边残影等常见问题，可采用多平台联合调试路径逐一排查，确保稳定性与一致性。

第七章：夜景/人像等关键场景下的实战调试流程与参数参考

在实际项目开发中，夜景与人像是最能体现边缘保留与降噪平衡效果的关键场景。它们分别挑战着暗部细节还原、噪声抑制与人物轮廓结构保留的极限。合理设计调试流程与参数调优策略是保障成片质量的核心。

一、典型夜景场景调试流程

  1. 参数初始化配置（参考平台默认调试集）：

    • ISO > 1600 触发 EGNR 强模式；
    • Sharpening gain 降低至常规水平的 70-80%；
    • 使用长帧 Y 通道为 Guide Map 来源，避免高频噪声干扰。

  2. 亮度分区调控策略：

    • 高亮区域（如街灯）使用低权重 EGNR；
    • 暗区使用高权重 + 低门限 Edge Mask 加强处理；
    • LUT 构建建议分为 3 段：High ISO、Low Light、Normal。

  3. 边缘误判问题应对：

    • 出现锐化过度或边缘断裂时，调高 Edge Mask 的阈值；
    • 关闭 Gradient Sharpening 叠加，避免反复增强；
    • 结构 Mask 建议在 AI Path 与经典 Path 中做融合比较。

  4. 调试示例（高通平台 Preview 模式）：

    • TNR Weight Ratio: 0.65
    • SNR Kernel Size: 3x3
    • Edge Threshold: 18
    • Sharpening Gain: 1.2
    • EGNR LUT Index: Level 4 (Low Light Enhanced)

二、人像场景调试核心要点

  1. 背景与人物边界判定：

    • 引入 AI Scene Classifier 输出人像 ROI；
    • EGNR 对人脸区域执行保护策略，降低空间降噪强度；
    • 背景可执行更强的 NR，压低纹理干扰与虚化伪影。

  2. 肤色区域结构识别：

    • 使用 L_a_b* 空间进行肤色识别（a+b 通道聚类）；
    • Skin Mask 叠加 Edge Mask 形成 Sharpen Block Map；
    • 控制皮肤区域不被误锐化或过度平滑。

  3. 调试建议：

    • SNR LUT：平滑斜率在中灰区域偏缓，增强细节保留；
    • EGNR 的 Edge Map 可与眼部识别联动，避免眼影失真；
    • 多帧路径建议加入 Temporal Consistency Check 避免脸部跳变。

  4. 调试示例（联发科平台人像拍照）：

    • Edge Sensitivity: Medium
    • Skin Region NR Factor: 0.3
    • Sharpen Face ROI: 1.1
    • Background Blur SNR Level: High

三、调试工具与验证方法

  • 使用 Golden Reference 图 + Live Capture 对比进行调试；
  • 引入结构保真指标（SSIM）与 NR 强度指标（PSNR）进行定量评估；
  • 多场景验证建议使用自然光 + 人工光 + 昏暗光源混合搭配测试。

四、工程踩坑总结

问题类型现象原因分析对策建议
人脸区域模糊鼻梁、眼部边缘失焦EGNR 误判为噪声区域提高结构边缘阈值或加入人脸 ROI
夜景灯光拖影高亮灯源边缘出现光晕拖尾Motion Mask 精度不足增加曝光同步检测与伪影抑制模块
高 ISO 花纹暗部细节有纹理破碎、涂抹感明显多层滤波链未加边缘保护优化 Edge Map 动态调度策略
第八章：面向未来的联合感知架构与 AI 增强去噪路径规划

边缘保留与噪声抑制的问题，在传统 ISP 模块中主要靠固定规则与 LUT 实现。然而随着 AI 模块的引入与联合感知系统的发展，未来去噪路径正从“被动降噪”向“结构识别引导主动重建”演进。

一、联合感知架构方向

  1. 多通道数据输入：

    • Sensor 模拟信号流 + 深度/ToF 数据 + AI Feature Map；
    • 结合动态曝光、结构层检测与纹理方向判定形成复合输入路径。

  2. ISP 与 AI 模块协同：

    • ISP 提供 RAW + Edge Map + Motion Vectors；
    • AI 模块使用轻量模型生成 Fine Edge Guidance 或 Detail Enhancer；
    • 输出用于控制 ISP 的 Sharpen/NR 模块行为，形成反馈闭环。

  3. 平台支持趋势：

    • QCOM 从 Spectra 480 开始支持 AI-assisted NR；
    • MTK Imagiq 7 引入 AI Noise Control Block；
    • 海思 AI ISP 已支持 YUV Edge Map 预测输入用于降噪。

二、AI 增强路径设计方向

  1. Hybrid Model Strategy：

    • 前级仍由传统滤波器初步降噪；
    • 后级使用 AI 模型细化边缘与纹理重建，防止 Detail Vanish。

  2. 场景自适应建模：

    • 引入场景标签（夜景/人像/逆光等）指导 AI 模型路径选择；
    • 实现多模型切换或模型内参数重构。

  3. 功耗与计算均衡机制：

    • 快拍路径使用 Tiny CNN；
    • 低帧率长曝光路径使用完整结构重建模型。

三、未来演进趋势总结

方向演进内容实际意义
从滤波到感知引入 AI Edge 与 Texture Map 替代传统梯度图提高边缘还原准确性
从预设到自适应多场景路径切换、LUT 在线重配置降低调试成本、增强智能适配
从模块到全链协同AI 模块参与 NR、Sharpen、HDR 联动优化全流程一体化，提升终端成像质量

随着 AI 模块日益嵌入 ISP 架构内部，“边缘保护 + 降噪”将成为融合调度核心任务。未来边缘感知降噪技术不仅是图像质量提升的关键，也将深度参与智能影像系统的人像、美颜、增强现实等高级应用。

本文转自 https://zhxin.blog.csdn.net/article/details/148617544