在图像去雪任务里，最常被忽视的不是雪有没有去掉，而是去雪过程会不会把原本有用的结构一起抹平。同一张雪景图，雪花覆盖在树枝、路面、车灯和文字上的密度并不相同，如果对整幅图使用同样的滤波核或同样的恢复强度，必然会出现低密度区域被过度平滑、高密度区域却残留雪痕的情况。

一、为什么固定滤波会去雪过度

中值滤波和均值滤波常被当作去雪的第一步，因为它们实现简单，对孤立亮点有抑制作用。但雪花不是椒盐噪声，它在图像中表现为局部亮度升高、饱和度下降和对比度压缩。一个5乘5的中值滤波核可能把细树枝上的雪点抹掉，但同时把树枝边缘也平滑了；如果换成更大的核，路面裂缝、标识文字会直接消失。

另一类方法把去雪等价于去雾，使用暗通道先验估计透射率，再反推无雪图像。这类方法在远景雪雾场景有效，但近景积雪、地面薄雪会出现过增强。原因是暗通道在雪的强亮区几乎失效，透射率估计偏低，恢复时把原本亮度正常的物体拉得过暗，形成色偏和伪影。

根本原因在于这些方法没有估计雪的空间分布密度。雪密度可以理解为一个0到1的连续量：0表示没有雪，1表示完全被雪覆盖。去雪强度应该与密度正相关，密度高的区域加大恢复力度，密度低的区域保留原始像素。否则就会在无雪区域制造新的模糊，这就是去雪过度的来源。

二、雪密度估计：亮度与饱和度的联合先验

雪在RGB和HSV空间中有比较稳定的特征：亮度偏高、饱和度偏低、局部方差偏小。单一特征容易误判，例如白色墙壁、车灯、天空也会被当成雪。因此密度估计要同时考虑亮度偏离背景的程度、颜色饱和度下降程度以及局部纹理强度。

先计算一个背景亮度图，可以用大半径高斯模糊或引导滤波从灰度图中获取。对于每个像素，亮度偏离量 d_bright = clip((gray - background) * k1, 0, 1)，它衡量该像素比周围背景亮多少。饱和度项可以写成 d_sat = clip(1 - sat * k2, 0, 1)，因为积雪会冲淡颜色。两项相乘得到初始密度，再经过一次小半径引导滤波或高斯滤波平滑，消除单点噪声。这样得到的密度图在树枝边缘依然会比较准确，因为引导滤波能保持边缘。

需要注意的是，密度估计中的背景亮度不能直接用整幅图的均值，否则光照不均匀时会出现大范围误判。工程上常使用半径为图像短边八分之一左右的大核模糊来近似背景，再结合局部标准差判断该区域是否原本就缺乏纹理。如果局部标准差极低且亮度高，则可能是过曝天空，需要降低密度权重。

import cv2
import numpy as np
def snow_density(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY).astype(np.float32) / 255.0
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV).astype(np.float32)
    sat = hsv[:, :, 1] / 255.0
    # 背景亮度估计：大核高斯近似低频照度
    bg = cv2.GaussianBlur(gray, (0, 0), 30)
    # 亮度偏离与低饱和先验
    d_bright = np.clip((gray - bg) * 2.5, 0.0, 1.0)
    d_sat = np.clip(1.0 - sat * 1.8, 0.0, 1.0)
    density = d_bright * d_sat
    density = cv2.GaussianBlur(density, (0, 0), 5)
    return density

这里 k1 和 k2 控制灵敏度，2.5与1.8是适合白天自然雪景的初值。如果场景偏亮，可以降低 k1；如果雪面因为偏色显得饱和度较高，可以降低 k2。密度值最后还要做归一化和边界裁剪，避免浮点溢出。

三、自适应滤波：按密度加权恢复

有了密度图，就可以设计去雪强度随位置变化的滤波过程。最简单的融合形式是 out = (1 - d) * I + d * S，其中 I 是原图，S 是平滑后的背景估计。当 d 接近0时，输出接近原图；当 d 接近1时，输出接近平滑结果。这样低密度区域不会被强行滤波，从源头减少去雪过度。

但 S 不能直接用均值滤波，否则高密度区域虽然雪痕减少，但边缘也会糊成一片。引导滤波更适合作为 S 的生成器。它利用原图作为引导图，在平滑的同时保留显著边缘。OpenCV的扩展模块 ximgproc 提供了 guidedFilter，可以设置半径 radius 和正则项 eps。半径越大，去雪能力越强；eps 越小，边缘保持越弱。实际使用中可以让半径随密度变化，例如 radius = int(base_r + density * 10)，但为了计算简单，也可以固定半径，仅让融合权重随密度变化。

更稳妥的做法是把双边滤波与引导滤波结合。双边滤波对颜色相近的区域平滑，对边缘保护较好；引导滤波则在纹理区域表现更自然。可以先用双边滤波生成一个纹理保持的结果，再用引导滤波补充低频恢复，最后按密度图融合。融合前对密度图做一次裁剪和形态学开运算，可以避免密度图中的孤立噪点造成去雪强度突变。

下面是一个完整的自适应去雪示例，使用引导滤波生成平滑背景，并按密度融合。

import cv2
import numpy as np
def adaptive_desnow(img, density, base_r=8, eps=1e-4):
    img_f = img.astype(np.float32) / 255.0
    # 引导滤波需要 opencv-contrib-python
    smooth = cv2.ximgproc.guidedFilter(img_f, img_f, radius=base_r, eps=eps)
    d = density[..., None]
    out = (1.0 - d) * img_f + d * smooth
    return np.clip(out * 255.0, 0, 255).astype(np.uint8)
img = cv2.imread('snow.jpg')
density = snow_density(img)
result = adaptive_desnow(img, density, base_r=8)
cv2.imwrite('desnow.jpg', result)

如果环境中没有 opencv-contrib-python，可以用 cv2.bilateralFilter 替代引导滤波，但要注意双边滤波的核大小需要手动调整，且处理大图时速度较慢。另一个替代方案是先下采样，在小图上估计密度和滤波，再上采样融合，这样能减少计算量，同时获得更平滑的密度图。

四、参数调优与失效场景分析

这套方法的可调参数集中在三处：密度估计的灵敏度系数、平滑背景的滤波半径、以及融合时的密度指数。密度指数可以用 d = pow(density, gamma) 来控制中低密度区域的去雪强度。如果 gamma 小于1，低密度区域也会获得一定去雪效果；如果 gamma 大于1，则只有高密度区域被明显处理，适合希望尽量保留原图细节的场景。

与固定中值滤波和全局引导滤波对比，自适应方案在薄雪、树枝积雪、地面雪痕混合的场景下更稳定。中值滤波在5乘5核下能去掉细小雪点，但会把文字边缘磨平；全局引导滤波如果半径足够大，可以去除浓雪，但无雪区域也会被过度平滑。密度加权的融合结果在薄雪区域更接近原图，在浓雪区域更接近去雪结果，因此视觉上不会出现大面积的塑料感。

这种方法也有失效条件。当雪与背景颜色非常接近，例如白色墙面、白色车辆上的雪，亮度偏离和饱和度先验都失效，密度图会把这些区域误判为高密度雪，导致去雪过度。夜间雪景中，灯光会破坏亮度分布，背景估计容易偏向光源，密度图出现高值。解决这类问题需要引入深度信息、偏振图像或多帧时序信息。对于单张RGB图像，可以通过人工掩膜或交互式分割来限制密度估计范围。

在实际项目中，建议先用一批标注好的雪图和非雪图校准密度阈值。如果应用目标是视频监控去雪，还需要加入时域滤波，避免相邻帧的密度估计抖动造成画面闪烁。可以把当前帧密度图与上一帧做加权平均，或者使用卡尔曼滤波平滑密度值。这样在实时系统中也能保持稳定。