本征图像分解（Intrinsic Image Decomposition）的目标是把一张输入图像拆成反射率图（albedo）和光照图（shading）两部分，即满足 I = R × S 的乘性模型。这个看似简单的约束实际上是一个严重的病态反问题：仅凭一幅图像的像素值，无法唯一确定 R 和 S 的组合，同一张图可以对应无穷多种分解方式。为了让求解落在合理的解空间里，必须在能量函数中引入先验假设，而反射率平滑与正则化正是其中最核心的一类约束。很多初学者在实践中会发现，分解出来的反射率图上布满细碎的噪声和斑点，原本颜色均匀的墙面看起来像撒了一层盐粒，这往往不是求解器的问题，而是平滑先验设计不到位或权重失衡导致的。
为什么反射率分解会产生噪声
要理解噪声的来源，先看一个典型的能量函数形式。大多数分解方法会把问题建模为如下优化：
E(R, S) = Σ [ (I - R*S)² / (2σ²) ]
+ λr * Σ g(∇R)
+ λs * Σ h(∇S)其中第一项是数据项，要求反射率和光照的乘积尽量重构原图；第二、三项分别是对反射率和光照梯度的惩罚项。噪声问题的根源通常有以下几点。
第一，数据项与正则项权重失衡。如果 λr 设得太小，惩罚项压制不住数据项的逐像素拟合冲动，求解器会倾向于把每一个微小的像素扰动都解释成反射率变化，因为把噪声归到反射率上比归到光照上更容易降低重构误差。结果是反射率图继承了图像里几乎所有的高频信息，包括传感器噪声、压缩伪影和纹理细节。
第二，光照与反射率的梯度归属模糊。在图像的边缘处，一个梯度既可能来自材质变化（应归入反射率），也可能来自光照变化（应归入光照）。经典的Retinex理论假设光照是低频平滑的、反射率是分段常数的，但真实场景中软阴影、次表面散射等现象会打破这个假设。当归属判断错误时，错误的梯度会被塞进反射率通道，形成噪声状伪影。
第三，求解过程中的数值不稳定。如果使用迭代优化或矩阵求逆，病态的能量函数会让解在可行解空间内来回震荡，最终收敛点对初始条件和步长极其敏感，表现为结果图上的随机斑点。
反射率平滑的常用手段
针对上述问题，最常见的思路是对反射率施加平滑约束，但直接使用L2范数惩罚 Σ‖∇R‖² 会带来一个副作用：过度平滑。真实场景中的材质边界（比如深色桌面与浅色墙面的交界）也会被一并抹掉，反射率图变成一团模糊。因此更实用的做法是边缘感知的平滑。
第一种方案是引导滤波（Guided Filter）。它以原图或其灰度图作为引导，对初步分解的反射率做边缘保持滤波。引导滤波的优势是计算复杂度与窗口大小无关，且不会出现双边滤波那样的梯度反转伪影。一个简单的处理流程如下：
import cv2
import numpy as np
def smooth_albedo(I, R):
# 将反射率转到对数域，乘性问题变成加性问题
log_R = np.log(R + 1e-6)
# 用原图的灰度作为引导图，做边缘保持平滑
guide = cv2.cvtColor(I, cv2.COLOR_RGB2GRAY)
log_R_smooth = cv2.ximgproc.guidedFilter(
guide=guide, src=log_R.astype(np.float32),
radius=8, eps=1e-3)
return np.exp(log_R_smooth)第二种方案是加权最小二乘（WLS），代表工作是Levin的Colorization和 Farbman 的 WLS filter。它通过在最小化框架中为每个像素的梯度设置与局部梯度强度相关的权重，在大梯度处（材质边界）放松惩罚，在小梯度处（平坦区域）加强惩罚，从而做到平滑噪声的同时保留真实边缘。WLS 本质上求解一个大型稀疏线性系统，效果比引导滤波更细腻，但计算量也更大，适合离线处理高质量图像。
第三种是基于图割或绝对值约束的分段常数先验，典型代表是Garland的L0梯度最小化。它直接惩罚非零梯度的数量而非幅度，能产生真正干净的平坦区域，视觉上非常接近手绘的分段常数反射率。缺点是优化不连续，通常依赖特殊的半二次求解技巧，且参数调节不当容易把弱纹理全部抹掉。
正则化设计与参数调节实践
平滑滤波是后处理思路，而正则化是在求解过程中就把先验写进能量函数。设计正则项时，关键是回答两个问题：惩罚什么，以及惩罚多强。
关于惩罚什么，实践证明 Retinex 类先验非常有效：光照图的梯度分布应该集中在低频，反射率图的梯度分布应该稀疏。可以把这两点显式写成约束，例如对 ∇S 使用 L2 惩罚（鼓励整体平滑），对 ∇R 使用 L1 或重尾分布先验（鼓励稀疏突变）。这种组合在统计上对应“光照平滑、反射率分段常数”的物理直觉。下面是一个用交替迭代求解的简化框架：
import numpy as np
def decompose(I, alpha=1.0, beta=10.0, iters=50):
# 对数域建模: log(I) = log(R) + log(S)
logI = np.log(I + 1e-6)
R, S = np.zeros_like(logI), np.zeros_like(logI)
for t in range(iters):
# 固定S更新R：数据项 + alpha*L1梯度项（稀疏先验）
g = np.exp(logI - S) # 当前梯度归入反射率的估计
R = shrink(g, alpha / beta) # 软阈值收缩，实现L1惩罚
# 固定R更新S：数据项 + beta*L2梯度项（平滑先验）
S = smooth_gauss(logI - np.log(R + 1e-6), sigma=2.0)
return np.exp(R), np.exp(S)
def shrink(x, thr):
return np.sign(x) * np.maximum(np.abs(x) - thr, 0)关于惩罚多强，也就是权重 λ 的选择，没有一个放之四海而皆准的数值，但有两条经验值得参考。其一，权重应该随图像内容自适应调整：纹理丰富、噪声明显的区域需要更强的平滑权重，可以用局部方差作为权重的调制因子。其二，可以引入多尺度策略：先在低分辨率上求解得到粗略分解，再逐层上采样细化，这样低频结构稳定，高频细节只在确定可靠时才注入，能显著减少噪声放大。
常见误区与验证方法
调参过程中最常见的误区是把所有高频信号都当成噪声压掉。判断一个波动是噪声还是真实反射率，最可靠的依据是它在多通道间的一致性：真实材质边界通常在多个颜色通道同时产生跳变，而传感器噪声往往在各通道独立出现。可以在正则项中引入跨通道耦合，惩罚“单通道突变但其他通道平稳”的模式，这比单纯加大权重效果好得多。
验证分解质量时，不要只看视觉观感。建议做两个检查：一是重构一致性，计算 R × S 与原图的误差，确认正则化没有以牺牲数据项为代价；二是引导图对比，把平滑前后的反射率图与原图并排放置，检查材质边界是否保留、平坦区域是否干净。如果手头有MIT Intrinsic或IIW这类带标注的数据集，还可以计算加权人类判断分数（WHDR）做定量评估。
最后要记住，反射率平滑与正则化本质上是在“压制噪声”和“保留真实纹理”之间寻找平衡点，这个平衡点因图像内容而异。与其追求一组万能参数，不如把精力放在让正则项的结构更贴合物理直觉上——好的先验设计往往比暴力调参更能带来稳定的分解结果。