第4章经典去噪算法（二）

4. 经典去噪算法（二）：双边滤波、非局部均值去噪（NLM）的原理与调参技巧

上一章我们聊了均值滤波和高斯滤波，说白了就是「周围像素取平均」。这招对付高斯噪声还行，但一碰到边缘就露馅了——边缘也被抹平了。今天要讲的这两个算法，才是真正有点「智能」的去噪方法。

我个人习惯把双边滤波叫做「带脑子的高斯滤波」，而NLM则是「全局找相似」的暴力美学。嗯，咱们一个一个来。

4.1 双边滤波：边缘保留的平滑

先想想高斯滤波的问题在哪？它只考虑了空间距离——离中心越近的像素权重越大。但边缘两侧的像素，虽然空间上挨着，像素值却差很多。强行平均，边缘就糊了。

双边滤波的改进很简单：再加一个像素值相似度的权重。也就是说，不仅要看距离近不近，还要看颜色像不像。

核心公式：

输出像素 = 邻域内每个像素的加权平均

权重 = 空间高斯权重 × 像素值高斯权重

空间权重：离中心越近，权重越大。
值域权重：像素值与中心越接近，权重越大。

这样一来，在平坦区域，大家像素值都差不多，值域权重接近1，效果跟高斯滤波差不多。但在边缘处，边缘另一侧的像素值差异大，值域权重变得很小，几乎不影响中心像素——边缘就保住了。

4.1.1 两个关键参数

参数	符号	作用	典型范围
空间标准差	σ_space	控制空间邻域大小	1~10
值域标准差	σ_range	控制像素值相似度的敏感度	10~100（8位图）

调参经验：

σ_space 越大，平滑范围越大，但计算量也越大
σ_range 越小，边缘保护越强，但去噪能力下降
σ_range 太大，双边滤波退化成高斯滤波

我的经验：处理自然图像时，我一般先固定 σ_space=3，然后调整 σ_range。从30开始试，如果边缘还太锐利就加大，如果噪声没去干净就减小。说白了就是个平衡游戏。

4.1.2 代码示例

import cv2
import numpy as np

def bilateral_filter_demo(img, d=9, sigma_color=50, sigma_space=3):
    """
    d: 邻域直径
    sigma_color: 值域标准差（对应 σ_range）
    sigma_space: 空间标准差（对应 σ_space）
    """
    result = cv2.bilateralFilter(img, d, sigma_color, sigma_space)
    return result

# 使用示例
img = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
denoised = bilateral_filter_demo(img, d=9, sigma_color=50, sigma_space=3)
cv2.imwrite('bilateral_result.jpg', denoised)

注意：双边滤波的计算量跟邻域大小直接相关。d=9时，每个像素要计算81个权重。如果图像很大，建议先缩小再处理，或者用OpenCV的快速近似版本。

4.2 非局部均值去噪（NLM）

双边滤波虽然保边，但它只看了局部邻域。你想想看，图像里很多结构是重复的——比如墙上的纹理、草地上的图案。这些重复区域，其实可以互相帮忙去噪。

NLM的核心思想就是：在整个图像中寻找与当前像素块相似的块，然后加权平均。说白了，就是「你不是一个人在战斗」。

4.2.1 算法流程

以当前像素为中心，取一个小块（比如7×7）
在整个图像（或搜索窗口内）搜索相似块
计算每个相似块与当前块的相似度（通常用欧氏距离）
根据相似度给每个块分配权重，加权平均得到去噪结果

关键点：相似度不是比单个像素，而是比整个块的像素分布。这样即使有噪声，块的整体结构也能匹配上。

4.2.2 三个核心参数

参数	说明	典型值
搜索窗口大小	在多大范围内找相似块	21×21
块大小	用于比较的块尺寸	7×7
滤波强度（h）	控制权重的衰减速度	10~30

调参技巧：

搜索窗口越大，找到相似块的机会越多，但计算量暴增
块大小太小，区分度不够；块太大，找不到相似块
h值越大，平滑越强，但细节丢失也越多

避坑指南：我曾经在一个纹理丰富的图像上用了默认参数，结果等了半分钟才出结果。后来把搜索窗口从21×21缩小到11×11，速度提升了4倍，效果几乎没差别。记住：不是搜索范围越大越好，够用就行。

4.2.3 代码示例

import cv2

def nlm_denoise_demo(img, h=10, templateWindowSize=7, searchWindowSize=21):
    """
    h: 滤波强度，越大平滑越强
    templateWindowSize: 块大小（必须是奇数）
    searchWindowSize: 搜索窗口大小（必须是奇数）
    """
    result = cv2.fastNlMeansDenoising(img, None, h, templateWindowSize, searchWindowSize)
    return result

# 使用示例
img = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
denoised = nlm_denoise_demo(img, h=15, templateWindowSize=7, searchWindowSize=21)
cv2.imwrite('nlm_result.jpg', denoised)

4.3 双边滤波 vs NLM：怎么选？

场景	推荐算法	理由
边缘清晰的图像（如文字、图标）	双边滤波	速度快，边缘保护极好
纹理丰富的图像（如布料、草地）	NLM	能利用重复纹理，去噪更干净
实时处理需求	双边滤波	NLM太慢，不适合实时
高噪声图像	NLM	全局搜索能获得更多有效信息

重要提醒：NLM的OpenCV实现默认只处理单通道灰度图。如果是彩色图，需要用 fastNlMeansDenoisingColored，它会分别处理YCrCb空间的亮度通道和色度通道。

4.4 知识体系结构图

嗯，到这里双边滤波和NLM的核心内容就讲完了。这两个算法在实际项目中非常实用，尤其是当你需要保留边缘细节的时候。我个人建议初学者先从双边滤波入手，参数少、效果好、速度快。等你对去噪有了感觉，再挑战NLM——你会发现它处理纹理噪声时确实有两把刷子。

📚 课程目录

4. 经典去噪算法（二）：双边滤波、非局部均值去噪（NLM）的原理与调参技巧

4.1 双边滤波：边缘保留的平滑

4.1.1 两个关键参数

4.1.2 代码示例

4.2 非局部均值去噪（NLM）

4.2.1 算法流程

4.2.2 三个核心参数

4.2.3 代码示例

4.3 双边滤波 vs NLM：怎么选？

4.4 知识体系结构图