4. 实战环境搭建

好了，到了真正动手的时候了。前面聊了那么多多帧降噪的理论，但如果没有趁手的工具，一切都是纸上谈兵。这一章，我们就来把开发环境搭起来。

我个人习惯用 Python 来做图像算法的快速验证，生态太丰富了。你想想看，从读 Raw 图到矩阵运算，再到图像显示和保存，几乎都有现成的库。我们这次的核心三件套就是：OpenCV、NumPy 和 RawPy。

4.1 为什么是这三个库？

先说 NumPy。它是整个 Python 科学计算的基石。说白了，图像在计算机里就是一个多维数组。你用 OpenCV 读进来的图片，本质上就是一个 NumPy 的 ndarray。多帧降噪里大量的像素级操作——比如求均值、中值、加权融合——底层全是 NumPy 在干活。没有它，寸步难行。

然后是 OpenCV。这个大家应该很熟了。它提供了大量的图像处理函数，从简单的 resize、cvtColor，到复杂的特征点提取、光流法、图像金字塔，应有尽有。我在项目中遇到过很多次，直接用 OpenCV 的 phaseCorrelate 做亚像素对齐，效果出奇的好，比自己手写傅里叶变换快多了。

最后是 RawPy。这个可能有些同学不太熟。为什么要用它？因为夜景拍摄的原始素材，绝大多数是 Raw 格式。JPEG 是经过压缩和 Gamma 校正的，丢失了很多暗部细节。RawPy 能直接读取相机传感器的原始数据，让我们在“数字底片”上做降噪，效果比在 JPEG 上好一个档次。嗯，这里要注意：RawPy 底层依赖 LibRaw，所以安装前需要确保系统有对应的编译环境。

4.2 安装步骤详解

我建议你创建一个独立的虚拟环境，别把依赖搞乱了。我自己一般用 conda，但用 venv 也行，看个人习惯。

4.2.1 创建虚拟环境（可选但推荐）

# 使用 conda
conda create -n night_denoise python=3.9
conda activate night_denoise

# 或者使用 venv
python -m venv night_denoise_env
source night_denoise_env/bin/activate  # Linux/Mac
night_denoise_env\Scripts\activate     # Windows

4.2.2 安装 NumPy

NumPy 的安装最简单，直接 pip 就行。

pip install numpy

验证一下：

python -c "import numpy as np; print(np.__version__)"

如果输出版本号，比如 1.24.3，就说明装好了。

4.2.3 安装 OpenCV

OpenCV 有两个主要的 pip 包：opencv-python（只包含核心模块）和 opencv-contrib-python（包含扩展模块，比如 SIFT、SURF）。我们做多帧降噪，核心模块就够了。

pip install opencv-python

验证：

python -c "import cv2; print(cv2.__version__)"

4.2.4 安装 RawPy

RawPy 的安装稍微复杂一点，因为它需要编译 LibRaw 的 C 代码。在 Windows 上，通常可以直接装预编译的 wheel 包。在 Linux/Mac 上，可能需要先安装一些系统依赖。

# 直接尝试 pip 安装
pip install rawpy

# 如果报错，Linux 上可能需要先安装 libraw
sudo apt-get install libraw-dev  # Ubuntu/Debian
brew install libraw              # macOS

验证：

python -c "import rawpy; print(rawpy.__version__)"

4.3 环境验证：跑一个简单的 Raw 读取流程

装好之后，我们来写一小段代码，验证整个链路是否通畅。这段代码会读取一张 Raw 文件，提取出 Bayer 数据，然后用 OpenCV 显示出来。

import rawpy
import numpy as np
import cv2

# 读取 Raw 文件
raw_path = "sample_raw.NEF"  # 换成你自己的 Raw 文件路径
with rawpy.imread(raw_path) as raw:
    # 提取 Bayer 数据（未做白平衡和去马赛克）
    bayer = raw.raw_image_visible
    print(f"Bayer 数据形状: {bayer.shape}, 数据类型: {bayer.dtype}")

    # 简单做一下黑电平校正（RawPy 已经自动做了，这里只是演示）
    black_level = raw.black_level_per_channel
    print(f"黑电平: {black_level}")

    # 为了显示，需要将 16bit 数据缩放到 8bit
    bayer_8bit = (bayer >> 8).astype(np.uint8)

    # 用 OpenCV 显示
    cv2.imshow("Bayer Raw Data", bayer_8bit)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

如果能看到一个灰蒙蒙的、带有棋盘格纹理的图像，说明 RawPy 和 OpenCV 都正常工作。那个棋盘格就是拜耳阵列的 RGGB 模式。

4.4 整体架构图

下面这张图，展示了我们这套环境在整个多帧降噪流程中的位置。你可以看到，RawPy 负责前端的数据输入，NumPy 是中间的计算核心，OpenCV 则贯穿了预处理、对齐、融合和后处理的全过程。

4.5 常见问题与解决方案

安装过程中，你可能会遇到一些问题。我把常见的坑列出来，你遇到了可以直接对照排查。

好了，环境搭好了，工具也验证过了。接下来我们就可以正式开始处理 Raw 数据，进入多帧降噪的核心环节了。