3. 经典降噪算法（下）：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，说白了它们都是“局部加权平均”。但有个问题——它们会把边缘也抹平了。你想想看，一张照片里，边缘才是视觉重点，边缘糊了，整张图就废了。

这一章我们来看两种更聪明的算法：双边滤波和非局部均值去噪（NLM）。它们都能在去噪的同时保住边缘。我在实际项目中用过很多次，尤其是双边滤波，几乎成了我处理相机原始数据的标配。

3.1 双边滤波：保边去噪的经典方案

双边滤波的核心思想很简单：不仅要看空间距离，还要看像素值差异。

高斯滤波只考虑“离我近不近”，双边滤波多了一个维度——“跟我像不像”。

公式长这样：

BF[I]_p = (1/W_p) * Σ G_s(||p - q||) * G_r(|I_p - I_q|) * I_q

其中：

• G_s：空间域高斯核，控制空间距离权重
• G_r：值域高斯核，控制像素相似度权重
• W_p：归一化因子

说白了，就是两个高斯核相乘。空间上离得近、值上又相似的像素，权重最大。

3.1.1 两个核心参数

参数	符号	作用	典型范围
空间标准差	σs	控制空间邻域大小	1.0 ~ 5.0
值域标准差	σr	控制像素相似度敏感度	0.05 ~ 0.3（归一化后）

调参时我有个习惯：先定σ_s，再调σ_r。σ_s决定了模糊范围，σ_r决定了边缘保护力度。

3.1.2 代码示例

import cv2
import numpy as np

img = cv2.imread('noisy_image.jpg', 0)

# 双边滤波
# 参数：d=9（邻域直径）, sigmaColor=75, sigmaSpace=75
result = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

cv2.imwrite('bilateral_result.jpg', result)

3.2 非局部均值去噪（NLM）：用整张图的信息去噪

双边滤波虽然保边，但它还是只看了局部邻域。NLM的思路更大胆：整张图里所有相似的块都可以用来去噪。

你想想看，一张图像里有很多重复的纹理结构。比如草地、墙面、布料。NLM就是找到这些相似的块，把它们加权平均。

公式：

NLM[I](i) = Σ w(i,j) * I(j)

w(i,j) = (1/Z(i)) * exp(-||N_i - N_j||² / h²)

其中：

• N_i、N_j：以像素i、j为中心的图像块
• ||N_i - N_j||²：两个块的欧氏距离
• h：滤波强度参数
• Z(i)：归一化常数

3.2.1 NLM的三个关键参数

参数	说明	典型值	调参方向
h	滤波强度，控制指数衰减速度	10 ~ 30	h越大，去噪越强，但细节损失越多
templateWindowSize	块大小，用于计算相似度	5×5 或 7×7	块越大，相似度判断越准确，但计算越慢
searchWindowSize	搜索窗口大小	21×21 或 31×31	窗口越大，找到的相似块越多，但计算量暴增

调参时我一般先固定templateWindowSize为7×7，然后从h=15开始试。如果噪声残留多，就增大h；如果细节糊了，就减小h。

3.2.2 代码示例

import cv2

img = cv2.imread('noisy_image.jpg', 0)

# NLM去噪
# 参数：h=15, templateWindowSize=7, searchWindowSize=21
result = cv2.fastNlMeansDenoising(img, h=15, 
                                   templateWindowSize=7, 
                                   searchWindowSize=21)

cv2.imwrite('nlm_result.jpg', result)

3.3 双边滤波 vs NLM：怎么选？

这个问题我经常被问到。直接给结论：

场景	推荐算法	原因
实时处理（视频、嵌入式）	双边滤波	计算量小，可优化
高噪声图像（σ>30）	NLM	利用全局信息，去噪更彻底
纹理丰富的图像	NLM	双边滤波容易产生梯度翻转伪影
边缘锐利度要求高	双边滤波	NLM在强边缘处可能引入块状伪影
计算资源充足	NLM	效果上限更高

我个人习惯是：先试双边滤波，效果不满意再上NLM。毕竟双边滤波快，调参也简单。

3.4 知识结构图

下面这张图帮你理清本章的核心逻辑：

3.5 调参实战建议

最后给几条实在的建议：

1. 先降噪后增强：不要试图用边缘增强来掩盖噪声，那只会让噪声更明显。
2. 分区域调参：平坦区用强去噪，纹理区用弱去噪。OpenCV的fastNlMeansDenoisingMulti支持逐帧调参。
3. 注意边界效应：双边滤波在图像边界处权重计算会出问题，我一般会先padding再处理。
4. NLM的加速技巧：用积分图加速块距离计算，或者用FFT加速搜索。OpenCV的实现已经做了优化，但如果你自己写，记得用这些技巧。

好了，这一章就到这里。双边滤波和NLM是保边去噪的两大基石，理解透了，后面讲BM3D和深度学习去噪时你会觉得轻松很多。