4. 传统降噪方法回顾：BM3D、NLM、小波降噪的优缺点

各位同学，今天我们聊点“老东西”。

别急着划走。我知道你们是冲着深度学习来的，但说实话，我在ISP这行摸爬滚打这么多年，真正让我在项目里救过火的，反而是这些“老家伙”。深度学习不是万能的，尤其在资源受限的嵌入式平台上，传统方法往往更实在。

这一章，我们就把BM3D、NLM、小波降噪这三板斧掰开揉碎，看看它们到底好在哪、坑在哪。你理解了它们的优缺点，后面学深度学习降噪时，才能知道哪些地方需要改进，哪些地方可以直接复用。

4.1 非局部均值降噪（NLM）

NLM的核心思想很直观：图像里有很多相似的纹理块，把它们找出来平均一下，噪声就没了。

举个例子，你拍了一张墙面的照片，墙上的纹理是重复的。NLM会遍历整个图像，找到所有跟当前像素块相似的块，然后加权平均。相似度越高，权重越大。

NL[v](i) = Σ w(i,j) * v(j)

其中 w(i,j) 是权重，由像素块 i 和 j 的相似度决定。
相似度 = exp(-||v(Ni) - v(Nj)||² / h²)

这里有个关键参数 h，它控制滤波强度。h越大，平滑越狠，但细节也丢得越多。

优点

• 保边效果好：相比高斯滤波那种无差别模糊，NLM能保留边缘和纹理。我在一个手机夜景项目里用过，人像皮肤的纹理保留得比双边滤波好很多。
• 原理简单：没有复杂的数学变换，理解起来很直观。

缺点

• 计算量巨大：这是NLM的硬伤。每处理一个像素，都要在整个图像里搜索相似块。一张1080p的图，跑一次NLM可能要几十秒。我曾经在ARM Cortex-A53上试过，直接卡死。
• 参数敏感：h值调不好，要么过平滑，要么降噪不彻底。我在项目中吃过这个亏，调了一整天参数，最后还是放弃了。
• 边缘伪影：在纹理重复度低的区域（比如天空），NLM容易产生“鬼影”。

4.2 块匹配三维滤波（BM3D）

BM3D可以说是传统降噪的天花板。它把NLM的思想又往前推了一步：不仅找相似块，还把相似块叠成一个三维数组，然后在三维空间里做协同滤波。

流程分两步：

1. 基础估计：对每个参考块，在图像里找相似块，叠成3D数组，做硬阈值滤波，再逆变换回去。
2. 最终估计：用基础估计的结果重新计算相似度，再做一次维纳滤波，得到最终结果。

优点

• 降噪效果顶级：在PSNR和主观视觉上，BM3D长期霸榜，直到深度学习出现才被超越。
• 细节保留好：三维协同滤波能有效区分噪声和纹理，不会像NLM那样容易产生伪影。

缺点

• 计算量爆炸：搜索相似块 + 3D变换 + 逆变换，每一步都很耗时。在嵌入式平台上基本不可行。
• 参数多且难调：搜索窗口大小、块大小、阈值、步长……十几个参数，调起来让人崩溃。我记得第一次用BM3D时，光调参数就花了两天。
• 对非高斯噪声效果差：BM3D假设噪声是高斯白噪声，遇到散粒噪声、量化噪声等非高斯噪声，效果会大打折扣。

4.3 小波降噪

小波降噪的思路跟前面两个完全不同。它把图像变换到频域，然后在不同尺度上处理噪声。

核心原理：噪声通常集中在高频小波系数上，而图像的主要能量集中在低频。所以，对小波系数做阈值处理，把小的系数（噪声）置零，再逆变换回去，就能得到干净图像。

优点

• 计算效率高：小波变换有快速算法，复杂度O(N)，比NLM和BM3D快得多。我在一个FPGA项目里实现过，实时处理1080p视频完全没问题。
• 多尺度分析：可以在不同分辨率上处理噪声，对低频噪声和高频噪声都能兼顾。
• 数学理论扎实：小波基函数有良好的时频局部化特性，适合处理非平稳信号。

缺点

• 振铃效应：硬阈值处理容易在边缘附近产生伪影，看起来像“鬼影”。
• 细节损失：软阈值虽然平滑，但会把一些弱边缘也当成噪声滤掉。我在一个文本图像增强项目里试过，小波降噪后文字边缘变模糊了，还不如用NLM。
• 小波基选择困难：不同小波基（Haar、Daubechies、Symlet等）对不同图像效果差异很大。没有通用最优解，得靠经验试。

4.4 三种方法对比总结

你想想看，这三种方法各有各的脾气。NLM和BM3D效果虽好，但计算量太大，在手机、相机这种实时系统里基本用不了。小波降噪虽然快，但细节损失和振铃效应又让人头疼。

那怎么办？

嗯，这就是我们后面要讲的内容——深度学习降噪。它能在保持效果的同时，大幅提升速度。但传统方法的这些优缺点，恰恰是深度学习需要攻克的方向。比如，NLM的“非局部”思想，后来被用在了self-attention里；BM3D的“分组+协同滤波”思路，启发了很多深度展开网络。

所以，别小看这些“老东西”。它们是基石，也是灵感来源。