4、经典去噪方法：BM3D、NLM、小波去噪——为什么它们在暗光下失效？
讲HDR去噪之前，咱们得先聊聊那些“老前辈”。
BM3D、NLM、小波去噪，这几个名字做图像处理的应该都不陌生。它们在很多场景下表现确实不错，甚至可以说是经典中的经典。但为什么到了暗光HDR这里，就集体“翻车”了呢？
我个人习惯是，先搞清楚它们为什么好，才能理解它们为什么不好。咱们一个一个来看。
4.1 NLM（非局部均值）—— 找相似块，但暗光下全是“假货”
NLM的核心思想很直观：图像里有很多重复的纹理结构。比如一块蓝天、一面白墙，你可以在图像的其他地方找到跟当前像素块非常相似的块。把这些相似块加权平均，噪声就被抹平了。
听起来很完美对吧？但暗光下问题就来了。
问题一：噪声破坏了结构相似性。 暗光下信噪比极低，图像里全是颗粒感。原本相似的纹理，被噪声一覆盖，看起来就“谁也不像谁”了。NLM的权重计算依赖于块之间的欧氏距离，噪声一高，这个距离就变得不可靠。你找来的“相似块”，其实只是噪声模式碰巧相近的“假货”。
问题二：计算量爆炸。 为了找到真正的相似块，你需要在整张图或者一个大窗口里搜索。暗光下为了抑制噪声，往往需要更大的搜索半径和更大的块尺寸。我在项目中遇到过，一张1080p的暗光图，用NLM跑一次要几十秒，这在实际产品里根本没法用。
4.2 BM3D —— 三维协同滤波，暗光下的“细节杀手”
BM3D可以说是NLM的“升级版”。它把相似的图像块堆叠成一个三维数组，然后在三维空间里做变换域滤波（通常是DCT或小波）。
它的流程大致分两步：
- 基础估计： 用块匹配找到相似块，堆叠成3D数组，做硬阈值滤波，再聚合回图像。
- 最终估计： 在基础估计的基础上，用维纳滤波做第二次去噪，保留更多细节。
这个思路很巧妙。利用块之间的相关性，在三维空间里把信号和噪声分得更开。但暗光下，它有两个致命伤。
致命伤一：块匹配失效。 跟NLM一样，暗光下噪声破坏了块之间的相似性。匹配到的块数量少、质量差，三维数组的“相关性”大打折扣。滤波效果自然就差了。
致命伤二：细节过度平滑。 这是最要命的。BM3D在三维变换域里做阈值处理，会把一些微弱但真实的细节（比如暗部的纹理、高光的边缘）当成噪声一起滤掉。结果就是，去噪后的图像看起来“干净”了，但也“糊”了。HDR最看重的就是暗部细节，BM3D这一下直接把细节给“杀”了。
| 对比项 | NLM | BM3D |
|---|---|---|
| 核心思想 | 非局部相似块加权平均 | 相似块堆叠+三维变换域滤波 |
| 暗光下块匹配 | 极易失效，匹配到噪声块 | 同样失效，且影响后续三维滤波 |
| 细节保留能力 | 中等，容易产生伪影 | 较差，容易过度平滑细节 |
| 计算复杂度 | 高（O(N²)） | 非常高（块匹配+三维变换） |
| 暗光HDR适用性 | 差 | 差 |
4.3 小波去噪 —— 阈值一设，细节全没
小波去噪的原理是把图像分解到不同频率的子带。噪声通常集中在高频子带，而图像的主要能量在低频。所以，对高频小波系数做阈值处理，就能去除噪声。
听起来很直接，但暗光下有两个坑。
坑一：阈值怎么设？ 暗光下噪声的方差很大，而且不是均匀的。全局阈值要么去不干净，要么把边缘细节也去掉了。自适应阈值虽然好一点，但计算复杂，而且对微弱信号仍然不友好。
坑二：小波基的选择。 不同的小波基（Haar、Daubechies、Symlet等）对不同纹理的表示能力不同。暗光下，你很难事先知道哪种小波基最适合当前的噪声和纹理。选错了，去噪效果就大打折扣。
4.4 为什么它们在暗光HDR下集体失效？—— 一张图看懂
下面这张图总结了这三个方法的共同困境。
4.5 总结：它们不是不好，而是不适合暗光
说了这么多，并不是要否定这些经典方法。它们在光照充足、信噪比高的场景下，效果依然很棒。但暗光HDR是一个特殊的战场。
- NLM 和 BM3D 依赖“块匹配”，而暗光下噪声破坏了匹配的基础。
- 小波去噪 依赖“阈值”，而暗光下信号和噪声的界限模糊不清。
- 它们共同的弱点：对微弱细节的保护能力不足。而HDR最看重的，恰恰就是这些微弱细节。