共计 2881 个字符，预计需要花费 8 分钟才能阅读完成。

背景与痛点

图像去噪是计算机视觉和图像处理中的基础问题。传统方法主要分为两类：

1. 局部滤波方法：如高斯滤波、中值滤波等，通过对像素邻域进行加权平均或排序处理来去除噪声。这类方法计算效率高，但容易模糊边缘和纹理细节。

2. 变换域方法：如小波阈值去噪，在频域中分离噪声和信号。这类方法能较好地保留边缘，但对复杂纹理的处理效果有限。

传统局部滤波方法的核心问题是 过度依赖空间邻近性。它们假设相邻像素属于同一物体，因此在平滑噪声的同时，也会模糊真实的边缘和纹理。这种局限性在医学图像、遥感图像等对细节保留要求高的场景中尤为突出。

算法原理

Buades、Coll 和 Morel 在 2005 年提出的非局部均值 (Non-Local Means, NLM) 滤波突破了这一限制。其核心思想是：图像中可能存在几何相似但空间不邻近的像素块。

数学建模

对于图像 $I$ 中位置 $i$ 的像素，其去噪值 $\hat{I}(i)$ 计算为：

$$
\hat{I}(i) = \sum_{j\in \Omega} w(i,j)I(j)
$$

其中权重 $w(i,j)$ 反映像素 $i$ 与 $j$ 的相似度：

$$
w(i,j) = \frac{1}{Z(i)} e^{-\frac{|N(i)-N(j)|^2}{h^2}}
$$

• $N(i)$ 是以 $i$ 为中心的图像块（典型尺寸 7×7）
• $Z(i)$ 是归一化因子：$Z(i) = \sum_j w(i,j)$
• $h$ 是控制衰减程度的参数

关键概念

1. 搜索窗口($\Omega$)：以目标像素为中心的大区域（如 21×21），在此范围内寻找相似块
2. 相似窗口($N(i)$)：用于比较的小图像块（如 7×7），比单纯比较单个像素更鲁棒
3. 指数权重：保证相似度高的像素获得更大权重，同时抑制噪声影响

Python 实现与优化

以下展示基础实现和两个关键优化：

import numpy as np
from scipy.ndimage import uniform_filter

def nlm_basic(img, h=10, search_win=21, sim_win=7):
    """ 基础 NLM 实现
    Args:
        img: 输入图像(0- 1 范围)
        h: 衰减系数
        search_win: 搜索窗口半径
        sim_win: 相似窗口半径
    """
    pad = sim_win + search_win
    img_pad = np.pad(img, pad, mode='reflect')

    h, w = img.shape
    output = np.zeros_like(img)

    # 预计算所有相似窗口
    patches = np.lib.stride_tricks.sliding_window_view(img_pad, (sim_win, sim_win))

    for i in range(h):
        for j in range(w):
            # 当前窗口坐标(考虑 padding 偏移)
            center = (i + pad, j + pad)
            main_patch = patches[center[0], center[1]]

            # 搜索区域
            i_min, i_max = center[0] - search_win, center[0] + search_win + 1
            j_min, j_max = center[1] - search_win, center[1] + search_win + 1

            # 计算所有 SSD 距离
            diff = patches[i_min:i_max, j_min:j_max] - main_patch
            ssd = np.sum(diff**2, axis=(2,3)) / (sim_win**2)

            # 计算权重
            weights = np.exp(-ssd/(h**2))
            weights /= np.sum(weights)  # 归一化

            # 加权平均
            output[i,j] = np.sum(weights * img_pad[i_min:i_max, j_min:j_max])

    return output

优化 1：积分图像加速

计算 SSD 时，利用积分图像技术避免重复计算：

def compute_ssd_integral(img_pad, sim_win):
    """预计算 SSD 积分图像"""
    # 计算图像平方的积分图像
    img_sq = img_pad**2
    int_img = np.cumsum(np.cumsum(img_sq, axis=0), axis=1)

    # 计算图像的积分图像
    int_img_raw = np.cumsum(np.cumsum(img_pad, axis=0), axis=1)

    return int_img, int_img_raw

def get_ssd(int_img, int_img_raw, x1, y1, x2, y2, win_size):
    """使用积分图像计算两个窗口的 SSD"""
    # 积分图像边界调整
    win_sq = win_size**2

    # 计算区域总和
    def get_sum(int_img, x, y):
        return int_img[x+win_size, y+win_size] + int_img[x,y] \
               - int_img[x+win_size,y] - int_img[x,y+win_size]

    sum_a2 = get_sum(int_img, x1, y1)
    sum_b2 = get_sum(int_img, x2, y2)
    sum_ab = 2 * (int_img_raw[x1+win_size, y1+win_size] * int_img_raw[x2+win_size, y2+win_size])

    return (sum_a2 + sum_b2 - sum_ab) / win_sq

优化 2：并行计算

使用 Numba 加速关键循环：

from numba import jit

@jit(nopython=True)
def nlm_numba(img_pad, h, search_win, sim_win, pad):
    # 并行化实现代码...
    pass

性能分析

我们在 BSD68 数据集上对比不同方法（添加 σ =25 的高斯噪声）：

避坑指南

1. 参数选择：
2. 衰减系数 $h$：通常取噪声标准差的 1 - 2 倍。可通过尝试 $h=10\sigma$ 到 $15\sigma$ 找到最佳值
3. 搜索窗口：平衡效果和速度，建议 21×21 到 35×35

4. 相似窗口：5×5 到 9×9，过大会导致纹理过度平滑

5. 计算效率：

6. 先降采样处理，再上采样还原
7. 对彩色图像，在 YCbCr 空间仅对亮度通道处理
8. 使用 PyTorch 或 OpenCL 实现 GPU 加速

进阶思考

1. 视频去噪：利用时域相似性，扩展为 V -NLM 算法。考虑光流引导的搜索区域
2. 深度学习结合：
3. 用 CNN 学习权重函数替代手工设计的指数权重
4. 将 NLM 作为神经网络的预处理或后处理模块
5. 边缘增强：在权重计算中加入梯度信息，强化边缘保留效果

总结

非局部均值滤波通过挖掘图像中的非局部相似性，实现了比传统方法更优的去噪效果。虽然计算复杂度较高，但通过积分图像、并行计算等优化手段，已能应用于实际场景。该算法思想也被后续的 BM3D、深度学习去噪网络等广泛借鉴，是图像处理领域的经典工作。