OpenISP 模块拆解 · 第11讲：非局部均值降噪 (NLM)

OpenISP 模块拆解 · 第11讲：非局部均值降噪 (NLM)

模块作用

NLM 是非局部均值降噪。openISP 主流程中它处理 YUV 图像的 Y 通道，也就是亮度通道。

它的核心假设是：图像中存在重复或相似的小块。对于当前像素，不只看附近单个像素，而是在搜索窗口里寻找相似 patch，用相似程度作为权重做平均。

openISP 实现

源码类名为 NLM(img, ds, Ds, h, clip)。

参数	含义
ds	patch 半径，1 表示 3x3 patch
Ds	搜索窗口半径
h	滤波强度
clip	输出上限

主程序调用：

NLM(yuvimg_csc[:, :, 0], 1, 4, nlm_h, nlm_clip)

核心公式

计算候选 patch 与中心 patch 的距离：

dist = sum(kernel * (neighbor_patch - center_patch)^2)

距离越小权重越大：

w = exp(-dist / h^2)

输出为候选中心像素的加权平均。

代码流程

1. 按搜索半径 Ds 做 reflect padding。
2. 构造均匀 patch kernel。
3. 对每个像素，在搜索窗口内遍历候选 patch。
4. 计算 patch 距离和指数权重。
5. 累加加权像素值。
6. 用最大权重补偿中心像素自身。
7. 输出裁剪结果。

学习重点

• NLM 能比普通均值滤波更好保留重复纹理。
• h 越大，降噪越强，但细节越容易被抹。
• 搜索窗口越大，效果可能更好，但计算量明显增加。

读源码注意点

源码是纯 Python 循环，大图运行会很慢。calWeights() 中判断候选是否为中心的条件也比较粗糙，但不影响理解 NLM 基本思想。

面试问答

Q1: NLM 和均值滤波有什么区别？

均值滤波只按空间位置平均，容易模糊边缘。NLM 按 patch 相似度加权，相似纹理贡献更大，因此更能保留结构。

Q2: NLM 的 h 参数代表什么？

h 控制权重随 patch 距离衰减的速度。h 大，差异较大的 patch 也会参与平均，降噪强但更模糊；h 小，只有很相似的 patch 权重大，保细节但降噪弱。

Q3: NLM 为什么计算量大？

每个像素都要在搜索窗口内比较多个 patch，每个 patch 又包含多个像素，复杂度远高于普通 3x3 或 5x5 滤波。

Q4: 为什么 openISP 只对 Y 通道做 NLM？

亮度通道对视觉细节最重要。只处理 Y 可以降低计算量，并避免直接平滑 UV 导致颜色发灰或色彩边界异常。

Q5: NLM 适合所有噪声吗？

不一定。它适合具有相似 patch 的自然图像，对随机噪声有效，但可能对运动、强纹理、非重复结构或高 ISO 彩噪效果有限。