企业官网建设流程全解析

OpenCV Photo 模块实战：Non-Local Means 图像去噪（cv.fastNlMeansDenoising 系列）

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

本文基于 OpenCV 官方 Python 教程中“Non-Local Means Denoising”一章，系统讲解 Non-Local Means（非局部均值）去噪算法的原理、cv.fastNlMeansDenoising/cv.fastNlMeansDenoisingColored/cv.fastNlMeansDenoisingMulti/cv.fastNlMeansDenoisingColoredMulti四个 API 的完整参数说明与可运行示例，并结合 photo 模块 C++ 源码（modules/photo/src/denoising.cpp）与测试用例，剖析 CIELAB 分量分离、窗口奇数约束、normType深度限制等底层实现细节，帮助你在去噪强度参数h与细节保留之间做出可验证的权衡。

从局部平滑到 Non-Local Means：算法原理

为什么“相似补丁平均”能去噪

高斯模糊、中值模糊等传统平滑技术本质上是局部操作：围绕每个像素取一个小邻域，做加权平均或取中值。这类方法对少量噪声有效，但邻域内不同纹理会互相“污染”，噪声较多时细节很快被抹平。

Non-Local Means 利用了噪声的两个统计性质：

1. 噪声通常被视为零均值随机变量。对含噪像素可写为p = p0 + n（p0为真实值，n为噪声）。如果从多张相同场景中取N个同一位置的像素求平均，由于噪声均值为零，结果理想情况下会收敛到真实值p0；
2. 自然图像具有大量自重复结构：取图中一个 5x5 小块，图像其他位置（往往就在附近）大概率存在与之相似的小块。

于是算法思路非常自然：以某个像素为中心取模板窗口，在整个图像（甚至整个视频片段）中搜索与之相似的窗口，对这些相似窗口做加权平均，用平均结果替换中心像素。相比局部模糊，它利用的是“非局部”的相似区域，因此去噪效果显著更好，代价是计算时间明显更长。

教程中给出一个便于直观验证的实验：让相机静止拍摄几秒得到大量同场景帧，求所有帧的平均图像，与原帧对比即可看到噪声下降；但该实验对相机和场景运动不稳健，且现实中常常只有一张含噪图像——这正是 Non-Local Means 用“图像内相似块”替代“多帧平均”的动机。

OpenCV 提供的四个 fastNlMeansDenoising 变体

OpenCV 在cv::photo模块中实现了带多项计算优化的 Non-Local Means 去噪（针对高斯白噪声），Python 侧共暴露四个函数：

四个函数的公共参数（对应 C++ 头文件 photo.hpp 中的声明）：

• h：调节滤波强度的核心参数。h越大去噪越彻底，但图像细节丢失越多；h越小保留细节，但也会保留部分噪声。C++ 默认值为 3，教程建议彩色图一般取 10 左右即可；
• hForColorComponents（hColor）：仅彩色版本使用，作用同h，但只调节 L/AB 中颜色分量的强度，通常与h相同或接近（多数图像取 10 足以去除彩色噪声且不偏色）；
• templateWindowSize：模板窗口尺寸（像素），必须为奇数，推荐 7；
• searchWindowSize：搜索窗口尺寸（像素），必须为奇数，推荐 21。搜索窗口与去噪耗时线性相关——窗口越大搜索耗时越长；
• normType（进阶重载支持）：权重计算使用的范数，取cv.NORM_L2或cv.NORM_L1，默认NORM_L2。

Multi 版本还有两个序列专用参数：

• imgToDenoiseIndex：指定序列中需要去噪的目标帧下标；
• temporalWindowSize：参与去噪的邻近帧总数，必须为奇数。算法会取目标帧前后共temporalWindowSize帧（目标帧居中）一起计算。例如传入 5 帧、imgToDenoiseIndex = 2、temporalWindowSize = 3，则第 0、2、4 帧（即第 2 帧及前后各 1 帧）参与对第 2 帧的去噪。

从源码结构看，C++ 侧对h还提供更细粒度的重载：fastNlMeansDenoising与fastNlMeansDenoisingMulti均接受std::vector<float> h，可以为每个通道单独设置强度（h数组长度为 1 时对所有通道生效，长度等于通道数时按通道生效），这在 denoising.cpp 的CV_Assert(hn == 1 || hn == cn)中得到确认。

实战 1：cv.fastNlMeansDenoisingColored()彩色图像去噪

对一张含高斯噪声的彩色图（教程示例中输入噪声标准差sigma = 25）去噪，注意dst参数传None表示由 OpenCV 自动创建输出：

import numpy as np import cv2 as cv from matplotlib import pyplot as plt img = cv.imread('die.png') # 含高斯噪声 (sigma=25) 的彩色骰子图，需自备 dst = cv.fastNlMeansDenoisingColored(img, None, 10, 10, 7, 21) # 参数依次为: # h=10 —— 亮度分量滤波强度 # hColor=10 —— 颜色分量滤波强度 # templateWindowSize=7 —— 模板窗口（奇数） # searchWindowSize=21 —— 搜索窗口（奇数） plt.subplot(121), plt.imshow(img) plt.subplot(122), plt.imshow(dst) plt.show()

对结果局部放大可以看到：噪点被明显压制，而骰子边缘与纹理基本保留（见文首nlm_result1对比图）。

为什么彩色版本要先转 CIELAB

教程提到“彩色图像会先转换到 CIELAB 色彩空间，再分别对 L 和 AB 分量去噪”。这一点可以直接在 denoising.cpp 的cv::fastNlMeansDenoisingColored实现中验证：

1. 输入类型被严格校验为CV_8UC3或CV_8UC4，否则抛出Type of input image should be CV_8UC3 or CV_8UC4!；
2. cvtColor(src, src_lab, COLOR_LBGR2Lab)完成色彩空间转换；
3. 用mixChannels把 Lab 拆成单通道的l和双通道的ab两张图；
4. 分别调用fastNlMeansDenoising(l, l, h, ...)和fastNlMeansDenoising(ab, ab, hForColorComponents, ...)——这就是h与hColor各自独立的原因；
5. 合并后用COLOR_Lab2LBGR转回 BGR。

这种“亮度与色度分开、各自定强度”的设计避免了直接在 BGR 上做相似性度量时，颜色差异干扰结构匹配的问题，也解释了为何h与hColor可以分开调节。

实战 2：cv.fastNlMeansDenoisingMulti()视频序列去噪

多帧版本利用时间维度的相似帧做非局部平均，适合短时间内拍摄的静止或缓动视频。注意该函数对输入有明确约束：所有帧必须同类型、同尺寸（灰度场景下先自行转灰度）；temporalWindowSize必须为奇数；imgToDenoiseIndex前后必须留得下半个时间窗，否则报错。这些校验对应 denoising.cpp 中的fastNlMeansDenoisingMultiCheckPreconditions：

if (temporalWindowSize % 2 == 0 || searchWindowSize % 2 == 0 || templateWindowSize % 2 == 0) { CV_Error(Error::StsBadArg, "All windows sizes should be odd!"); } if (imgToDenoiseIndex - temporalWindowHalfSize < 0 || imgToDenoiseIndex + temporalWindowHalfSize >= src_imgs_size) { CV_Error(Error::StsBadArg, "imgToDenoiseIndex and temporalWindowSize " "should be chosen corresponding srcImgs size!"); }

完整示例：读取vtest.avi前 5 帧，加上方差 25 的高斯噪声，再对第 3 帧（下标 2）利用全部 5 帧去噪（vtest.avi需自备）：

import numpy as np import cv2 as cv from matplotlib import pyplot as plt cap = cv.VideoCapture('vtest.avi') # create a list of first 5 frames img = [cap.read()[1] for i in range(5)] # convert all to grayscale gray = [cv.cvtColor(i, cv.COLOR_BGR2GRAY) for i in img] # convert all to float64 gray = [np.float64(i) for i in gray] # create a noise of variance 25 noise = np.random.randn(*gray[1].shape) * 10 # Add this noise to images noisy = [i + noise for i in gray] # Convert back to uint8 noisy = [np.uint8(np.clip(i, 0, 255)) for i in noisy] # Denoise 3rd frame considering all the 5 frames dst = cv.fastNlMeansDenoisingMulti(noisy, 2, 5, None, 4, 7, 35) # 参数依次为: # imgToDenoiseIndex=2 —— 去噪下标 2 的帧 # temporalWindowSize=5 —— 前后共 5 帧参与（奇数） # dst=None —— 自动创建输出 # h=4 —— 滤波强度 # templateWindowSize=7 # searchWindowSize=35 —— 比单帧示例更大， # 因为搜索范围扩展到多帧 plt.subplot(131), plt.imshow(gray[2], 'gray') plt.subplot(132), plt.imshow(noisy[2], 'gray') plt.subplot(133), plt.imshow(dst, 'gray') plt.show()

结果三张图依次为：原始帧、加噪帧、去噪帧（见上文nlm_multi图）。教程特别强调：该计算耗时可观（It takes considerable amount of time for computation）。从源码结构看，搜索窗口越大、时间窗越大，参与比对的补丁数量呈乘积式增长；虽然实现已用parallel_for_按行并行（见 denoising.cpp 中fastNlMeansDenoisingMulti_），时间复杂度本身无法靠并行摊薄，实际使用时应尽量控制searchWindowSize与temporalWindowSize。

源码级细节：类型约束、OpenCL 与测试验证

normType 与位深约束

denoising.cpp 中对normType的分发逻辑给出了明确的输入位深边界：

• NORM_L2（默认）：仅支持CV_8U输入；
• NORM_L1：支持CV_8U与CV_16U；
• 其他取值直接报Unsupported norm type! Only NORM_L2 and NORM_L1 are supported。

也就是说，若你要用 16 位图像做 Non-Local Means 去噪，必须选用NORM_L1重载。对应的回归测试位于 test_denoising.cpp，其中包含 8U/16U 双位深NORM_L1对比测试（如fastNlMeansDenoisingMulti(..., 7, 21, NORM_L1)），以及单帧/多帧/彩色各变体的常规用例（fastNlMeansDenoising(original, result, 10)等）。

OpenCL 后端

fastNlMeansDenoising与fastNlMeansDenoisingColored入口均带有CV_OCL_RUN分发：当输入输出任一为 UMat 且尺寸大于 5x5 时走 OpenCL 实现（小图精度偏低故跳过），内核为 nlmeans.cl，分发与封装在 fast_nlmeans_denoising_opencl.hpp。CPU 核心的行级并行模板位于 fast_nlmeans_denoising_invoker.hpp 与 fast_nlmeans_multi_denoising_invoker.hpp。

参数取值速查与调参建议

综合头文件默认值与教程推荐值：

算法背景可参考 Buades 等人的经典论文Non-local image and movie denoising（2005），OpenCV 头文件中对该方法的引用即指向此文献；教程原文推荐的 IPol 在线演示站点不再于本文列出外部链接，读者可按上述文献名自行检索。

小结

• Non-Local Means 用“图像内（或视频内）相似补丁的加权平均”替代局部平滑，以更高计算成本换取更干净且保真的去噪结果，适用于高斯白噪声场景；
• 单帧灰度用cv.fastNlMeansDenoising，单帧彩色用cv.fastNlMeansDenoisingColored（内部转 CIELAB、L 与 AB 分量分别按h/hColor去噪），视频序列则用对应的Multi变体，通过imgToDenoiseIndex与奇数temporalWindowSize圈定参与帧；
• 两个窗口参数必须为奇数，searchWindowSize直接决定耗时；进阶重载下 16 位图像须搭配NORM_L1；
• 需要 GPU 加速时可传入 UMat 触发 OpenCL 路径（内核见modules/photo/src/opencl/nlmeans.cl），行为一致性有modules/photo/test/test_denoising.cpp与 OpenCL 测试modules/photo/test/ocl/test_denoising.cpp覆盖。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv