056、空间降噪的"保边困境"——NLM/Bilateral/Guided Filter在纹理细节与噪声抑制之间的取舍及参数调优心法
上个月在调试一款车载夜视系统的时候，客户反馈了一个特别刁钻的问题：车辆在高速上跑，路灯下树影斑驳的路面被降噪算法磨得干干净净，但驾驶员抱怨"路面像铺了层油"，纹理全没了。我盯着屏幕看了半天，心里明白——这不是算法选错了，是参数和场景没对齐。空间降噪这个老生常谈的话题，真正落地时全是坑。
先说说Bilateral Filter。这玩意儿原理简单，空间距离近的像素加权，灰度差异小的像素加权，两者相乘得到权重。但问题就出在这个"灰度差异"上——它假设边缘两侧的灰度差是大的，噪声的灰度差是小的。可现实里，纹理细节和噪声在灰度域上往往是重叠的。比如一块磨砂金属表面，细小的划痕和传感器的高斯噪声，在局部窗口里灰度波动幅度几乎一样。你调大sigma_r去保边缘，噪声也跟着保住了；调小sigma_r去降噪，划痕也磨平了。我见过有人把sigma_r设成0.05（归一化后），结果图像跟水彩画似的，边缘倒是锐利，但内部纹理全糊了。这里踩过坑——Bilateral的sigma_r不是越大越好，它跟图像的动态范围强相关。你处理8位图，灰度范围0-255，sigma_r设10-15是常规操作，但如果是12位RAW数据，这个值得按比例放大到40-60，否则边缘根本保不住。
再说NLM（Non-Local Means）。这算法当年出来的时候惊艳四座，因为它跳出了局部窗口的局限，在全图范围内找相似块。理论上，它对纹理的保留能力比Bilateral强得多——因为纹理是有结构的，噪声是随机的，在全图范围内匹配相似块时，噪声的随机性会被平均
