企业官网建设流程全解析

简介：面向图像处理初学者与研究者的图像去噪算法演示集合，融合 Python 与 PyQt5，既涵盖高斯滤波、中值滤波、快速傅里叶变换去噪、双边滤波、非局部均值去噪，也加入了 DnCNN 等深度学习模型思路，可应用于课程实验、算法对比和桌面小工具开发。压缩包共 6 个文件，其中 5 个 py 脚本分别对应不同滤波算法及程序入口，另有 1 个 ui 文件定义可视化界面，整体仅 6KB，轻量精简，便于直接阅读、修改和运行。资源已有 6212 人学习，用户可在图形界面中切换去噪方式、调节滤波器大小与平滑强度，实时观察处理效果并保存图像，从而直观理解空间域与频率域去噪的区别。对于希望系统掌握图像去噪原理并快速上手 PyQt5 应用开发的读者，这套代码提供了可复用的参考实现，能够帮助将算法理论快速落地为实际工具，也为后续扩展更多算法留出了清晰接口。

1. 图像去噪不是把图变干净：先认清噪声类型再谈算法

拿一张昏暗楼道里的监控画面说：传感器一升温，暗部全是彩色颗粒，这就是我们要处理的噪声。图像去噪的目标很直接——把噪声抹掉，但别把墙砖缝隙、车牌边缘、人物轮廓一起抹掉。很多初学者第一次跑均值滤波就发现“干净是干净了，但糊成一团”，这种翻车通常不是代码问题，而是没分清噪声类型和滤波器的适用范围。这篇文章把空间域滤波、小波阈值去噪、深度学习去噪三条路线写到能直接复现的程度，附上参数怎么调、指标怎么算、工程里最容易踩的坑。适合正在做图像处理作业、OpenCV 图像处理项目，或者想往 ISP 图像处理方向走的人。想直接抄代码的可以跳到第2章，但我建议耐住性子看完第5章，那几条坑我交过学费。

2. 空间域滤波：均值和高斯为什么抹边缘，中值和双边怎么救回来

空间域滤波是去噪的入门路线，也是 OpenCV 图像处理里最常用的工具箱。它直接对像素邻域做运算，速度快、解释性强，适合用来快速验证噪声水平，也适合做复杂算法的预处理步骤。需要注意：这类算法通常只对高斯噪声和椒盐噪声这两类常见噪声有稳定效果，遇到复杂真实噪声，比如暗光下的彩色噪点，只能打个底。

2.1 线性的均值与高斯滤波：为什么边缘也被抹平

先看一段基于 OpenCV 的最小实现：

import cv2 img = cv2.imread("noisy_demo.jpg", cv2.IMREAD_GRAYSCALE) # 均值滤波：窗口内像素求平均 mean_img = cv2.blur(img, (5, 5)) # 高斯滤波：窗口内像素按高斯权重加权求和 gauss_img = cv2.GaussianBlur(img, (5, 5), sigmaX=1.5)

这段代码里 cv2.blur 的第二个参数是核尺寸，也叫卷积窗口，必须是正奇数。窗口越大，平滑越强，但边缘宽度也会被拉大。cv2.GaussianBlur 多了一个 sigmaX 参数，它控制高斯核的权重分布：sigmaX 建议取 1.0～1.6，如果窗口是 5x5、sigma 又给得很大，核权重会退化接近均值滤波，边缘丢失更严重。

很多教程会额外展示一个手动实现均值滤波的写法，用 np.ones((3,3), np.float32)/9 丢给 cv2.filter2D。这在原理上与 cv2.blur 完全等价，区别只是 filter2D 允许你自己设计核。理解这一步很重要：均值核每个位置权重相等，高斯核则是中心权重最大、四周按二维高斯函数递减。卷积核里没有考虑像素的局部关系，只是把邻域信息垒在一起，所以线性滤波几乎不可能“区分噪声和边缘”。

再补充一个容易忽略的点：高斯核的 sigma 与核尺寸需要匹配。OpenCV 里如果 sigmaX 传 0，会按公式 sigma = 0.3 * ((ksize - 1) * 0.5 - 1) + 0.8 自动推导，这个经验公式在 3x3 到 11x11 之间都适用。手动设置时，核尺寸不要超过 6 * sigma + 1，否则核外层的权重已经接近零，空转浪费算力。为什么工程上宁可用高斯也不用均值？因为均值核在频域对应一个矩形窗的 sinc 函数，阻带旁瓣很大，平滑时容易在强边缘附近留下类似振铃的光晕；高斯核没有这种旁瓣，平滑更温和。所以均值滤波现在基本只用来做超快预处理或算法教学。

如果观察到“图片干净但文字、栏杆发虚”，说明窗口太大或者 sigma 太大。这时要优先把窗口降回 3x3，而不是去加后续锐化，锐化只会把噪声再放大。均值和高斯在数学上都是线性操作，对边缘和噪声一视同仁地“平均”，所以在去噪和保细节之间天然没有平衡点，这是性质决定的，不是代码能补的。实际项目中，我一般只把线性滤波用在两个地方：一是去掉平坦区域中较轻的读出噪声，二是作为后续边缘检测或分割的预处理。真正的去噪主力，还得看下面这两个非线性方案。

2.2 中值和双边滤波：让边缘活下来的非线性方案

中值滤波的思路很朴素：把窗口内所有像素排序，取中间那个值作为中心像素输出。它对椒盐噪声，也就是突兀的黑白点，几乎是“一键清除”，因为它直接丢弃了离群点，不需要对离群值做加权。OpenCV 里一行即可：

median_img = cv2.medianBlur(img, 5) # 第二个参数为窗口直径，必须为大于1的奇数

自己实现一个 3x3 中值也不难，本质是把窗口内 9 个像素排序后取第 5 个值，但注意这种写法在图像边缘会丢掉行列，实际使用要补边界值，用 BORDER_REPLICATE 效果不错。OpenCV 内部用的是历史直方图优化的快速中值，CPU 上已经很快，不必自己重写。中值滤波的代价是：窗口里的细小纹理都被当成“噪声”处理了，头发丝、栅栏这类高频结构，窗口稍大就消失，所以中值窗口一般不超过 5x5，超过后画质下滑明显。

双边滤波则换了个思路。它对像素做加权平均，权重同时考虑两个距离：空间距离，离中心越近权重越大；灰度距离，灰度差越大权重越小。这个灰度权重把边缘两边的像素“隔离”开来，因此能在去噪的同时保住边缘。实现如下：

# d 是窗口直径，sigmaColor 控制灰度相似度，sigmaSpace 控制空间相似度 bilat_img = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

这三个参数第一次上手时很容易懵，尤其是 sigmaColor 和 sigmaSpace 怎么配合。我的习惯是：sigmaColor 取噪声幅度的 2 到 3 倍，sigmaSpace 取 40～80，d 先给 9。如果结果有破碎感，说明 sigmaColor 太大或 d 太小；如果边缘在抖，说明 sigmaSpace 太大。调参顺序固定为：先定 d，再调 sigmaSpace 到边缘稳定，最后慢慢缩小 sigmaColor 直到噪声刚好消失。这个过程没有公式可以直接给答案，非常依赖观察，这也是很多人说双边滤波参数是玄学的原因。

双边滤波还有一个视觉缺陷叫梯度反转：在强边缘附近，灰度距离权重可能把很小的噪声簇保留下来，形成类似拼接的块状感。遇到这种情况，常规做法不是继续调大 sigmaColor，而是降低输出图像分辨率后再滤波，或者把彩色图先转 Lab 空间，只对 L 通道做双边，减少色度方向的噪声干扰。实时视频里，窗口和 sigma 都偏大时双边滤波很容易成为性能瓶颈，尤其 CPU 上跑 1080p。常见做法是降采样到 720p 滤波后再放大，或者用 Bilateral Grid 这类快速近似把计算量降几个量级。在智能车图像处理这类对毫秒级延迟敏感的场景里，通常还会限制 sigmaSpace 不超过 40，并保证滤波前后帧间噪声方差变化不超过 0.5。

空间域滤波的整体选型可以按下表来：

耗时这列只在 CPU 小图上对比。真要跑在 FPGA 或 ISP 流水线里，中值和双边都能被改造成行缓冲结构的定点实现，但参数必须固定死，不能在运行期动态改窗口。这一章适合做第一版，对实时性要求高的场景，中值加自动阈值往往比后两章的算法更早能上板。

3. 小波阈值去噪：在高频系数里抖掉噪声

3.1 为什么小波能区分噪声和边缘：系数稀疏性与硬软阈值

在空间域里，噪声和边缘都是“变化剧烈的像素”，很难分开。小波变换把图像分解成不同尺度的子带：低频近似保留整体亮度，高频细节携带水平边缘、垂直边缘和对角纹理。真实边缘的能量集中在少数几个大系数上，而噪声能量均匀分布在所有高频小系数上。用一个阈值把“小”系数压掉，再把系数重建回图像，就完成了去噪。这就是小波阈值去噪的基本逻辑。

阈值选多少是全部工程细节所在。最通用的固定阈值取：

λ = σ × sqrt(2 × ln(N))

N 是像素总数。σ 不是主观指定，而是用第一层高频对角子带的中值绝对偏差来估计：

σ̂ = median(|cD|) / 0.6745

0.6745 是标准正态分布下 MAD 与标准差的比例常数。这里容易犯的错是直接对整幅图像算 std，得到的是一个被边缘污染的估计值。用对角子带是因为它在水平和垂直方向都不敏感，更接近纯噪声背景。

阈值函数有硬阈值和软阈值两种。硬阈值把小于阈值的系数置零、大于阈值的保留原值，结果干净但会产生振铃伪影；软阈值让所有系数向零收缩一个阈值，看起来更柔和，但会把边缘能量也削掉一部分。实践中绝大多数项目用软阈值，只有当图像本身是二值图或边缘极锐利时才用硬阈值。与傅里叶变换对比更能看出小波的位置：傅里叶变换把噪声和细纹理混在同一个频带里，简单低通会连纹理一起去掉；小波在多个尺度上做局部化分析，至少能在尺度这一维上把二者分开，但同一尺度内部仍然依赖阈值。这套方法对噪声标准差在 15～60 范围的图像效果最明显；噪声太弱时阈值会把细节全砍掉，噪声太强时系数已经完全淹没，阈值法也无能为力，只能交给深层模型。

3.2 基于 PyWavelets 的完整实现与 MATLAB 参数对照

下面这段代码可以直接跑通一张灰度图的去噪流程：

import numpy as np import pywt def wavelet_denoise(img, sigma=None, level=4, wav='db4', mode='soft'): # 分解：低频 + 多尺度高频 coeffs = pywt.wavedec2(img, wav, level=level, mode='periodization') # 用小波估计噪声标准差，取最后一层对角高频 if sigma is None: cD = coeffs[-1][2] sigma = np.median(np.abs(cD)) / 0.6745 # 固定阈值公式 thr = sigma * np.sqrt(2 * np.log(img.size)) # 第一个元素是低频，后续才是高频分量 new_coeffs = [coeffs[0]] for detail in coeffs[1:]: cH, cV, cD = detail # 阈值处理：默认软阈值 cH = pywt.threshold(cH, thr, mode=mode) cV = pywt.threshold(cV, thr, mode=mode) cD = pywt.threshold(cD, thr, mode=mode) new_coeffs.append((cH, cV, cD)) # 重构，与分解 mode 需一致 return pywt.waverec2(new_coeffs, wav, mode='periodization')

调用例子：

denoised = wavelet_denoise(gray_img, level=4, wav='sym8', mode='soft')

参数说明：

• level：分解层数，4 层对 512x512 图是常用起点；层数太多，低频近似被反复抽稀，会丢失大尺度纹理结构。判断 level 是否过大有个土办法：把最后一层低频近似图放大回原尺寸，如果它还能看到明显的闪烁点，说明噪声没有完全被分到高频，需要增加一层分解；反过来，如果低频图出现成块的“油墨感”，说明分解过度，细节已经被抽进高频并被阈值杀掉了。
• wav：小波基，工程里最先试 db4 或 sym8。db4 短小，局部分辨率好；sym8 更平滑，振铃更少。bior 系列也可以，但需要成对指定。
• mode：阈值处理方式，soft 默认；若图像是文档扫描件，换成 hard 能保留更锐利的笔画边缘。
• 分解时的延拓模式：上面代码用了 periodization。MATLAB 的 wdencmp 默认用对称延拓，直接统一成 periodization 反而能避免两边结果不一致。

如果用 MATLAB 做对照，wdencmp('gbl', X, 'db4', 4, thr, 's', 1) 里的 thr 就是上面算出来的标量阈值；'s' 对应软阈值，'h' 对应硬阈值。注意 MATLAB 与 PyWavelets 对边界延拓的约定不同，同参数下系数会有一圈像素的差异，算 PSNR 之前记得先裁掉 20 个像素。阈值倍率也是一个值得单独调的参数，刚开始不要直接改阈值函数，而是给固定阈值乘一个 0.8～1.2 的系数观察边缘完整度。倍率在 0.8 以下去噪几乎无效，在 1.2 以上边缘损失速度明显加快。

小波去噪最典型的问题有两个：一是振铃，在强边缘周围看到波纹，对应阈值过高或小波基太长；二是纹理丢失，对应 level 过高或软阈值收缩过猛。第一次上手时，先固定 level=4、wav='sym8'，单独调阈值倍率，比一次性把四个参数全动有效得多。

4. 深度学习去噪：用 PyTorch 复现一个最小 DnCNN

深度学习去噪不是“把网络换大一点”就能无限变强的事。它的前提非常具体：训练数据里的噪声分布要接近真实场景。理解了这个前提，再去看模型结构、损失函数和训练细节，每一步都有明确目的。这节用一个轻量残差网络走通从合成噪声训练到推理的完整流程，整段代码在 CPU 上也能跑出可见效果。

4.1 理解残差学习：模型预测噪声而不是干净图

DnCNN 的思路是让卷积网络直接输出“噪声图”，而不是干净图。输入是含噪图 x，标签是纯噪声 n = y - x，网络学的是 f(x) ≈ n，最终干净图 = x - f(x)。这里的关键是：残差目标更接近白噪声响应，分布简单、尺度稳定，网络在同样参数下收敛更快，对深度设置的敏感度也更低。

即使不用 BatchNorm，一个 8 层左右的纯卷积残差网络已经能在合成高斯噪声上去掉一大半噪声。下面这个实现刻意去掉了 BatchNorm，避免在推理时踩到 batch 统计量不一致的坑。

import torch.nn as nn class TinyDnCNN(nn.Module): def __init__(self, depth=8, n_feats=64): super().__init__() self.in_conv = nn.Conv2d(3, n_feats, 3, padding=1) self.mid = nn.ModuleList([ nn.Conv2d(n_feats, n_feats, 3, padding=1) for _ in range(depth - 2) ]) self.out_conv = nn.Conv2d(n_feats, 3, 3, padding=1) self.relu = nn.ReLU(inplace=True) def forward(self, x): x = self.relu(self.in_conv(x)) for layer in self.mid: x = self.relu(layer(x)) return self.out_conv(x)

输入输出刻意保持 3 通道，因为真实现实场景里彩色噪声的通道间相关性是客观存在的，逐通道独立去噪会留下色斑。模型并不神秘，它就是一组 3x3 卷积加 ReLU，预测的是噪声那张图。选择 MSE 作为主损失，是因为它与 PSNR 对齐度高、训练稳定；如果想让人眼看起来更锐利，可以在训练后期加入 SSIM 项做微调。

4.2 合成噪声训练：从照片切 patch 加噪声

真实带噪声的高质量成对数据集很难拿到，常见做法是找一批干净自然图像，在线切 patch 并加上高斯噪声，用有监督方式训练。这个合成数据和真实数据的 gap，就是深度学习去噪产品的第一个翻车点。

import torch import numpy as np import cv2 from torch.utils.data import Dataset class NoisyPatchDataset(Dataset): def __init__(self, image_paths, patch_size=64, sigma=25): self.paths = image_paths self.patch_size = patch_size self.sigma = sigma def __getitem__(self, idx): img = cv2.imread(self.paths[idx]) # 随机裁剪 h, w, _ = img.shape ph, pw = self.patch_size, self.patch_size y = np.random.randint(0, h - ph) x = np.random.randint(0, w - pw) patch = img[y:y+ph, x:x+pw].astype(np.float32) / 255.0 # 加高斯噪声，sigma 单位与像素一致 noise = np.random.randn(*patch.shape) * (self.sigma / 255.0) noisy = np.clip(patch + noise, 0, 1) return torch.from_numpy(noisy.transpose(2, 0, 1)), \ torch.from_numpy(patch.transpose(2, 0, 1))

这里 sigma 的单位是 0～255 的灰度值。sigma=25 是中等噪声，肉眼能明显看到颗粒但图像内容仍然清晰；sigma=50 以上接近重度噪声，需要加深网络或加大 patch。patch 切到 64x64 是因为它能在内容丰富度和批量大小之间取平衡，切太小会学不到长纹理结构，切太大会拖慢训练。

训练循环本身不复杂，前向、算 MSE、反向：

model = TinyDnCNN(depth=8, n_feats=64) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) loss_fn = torch.nn.MSELoss() for epoch in range(20): for noisy, clean in dataloader: optimizer.zero_grad() pred_noise = model(noisy) # 训练目标：噪声图 = 干净图 - 含噪图 loss = loss_fn(pred_noise, clean - noisy) loss.backward() optimizer.step()

初始学习率用 1e-3，每 10 个 epoch 乘以 0.5。如果显存足够，把 batch size 提到 64 比提高学习率更有利于训练稳定性；没有 GPU 的机器上，patch 可以降到 48x48，保证 20 分钟内能出一个能看的结果。推理时用输入减去预测噪声即可：

def denoise_with_model(model, noisy_bgr): tensor = torch.from_numpy(noisy_bgr.transpose(2, 0, 1)).unsqueeze(0).float() / 255.0 with torch.no_grad(): pred_noise = model(tensor) clean = tensor - pred_noise clean = clean.squeeze(0).permute(1, 2, 0).cpu().numpy() return np.clip(clean * 255, 0, 255).astype(np.uint8)

这段代码跑出来的模型对 sigma=25 的合成高斯噪声，在常见测试图集上 PSNR 大约能到 31～33 dB，比双边滤波的 28～29 dB 有明显提升。但注意它解决不了真实暗光噪声里的彩色偏，因为训练数据只有高斯白噪声。要处理真实噪声，做法是把训练噪声换成 raw 域泊松噪声模板，或者用带真实噪声的配对数据做微调。这是深度学习去噪从 demo 走向产品的最关键一步，也是 ISP 图像处理链路里最不值得省时间的一步。

5. 去噪项目最容易踩的 5 个坑：现象、原因与解决

这一章集中记录我在实际项目里遇到过的典型问题。每一条都按现象、原因、解决的顺序写，方便你对照自己的图快速定位。

5.1 指标与边界：PSNR 高不代表肉眼舒服，换库后结果对不上

第一个坑，是指标崇拜。现象：降噪后 PSNR 提升了 1.5 dB，但把两张图放大到 100% 看，纹理像面团，边缘出现白边。原因：PSNR 只是逐像素误差的平均程度，它对“平滑感”几乎没有惩罚。一张把所有高频都抹平的图，PSNR 常常很高，因为它在平坦区减少了大量噪声误差；但人眼恰恰在意边缘周围有没有振铃、纹理区有没有被过度平滑。解决：用 PSNR 加 SSIM 双指标，并在每个测试集里独立出一类“强纹理图”。SSIM 如果掉到 0.9 以下，基本不能放行。肉眼在 100% 缩放下重点看三处：边缘 5 像素范围内的明暗过渡、大面积平滑区的颗粒感、横幅文字的锯齿。这三处没问题，再谈指标。

第二个坑是跨库边界不一致。现象：同一个算法、同一个阈值，OpenCV 和 MATLAB 的去噪结果 PSNR 对不上，差异集中在图像四周。原因：两边边界延拓方式完全不同，MATLAB 的 imfilter 默认用零填充，OpenCV 的多数滤波函数默认用 BORDER_REFLECT_101，小波分解对边缘的扩展方式也不一致。解决：评估时统一把图像四周裁掉 20 个像素，只对内部有效区域算指标。如果是对比不同库，最省事的做法是先用 cv2.copyMakeBorder 把边界统一填充成复制模式，处理完再裁回。凡是跨语言、跨库对比实验结果，这一步不能省。

5.2 彩色与结构：RGB 通道滤波和形态学为什么越干越脏

第三个坑，是在 RGB 三个通道上无脑滤波。现象：对一张夜景 RGB 图三个通道分别做高斯滤波，输出图像的边缘出现彩色光晕，去噪后色相偏移。原因：RGB 三个通道的噪声方差受传感器 Bayer 排列和增益影响，通道间相关很强。逐通道滤波没有利用这个相关性，还把高亮度通道的强噪声扩散到了其他通道。解决：先转 YCrCb 色彩空间，对亮度通道 Y 做强去噪，对 Cr/Cb 只做轻微去噪，比如 3x3 高斯，去噪完再转回 RGB。如果噪声是明显的彩色颗粒，要优先确认 Bayer 排列方式，并使用 ISP 馈送的 demosaic 后数据，而不是直接在 RGB 上堆滤波器。

第四个坑，是形态学操作被当成去噪万金油。现象：用 cv2.morphologyEx 的 MORPH_OPEN 处理后的图像，黑点少了，但文字变细、细小结构消失，高斯噪声反而被放大。原因：开运算本质是删除小于结构元的前景区域，适合处理孤立点和断续线这类形态噪声，对随机幅度分布的高斯噪声没有建模能力；膨胀又会让暗部噪声聚集成块。解决：形态学只用在二值图或掩膜上，处理空洞和断线，不要拿来应对灰度噪声。如果目标只是去掉椒盐噪声，中值滤波不仅效果更好，还不需要设计结构元。这条在工业检测里很常见，很多人图省事直接拿开运算当去噪，最后都会回来补中值。

5.3 传感器噪声：raw 域暗部那套高斯参数为什么失效

第五个坑，是真实传感器噪声不服从高斯分布。现象：同一套高斯去噪参数，在白天的图上效果很好，换到夜间暗部就出现大量青蓝色噪点，去不掉或越去越脏。原因：真实传感器噪声由光子散粒噪声和读出噪声组成，暗部光子数极低，噪声几乎服从泊松分布，又在高增益下被放大；高斯模型这时严重失真。解决：先用均匀亮度灰阶图做噪声标定，统计每个亮度区间的标准差，得到噪声水平随亮度的曲线，再决定去噪强度。工程上常见的让步做法是对暗部不做强去噪，而是用亮度自适应阈值：在 YCrCb 空间里把暗部像素的降噪强度衰减到亮部的一半，同时配合多帧时域平均。这也是大多数 ISP 图像处理链路里暗部降噪的标准做法。

提示：如果手里有 raw 原图，先把黑电平扣除并完成白平衡校正，再进亮度域去噪；跳过这一步直接处理 RGB，参数再好也救不回彩色噪点。

若拿到的是 raw 和对应 RGB 图，还可以用 Anscombe 变换把泊松噪声转成近似高斯，再做高斯去噪，最后逆变换，效果比直接在 RGB 上做更稳。这套流程看着多，但每步都是必要的。越早把“我的噪声是什么分布”这个问题搞清楚，后面调参越省力。

6. 上生产前先估噪声：MAD 估计器与残差验证

6.1 用 MAD 估计器给噪声“量个血压”，再决定去哪条路线

前面提到，阈值法和深度模型对噪声强度都很敏感。问题是很多项目拿到图片就开始调滤波器参数，调参用的图一旦换场景就失效。正确的顺序是：先估计当前画面的噪声水平，再根据水平选算法和参数。这个估计用最简单的 MAD 就能做：

import numpy as np import pywt def estimate_noise_std(gray_img): # 做一层小波分解，取对角高频子带 cD _, (cH, cV, cD) = pywt.dwt2(gray_img, 'db4') return np.median(np.abs(cD)) / 0.6745

这个函数在任意一张灰度图上都能毫秒级返回一个标准差数值。按估计值选型，我一般这样分档：

• sigma < 5：肉眼几乎不可见，不需要去噪，最多做一次 3x3 高斯；
• 5 < sigma < 20：双边滤波或小波软阈值足够，优先双边，参数直观且计算快；
• sigma > 20：小波阈值开始不划算，直接上轻量深度模型；
• 如果场景是监控或工业相机且帧率要求很高，再考虑 FPGA 上的中值或小波硬件实现，但前提是 sigma 已经用上面的方式标定过，不要再拿默认参数去猜。

这个分档不能覆盖所有真实噪声，但给了一个可复现的起点。估计出的 sigma 只能指导算法选择，不能直接当作滤波参数：双边滤波的 sigmaColor 通常是它的 2～3 倍，小波阈值则是 sigma × sqrt(2 lnN) 再乘一个 0.8～1.2 的比例系数。

6.2 一张残差图，撕开“去噪”和“磨皮”的区别

去噪效果除了用指标判断，我习惯在调试时多生成一张残差图：残差 = 原图 - 去噪图。正确的结果里，残差应该是一张没有明显结构的随机颗粒图；如果残差里还能看到楼房的轮廓、窗帘的花纹，说明这些本不该被去掉的结构被滤波器吃了。反过来，残差灰度范围几乎为零，说明当前参数根本没碰到噪声，纯粹在空转。

residual = np.abs(orig.astype(np.float32) - denoised.astype(np.float32)) cv2.imwrite("residual.png", np.clip(residual * 8, 0, 255).astype(np.uint8))

乘以 8 是为了把微弱残留放大到肉眼可见的程度。把残差图和原图叠在一起来回翻，能发现很多指标发现不了的问题，比如边缘过冲、色偏残留、局部块状伪影。我这几年的习惯是：任何去噪算法改动，先出残差图，再谈质量好坏。这样反而省掉大量来回沟通改参数的时间。

从估噪到选型，从指标到残差，这套流程是去噪项目能快速落地并且后期不靠玄学维护的关键。希望这些经验能帮到你，下次拿到一张“看着脏”的图，不用再从一个 3x3 高斯开始试起。

本文还有配套的精品资源，点击获取