NLM（Non-Local Means）去噪算法是一种基于图像块（patch）相似性的去噪方法。其基本原理是：
- 图像块相似性：算法首先定义了一个搜索窗口（search window），然后在该窗口内寻找与当前处理像素所在图像块（称为参考图像块）相似的图像块。
- 加权平均：对于每一个找到的相似图像块，算法计算其与参考图像块的相似性权重，并根据这些权重对当前处理像素的值进行加权平均，从而得到去噪后的像素值。
- 参数设置：算法的效果很大程度上取决于几个关键参数：搜索窗口的大小、图像块的大小以及相似性度量的阈值等。
NLM算法的优点在于能够有效地去除图像中的噪声，同时保留图像的细节和边缘信息。
示例代码
以下是一个使用OpenCV库实现NLM去噪算法的示例代码：
python
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
image = cv2.imread('noisy_image.png', cv2.IMREAD_GRAYSCALE)
# 添加噪声（可选，用于测试）
# noise = np.random.normal(0, 25, image.shape).astype(np.uint8)
# noisy_image = cv2.add(image, noise)
# 但这里我们假设已经有一个带噪声的图像
# 使用OpenCV的NLM去噪函数
h = 15 # 过滤强度。较高的h值可以更好地去除噪声，但可能会去除图像的一些细节
templateWindowSize = 7 # 模板窗口大小，应为奇数
searchWindowSize = 21 # 搜索窗口大小，应为奇数
denoised_image = cv2.fastNlMeansDenoising(image, None, h, templateWindowSize, searchWindowSize)
# 显示结果
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.title('Noisy Image')
plt.imshow(image, cmap='gray')
plt.axis('off')
plt.subplot(1, 2, 2)
plt.title('Denoised Image')
plt.imshow(denoised_image, cmap='gray')
plt.axis('off')
plt.show()
代码说明
读取图像：使用cv2.imread函数读取带噪声的图像，并将其转换为灰度图（如果图像已经是灰度图，这一步可以省略）。
添加噪声（可选）：为了测试NLM去噪算法的效果，可以人为地向图像添加一些噪声。但在这个示例中，我们假设已经有一个带噪声的图像。
使用NLM去噪函数：调用cv2.fastNlMeansDenoising函数对图像进行去噪处理。该函数的参数包括：
src：输入图像。
h：过滤强度。较高的h值可以更好地去除噪声，但可能会去除图像的一些细节。
templateWindowSize：模板窗口大小，应为奇数。
searchWindowSize：搜索窗口大小，应为奇数。
显示结果：使用matplotlib库显示去噪前后的图像。
请注意，NLM去噪算法的计算复杂度较高，特别是对于大图像和较大的搜索窗口，因此在实际应用中可能需要权衡去噪效果和计算时间。
