描述自适应局部滤波的工作原理，并用程序实现复原的过程。

自适应局部滤波（Adaptive Local Noise Reduction, ALNR）是一种基于局部邻域信息的图像去噪方法。其主要思想是根据像素点周围邻域的统计特征，确定该像素点的权重，进而实现图像去噪。

ALNR的工作原理如下：
1. 对于每个像素点，设其邻域为N，邻域大小为NSize。
2. 根据邻域N中像素点的统计特征，计算该像素点的权重，一般使用高斯加权函数进行计算，即w(i,j) = exp(-d(i,j)^2/2sigma^2)，其中d(i,j)表示第i个像素点与第j个像素点之间的距离，sigma为控制权重分布的参数。
3. 计算每个像素点在邻域内的加权平均值，将其作为该像素点的输出值。

下面是用Python实现ALNR图像复原的代码示例：

import cv2
import numpy as np

# 加载图像
img = cv2.imread('noisy_image.png', 0)

# 定义邻域大小和sigma参数
NSize = 3
sigma = 10

# 对每个像素进行遍历
H, W = img.shape
output = np.zeros((H, W))
for i in range(NSize // 2, H - NSize // 2):
    for j in range(NSize // 2, W - NSize // 2):
        # 获取邻域
        patch = img[i - NSize // 2:i + NSize // 2 + 1, j - NSize // 2:j + NSize // 2 + 1]

        # 计算权重
        dist = np.sum(np.square(patch - patch[NSize // 2, NSize // 2]))
        weight = np.exp(- dist / (2 * sigma ** 2))

        # 计算加权平均值
        output[i, j] = np.sum(patch * weight) / np.sum(weight)

# 显示复原结果
cv2.imshow('output', output.astype(np.uint8))
cv2.waitKey(0)

其中，noisy_image.png为加入高斯噪声的图像，NSize和sigma参数需要根据实际情况进行调整。