绝色狂妃仙魅小说,雪鹰领主,玄幻小说排行榜完本

前些日子在學習圖像降噪的算法，自然而然的發現了這篇里程碑式的作品，“BM3D”3D塊匹配降噪算法，想來時間也久，趕緊再寫下來，以免過后忘記。

在學習的過程中，由于沒學過數字圖像處理，學起來還是挺墨跡的，前前后后得有四五天吧，才算整個大差不差，期間看了許多前輩的博客和代碼，也總算有些許的進步和理解，特此感謝，并將算法原文、參考博客和文獻附文末。

從“頭”開始

圖像去噪是非常基礎也是非常必要的研究，去噪常常在更高級的圖像處理之前進行，是圖像處理的基礎。圖像中噪聲的來源有許多種，種類也各不相同，比如椒鹽噪聲、高斯噪聲等。對于輸入的帶有噪聲的圖像v(x),其加性噪聲可以用一個方程來表示:

如果能夠精確地獲得噪聲，用輸入圖像減去噪聲就可以恢復出原始圖像。但實際中除非明確地知道噪聲生成的方式，否則噪聲很難單獨求出來。由此，便誕生了一堆的圖像降噪算法，從傳統算法到現在的機器學習的算法，降噪算法得到了很大的發展。

那么傳統的想法是什么呢，我們主要分為以下兩大類。

對于我們來講，一個自然而然地想法就是，能不能把空間域和變換域的降噪方法結合起來，在對圖像進行降噪處理，我們能想到，自然也有人想得到，NL-means應運而生。

非局部均值算法的主要想法在于它充分利用了自然圖像的“空間相似性”，將圖像分成一個個的小塊，在以圖像為單位對圖像進行降噪，簡單來講，假設我們取11*11的窗口作為處理的小圖像塊，我們在圖像上選取幾個類似的圖像斑塊，例如上述的q1、q2和q3，但是q1和q2明顯比q3近一點，根據空間相似性我們很容易知道q1q2應該和p更為相似，故我們在對P圖像斑塊進行處理的時候，我們可以對q1q2q3分別賦予不同的權重，再把他們“摞起來”，求個加權平均。形象來講，假設存在一個每一層結構都完全相同的大樓，那么在進行加權平均的時候，我們這樣想，我們把P想象為其中的一層，我們最終是要P圖像斑塊里面每一個像素的值，p若是一層樓，那么里面的每一個像素就是這層樓中的每一個房間，P為3樓，q1q2為1層和4層，q3為5層，那么p像素的值的大小就應該為q1q2q3每個與p對應房間（像素）值的加權平均，這樣就對P圖像斑塊完成了降噪的過程，類似一個基于大斑塊的高斯濾波算法。此外，從這個舉例中我們也大概摸索出了BM3D里面3D的來歷.......

至此，非局部均值算法以經表現不錯了，但是它體現在簡單的加權平均，并且仍然在空間域處理圖像，科技并非停滯不前，BM3D來了......

BM3D（Block-matching and 3D filtering，3維塊匹配濾波）是當前效果最好的算法之一。該算法通過相似判定找到與參考塊相近的二維圖像塊，并將相似塊按照組合成三維群組，對三維群組進行協同濾波處理，再將處理結果聚合到原圖像塊的位置。該算法的思想跟NL-Means有點類似，也是在圖像中尋找相似塊的方法進行濾波，但是相對于NL-Means要復雜許多。總體可以分為兩步：

在這兩大步中，分別又有三小步：

相似塊分組（Grouping）→協同濾波（Collaborative Filtering） →聚合（Aggregation）

我們細看每一個小步驟，編組的過程類似于NL-means：

接下來，第二小步，像上面講述的房子一樣，我們把分好的圖像斑塊“摞起來”，形成一個3D的“塊”（Block）,在每一層中進行二維變換，變換到頻率域，此外，在第三個維度，也就是每一層的對應的房間（像素）上進行一維變換，變換之后，按照非局部均值的思想，對斑塊在頻率域進行降噪處理，（其實是對像素值的加權平均），再對經過變換之后圖像斑塊，進行“硬閾值”處理，處理剔除不合格像素值，在經過反三維變換變換為空間域，再對圖像進行塊匹配，聚合至原來每個塊的位置，這樣整個圖像就從一維變三維再變回一維了。至此，第一步完成。

Aggregation：此時，每個二維塊都是對去噪圖像的估計。這一步分別將這些塊融合到原來的位置，每個像素的灰度值通過每個對應位置的塊的值加權平均。