BM3D算法学习总结

最近看了一些关于图像去噪的论文，从传统的基于统计的方法，到现在很火的利用深度学习来进行去噪的方法。今天分享一篇在去噪领域算是标杆的算法，文章名称为 Image Denoising by Sparse 3-D Transform-Domain CollaborativeFiltering。简称为BM3D。

该算法由两部分组成（step1和step2），每一步的处理有一些不同，但大体相同。
该算法基于这样一个假设，通过一组基础元素的线性组合，真实的信号能够被很好的近似的表示出来。
信号在转换域被稀疏的表示出来。通过保存信号在转换域内高幅度的转换系数（传递大部分真实信号的能量），将剩余的系数（主要包含噪声）舍弃，真实的信号就能被很好的估计

step1

grouping by block-matching

首先是对噪声图像进行操作。首先选定一个参考块$Z_{xR}$,以其左上点的坐标值为中心，设置一个一定大小的窗口，利用以下公式计算出当前块与参考块的相似度

其中，${\tau }_{2D}^{ht}$是二维线性转换，常用的有二维离散余弦变换，${\gamma }^{{}^{\prime }}$为硬阈值函数，但是在代码中没有体现。$N_1^{ht}$为参考块的大小。
通过这个公式，计算出窗口内所有的图像块与参考块的$d$,即相似性，将满足以下条件的图像块的坐标和图像块分别保存

τ m a t c h h t \tau_{match}^{ht}