non-local denoising methods

NL-Means算法

在噪聲先驗爲高斯噪聲的基礎上, 進行non-local的平均,在2005年由Baudes提出，該算法使用天然圖像中廣泛存在的冗餘信息來去噪聲。與經常使用的雙線性濾波、中值濾波等利用圖像局部信息來濾波不一樣的是，它利用了整幅圖像來進行去噪，以圖像塊爲單位在圖像中尋找類似區域，再對這些區域求平均，可以比較好地去掉圖像中存在的高斯噪聲。NL-Means的濾波過程能夠用下面公式來表示：

BM3D算法(Block-matching and 3D filtering)

該算法的思想跟NL-Means有點相似，也是在圖像中尋找類似塊的方法進行濾波，可是相對於NL-Means要複雜得多，理解了NL-Means有助於理解BM3D算法。BM3D算法總共有兩大步驟，分爲基礎估計（Step1）和最終估計（Step2）：

在這兩大步中，分別又有三小步：類似塊分組（Grouping），協同濾波（Collaborative Filtering）和聚合（Aggregation）。上面的算法流程圖已經比較好地將這一過程表示出來了，只須要稍加解釋。

NL-Means和BM3D能夠說是目前效果最好的去噪算法，其中BM3D甚至宣稱它能夠獲得迄今爲止最高的PSNR。從最終的結果也能夠看出來，BM3D的效果確實要好於NL-Means，噪聲更少，可以更好地恢復出圖像的細節。在效果這一點上BM3D勝。無愧於State-of-the-art這一稱號。固然，這裏進行測試的樣本比較少，可能還不足以徹底說明問題。