non-local denoising methods

NL-Means算法

在噪声先验为高斯噪声的基础上, 进行non-local的平均,在2005年由Baudes提出，该算法使用天然图像中广泛存在的冗余信息来去噪声。与经常使用的双线性滤波、中值滤波等利用图像局部信息来滤波不一样的是，它利用了整幅图像来进行去噪，以图像块为单位在图像中寻找类似区域，再对这些区域求平均，可以比较好地去掉图像中存在的高斯噪声。NL-Means的滤波过程能够用下面公式来表示：

BM3D算法(Block-matching and 3D filtering)

该算法的思想跟NL-Means有点相似，也是在图像中寻找类似块的方法进行滤波，可是相对于NL-Means要复杂得多，理解了NL-Means有助于理解BM3D算法。BM3D算法总共有两大步骤，分为基础估计（Step1）和最终估计（Step2）：

在这两大步中，分别又有三小步：类似块分组（Grouping），协同滤波（Collaborative Filtering）和聚合（Aggregation）。上面的算法流程图已经比较好地将这一过程表示出来了，只须要稍加解释。

NL-Means和BM3D能够说是目前效果最好的去噪算法，其中BM3D甚至宣称它能够获得迄今为止最高的PSNR。从最终的结果也能够看出来，BM3D的效果确实要好于NL-Means，噪声更少，可以更好地恢复出图像的细节。在效果这一点上BM3D胜。无愧于State-of-the-art这一称号。固然，这里进行测试的样本比较少，可能还不足以彻底说明问题。