目录

        ​​​​​​​文章介绍

        算法流程

        试验中试验的一些参数

---

文章介绍

论文名称：VIDEO DENOISING BY SPARSE 3D TRANSFORM-DOMAIN COLLABORATIVE FILTERING

论文地址：https://webpages.tuni.fi/foi/GCF-BM3D/VBM3D_EUSIPCO_2007.pdfhttps://webpages.tuni.fi/foi/GCF-BM3D/VBM3D_EUSIPCO_2007.pdf

        这篇文章是BM3D的延续，将图像降噪的方法使用到了视频上，是一种扩展和延伸，基本原理还是和BM3D一样，可以参考BM3D算法介绍_图像算法菜鸟的博客-CSDN博客论文名称：Image denoising by sparse 3D transform-domain collaborative filtering下载地址：https://webpages.tuni.fi/foi/GCF-BM3D/BM3D_TIP_2007.pdfhttps://webpages.tuni.fi/foi/GCF-BM3D/BM3D_TIP_2007.pdf目录基本原理Flowchart of BM3Dstep1step2Fast And Efficient .https://blog.csdn.net/zhognsc08/article/details/122770149?spm=1001.2014.3001.5502 

        算法流程

        算法流程如下，和BM3D的十分相似，也是分两步：

        1、先做predictive-search Block-Matching，组成3D group，再做 collaborative Öltering和 aggregation得到基础估计

        2、基于基础估计做predictive-search Block-Matching，组成3D group，再把噪声视频上相应的block也组成3D group，再做Wiener Filtering和aggregation，得到最终估计

        要说不同之处就是这个predictive-search Block-Matching，其实在BM3D中的优化里也有提到predictive-search，主要就是为了减少块匹配的计算量。由于在视频上，除了空域匹配，时域也要进行匹配，如果不优化，计算量巨大。论文里基本上是取9帧，即当前帧和前后各4帧。

         predictive-search Block-Matching的基本步骤。

        1、在当前帧上，做非自适应的块匹配，Ns x Ns的窗口内进行匹配， 取其中最相似的Nb个块。

        2、在其邻近帧内，根据前一帧或者后一帧内匹配的结果，在相似块位置的Npr x Npr窗口内进行匹配，比如前一帧的一个匹配块在（x0, y0）位置，那么在第二帧的（x0-Npr:x0+Npr,  y0-Npr:y0+Npr）内进行匹配，Npr是小于Ns的，这样就可以减少很多时域上不必要的搜索匹配。

        整个算法计算过程如下 

 

        试验中试验的一些参数