前沿与背景
每年在各类顶级会议期刊如CVPR（IEEE Conference on Computer Vision and Pattern Recognition，Ieee国际计算机视觉与模式识别会议）、ICCV（IEEE International Conference on Computer Vision，国际计算机视觉大会）、ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）、SIGGRAPH（Special Interest Group for Computer GRAPHICS，计算机图形图像特别兴趣小组）都会出现很多篇视频降噪的论文，范围涉及到各类传统算法与深度学习算法。学术界拥有如此多的视频降噪算法，但拍照或者视频还是会出现很多噪点，这就是学术届优秀降噪成果难以有效在工业界落地的问题。
在视频应用广泛的互联网时代，清晰纯净的视频一定是各类应用场景的追求。在刷短视频或者观看直播，我们更愿意将目光长时间停留在图1.1，而图1.2是我们第一时间想划过去的视频画面。
降噪是图像/视频处理领域一直很基础很热门也很难的问题，也出现在不少产品应用中，但却很少在视频直播产品中见到降噪技术的应用。比如腾讯会议一款软件应用了视频降噪技术，带来的实际视频效果体验以及隐形的带宽流量节省都是显而易见。
图1.1
图1.2
视频噪声
● 噪声来源主要分为两种：
○ 图像获取中：图像传感器CCD 、CMOS采集图像时，受到传感器材料属性、工作环境、电子元器件、电路结构影响；
○ 图像信号传输中：传输介质和记录设备不完善；
● 噪声分类
○ 高斯噪声：概率密度函数服从高斯分布（正态分布）；
○ 泊松噪声：光子离散噪声，实际数字图像中的噪声基本是高斯噪声和泊松噪声的混合噪声；
○ 椒盐噪声、加性噪声、乘性噪声、量化噪声等；
● 噪声场景
○ 夜晚场景：夜晚除了画面不清楚外，大量噪声也是引起视频体验的主要因素；
○ 平坦区域：摄像头的物理硬件的随机波动，在平坦区域会产生被视觉更容易察觉的噪声；
○ 高分辨率：分辨率越高，噪声波动对人眼视觉越明显；
○ 背光区域：由于前后景亮度差异过大，背光区域曝光不足，会让噪声看起来更明显；
视频降噪技术
● 滤波法
○ 空域法：mean filters、gaussian filters、medium filters、bilateral filters、NLM、NLB等；
○ 变换域法：维纳、离散傅立叶、离散小波、DCT等；
○ 混合时空变换法 ：BM3D、meshflow、hqdn3d、卡尔曼等；
● 稀疏表达：k-SVD
● 聚类低秩：WNNM（weighted nuclear norm minization，加权核范数最小化）
● 统计模型：高斯混合模型
● 深度学习：FFDNet、CBDNet等；
视频降噪优势
● 视觉效果：大幅提升视频主观体验，增加视频观看舒适度。
● 编码压缩与带宽传输：提升视频编码RD性能、运动估计更准确更高效、熵编码速度更快、降低码率、降低编码复杂度。
常见降噪算法介绍
mean filters
典型的空域线性滤波算法，原理简单，即在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
medium filters
典型的空域非线性滤波算法，原理简单，每一个目标像素值设置为该点某邻域窗口内的所有像素值的中值。
guassian filters
典型的空域线性平滑滤波算法，原理简单，每一个像素值，都由其本身和邻域内的其他像素值经过加权平均后得到。
bilateral filters
典型的空域非线性滤波算法，原理简单，即可以认为是高斯滤波的改进迭代版，同时考虑图像的空间近邻度和像素值相似度的一种折中算法。
NLB
“Non-Local Bayes” (NL-Bayes)非局部贝叶斯，利用图像的自相似结构进行去噪。
○ 原理
■ one-step
● 找到与给定图像块相似的图像块，并组成3D块
● 协方差滤波
○ 贝叶斯公式应用到3D块；
○ 重新定位3D块；
● 聚合
○ 聚合就是为了消除3D滤波产生的滤波块重叠，被获取的许多估计数需要为每个像素组合；
● Acceleration 加速
■ two-step
● grouping 组块
● Collaborative Filtering 协方差滤波
● Aggregation 聚合
○ 迭代版本
■ Non-local Bayesian Video Denoising 非局部贝叶斯视频去噪
■ https://github.com/pariasm/vnlb
BM3D
代码：https://github.com/gfacciol/bm3d
典型的且效果较好的空域与变换域结合的去噪算法，原理相对较复杂，算法复杂度也相对较高，当然实际去噪效果也相对传统的去噪算法有明显的提升。
中心思想：充分利用自然图像中丰富的自相似结构来进行图像降噪；
step1：基础估计
■ 相似块分组Grouping
■ 协同滤波Collaborative Filtering
■ 聚合 Aggregation
step2：最终估计
■ 块匹配Grouping
■ 3D协同维纳滤波 Collaborative Filtering
■ 聚合加权滤波Aggregation
meshflow
meshflow来源于2017年中国电子科技大学一篇sci级别论文。steadyflow需要计算密集的光流（optical flow）并提取所有像素位置的像素配置来进行处理；与steadyflow相比，meshflow仅在稀疏规则的顶点配置网格上进行操作。
通过对论文中meshflow算法剖析，在相邻帧之间进行估计，这些帧用于在一个滑动时间窗口内对齐帧，整个方案可以分成特征跟踪、网格流估计、运动累积、一致性检查、像素融合；该算法具有模型轻量级、非参数化、空间变形体等内在特征，能够有效地实现多帧图像的去噪，具体算法思路如图2.1所示：
图2.1
论文介绍实验结果，1920x1080的分辨率单帧平均需要260 ms，具体来说，特征跟踪27ms、网格流估计21ms、运动累积38 ms、一致性检查25 ms、像素融合149ms。从论文实验结果对比分析，视频降噪效果大多数场景效果非常明显，但算法复杂度仍然相对较高，距离实时视频应用场景落地还有一段路程。
hqdn3d
简介
作为Avisynth一款视频处理插件，集成应用到Mplayer播放器中。hqdn3d是时域、空域混合滤波算法，不涉及变换域 ，算法原理容易理解，总结其原理，包含几点：
● 逐像素进行，不涉及频域变换，不涉及运动搜索，不涉及帧间对齐；
● 3D去噪，当前像素参考左邻、上邻、上帧同一位置的三个像素；
● 根据相邻像素的差，确定偏移量，将相邻像素颜色值“拉近”，即对像素做加减法；
● 较小的像素差异，拉近距离，若差异较大，降低偏置系数，达到保边效果；
● 通过外部设置滤波强度，调整峰值位置；
算法核心原理图
各类算法复杂度对比
参考
在线实验各类新算法网址：https://www.ipol.im/