在正式開始本篇文章之前，讓我們一起回顧一下CFA圖像去噪的一些基本思路與方法。接着我會詳細地和大家分享自己學習理解的BM3D算法，操作過程，它的優缺點，最後會給出算法效果圖供參考。
在ISP模塊裏，研究者們會討論去噪模塊(Noise Reduction)到底是在去馬賽克模塊(Demosaic)之前還是之後進行。如果在之前處理的話，隨着去噪過程的進行，噪聲點消除的同時，伴隨着彩色信息的損失；如果在之後，複雜的插值過程將會改變噪聲的統計模型，使其變得很複雜並且難以計算。所以，更多的情況是選擇在Demosaic之前進行去噪操作。
CFA(Color Filter Array) Data不能採用傳統的灰度圖像去噪算法，因爲CFA圖像中相鄰的像素點具有不同的顏色信息度量，CFA圖像的塊狀結構與沒有傳統意義上的平滑性以及分段恆常性，以至於一般的去噪算法對CFA圖像並不適用。CFA Data也不能夠採用彩色圖像去噪算法因爲每個像素點只含有一個顏色通道的信息。
①一種方法是，將原來的CFA圖像陣列分成四小塊(R,G1,G2,B),分別對這四塊採用灰度圖像去噪的方法。這種方法往往表現差，因爲重要的色彩相關性信息被忽視掉了。CFA去噪算法可以通過利用CFA Data的空間以及色彩相關性來改善其效果。
②另外一種方法是利用CFA圖像裏面各顏色塊的信息構造一幅低分辨率的RGB圖像，這種方式很好的利用了其顏色相關信息，但是不能夠較好的保護空間域上的高頻信息。
③BM3D(Block Matching 3-D filtering algorithm)算法的提出，通過限制圖像塊具有相同的顏色配置結構來達到處理CFA圖像的目的。
下面是BM3D算法的詳細介紹：
1.基礎估計
1).逐塊估計(Block-wise estimates)
分組(Grouping)，找到所有與目前處理圖像塊相似的塊，把它們堆在一起形成一個3維的數組(分組)。
聯合硬閾值(Collaborative Hard-Thresholding).對已經組織好的分組進行3D變換，通過硬閾值3D變換系數達到減弱噪聲的目的，然後通過3D反變換回去得到分組內圖像塊的去噪後估計，並返回到它們之前所在的位置。
2).聚集(Aggregation) 對所估計圖像塊重複遮蓋的像素點進行加權平均，得到最終的像素值，也就是最後的基礎估計結果。
2.最終估計
1).逐塊估計(Block-wise estimates)
分組(Grouping)，使用圖像塊匹配的方法，找到原噪聲圖像以及基礎估計圖像裏面與目前處理圖像塊相似的所有塊，形成兩個3維數組(分組)。
聯合維納濾波(Collaborative wiener-filtering).對已經組織好的兩個分組進行3D變換，將基礎估計圖像的能量頻譜作爲真實的能量頻譜對噪聲圖像分組進行維納濾波，然後通過3D反變換回去得到所有分組的圖像塊估計，並返回到它們之前所在的位置。
2).聚集(Aggregation)
對所有得到的估計圖像塊重複遮蓋的像素點進行加權平均，得到最終的像素值，也就是最後的最終估計結果。
BM3D如何找到相似圖像塊組織3D分組：如下圖所示，正方形所示爲各個圖像塊，左上的分組所選取的圖像塊都具有角點(尖點)特徵，其他分組類似。
BM3D如何在CFA中進行處理：如下圖所示，左邊的分組裏面的圖像塊具有不同的彩色配置，即R,G,B的排列方式不是一致的，而右邊具有相同的彩色配置，所以其對於處理CFA圖像是非常合理的。
上面將BM3D的算法原理以及細節操作都跟大家介紹清楚了，下面就來看一下BM3D對於CFA圖像的算法效果：
原噪聲圖像
中值濾波圖像
BM3D去噪圖像
算法效果（PSNR）明顯優於中值濾波，去噪模塊就此結束，下一篇開始給大家介紹兩種色彩增強的算法。
BM3D網上有現成的Matlab代碼，算法鏈接網址：http://www.cs.tut.fi/~foi/GCF-BM3D/
參考文獻:
1).A case for denoising before demosaicking color fiter array data,Sung Hee Park etc.
2).A Framework for wavelet-based analysis and processing of color filter array images with applications to denoising and demosaicing,Hirakawa etc.Havard University.
3).Cross-color BM3D Filtering of Noise Raw Data,Aram Danielyan etc.