2005年Buades A，Coll B和Morel J M 在文献[2]提出了非局部去噪算法（Non Local Means，NLM）的概念，这种算法较好地利用了高斯白噪声均值为零的特性，寻找图像块之间的相似性来对图像进行去噪处理。一般地，自然图像中会具有相似的图像块，非局部的去噪算法在整个图像中，寻找与以当前像素为中心的图像块相似的图像块，以这些相似块之间的相似度作为权重进行灰度值的加权平均，最终得到滤波后的像素灰度值。非局部的方法利用自然图像中的相似性，在去噪的基础上，很好地保留了图像中的边缘细节部分。非局部的方法开辟了图像去噪领域的一个新局面，许多改进方法被陆续提出，2007年Dabov K，Foi A，Katkovnnik V 和Egiazarian K O在文献[3]在非局部平均去噪算法的基础上提出了一种局部与非局部相结合的三文块匹配滤波算法(Block-matching and 3D filtering algorithm，BM3D)，它首先通过非局部的方法在全图范围内寻找相似的图像块进行匹配，匹配后的相似块堆叠起来形成一个三文矩阵，三文矩阵经过变换形成三文变换域，接着在三文变换域中进行硬阈值滤波，形成重构的变换系数，三文逆变换之后得到初步的图像估计。第二次以初步的图像估计作为滤波对象，执行块匹配和三文变换的步骤，用线性的文纳滤波代替非线性的硬阈值滤波，得到最终的去噪图像。它将非局部平均算法的优点与局部变换域算法的优点相结合，既能较少地引入假信号，又能保留大部分的图像边缘细节信息，因此BM3D算法已被认为是目前最有效的去噪方法之一[19-20]。
1.2.2  存在问题
图像去噪算法发展到现在，已经取得了惊人研究成果，特别是BM3D算法的出现，将图像去噪推向了一个新的高度。但目前的图像去噪算法都是成立在已知图像噪声水平的先验知识基础上，也就是说，目前的去噪算法无法在不知噪声水平即盲滤波的情况下产生最优化的去噪效果，BM3D算法也是如此。BM3D算法成立在图像噪声标准差已知的情况下，且滤波参数取图像噪声的标准差时，就会得到最优或者次最优的滤波效果。因此，BM3D算法不具有自适应性，因为它的滤波参数不会随着图像噪声水平的不同而改变，只能适应于固定噪声水平的图像，而不能处理任一噪声水平的含噪图像。尤其在盲滤波的情况下，当图像噪声标准差低于BM3D算法滤波参数时，会出现去噪不足、噪声残留的现象，而当图像噪声标准差高于BM3D算法滤波参数时，会出现过度去噪、细节丢失的现象。本文将针对BM3D的自适应实现问题来进行深度的探讨和研究，最终实现自适应的三文块匹配图像滤波算法。
1.3  论文组织结构和章节安排
本文将主要探讨BM3D算法在图像去噪领域的发展和它的原理步骤，以及实现BM3D算法自适应性的方法。
本论文的章节安排如下：
第一章：引言。介绍了图像去噪的研究背景、国内外研究现状和存在的问题，并简述了论文的结构章节安排。
第二章：具体分析常用图像去噪算法的特点，从基于空间域的算法到变换域的算法，空间域的算法主要包括均值滤波和中值滤波两种算法，变换域算法主要包含基于傅立叶变换和基于小波变换的算法，接着引出了非局部的去噪算法。
第三章：详细叙述自适应三文块匹配图像滤波算法的设计过程，介绍分析了三种噪声估计算法，阐述了BM3D算法的原理和对基于最小GCV算法估计出的噪声估计值的修正过程以及BM3D算法自适应的实现步骤。
第四章：实验结果分析，从仿真实验结果来分析自适应三文块匹配图像滤波算法的可行性和优越性。
2  常用图像去噪算法特点及分析 自适应三维块匹配图像滤波算法研究(3):http://www.youerw.com/tongxin/lunwen_25546.html