BM3D图像去噪算法详解：从核心原理到Matlab实战

简介：BM3D（Block Matching and 3D filtering）是图像去噪领域公认效果优异的算法之一，尤其擅长处理高斯噪声。这套MATLAB代码将算法封装为可直接调用的函数，适合图像处理研究者、算法工程师以及需要快速获得高质量去噪效果的MATLAB用户。压缩包共79个文件，大小仅3.51MB，以面向不同平台的mex预编译可执行文件为主，并包含m源文件、README说明和辅助脚本，用户可按操作系统直接选用对应版本，省去手动编译的麻烦。资源提供BM3D、CBM3D、VBM3D等入口，覆盖灰度图、彩色图与视频序列去噪，还实现了硬阈值、维纳滤波、彩色噪声处理等多种变体，功能较完整。目前已有298人学习下载，既可以作为入门工具快速体验经典算法，也为后续改进和二次开发提供了良好基础。

1. BM3D凭什么被称为去噪界的地板流

图像去噪这个方向，每年新论文几百篇，但你要是问一个做了十年图像处理的人"最稳的算法是哪个"，多半会得到一个名字：BM3D。我从研一开始用Matlab跑图像算法，试过中值滤波、NLM、小波阈值、DnCNN，兜兜转转一圈下来，凡是要拿实验结果去比较、去写论文、去做工程基线，最后还是绕回BM3D。

BM3D全称是Block-Matching and 3D Filtering，块匹配与三维滤波。它是2007年由K. Dabov等人提出的，核心思想一句话概括：把相似的小图像块找出来，叠成一个三维数组，然后在三维空间里做联合滤波，最后再放回原图。这个思路在当年是颠覆性的——传统去噪算法要么在空间域做局部滤波，要么在变换域做全局阈值，而BM3D把"空间域的相似性"和"变换域的稀疏性"结合起来，效果直接上一个台阶。

它的厉害之处在于：在Matlab里用官方提供的bm3d_demo.m跑一遍，无论你拿什么测试图（Cameraman、Barbara、Lena都行），PSNR通常能比NLM高出2到3个dB。而PSNR这个东西，每提升0.5个dB人眼都能感受到明显差异，2到3个dB基本就是"画质从糊到清晰"的跨越。

这篇分享不打算抄论文，也不打算做翻译，而是从我在Matlab里实际把BM3D跑通的经历出发，把环境准备、代码逻辑、踩坑记录、参数调优一次讲透。如果你正准备用Matlab做图像去噪、写大作业、做毕设，或者只是想给老旧的图像处理流程换一个更硬的算法，这篇文章应该能帮你省掉不少我自己当年没少走弯路。

2. BM3D算法的核心原理拆解：两步走，每一步都有讲究

2.1 第一步：基础估计（Step One）——先粗去噪

在真正上手Matlab代码之前，我建议先花五分钟把算法骨架搞清楚。否则你看着别人的代码，满屏都是g_r、g_r_h、sigma这些变量，云里雾里。

BM3D的第一阶段叫基础估计，目标是把带噪图像初步去一遍噪，得到一个质量还行、但不够完美的底图。具体动作分三步：

• 块匹配（Block Matching）：在图像中取一个参考块（比如8x8的小方块），然后在周围的搜索区域里，找到若干与此参考块最相似的块（度量方式通常是欧氏距离）。这一步和NLM很像，但BM3D把"相似块"当成一个整体来用。
• 分组（Grouping）：把找到的相似块堆叠成一个三维矩阵。这个三维的尺寸是：块大小 × 块大小 × 相似块的个数。
• 协同硬阈值滤波（Collaborative Hard-Thresholding）：对这个三维矩阵做三维变换（通常先在二维空间做DCT或Bior1.5小波变换，再在第三维做哈达玛变换），然后在变换域里把小于阈值的小系数直接置零，再反变换回空间域。这样做的逻辑是：噪声在变换域里表现为大量零散的小系数，而真实信号的能量会集中在少数大系数上，把小的砍掉，噪声就被去掉了。

基础估计的结果虽然还有残留噪声和振铃效应，但已经保留了大部分细节，它为第二步提供了更好的相似块匹配依据。

2.2 第二步：最终估计（Step Two）——用维纳滤波精修

第二阶段叫最终估计，核心是把基础估计当作"导引图"（oracle），利用它来加权原始带噪图，实现精度更高的去噪。这一步用的是维纳滤波（Wiener Filter），而不是硬阈值。

为什么用维纳？因为维纳滤波可以看作是最小均方误差意义下的最优线性滤波。简单类比：硬阈值是"一刀切"，小于阈值的系数全咔嚓掉，大于的保留原值；而维纳滤波是"按比例缩放"，对每个变换系数乘以一个介于0和1之间的权重。噪声大的系数乘一个小权重，噪声小的系数乘一个接近1的权重，这样在去除噪声和保留细节之间取得更精细的平衡。

最终估计的流程是：

• 用基础估计的结果，重新做块匹配和分组。因为基础估计已经比原图干净，找出来的相似块会更准确。
• 把基础估计的三维组和带噪图像的三维组分别做三维变换。
• 用基础估计的变换系数的能量，计算维纳滤波的收缩系数：Wiener ≥ (基础估计系数)^2 / ((基础估计系数)^2 + sigma^2)。
• 将此系数乘以带噪三维组的变换系数，再反变换回空间域。
• 由于同一个像素会被多个重叠的块覆盖，最后通过加权平均（叠加时根据窗口函数赋权）回归到完整的去噪图。

说白了，第一阶段是在"找对相似的伙伴"，第二阶段是利用这些伙伴"大家一起帮各自把噪声分清楚"。两步递进，效果叠加。

2.3 为什么BM3D比传统方法好：一个直观类比

如果你觉得上面这些概念有点抽象，我打一个比方。想象你有一张合照，上面有很多噪点，拍摄的时候大家都没看镜头，各有各的表情。

传统中值滤波的思路是：把每个像素附近的一圈像素取中值，相当于"用邻居的平均脸去替换每一个人的脸"，结果就是脸糊成一团，五官不清晰。

NLM的思路是：发现照片里有很多相似的区域（比如重复的纹理、相似的背景），把相似区域的像素加权平均，相当于"让相似表情的几个人互相借鉴"，细节保护比中值好，但毕竟每个区域还是各自为战。

BM3D的思路则是：把照片里所有长得像的脸都叠在一起，组成一个"多脸合一的立体模型"，然后在这个三维模型里同时去掉每张脸上的噪点，再把人脸放回去。由于每张脸共享信息，噪声被联合抑制，而每张脸独有的细节又被保留下来。这就是三维协同滤波的威力所在。

3. Matlab环境准备与源码获取：跑通前的三个小坑

3.1 首先确认你的Matlab版本和工具箱

BM3D的官方Matlab代码本身不依赖什么冷门工具箱，核心用到的函数包括imfilter、dct2、idct2、fft2等，这些都属于基础图像处理和信号处理范畴。我自己在R2016b、R2020b、R2023b三套环境里都跑通过，一般来说R2016之后的版本都没有问题。

唯一需要注意的坑是：部分第三方优化版本会用到padarray、blockproc或者并行计算工具箱（Parallel Computing Toolbox）的parfor。如果报"Undefined function 'parfor'"之类的错误，说明你的Matlab没有并行计算工具箱，或者需要在代码里把parfor改成for。我遇到过几个师兄在教务版Matlab上跑BM3D，结果卡在这一步，折腾了半天其实是工具箱缺失。

建议：下载代码后先搜一下有没有parfor，有的话在命令行执行matlabpool或者parpool测试一下并行池是否能正常开启。不能开就直接改for，反正结果一致，只是慢一些。

3.2 官方源码与第三方实现的选择

目前能拿到的BM3D Matlab代码主要有三类：

• 作者官方发布的BM3D包：包含BM3D.m、bm3d_demo.m、demo.m等，支持灰度图和彩色图，支持不同噪声水平的参数预设。这个是最标准的实现，论文里的实验结果基本都能复现。
• 第三方优化版：例如某些研究者在GitHub上发布的加速版、GPU版，代码风格更现代，但有时为了性能牺牲了一些可读性。
• 教学精简版：一些课程网站上会挂出只包含核心步骤的简化版本，适合初学者阅读，但去噪效果和原版有一定差距。

我的建议是：第一步先跑官方原版。因为你要对照论文理解参数、复现PSNR数据，直接用原版最省心。等跑通之后，再去看简化版和加速版，做对比实验会更有意义。

3.3 文件结构与依赖关系

官方包解压后一般包含这些文件：

• bm3d_demo.m：演示脚本，直接运行它会生成一张带噪测试图、去噪结果图和PSNR、SSIM数值。
• BM3D.m：主函数，封装了两步去噪流程，输入是带噪图和噪声标准差σ，输出是去噪图。
• demo.m：另一个演示入口，展示了不同噪声水平下的效果对比。
• function_*系列文件：如function_LPA_filter.m、function_BLS_GSM.m等，这些是辅助函数，不要随便改，也不要把它们从Maltab路径里移走。

运行demo之前，建议把整个文件夹添加进Matlab路径。用addpath(genpath('你的路径'))一次性解决，别只把主函数放在当前目录，否则运行BM3D.m时它会找不到function_系列文件，直接报错。

4. 核心代码逐段解读：BM3D主函数到底做了什么

4.1 主函数结构总览

打开BM3D.m，你会发现它的参数列表大概是这样的：

function [y_est, y_est_basic, PSNR_IN, PSNR_EST, SSIM_EST] = BM3D(y, z, sigma, profile, print_to_screen)

其中：

• y：原始无噪图像（用来计算PSNR）
• z：带噪图像（就是你要去噪的输入）
• sigma：噪声标准差，也就是你加噪时的标准差，如果是真实噪声，需要先估计
• profile：预设参数档位，常用'np'（噪声快，运行速度快，效果稍差）和'vn'（噪声慢，更精细，效果最好）
• 输出：y_est是最终去噪图像，y_est_basic是第一步基础估计的结果，PSNR和SSIM是评估指标

函数内部结构非常清晰，注释也写得不错。核心逻辑是：

% 第一步：基础估计 [ y_est_basic, ... ] = bm3d_thr_grouping(...); % 第二步：最终估计 [ y_est, ... ] = bm3d_wiener_grouping(...);

每一大步内部又分为几个阶段。看到这里你可能会想：这代码太长了，读不下来。没关系，你不需要一行行读，关键是知道哪些参数要调、哪些函数在干什么。

4.2 噪声标准差sigma的设置逻辑

sigma是整个算法中最重要的参数，没有之一。它的物理含义是噪声的标准差，假设噪声是加性高斯白噪声（AWGN），即z = y + n，其中n ~ N(0, sigma^2)。

如果sigma设置偏小，算法会认为噪声不严重，对应的阈值和收缩系数偏保守，结果就是去噪不彻底，画面里还有很多噪点。如果sigma设置偏大，算法会认为噪声很严重，会狠下手去砍变换系数，结果是细节被当噪声一起去掉了，图像变得过于平滑，像蒙了一层磨砂玻璃。

在仿真实验中，通常的做法是：

sigma = 25; z = y + sigma * randn(size(y));

如果你是拿真实照片去噪，sigma需要通过噪声估计方法获得。一种常见做法是拿图像平滑区域的像素值标准差作为估计值，或者用噪声水平估计算法（如K-SVD论文里提到的方法）。不知道sigma就随便填一个数，结果大概率不理想。

4.3 profile参数怎么选

官方实现里提供了几档预设参数：

我自己做过对比，在512x512的灰度图上，'vn'档通常要跑10到30秒，'np'档大概4到8秒。PSNR差距大约0.1到0.3dB，人眼几乎无差别。所以如果不是特别在意性能，直接'np'就好。

4.4 输出指标怎么看

官方demo最后会打印这么一段话：

Image: monarch.png, sigma: 25, PSNR_IN: 20.15dB, PSNR_EST: 29.36dB, SSIM_EST: 0.892

PSNR_IN是带噪图像的峰值信噪比，也就是你输入的底子；PSNR_EST是去噪之后的峰值信噪比，中间的差值就是算法帮你赚回来的dB数。SSIM则是结构相似度，范围0到1，越接近1说明结构保留越好。

如果你在自己实验里跑出来的PSNR和论文公布的数据对不上，先检查两件事：一是是否用了同一张测试图，二是sigma和profile是否一致。BM3D论文里公布的结果基本都是'vn'档跑出来的，你用'np'跑自然会低零点几个dB。

5. 实战踩坑记录：从报错到跑通的完整排查链路

5.1 报错"Undefined function or variable 'bm3d_thr_grouping'"

这是我见过最多的报错。原因几乎都是路径没添加完整。你只把BM3D.m放到了当前目录，但bm3d_thr_grouping.m在子文件夹里。

解决办法：

addpath(genpath('C:\你的目录\BM3D-master'));

然后再运行demo。如果还报错，用which bm3d_thr_grouping查看Matlab是否找到了这个文件。找不到就说明路径还是不对，需要用cd进入代码目录去运行，而不是在别的目录下直接调用。

5.2 报错"Error using zeros, Size vector must be a row vector with real elements"

这个报错一般出现在function_LPA_filter.m或function_stdEstimation.m里。原因通常是你传入的sigma是复数或者非数值类型，或者你给BM3D传参时顺序搞错了。

我遇到过一位同学，他把BM3D的参数顺序理解反了，把带噪图当成原始图传进去，把原始图当成带噪图传进去，导致算法内部计算尺寸时出错。建议在调用前打印一下几个输入变量的size和class，确认都是double类型、尺寸一致。

5.3 跑得很慢，甚至跑大图直接卡死

BM3D的复杂度确实不低。块匹配阶段需要遍历全图找相似块，协同滤波阶段又涉及三维变换，在512x512图上跑'vn'档还能接受，一旦换成1024x1024或者更大尺寸的图，耗时可能翻好几倍，内存占用也很吓人。

如果遇到这种情况，我的建议是：

• 改用'lc'档，复杂度显著下降。
• 检查是否有parfor，有就打开并行池。
• 如果图像尺寸大于1000x1000，可以试着自己写一个分块策略：将大图切成若干有重叠区域的块，分别跑BM3D，再融合。注意重叠区域最好在8像素以上，否则拼接处会有接缝。
• 或者直接降采样处理，反正在很多工程场景下，尺寸缩小一半对最终效果影响不大。

5.4 输出图像整体偏暗或偏亮

这个问题通常不是BM3D本身的问题，而是图像数据类型转换导致。当你用imread读图后，得到的是uint8类型（范围0~255），而BM3D内部处理时假设数据范围是0~255的double。如果你把图像归一化到0~1之间再传入，而sigma仍是旧的25，那算法内部计算阈值时就完全错乱了。

正确的做法是：

y = im2double(imread('cameraman.tif')) * 255; % 转成0~255的double z = y + sigma * randn(size(y));

或者你保持0~1范围也行，但此时sigma也要对应缩小到0~1范围，比如噪声方差0.01，这样才匹配。

6. 参数不调好，效果差一倍：sigma、块大小和搜索窗口的经验值

6.1 sigma不同取值下的表现差异

我用Cameraman图做过一组实验，固定用'np'档，只改变sigma，结果如下：

可以看到，sigma偏差10个点，PSNR就掉1个多dB。所以sigma尽量估准，别拍脑袋。

6.2 块大小N和搜索窗口N2的选择逻辑

官方代码里块大小（N）默认是8，搜索窗口（N2）默认是16。这两个数字的含义分别是：

• N：每个相似块的大小，8x8是经验值，既能保留细节，又能提供足够多的频域信息。取4则块太小，频域分辨率不足；取16则计算量大幅上升，而且对局部结构变化不敏感。
• N2：搜索区域大小。16意味着在每个参考块周围16x16的范围内搜索相似块。如果搜索范围太小，找不到足够的相似块，协同滤波效果变差；太大则容易匹配到不相似的块，引入伪纹理。

如果你处理的是纹理丰富的图像（如Barbara、Baboon），可以试试把N2增大到32，效果会有细微改善，但耗时也会成倍增长。

6.3 相似块最大数量Ns的经验值

匹配相似块时，BM3D会限制最多使用多少个相似块（官方默认Ns=16）。这个值决定了三维数组第三维的厚度。Ns越大，协同滤波越充分，但计算量也越大，而且超过一定数量后，新加入的块与参考块的相似度变低，反而稀释了联合去噪效果。

我在实际测试中感觉：Ns从16调到32，PSNR大约提升0.1到0.2dB，但耗时翻倍；Ns从32调到64，提升几乎可以忽略。所以默认值16到32之间足矣，别贪多。

6.4 搜索步长Nstep和滑动步长Nstep2

搜索步长（Nstep）是在块匹配阶段，每隔几个像素取一个参考块；滑动步长（Nstep2）是在第二阶段执行维纳滤波时，每隔几个像素取一个块。默认搜索步长是3，这意味着参考块的位置不是每个像素都取，而是隔3个像素取一次，这样既有足够的重叠覆盖，又控制计算量。

如果你的图像细节极其丰富，可以考虑把Nstep调小到2，让块的覆盖更密；如果只是想要一个基准结果，默认3就够了。至于Nstep2，我发现它比Nstep对最终质量的影响更小，基本上不用去动。

7. 用BM3D做对比实验：算PSNR/SSIM的保姆级教程

7.1 加载数据并加噪的标准写法

做算法对比实验的时候，最怕的就是数据加载方式不统一，导致结果没法比较。我自己有一套固定写法，每次都用这个模板，简单不容易错：

clear; clc; close all; % 读取原图 y = im2double(imread('cameraman.tif')) * 255; % 设置噪声水平 sigma = 25; % 固定随机种子，保证可复现 rng(2024); % 添加高斯白噪声 z = y + sigma * randn(size(y)); % 转回uint8显示用 z_uint8 = uint8(z);

注意rng(2024)的作用是固定随机种子，这样你每次加噪得到的结果都一样，方便对照实验。很多新手忽略这一点，导致每次加噪都不一样，结果自然没法稳定对比。

7.2 调用BM3D并计算PSNR/SSIM的常用代码

% 去噪 [denoised, denoised_basic] = BM3D(y, z, sigma, 'np'); % 计算PSNR（注意范围也是在0~255） psnr_in = psnr(z, y, 255); psnr_out = psnr(denoised, y, 255); % 计算SSIM（推荐用0~1范围计算更规范） ssim_out = ssim(denoised / 255, y / 255); % 打印结果 fprintf('Noisy PSNR: %.2f dB\n', psnr_in); fprintf('Denoised PSNR: %.2f dB\n', psnr_out); fprintf('Denoised SSIM: %.4f\n', ssim_out);

这里有一个细节：Matlab的psnr函数如果输入是uint8（0~255）时，第三个参数可以省略；如果输入是double但范围0~255，第三个参数要写255，否则默认按数据范围计算峰值，结果可能不对。ssim函数则推荐在0~1范围内计算，和论文里的数值更接近。

7.3 对比多个算法的通用流程

如果你要做BM3D和其他算法的对比，建议维护一个统一的结构：

每次实验保证：同一张原图、同一个randn种子、同一个噪声sigma、同一台机器跑。这样结果才有说服力。我见过太多论文里对比结果五花八门，就是因为有人用不同噪声种子、不同图像、甚至不同尺寸去跑，得出来的差距毫无意义。

8. 进阶：从灰度图到彩色图，从静态图到视频

8.1 彩色图去噪的两种思路

BM3D的官方代码里其实支持彩色图像，但它的处理方式非常简单粗暴：把RGB三个通道分别用同一个BM3D流程去噪，最后再合起来。这种方法忽略了通道之间的相关性，所以R、G、B通道的噪声是独立处理的，容易出现色彩偏移或伪彩色。

另一种更优的做法是转换到YCbCr或Lab色彩空间，只对亮度通道（Y或L）做BM3D，色度通道（Cb、Cr或a、b）使用较轻的滤波。因为人眼对亮度细节的敏感度远高于色彩细节，亮度通道用强力去噪，色彩通道轻处理，可以在保证色彩准确的前提下大幅去噪。

8.2 视频去噪：用三维块匹配的升级版VBM3D/VBM4D

如果你处理的是视频，不要一帧一帧单独跑BM3D，那样时间维度上的信息全浪费了。可以找一下VBM3D（Video BM3D），它把块匹配从二维扩展到三维——除了空间上的相似块，还在时间方向上匹配前后帧的块，叠在一起协同滤波。VBM4D更进一步，加入了光流估计，效果更好但复杂度也更高。

在Matlab里搜VBM3D，能找到作者的官方代码，调用方式与BM3D类似，只是输入变成视频帧序列。我自己用VBM3D做带噪视频的实测，PSNR提升比单帧BM3D高约1到2dB，运动区域细节保留也更完整。

8.3 和DnCNN、FFDNet的取舍建议

近几年的深度学习方法（DnCNN、FFDNet、DRUNet）在某些数据集上已经超过了BM3D，但BM3D依然没有被淘汰。原因很简单：它是一个无监督的经典算法，不需要训练、不需要GPU、不依赖训练集分布，任何一张图拿来就能跑，而且可解释性强。深度学习算法一旦遇到与训练集分布差异大的图像（比如医学影像、遥感图），效果可能断崖式下跌，BM3D反而稳如老狗。

所以在工程上我的选择策略是：数据分布稳定且算力充足时用深度模型；数据来源杂、要快速出结果、或需要严格的物理可解释性时，BM3D永远是那个最可靠的兜底方案。

我在实际跑BM3D的这几年里，最大的心得就是：这个算法不像某些深度模型那样"调参全靠玄学"，它的每一步都有明确的物理和数学含义，参数调优也基本有规律可循。只要把sigma搞准，默认参数几乎不会让你失望。最后一件事：如果你在写大作业或论文，引用BM3D时记得引用原始文献"Dabov et al., Image restoration by sparse 3D transform-domain collaborative filtering, SPIE 2008"，评审老师看到这个引用，基本就知道你不是随便拼凑的算法实现了。

本文还有配套的精品资源，点击获取