针对监控视频图像的特点，提出了一种基于时空联合的实时视频降噪算法。该算法通过结合多帧图像进行运动检测，自适应地区分图像的运动区域和静止区域，对静止区域采用时域加权均值滤波，对运动区域采用空域ANL滤波。实验结果表明，该算法由于准确地区分了图像的运动区域和静止区域，充分利用了视频的时域、空域信息，在不造成运动拖影的前提下，能够显著提高视频的信噪比和图像的主观质量，同时满足实时性要求。

BM3D代码matlab denoising_dl 基于深度学习和其他机器学习方法的图像或视频降噪。 该程序将探索许多神经网络对静止图像进行降噪，并且将来还将扩展到视频降噪。 当前，已实现具有批处理归一化的MLP / CNN / CNN。 比较的黄金程序是BM3D，python版本来自：。 经过测试，最终结果与BM3D matlab不同。 让我们使用matlab作为参考代码。 原始python代码git：原始BM3D是matlab版本，在这里： 有一些BM3D源代码：VapourSynth-BM3D：这是围绕Marc Lebrun的BM3d实现的python包装器：

去噪声代码matlab 基于SALT的视频降噪 ============= 基于SALT的视频降噪随附于以下出版物：“联合自适应稀疏性和动态低秩：视频降噪的在线Tensor重构方案”，IEEE国际计算机视觉会议（ICCV），2017年。 描述： 我们提出了一种基于新型稀疏和低秩张量（SALT）模型的视频去噪方法。 引入了一种有效的，无监督的在线unit稀疏变换学习方法，以动态地施加自适应稀疏性。 基于SALT的视频降噪显示出低延迟，并且可以潜在地处理流视频。 据我们所知，这是将自适应稀疏性和低等级性相结合以进行视频降噪的第一项工作，也是以在线方式解决所提出的问题的第一项工作。 SALT软件包包括（1）SALT Matlab函数的集合，以及（2）SALT论文中使用的示例数据。 您可以在以下位置下载我们的其他软件包。 纸 可用纸。 如果使用，请引用我们的出版物： Bihan Wen，Yanjun Li，Luke Pfister和Yoram Bresler，“快速联合自适应稀疏性和低等级：用于视频降噪的在线张量重构方案”，Proc。 IEEE国际Conf。 计算机视觉（ICCV），2017年

一种基于运动补偿的3D视频降噪算法，龙红梅，田逢春，在视频图像降噪中，时域滤波比空域滤波在保护边缘和细节，提高PSNR方面更具有优势。根据此原理, 本文中提出了一种基于运动补偿的3D�

非常有用的视频去噪算法含仿真代码 BM3D

为了有效地去除视频序列中的噪声,提高视频图像质量,提出了一种基于运动估计的视频降噪算法。该算法在由视频序列中的当前帧和前后多帧图像构建的图像层中,通过运动估计技术,沿着物体的运动轨迹进行时域帧间滤波。实验结果显示,本文提出的算法充分利用了视频序列的时域信息,可以有效去除视频序列中的噪声,同时可以很好地保持视频图像的细节。

现有的除雪/雨水清除方法通常无法应对大雪/雨水和动态场景。 失败的原因之一是基于这样的假设，即在雪/雨场景中所有的雪花/雨条纹都很稀疏。 另一个是现有方法通常无法区分运动物体和雪花/雨纹。 为了解决上述问题，本文提出了一种基于矩阵分解的视频去噪和排水模型。 我们将雪花/雨条纹分为两类：稀疏的和密集的。 借助背景波动和光流信息，将移动物体和稀疏雪花/雨条纹的检测公式化为多标签马尔可夫随机场（MRF）。 至于浓密的雪花/雨纹，它们被认为服从高斯分布。 场景背景中的雪花/雨条纹，包括稀疏的和浓密的条纹，通过背景的低级表示来去除。 同时，我们模型中的组稀疏性术语旨在过滤运动对象中的雪/雨像素。 实验结果表明，我们提出的模型的效果优于最新的除雪和除雨方法。

MMNet:视频降噪

噪点历来就是我们要面对的问题，这个插件很出色的解决了这一难题。 denoiser是从Magic Bullet Steady ， 单独分离的一款降噪插件，改进很多，效果突出。Magic Bullet Steady 官方不在更新CS5版本。 只能AE FC使用。 以测试成功注册。

FCPX插件：视频降噪插件 DENoise 2.2