Introduction
經典的圖像去噪方法都是將噪聲建模爲加性高斯白噪聲(AWGN),而真實圖像的噪聲並不嚴格服從AWGN。比如對於RAW圖像來說,其噪聲分佈服從Poisson-Gaussian分佈。因此,我們有兩種方法來應對這種差別:
根據實際觀察到的噪聲分佈建立新的噪聲模型,以此來提出新的去噪方法;
將觀察到的噪聲分佈轉化爲AWGN,用現有的去噪方法處理;
VST(variance stabilizing transform)就是一種將對信號依賴的噪聲變爲AWGN的常用方法。VST的目的就是找到一個簡單的函數f f f 應用於數據x x x ,使得y = f ( x ) y=f(x) y = f ( x ) 的方差與其均值無關。
VST是一個大家族,其中包括很多變換。今天介紹一種最常用到的VST變換——Anscombe transform(AT)及其推廣。
Anscombe Transform
Anscombe transform可以將一個服從泊松分佈(Poisson distribution)的隨機變量變爲一個近似標準高斯分佈。
定義
對於泊松分佈,其均值m m m 和方差v v v 是相互依賴的:m = v m=v m = v 。
Anscombe transform f ( x ) f(x) f ( x ) :
A : x → 2 x + 3 8 A:x\to 2\sqrt{x+\frac{3}{8}} A : x → 2 x + 8 3
經過變換後,對於足夠大的均值,隨機變量的方差近似爲1;而當均值爲0時,方差仍然爲0。
AT將均值爲m m m 的泊松數據x x x 變爲了近似均值爲2 m + 3 8 − 1 4 m 1 / 2 + O ( 1 m 3 / 2 ) 2\sqrt{m+\frac{3}{8}}-\frac{1}{4m^{1/2}}+O(\frac{1}{m^{3/2}}) 2 m + 8 3 − 4 m 1 / 2 1 + O ( m 3 / 2 1 ) ,標準差爲1 + O ( 1 m 2 ) 1+O(\frac{1}{m^2}) 1 + O ( m 2 1 ) 的高斯分佈。
從上圖可以看出,在m m m 大於4時,這種近似可以得到很好地保證。
逆變換
當在VST域做完去噪後,通過其逆變換(iVST)可以將去噪數據y y y 變回原來的域。
其代數逆爲:
A − 1 : y → ( y 2 ) 2 − 3 8 A^{-1}: y \to \left( \frac{y}{2} \right)^2-\frac{3}{8} A − 1 : y → ( 2 y ) 2 − 8 3
代數逆常常會對估計的均值m m m 引入不想要的偏置, 因爲正向變換中的平方根變換不是線性的。
而在成像和圖像應用時,隱式映射給出了精確的無偏逆變換:
E [ f ( x ) ∣ m ] = 2 ∑ x = 0 + ∞ ( x + 3 8 ⋅ m x e − m x ! ) E\left[ f(x)|m \right]=2\sum^{+\infty}_{x=0}\left( \sqrt{x+\frac{3}{8}}\cdot \frac{m^xe^{-m}}{x!} \right) E [ f ( x ) ∣ m ] = 2 x = 0 ∑ + ∞ ( x + 8 3 ⋅ x ! m x e − m )
該精確無偏逆的一個閉合形式的近似解爲:
y → 1 4 y 2 + 1 4 3 2 y − 1 − 11 8 y − 2 + 5 8 3 2 y − 3 − 1 8 y\to \frac{1}{4}y^2+\frac{1}{4}\sqrt{\frac{3}{2}}y^{-1}-\frac{11}{8}y^{-2}+\frac{5}{8}\sqrt{\frac{3}{2}}y^{-3}-\frac{1}{8} y → 4 1 y 2 + 4 1 2 3 y − 1 − 8 1 1 y − 2 + 8 5 2 3 y − 3 − 8 1
當y y y 特別大時,其漸進逆爲:
y → 1 4 y 2 − 1 8 y\to \frac14y^2-\frac18 y → 4 1 y 2 − 8 1
Generalization
許多數字成像器件的噪聲可以被建模爲Poisson-Gaussian noise。其中泊松部分表示傳感器接受光子的不確定性,其是信號依賴的;高斯部分表示其他信號無關噪聲,如熱噪聲等。對於觀察到的每個像素值x ^ \hat{x} x ^ ,可以表示爲:
x ^ = a p + n \hat{x}=ap+n x ^ = a p + n
其中,p ∼ P ( y ^ ) p\sim \mathcal{P}(\hat{y}) p ∼ P ( y ^ ) , n ∼ N ( m , σ ^ 2 ) n\sim \mathcal{N}(m, \hat{\sigma}^2) n ∼ N ( m , σ ^ 2 ) 。因此我們可以定義Poisson-Gaussion noise爲:
η = x ^ − y ^ \eta = \hat{x}-\hat{y} η = x ^ − y ^
定義
廣義Anscombe變換(generalized Anscombe transform, GAT)表示爲:
f ( x ^ ) = { 2 a a x ^ + 3 8 a 2 + σ ^ 2 − a m , x ^ > − 3 8 a − σ ^ 2 a + m 0 , x ^ ≤ − 3 8 a − σ ^ 2 a + m
\begin{array}{ccc}
f(\hat{x})=\left\{
\begin{aligned}
&\frac{2}{a}\sqrt{a\hat{x}+\frac{3}{8}a^2+\hat{\sigma}^2-am}, &&\hat{x}>-\frac38a-\frac{\hat{\sigma}^2}{a}+m \\
&0, && \hat{x}\leq-\frac38a-\frac{\hat{\sigma}^2}{a}+m \\
\end{aligned}
\right.
\end{array}
f ( x ^ ) = ⎩ ⎪ ⎪ ⎨ ⎪ ⎪ ⎧ a 2 a x ^ + 8 3 a 2 + σ ^ 2 − a m , 0 , x ^ > − 8 3 a − a σ ^ 2 + m x ^ ≤ − 8 3 a − a σ ^ 2 + m
當a = 1 , σ = 0 , m = 0 a=1, \sigma=0, m=0 a = 1 , σ = 0 , m = 0 時,Poisson-Gausssion分佈退化爲Poisson分佈,GAT也退化爲AT。
對上述公式中的變量做歸一化:
x = x ^ − m a , σ = σ ^ a x=\frac{\hat{x}-m}{a}, \sigma=\frac{\hat{\sigma}}{a} x = a x ^ − m , σ = a σ ^
即將原變量x變爲一個單位Poisson變量疊加一個均值爲0,標準差爲σ \sigma σ 的加性高斯白噪聲。則GAT可以簡化爲:
f σ ( x ) = { 2 x + 3 8 + σ 2 , x > − 3 8 − σ 2 0 , x ≤ − 3 8 − σ 2
\begin{array}{ccc}
f_{\sigma}(x)=\left\{
\begin{aligned}
&2\sqrt{x+\frac{3}{8}+\sigma^2}, &&x>-\frac38-\sigma^2 \\
&0, && x\leq-\frac38-\sigma^2 \\
\end{aligned}
\right.
\end{array}
f σ ( x ) = ⎩ ⎪ ⎪ ⎨ ⎪ ⎪ ⎧ 2 x + 8 3 + σ 2 , 0 , x > − 8 3 − σ 2 x ≤ − 8 3 − σ 2
下圖是σ = 0.01 , 1 , 2 , 3 \sigma=0.01,1,2,3 σ = 0 . 0 1 , 1 , 2 , 3 的關係曲線。從下圖可以看出,當標準差σ > 2 \sigma>2 σ > 2 時,變換後的方差穩定在理想值1左右。
逆變換
當高斯噪聲部分的標準差σ \sigma σ 比較大時,GAT的精確無偏逆變換可以近似爲:
A σ − 1 ≈ A − 1 − σ 2 A^{-1}_{\sigma} \approx A^{-1}-\sigma^2 A σ − 1 ≈ A − 1 − σ 2
其閉合形式的近似爲:
y → 1 4 y 2 + 1 4 3 2 y − 1 − 11 8 y − 2 + 5 8 3 2 y − 3 − 1 8 − σ 2 y\to \frac{1}{4}y^2+\frac{1}{4}\sqrt{\frac{3}{2}}y^{-1}-\frac{11}{8}y^{-2}+\frac{5}{8}\sqrt{\frac{3}{2}}y^{-3}-\frac{1}{8}-\sigma^2 y → 4 1 y 2 + 4 1 2 3 y − 1 − 8 1 1 y − 2 + 8 5 2 3 y − 3 − 8 1 − σ 2
當σ \sigma σ 或y y y 特別大時,其漸進逆爲:
A a s y − 1 : 1 4 y 2 − 1 8 − σ 2 A^{-1}_{asy}: \frac14y^2-\frac18-\sigma^2 A a s y − 1 : 4 1 y 2 − 8 1 − σ 2
參考文獻
1、WIkipedia:Variance-stabilizing transformation
2、Wikipedia:Anscombe transform
3、Mäkitalo M, Foi A. Poisson-gaussian denoising using the exact unbiased inverse of the generalized anscombe transformation[C]//Acoustics, Speech and Signal Processing (ICASSP), 2012 IEEE International Conference on. IEEE, 2012: 1081-1084.
4、Makitalo M, Foi A. Optimal inversion of the generalized Anscombe transformation for Poisson-Gaussian noise[J]. IEEE transactions on image processing, 2013, 22(1): 91-103.