噪声：Optimal inversion of the generalized Anscombe transformation for Poisson-Gaussian noise

Optimal inversion of the generalized Anscombe transformation for Poisson-Gaussian noise

在文章 CMOS图像传感器中的噪声来源分析中分析了图像传感器中的噪声来源， 噪声：Practical Poissonian-Gaussian noise modeling and fitting for single-image raw-data中分析了图像传感器器中的噪声分布近似服从泊松-高斯，即图像传感器中的噪声是一个 异方差的高斯噪声，这一结论对于后续的降噪而言是非常重要的，因为目前应用广泛的降噪算法，诸如：BLF、NLM、BM3D、GuideFilter的一个基础假设是图像当中的噪声为高斯白噪声，很明显泊松-高斯噪声并不符合这一假设，所以出现了对异方差高斯噪声的稳定化变换，称为噪声稳定化(Variance Stabilization Transformation)，本文简称其为VST，即将原本的泊松-高斯噪声转化为高斯白噪声，这一方法由噪声分析及降噪方面的专家 Alessandro Foi提出，并在各ISP中得以广泛应用，参考 Benchmark – Darmstadt Noise Dataset中给出的各降噪算法的客观评价指标，可以看出，经过VST之后的降噪结果的客观评价指标均高于没有经过VST的，足以表明VST对泊松-高斯噪声的降噪影响，关于VST的发展历程可以参考如下几篇论文：

• The transformation of Poisson, binomial and negative binomial data
• A closed-form approximation of the exact unbiased inverse of the Anscombe variance-stabilizing transformation
• On the Inversion of the Anscombe Transformation in Low-Count Poisson Image Denoising
• Optimal inversion of the Anscombe transformation in low-count Poisson image denoising
• Poisson-Gaussian Denoising Using the Exact Unbiased Inverse of the Generalized Anscombe Transformation
• Variance Stabilization for Noisy+Estimate Combination in Iterative Poisson Denoising
• Variance Stabilization in Poisson Image Deblurring

generalized Anscombe transformation

根据泊松-高斯噪声模型，图像的噪声方差可以表示为：
$$V=\alpha y+{\sigma }^2\text{\hspace{1em}(1)}$$
受噪声影响的观测信号可以表示为：
$$z=\alpha p+n\text{\hspace{1em}(2)}$$
其中$z$表示观测信号，$\alpha$为式(1)中的噪声参数，$p$为受泊松噪声影响的信号 p ∼ P ( y ) ， E { p } = y p\sim\mathcal{P}\left(y\right)，E\{p\}=y p∼P(y)，E{ p}=y，$n$为高斯噪声。式(1)表明图像的噪声强度$V$是随信号$y$而变化的，假设存在某种变换$F$使得经过此变换后图像的噪声方差恒为1，即噪声由泊松-高斯噪声变为高斯白噪声，则可将上式目的公式化：
V a r { F ( z ) } = 1 (3) Var\{F(z)\}=1\tag{3} Var{ F(z)}=1(3)

• 一维随机变量函数的期望与方差的近似计算方法
  设一维连续随机变量$X$，其期望和方差分别为$\mu 、{\sigma }^2$，令$Y=H(X)$，则随机变量$Y$的期望和方差如下：
  E { Y } ≈ H ( μ ) + H ′ ′ ( μ ) 2 σ 2 V a r { Y } ≈ H ′ ( μ ) 2 σ 2 E\{Y\}\approx H(\mu)+\frac{H^{''}(\mu)}{2} \sigma^{2}\\ Var\{Y\}\approx H^{'}(\mu)^{2} \sigma^2 E{ Y}≈H(μ)+2H′′(μ)​σ2Var{ Y}≈H′(μ)2σ2
  以上内容的详细推导可以参考：王新洲.非线性模型参数估计理论与应用

那么式(3)就可以写为：
V a r { F ( z ) } = ( d F ( z ) d z ) 2 V a r { z } = 1 (4) Var\{F(z)\}=(\frac{dF(z)}{dz})^{2}Var\{z\}=1\tag{4} Var{ F(z)}=(dzdF(z)​)2Var{ z}=1(4)
即：
$$\frac{dF(z)}{dz}$$