Optimal inversion of the generalized Anscombe transformation for Poisson-Gaussian noise
文章目录
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 = α y + σ 2 (1) V=\alpha y + \sigma ^{2}\tag{1} V=αy+σ2(1)
受噪声影响的观测信号可以表示为:
z = α p + n (2) z=\alpha p +n\tag{2} z=αp+n(2)
其中 z z z表示观测信号, α \alpha α为式(1)中的噪声参数, p p 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 n n为高斯噪声。式(1)表明图像的噪声强度 V V V是随信号 y y y而变化的,假设存在某种变换 F F 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 X X,其期望和方差分别为 μ 、 σ 2 \mu、\sigma^{2} μ、σ2,令 Y = H ( X ) Y=H(X) Y=H(X),则随机变量 Y Y 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:
d F ( z ) d z = 1 V a r { z } (5) \frac{dF(z)}{dz}=\sqrt{\frac{1}{Var\{z\}}}\tag{5} dzdF(z)