VST in Denoising

Introduction

经典的图像去噪方法都是将噪声建模为加性高斯白噪声（AWGN），而真实图像的噪声并不严格服从AWGN。比如对于RAW图像来说，其噪声分布服从Poisson-Gaussian分布。因此，我们有两种方法来应对这种差别：

1. 根据实际观察到的噪声分布建立新的噪声模型，以此来提出新的去噪方法；
2. 将观察到的噪声分布转化为AWGN，用现有的去噪方法处理；

VST（variance stabilizing transform）就是一种将对信号依赖的噪声变为AWGN的常用方法。VST的目的就是找到一个简单的函数$f$应用于数据$x$，使得$y=f(x)$的方差与其均值无关。
VST是一个大家族，其中包括很多变换。今天介绍一种最常用到的VST变换——Anscombe transform（AT）及其推广。

Anscombe Transform

Anscombe transform可以将一个服从泊松分布（Poisson distribution）的随机变量变为一个近似标准高斯分布。

定义

对于服从泊松分布的变量$x\sim \mathcal{P}(\hat{x})$，其均值$m$和方差$v$是相互依赖的：$m=v=\hat{x}$。
$$x\sim \mathcal{P}(\hat{x})=\frac{m^x{e}^{-m}}{x!}$$
Anscombe transform $f(x)$：
$$A:x\to 2\sqrt{x+\frac{3}{8}}$$

经过变换后，对于足够大的均值，随机变量的方差近似为1；而当均值为0时，方差仍然为0。

AT将均值为$m$的泊松数据$x$变为了近似均值为$2\sqrt{m+\frac{3}{8}}-\frac{1}{4m^{1/2}}+O(\frac{1}{m^{3/2}})$，标准差为$1+O(\frac{1}{m^2})$的高斯分布。
从上图可以看出，在$m$大于4时，这种近似可以得到很好地保证。

逆变换

当在VST域做完去噪后，通过其逆变换（iVST）可以将去噪数据$y$变回原来的域。
其代数逆为：
$$A^{-1}:y\to {\left(\frac{y}{2}\right)}^2-\frac{3}{8}$$

代数逆常常会对估计的均值$m$引入不想要的偏置， 因为正向变换中的平方根变换不是线性的。
而在成像和图像应用时，隐式映射给出了精确的无偏逆变换：
$$E\left[f(x)|m\right]=2\sum _{x=0}^{+\infty }\left(\sqrt{x+\frac{3}{8}}\cdot \frac{m^x{e}^{-m}}{x!}\right)$$

该精确无偏逆的一个闭合形式的近似解为：
$$y\to \frac{1}{4}{y}^2+\frac{1}{4}\sqrt{\frac{3}{2}}{y}^{-1}-\frac{11}{8}{y}^{-2}+\frac{5}{8}\sqrt{\frac{3}{2}}{y}^{-3}-\frac{1}{8}$$

当$y$特别大时，其渐进逆为：
$$y\to \frac{1}{4}{y}^2-\frac{1}{8}$$

Generalization

许多数字成像器件的噪声可以被建模为Poisson-Gaussian noise。其中泊松部分表示传感器接受光子的不确定性，其是信号依赖的；高斯部分表示其他信号无关噪声，如热噪声等。对于观察到的每个像素值$\hat{x}$，可以表示为：
$$\hat{x}=ap+n$$

其中，$p\sim \mathcal{P}(\hat{y}/a)$, $n\sim \mathcal{N}(m,{\hat{\sigma }}^2)$。因此我们可以定义Poisson-Gaussion noise为：
$$\eta =\hat{x}-\hat{y}$$

定义

广义Anscombe变换（generalized Anscombe transform， GAT）表示为：
$$\begin{array}{c}f(\hat{x})=\{\begin{array}{rlrl}& \frac{2}{a}\sqrt{a\hat{x}+\frac{3}{8}{a}^2+{\hat{\sigma }}^2-am},& & \hat{x}>-\frac{3}{8}a-\frac{{\hat{\sigma }}^2}{a}+m\\ & 0,& & \hat{x}\le -\frac{3}{8}a-\frac{{\hat{\sigma }}^2}{a}+m\end{array}\end{array}$$

当$a=1,\sigma =0,m=0$时，Poisson-Gausssion分布退化为Poisson分布，GAT也退化为AT。
对上述公式中的变量做归一化：
$$x=\frac{\hat{x}-m}{a},\sigma =\frac{\hat{\sigma }}{a}$$

即将原变量x变为一个单位Poisson变量叠加一个均值为0，标准差为$\sigma$的加性高斯白噪声。则GAT可以简化为：
$$\begin{array}{c}{f}_{\sigma }(x)=\{\begin{array}{rlrl}& 2\sqrt{x+\frac{3}{8}+{\sigma }^2},& & x>-\frac{3}{8}-{\sigma }^2\\ & 0,& & x\le -\frac{3}{8}-{\sigma }^2\end{array}\end{array}$$

下图是$\sigma =0.01,1,2,3$的关系曲线。从下图可以看出，当标准差$\sigma >2$时，变换后的方差稳定在理想值1左右。

逆变换

当高斯噪声部分的标准差$\sigma$比较大时，GAT的精确无偏逆变换可以近似为：
$$A_{\sigma }^{-1}\approx A^{-1}-{\sigma }^2$$

其闭合形式的近似为：
$$y\to \frac{1}{4}{y}^2+\frac{1}{4}\sqrt{\frac{3}{2}}{y}^{-1}-\frac{11}{8}{y}^{-2}+\frac{5}{8}\sqrt{\frac{3}{2}}{y}^{-3}-\frac{1}{8}-{\sigma }^2$$

当$\sigma$或$y$特别大时，其渐进逆为：
$$A_{asy}^{-1}:\frac{1}{4}{y}^2-\frac{1}{8}-{\sigma }^2$$

参考文献

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.