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:
- 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;
- 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
f
f应用于数据
x
x
x,使得
y
=
f
(
x
)
y=f(x)
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
∼
P
(
x
^
)
x\sim \mathcal{P}(\hat{x})
x∼P(x^),其均值
m
m
m和方差
v
v
v是相互依赖的:
m
=
v
=
x
^
m=v=\hat{x}
m=v=x^。
x
∼
P
(
x
^
)
=
m
x
e
−
m
x
!
x\sim\mathcal{P}(\hat{x})=\frac{m^xe^{-m}}{x!}
x∼P(x^)=x!mxe−m
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→2x+83
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
m
m的泊松数据
x
x
x变为了近似均值为
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}})
2m+83−4m1/21+O(m3/21),标准差为
1
+
O
(
1
m
2
)
1+O(\frac{1}{m^2})
1+O(m21)的高斯分布。
从上图可以看出,在
m
m
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
y
y变回原来的域。
其代数逆为:
A
−
1
:
y
→
(
y
2
)
2
−
3
8
A^{-1}: y \to \left( \frac{y}{2} \right)^2-\frac{3}{8}
A−1:y→(2y)2−83
代数逆常常会对估计的均值
m
m
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
[
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]=2x=0∑+∞(x+83⋅x!mxe−m)
该精确无偏逆的一个闭合形式的近似解为:
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→41y2+4123y−1−811y−2+8523y−3−81
当
y
y
y特别大时,其渐进逆为:
y
→
1
4
y
2
−
1
8
y\to \frac14y^2-\frac18
y→41y2−81
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
x
^
\hat{x}
x^,可以表示为:
x
^
=
a
p
+
n
\hat{x}=ap+n
x^=ap+n
其中,
p
∼
P
(
y
^
/
a
)
p\sim \mathcal{P}(\hat{y}/a)
p∼P(y^/a),
n
∼
N
(
m
,
σ
^
2
)
n\sim \mathcal{N}(m, \hat{\sigma}^2)
n∼N(m,σ^2)。因此我们可以定义Poisson-Gaussion noise为:
η
=
x
^
−
y
^
\eta = \hat{x}-\hat{y}
η=x^−y^
定义
广义Anscombe变换(generalized Anscombe transform, GAT)表示为:
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^)=⎩⎪⎪⎨⎪⎪⎧a2ax^+83a2+σ^2−am,0,x^>−83a−aσ^2+mx^≤−83a−aσ^2+m
当
a
=
1
,
σ
=
0
,
m
=
0
a=1, \sigma=0, m=0
a=1,σ=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
=
x
^
−
m
a
,
σ
=
σ
^
a
x=\frac{\hat{x}-m}{a}, \sigma=\frac{\hat{\sigma}}{a}
x=ax^−m,σ=aσ^
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
σ
\sigma
σ的加性高斯白噪声。则GAT可以简化为:
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}
fσ(x)=⎩⎪⎪⎨⎪⎪⎧2x+83+σ2,0,x>−83−σ2x≤−83−σ2
下图是
σ
=
0.01
,
1
,
2
,
3
\sigma=0.01,1,2,3
σ=0.01,1,2,3的关系曲线。从下图可以看出,当标准差
σ
>
2
\sigma>2
σ>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
σ
\sigma
σ比较大时,GAT的精确无偏逆变换可以近似为:
A
σ
−
1
≈
A
−
1
−
σ
2
A^{-1}_{\sigma} \approx A^{-1}-\sigma^2
Aσ−1≈A−1−σ2
其闭合形式的近似为:
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→41y2+4123y−1−811y−2+8523y−3−81−σ2
当
σ
\sigma
σ或
y
y
y特别大时,其渐进逆为:
A
a
s
y
−
1
:
1
4
y
2
−
1
8
−
σ
2
A^{-1}_{asy}: \frac14y^2-\frac18-\sigma^2
Aasy−1:41y2−81−σ2
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.