[发明专利]噪声等化方法与噪声去除方法

说明书

本案提供了一种噪声等化方法与噪声去除方法。噪声等化方法通过一平滑曲线来仿真不同信号强度下的噪声强度，接着再通过一等化曲线来实现不同信号强度下的噪声等化，使得不同信号强度下的噪声强度相同或接近，意即将与信号强度相关的噪声(Signal‑Dependent Noise,SDN)转换成与信号噪声不相关的噪声(Signal‑Independent Noise,SIN)，进而从受噪声影响的像素更精准地估测出真实信号的SDN特性。此外，利用上述等化曲线来执行噪声去除方法可以简化计算复杂度并计算出较佳的噪声参数，由此提升一输入影像中每一输入像素值的噪声去除效果，进而产生较低噪声的输出影像。

技术领域

本案提供一种噪声等化方法与噪声去除方法，且特别是关于一种噪声等化方法以及根据噪声等化后的像素值进行噪声去除的方法。

背景技术

电子装置(如智能手机、照相机、摄影机等)在获取影像的过程中会产生复杂的噪声。这种噪声并不是简单的加性高斯白噪声(Additive Gaussian White Noise,AWGN)，而是一种与信号相关的噪声(Signal-Dependent Noise,SDN)，即其噪声大小与信号强度有关。因此，不同的像素值会存在有不同强度的噪声。

举例来说，图1示出输入影像的多个区域标准差的示意图。输入影像Fr0具有多个影像区块EN1与EN2。影像区块EN1与EN2皆具有多个像素值，且影像区块EN1的整体像素值低于影像区块EN2的整体像素值。如图1所示，由于输入影像会有SDN的现象发生，电子装置将计算出影像区块EN1中的这些像素值的区域标准差Std为1.15，且计算出影像区块EN2中的这些像素值的区域标准差Std为2.95，意即同一张输入影像会存在有不同强度的噪声。

常见的噪声估测(Noise Estimation)都是针对高斯白噪声来设计且大致上可分成两种。一种为即时(Real-time)噪声估测，另一种为离线(Offline)噪声估测。

即时噪声估测为根据经过高通滤波器(High-Pass Filter)转换后的影像来进行噪声估测。然而，转换后的影像只有在变异数较小的区域(即影像中的平滑区)才比较能表现出噪声的特性，且即时噪声估测是针对高斯白噪声设计，又高通滤波器的影像参考范围也会影响噪声估测的准确度，故习知的即时噪声估测并无法估测出贴近真实信号的SDN特性。

离线噪声估测则是预先建立SDN模组，以统计噪声在不同像素值下的分布特性。接着具有噪声的输入影像再根据SDN模组来产生一去噪声的输出影像。然而，习知SDN模组为利用线性方式来描述真实SDN的分布特性，但真实SDN在不同像素值下的分布特性为非线性关系，此外，SDN模组用以模拟在不同真实信号强度(Noise-Free Signal)下噪声大小的分布特性，但实际使用SDN模组时，仅能根据受噪声影响的像素值(Noisy Signal)使用SDN模组来做查询，并无法取得该像素的真实信号(Noise-Free Signal)。故习知的离线噪声估测同样也无法从受噪声影响的像素精准地估测出真实信号的SDN特性。

若电子装置无法估测出真实信号的SDN特性，其将无法估测出较佳的噪声参数(如标准差与变异数等参数)，进而影响输入影像的噪声去除(Denoise)效果。因此，若电子装置可以估测出贴近真实SDN的特性，将可以提升噪声去除效果，进而提升输入影像品质。

发明内容