陳純玉

摘 要：提出了一種新的圖像去噪方法。該方法適用于電子顯微鏡圖像拍攝的生物大分子的投影圖像。通過分析顯微鏡圖像的特點，在ICA算法的基礎(chǔ)上，使用改進的FastICA對圖像中的噪聲實現(xiàn)盲源分離，達到對圖像去噪的目的。實驗結(jié)果表明，利用該方法能分離出組成圖像的各個基圖像，然后重組基圖像，得到去噪以后的圖像。分析實驗結(jié)果發(fā)現(xiàn)，與BayesShrink、OWT_SURELER、SURE、BL-GSM方法相比，采用該方法獲得的PSNR值分別提高了0.76%，2.33%，1.25%和2.21%，SSIM值分別提高了0.02，0.05，0.03和0.04.因此，該方法能有效提高顯微鏡圖像的質(zhì)量。

關(guān)鍵詞：圖像去噪；電子顯微鏡圖像；基圖像；FastICA

中圖分類號：TP391.41 文獻標(biāo)識碼：A DOI：10.15913/j.cnki.kjycx.2016.14.011

隨著網(wǎng)絡(luò)的覆蓋和多媒體技術(shù)的發(fā)展，圖像成為傳遞信息的重要媒介。然而，在圖像的采集、傳輸、處理中，不可避免地會引入噪聲。作為計算機視覺領(lǐng)域的經(jīng)典問題，圖像去噪是圖像處理中最基本的任務(wù)，其本質(zhì)就是去除干擾圖像有效信息的噪聲。我們對圖像進行去噪處理的目的是在降低噪聲的同時，盡可能多地保留圖像的邊緣輪廓等細節(jié)特征，提升圖像的視覺效果。

本文的研究對象是電子顯微鏡拍攝的病毒的圖像，成像條件復(fù)雜，具有信噪比低、對比度低、背景強度不均衡、顆粒內(nèi)部紋理不規(guī)則等特點。這就對去噪方法提出了更高的要求。

針對顯微鏡圖像的特點，本文提出了一種基于FastICA的去噪方法。實驗對比發(fā)現(xiàn)，與最新的去噪算法相比，本文提出的方法能更有效地提高圖像質(zhì)量。

1 背景知識

為了有效去除圖像中摻雜的噪聲，圖像研究領(lǐng)域的專家們提出了不少經(jīng)典的去噪模型，其中主要包括基于概率統(tǒng)計、偏微分方程和多分辨率分析。常用的去噪算法主要有時間域的平滑濾波和中值濾波，頻域的高通、低通濾波，小波變換域的小波去噪。小波變化由于具有良好的時頻變化和局部特征，又具有多尺度分辨率的特點，近年來逐漸成為圖像去噪領(lǐng)域的研究熱點。

2 去噪方法研究

ICA（Independent component analysis，“獨立成分分析”）是一種最常用的盲源分離算法，F(xiàn)astICA（固定點算法）是ICA算法的一個分支，其收斂速度很快，常用于信號處理過程中。我們可以將圖像看成是一個二維的信號，通過FastICA算法，從而分離圖像，減弱，乃至消除圖像中夾雜的噪聲，提高圖像質(zhì)量。圖1所示為FastICA的處理流程。

如圖1 所示，假設(shè)源信號用s（t）表示，經(jīng)過混合系統(tǒng)A

后，得到信號z（t）。在混合系統(tǒng)中，可以混合多個信號，也可以加入噪聲，因此有：

考慮到圖像本身的屬性，我們首先需要對輸入的圖像數(shù)據(jù)進行白化處理，降低相鄰像素間的相關(guān)性，加快后續(xù)pca提取的收斂速度。FastICA的具體算法如表1所示。

3 實驗和分析

3.1 評價指標(biāo)

從圖像的客觀評價指標(biāo)和圖像的視覺效果評價去噪方法的優(yōu)劣。通常用PSNR、MSE、SNR、SSIM（structural similarity index measurement system）、算法執(zhí)行時間等指標(biāo)來衡量算法的優(yōu)劣。

3.2 顯微鏡圖像去噪

顯微鏡圖像常用的文件格式是.mrc，但是MATLAB平臺本身并不支持對MRC格式圖像的讀取。本文在分析MRC圖像文件頭和數(shù)據(jù)類型的基礎(chǔ)上，用MATLAB軟件成功讀取.mrc文件。圖2是用MATLAB讀取的二十面體病毒在不同分辨率下的冷凍電子顯微鏡圖像。選擇圖2的兩幅圖像作為FastICA的輸入圖像，加入均值為0、標(biāo)準(zhǔn)差為20的高斯噪聲，一起構(gòu)成輸入x（t）。對x（t）進行盲源分離，得到各個獨立分量和噪聲，輸出結(jié)果如圖3所示。

經(jīng)FastICA程序處理以后，得到4個基圖像。我們對基圖像進行逆變換重構(gòu)，得到對原始圖像的估計結(jié)果，從而達到去噪效果。圖4為對圖2所示的原始圖像使用FastICA去噪以后的效果。

對使用不同去噪算法后的效果圖進行觀察、比較發(fā)現(xiàn)，本文提出的方法在去除圖像噪聲的同時，有效地保留了圖像的邊緣和紋理信息，MRC圖像中的目標(biāo)與背景對比分明，視覺效果更好。

3.3 實驗分析與總結(jié)

在本文中，我們首先采用BLS-GSM、SURE、BayesShrink等方法對MRC圖像進行去噪，然后使用本文提出的方法對同一圖像去噪，并比較幾種去噪方法的效果，結(jié)果如表2所示。

從表2可以看出，在對同一幅顯微鏡圖像去噪后，BayesShrink和OWT_SURELER所花費的時間相對較少，但是去噪效果差。與BayesShrink、OWT_SURELER、SURE、BL-GSM等方法相比，本文提出的方法的PSNR值分別提高了0.76%，2.33%，1.25%和2.21%，SSIM值分別提高了0.02，0.05，0.03和0.04.

4 總結(jié)

本文介紹了一種基于FastICA的圖像去噪方法。該方法能有效消除顯微鏡圖像中夾雜的噪聲?？紤]到小波系數(shù)各層間、層內(nèi)的統(tǒng)計相關(guān)性，首先需要白化輸入圖像矩陣，減少相關(guān)性。實驗發(fā)現(xiàn)，使用本文提出的方法對冷凍電子顯微鏡鏡所拍攝的MRC圖像去噪，無論在圖像的視覺效果上，還是在PSNR、SSIM等客觀指標(biāo)上，都取得了明顯的效果。

參考文獻

[1]Grigorieff N.Harrison SC（2011）near-atomic resolution reconstructions of icosahedral viruses from electron cryo-microscopy.Curr Opin Struct Biol，2011（21）.

[2]Guo F，Jiang W.Single particle cryo-electron microscopy and 3-D reconstruction of viruses.Methods in Molecular Biology，2014（11）.

[3]劉克，田學(xué)民，蔡連芳，等.基于極大似然偏差去除的FastICA算法[J].計算機仿真，2013，30（12）.

[4]D.L.，Donoho I.M.，Johnstone.Ideal spatial adaptation via wavelet shrinkage.Biometrika，1994，81（12）.

[5]Donoho D L，Johnstone I M.Adapting to unknown smoothness via wavelet shrinkage.Journal of the american statistical association，1995，90（432）.

[6]A.Piˇzurica，W.Philips.Estimating the probability of the presence of a signal of interest in multiresolution single-and multiband image denoising.IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2006，15（3）.

[7]Luo E，Chan S H，Nguyen T Q.Adaptive Image Denoising by Mixture Adaptation.ArXiv preprint arXiv：1601.04770， 2016.

[8]Zhou W，Alan Conrad B，Hamid Rahim S，et al.Image quality assessment：from error visibility to structural similarity.IEEE Transactions on Image Processing，2004，13（4）.

[9]Li L，Kasabov N，Yang J，et al.Poisson Image Denoising Based on BLS-GSM Method.Neural Information Processing. Springer International Publishing，2015.

[10]Luisier F，Blu T，Unser M.A new SURE approach to image denoising：Interscale orthonormal wavelet thresholding. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society，2007，16（3）.

[11]S. G.Chang，B.Yu，M.Vetterli.Adaptive wavelet thresholding for image denoising and compression.IEEE Transactions on Image Processing，2000，9（9）.

〔編輯：劉曉芳〕