用于信号处理系统中分析噪声的方法和装置

摘要

在此描述了一种用于在信号处理系统中分析噪声的快速精确与多信道频率相关的方案。每一个信道内的噪声被分解到频带中并且子频带噪声被传播。为了避免卷积的计算复杂度，传统的方法要么假定在信号处理流水线的任何一点处噪声是白色的，要么它们忽略空间运算。通过假定噪声在每一个频带内是白色的，可以以快速精确的方式通过空间变换传播任何类型的噪声(白色的、有色的、高斯的、非高斯的和其它的)。为了说明本技术的效果，通过图像处理流水线中的各种空间运算考虑噪声传播。并且，该计算复杂度是通过信号处理系统传播图像的计算成本中很小的一部分。

权利要求

1.一种分析信号中的噪声的方法，包括：a.将所述噪声分离到多个子频带中；

b.为所述多个子频带中的每一个子频带确定噪声平均值；

c.将每一个子频带的噪声假定为白噪声；

d.获得精确反映了变换的频域行为的子频带变换矩阵，并预测空间变换后的噪声；以及e.传播所述空间变换后的噪声。

2.如权利要求1所述的方法，还包括接收包含所述噪声的信号。

3.如权利要求1所述的方法，其中，所述多个子频带是针对多信道系统中的每一个信道的。

4.如权利要求1所述的方法，其中，传播所述噪声实时地发生。

5.如权利要求1所述的方法，其中，传播所述噪声离线地发生。

6.如权利要求1所述的方法，其中，所述方法应用于从以下组中选出的应用：数字图像处理、声音处理、地震波数据分析、医学成像。

7.如权利要求1所述的方法，其中，每个子频带具有相等的宽度。

8.如权利要求1所述的方法，其中，所述多个子频带在2到4的闭区间中。

9.如权利要求1所述的方法，其中，所述噪声是从以下组中选出的：白噪声、有色噪声、高斯噪声、非高斯噪声。

10.一种分析噪声的方法，包括：

a.接收包含所述噪声的信号；

b.将每一个信道中的噪声分解到多个子频带中；

c.为所述多个子频带中的每一个子频带确定噪声平均值；

d.将每一个子频带的噪声假定为白噪声；以及e.获得精确反映了变换的频域行为的子频带变换矩阵，并预测空间变换后的噪声；以及f.传播所述空间变换后的噪声。

11.如权利要求10所述的方法，其中，所述多个子频带是针对多信道系统中的每一个信道的。

12.如权利要求10所述的方法，其中，传播所述噪声实时地发生。

13.如权利要求10所述的方法，其中，传播所述噪声离线地发生。

14.如权利要求10所述的方法，其中，所述方法应用于从以下组中选出的应用：数字图像处理、声音处理、地震波数据分析、医学成像。

15.如权利要求10所述的方法，其中，每个子频带具有相等的宽度。

16.如权利要求10所述的方法，其中，所述多个子频带在2到4的闭区间中。

17.如权利要求10所述的方法，其中，所述噪声是从以下组中选出的：白噪声、有色噪声、高斯噪声、非高斯噪声。

18.一种分析信号中的噪声的设备，包括：a.用于将所述噪声分离到多个子频带中的装置；以及b.用于为所述多个子频带中的每一个子频带确定噪声平均值的装置；

c.用于将每一个子频带的噪声假定为白噪声的装置；

d.用于获得精确反映了变换的频域行为的子频带变换矩阵并预测空间变换后的噪声的装置；以及e.用于传播所述空间变换后的噪声的装置。

19.如权利要求18所述的设备，还包括用于接收包含所述噪声的信号的设备。

20.如权利要求18所述的设备，其中，所述设备应用于以下组中选出的应用：数字图像处理、声音处理、地震波数据分析、医学成像。

21.如权利要求18所述的设备，其中，所述多个子频带是针对多信号系统中的每一个信道的。

22.如权利要求18所述的设备，其中，所述噪声是从以下组中选出的：白噪声、有色噪声、高斯噪声、非高斯噪声。

23.如权利要求18所述的设备，其中，传播所述噪声实时地发生。

24.如权利要求18所述的设备，其中，传播所述噪声离线地发生。

25.如权利要求18所述的设备，其中，每个子频带具有相等的宽度。

26.如权利要求18所述的设备，其中，所述多个子频带在2到4的闭区间中。

说明书

用于信号处理系统中分析噪声的方法和装置

技术领域

[0001] 本发明涉及信号处理领域。更具体而言，本发明涉及在信号处理系统中分析噪声。

背景技术

[0002] 对一系列运算之后的多元噪声(multivariate noise)的分析、传播和预测是在许多应用中出现的基本问题，所述应用例如是：音频信号处理、图像去噪、数字成像系统设计、地震波数据分析以及医学成像。组成这些运算的信号处理步骤可以分成三类：线性的、非线性的和空间的。现有方法可以处理线性和非线性变换。然而，它们要么忽略空间信号处理步骤，导致不精确的噪声传播，要么采用计算上非常昂贵的卷积。因此，它们使得方案对于诸如多参数优化、音频中的噪声消除以及在实时去噪中预测子频带噪声之类的应用是不可实用的。

[0003] 如果认为空间变换的输入处的噪声是白声的，则可以简单地将滤波后的噪声方差计算为输入噪声能量与滤波器能量的乘积。不幸的是，该假设对于大多数系统是无效的。尽管噪声可以在开始时为白色，但是其特性将随着它通过信号处理流水线而改变。因此，需要能够处理白色噪声传播和有色噪声传播两者的机制。

发明内容

[0004] 在此描述了一种用于分析信号处理系统中的噪声的快速精确的与多信道频率相关的方案。每一个信道内的噪声被分解到频带中并且子频带噪声被传播。为了避免卷积的计算复杂度，传统的方法要么假定在信号处理流水线的任何一点处噪声是白色的，要么它们就忽略空间运算。通过假定噪声在每一个频带内是白色的，可以以快速精确的方式通过空间变换传播任何类型的噪声(白色的、有色的、高斯的、非高斯的和其它的)。为了说明本技术的效力，通过图像处理流水线中的各种空间运算考虑噪声传播。并且，该计算复杂度是通过信号处理系统传播图像的计算成本中很小的一部分。

[0005] 在一个方面中，一种分析信号中的噪声的方法，包括：将噪声分离到多个子频带中；为多个子频带中的每一个子频带确定噪声平均值；以及传播噪声。的方法还包括接收包含噪声的信号。多个子频带是针对多信道系统中的每一个信道的。传播噪声实时发生。可替代地，传播噪声离线发生。方法应用于从包括数字图像处理、声音处理、地震波数据分析和医学成像的一组应用中选出的应用。优选地，子频带中的每一个子频带具有相等的宽度。子频带的数目取决于所期望的精确度。对于图像去噪，优选多个子频带在2和4之间(含2和4)。然而，可以是任何数目的子频带。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。

[0006] 在另一方面中，一种分析噪声的方法，包括：接收包含噪声的信号；将每一个信道中的噪声分解到多个子频带中；为多个子频带中的每一个子频带确定噪声平均值；以及传播噪声。多个子频带是针对多信道系统中的每一个信道的。传播噪声实时发生。可替代地，传播噪声离线发生。方法应用于从包括数字图像处理、声音处理、地震波数据分析和医学成像的一组应用中选出的应用。优选地，子频带中的每一个子频带具有相等的宽度。优选多个子频带在2和4之间(含2和4)。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。

[0007] 在另一方面中，一种预测空间运算后的噪声的方法，包括：将噪声分离到多个子频带中；预测子频带噪声，其中，子频带噪声是空间运算之前的子频带噪声、空间运算的子频带能量和多个子频带的数目的乘积。噪声是被实时预测的。子频带的每一个子频带具有相等的宽度。优选多个子频带在2和4之间(含2和4)。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。

[0008] 在另一方面中，一种从多信道系统获得多信道/多频带协方差矩阵的方法，包括：每信道利用滤波器将噪声分离到多个子频带中；产生子矩阵的N×N矩阵，其中，子矩阵中的每一个子矩阵是M×M。N是子频带数并且M是信道数。滤波器是从包括理想的和近似理想的带通滤波器的一组滤波器中选出的。优选子频带中的每一个子频带具有相等的宽度。
优选多个子频带在2和4之间(含2和4)。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。

[0009] 在另一方面中，一种用于在多个子频带中传播噪声的系统，包括：用于将噪声分离到多个子频带中的分离组件；以及用于在多个子频带中接收和传播噪声的一个或多个处理组件。分离组件是滤波器。滤波器是从包括理想的和近似理想的带通滤波器的一组滤波器中选出的。可替代地，分离组件是查找表。多个子频带是一信道一个的。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。可以在系统中合并了人类视觉系统(HVS)模型和人类听觉系统(HAS)模型中的至少一个。

[0010] 在另一方面中，一种信号处理系统，包括：用于接收包含噪声的信号的接收机；用于将每一个信道中的噪声分解到多个子频带中的滤波组件；用于为多个子频带中的每一个子频带确定阈值并且过滤阈值以下的噪声的处理组件。滤波组件是从包括理想的和近似理想的带通滤波器的一组滤波器中选出的。多个子频带是一信道一个的。噪声可以是白噪声、有色噪声、高斯噪声和非高斯噪声中的任何类型。可以在系统中合并了人类视觉系统(HVS)模型和人类听觉系统(HAS)模型中的至少一个。

附图说明

[0011] 图1示出从多信道系统获得多信道/多频带协方差矩阵的处理的框图。

[0012] 图2示出应用于多信道/多频带方案的线性变换的框图。

[0013] 图3示出分离到两个频带中的噪声和滤波器的图形表示。

[0014] 图4A和图4B示出噪声传播方法的框图。

[0015] 图5示出关于有色噪声传播精确度而改变子频带数和FIR低通滤波器截止频率的图形表示。

[0016] 图6示出去马赛克的频域效果的框图。

[0017] 图7示出锐化或边缘增强的频域效果的框图。

[0018] 图8示出示例性相机图像流水线。

[0019] 图9示出扩展的B&B方法和B&B方法的比较的图形表示。

[0020] 图10示出用于在感知统一的色彩空间(L*a*b色彩空间)中进行分析的示例性相机图像流水线。

[0021] 图11示出确定噪声的处理的流程图。

具体实施方式

[0022] 在此描述了用于通过各种运算(线性的、非线性的和空间的)来传播有色噪声和白色噪声两者的噪声分析体系架构。输入噪声被分解到子频带中，并且子频带噪声通过信号处理流水线被传播。利用此，可以精确预测线性或非线性(经由雅可比被线性化的)变换后的子频带噪声。为了预测空间运算之后的噪声，空间运算的能量被先验地分解到子频带中。通过将噪声考虑为关于频带的白色并且通过使用理想的(或接近理想的)带通滤波，空间运算或变换之后的子频带噪声只是该运算之前的子频带噪声能量、空间变换的子频带能量和子频带数的乘积。

[0023] 通过将每一个信道中的噪声分解到子频带中并且通过假定子频带噪声在每一个频带内是白色的，噪声可以通过所有的信号处理运算(线性的、非线性的和空间的)被精确传播。

[0024] 通过传播子频带噪声，在成像和音频系统的设计中，可以合并人类视觉系统(Human Visual System，HVS)模型和人类听觉系统(HumanAuditory System，HAS)模型。

[0025] 在此所述的方法计算上非常有效并且不需要许多计算。因此，可以用在多参数优化和实时应用中。在此所述的方法也可以用在离线应用中。

[0026] 以下是描述噪声分析系统和方法的不同组件的部分。“带通滤波”部分描述将输入噪声和信号处理步骤分离(split)到子频带中的处理。在“通过线性变换的噪声传播”部分中描述了通过线性运算传播多信道/多频带噪声的处理。在“分离滤波器概念”部分中，示出了分离滤波器概念，并且示出通过理想(或接近理想)的带通滤波，可以以快速方式预测空间运算后的子频带噪声。在“通过空间变换的噪声传播”部分中，假定噪声是关于频带的白色的分离滤波器概念允许有效预测在诸如去马赛克、FIR滤波和边缘增强之类的空间运算之后的噪声。其它部分还包括在此所述的噪声分析系统和方法的计算复杂度和可能的应用。

[0027] 带通滤波器

[0028] 在执行噪声传播计算之前，需要将输入噪声和信号处理步骤两者分离到子频带中。多信道输入噪声协方差矩阵∑必须分离成多频带/多信道协方差矩阵。例如，对于RGB(3信道)图像处理系统，可以将全频带、多信道、噪声协方差矩阵写作：

[0029]

[0030] 为了易于标记，在将噪声分离到子频带中后获得的多频带/多信道协方差矩阵写成对称块协方差矩阵：

[0031]

[0032] 其中，∑ij＝∑ji。该子频带协方差矩阵(∑band)包括N×N个子矩阵。每一个子矩阵是M×M的，并且其中N是子频带数，M是信道数。对角子矩阵包含(特定频带内的)带内(intra-band)协方差，而非对角子矩阵包含(频带间的)带间(interband)协方差。在图1中示出对于3信道系统将具有协方差∑的多信道噪声转换成多信道/多频带协方差矩阵∑band的处理。

[0033] 分离滤波器可以是任何类型。然而，如果使用理想的(或接近理想的)带通滤波器，子频带之间的协方差变为0。因此，

[0034]

[0035] 变成块对角，大大简化了噪声传播计算。此外，对于理想(或接近理想)的BPF，可以通过空间运算来传播噪声，所述空间运算例如是有限脉冲响应(FIR)滤波、去马赛克和边缘增强。

[0036] 接着针对线性和空间运算描述多信道/多频带噪声传播。非线性运算可以经由雅可比矩阵被线性化，因此其分析与线性等式的分析相似。

[0037] 通过线性变换的噪声传播

[0038] 在这一子部分中，分析线性运算对多频带/多信道系统的影响。如图2所示，线性矩阵被应用于每一个协方差矩阵。线性变换A之后的块协方差矩阵可以写成：

[0039]

[0040] 这可以简写为：

[0041]

[0042] 其中，

[0043]

[0044] 由于变换A不依赖于频率，所以Aband中的子矩阵不会逐子频带而改变。从∑bandAA A T可以重新构建矩阵∑ ，其中，∑ ＝A∑A 是通过线性变换A对全频带输入协方差∑进行变换获得的全频带协方差矩阵。

[0045] 分离滤波器概念

[0046] 到此，已经示出多信道/多频带噪声传播方案可以准确地预测线性运算之后的噪声。如前所述，非线性运算(例如图像处理流水线中的伽马(gamma))经由雅可比被线性化。因此，其分析与线性运算的分析类似。在此得到用于针对输入子频带噪声能量和滤波器子频带噪声能量而计算空间变换后的输出子频带噪声能量的理论表达式。

[0047] 如图3中所示，噪声和滤波器被分离到两个频带中。第一子频带的输入噪声自相关函数可以写成：

[0048]

[0049] 零滞后处的自相关函数表示能量，也就是该频带下的面积，该能量是子频带方差。因此，第一子频带中的噪声方差是 滤波器子频带能量是并且输出子频带能量是 如果全频带被分离成N个
子频带，则每一个频带的宽度是 因此， 且
只要带通滤波是理想的(或接近理想的，即很长的抽
头滤波器)，则可以将输出子频带噪声能量简单估计为输入子频带噪声能量、空间变换子频带能量与子频带数的乘积。在不缺乏一般性的情况下，它可以写成：

[0050]

[0051] 其中，i＝1，…，N。估计出的全频带噪声是子频带噪声方差的简单加和：

[0052]

[0053] 使用这个结果，可以以非常快速精确的方式预测空间变换之后的噪声。

[0054] 为了估计该方案的效率，考虑准确噪声传播方案和频带式(bandwise)白噪声传播方案两者来通过FIR低通滤波器(单信道空间变换)传播有色噪声。在图4A和图4B中示出准确(卷积)传播技术和频带式白色传播技术，其中，图4A是准确方案，而图4B是频带式白色方法。在图4A中，σxx是输入序列x的方差，h是滤波器，而σyy是滤波后的序列y的方差。在图4B中， 和 分别是输入和滤波器子频带方差。估计出的输出子频带和全频带方差分别是 和 其中i＝1，…，N，并且N是子频带数。利用具有归一化截止频率0.25的低通滤波器通过预先过滤白噪声来产生有色噪声。使用理想的(或接近理想的)带通滤波器，输入噪声方差σxx和FIR滤波器方差σhh都被分解成子频带方差和 其中i＝1，…，N。然后，通过使用等式(6)和(7)，在滤波后估计子频带噪声方差 和全频带噪声方差 为了实现该滤波后的准确噪声方差σyy，具有方差σxx的输入噪声序列x与滤波器h卷积。这给出输出序列y，从输出序列y获得σyy。最终，使用归一化误差作为对噪声传播精确度的测量：

[0055]

[0056] 为了示出该方法的噪声传播精确度，子频带数从1(全频带)到10变化，并且FIR滤波器截止频率从归一化频率0.05到0.95变化，并且估计出对归一化误差 的效果。从图5可见，增大子频带数改善了有色噪声传播精确度。这正是从频带式白色假设中所期望得到的。根据所期望得到的精确度，子频带数范围优选为4至7，对于图像去噪一般为2至4。

[0057] 通过空间变换的噪声传播

[0058] 通过假定噪声是频带式白色并且通过应用上述分离滤波器概念，可以预测空间运算后的噪声。与等式(5)类似，定义了块对角空间变换矩阵：

[0059]

[0060] 其中，Si是用于每一个频带的M×M变换矩阵，i＝1，…，N，M是信道数，并且N是子频带数。一旦存在块对角空间变换矩阵Sband，则可以针对滤波前的子频带噪声方差将空S间运算之后的子频带噪声协方差∑band 表示为：

[0061]

[0062] 如果空间变换没有信道间相关，例如，FIR滤波，则矩阵Si将是对角矩阵。另一方面，如果该运算具有信道之间的空间相关，例如，去马赛克，则矩阵Si将具有非零非对角项。因此，预测任何空间运算后的噪声的关键是获得矩阵Si，Si精确反映了变换的频域行为。

[0063] 以下，针对滤波、去马赛克和边缘增强(或锐化)来获得子频带变换矩阵Si。这些示例仅仅用于说明的目的。同样，可以针对任何空间运算形成矩阵Si。

[0064] FIR滤波

[0065] 由于该运算没有任何信道间的空间相关，所以，矩阵Si是M乘M对角矩阵。

[0066]

[0067] 其中， 是第i个子频带的方差，第i个子频带是从将第j个信道FIR滤波器分离成子频带获得的。如果针对所有信道使用同一FIR滤波器，则

[0068]

[0069] 并且，等式(11)可以被进一步简化成：

[0070]

[0071] 去马赛克

[0072] 单传感器相机中的颜色滤波器阵列(Color Filter Array)通常是拜耳样式(Bayer pattern)形式的。对于RGB相机，成像阵列包括25％红色像素、50％绿色像素和25％蓝色像素。因此，在从CFA获得的子采样(sub-sampled)多信道数据中，绿色信道具有低频成分和高频成分两者，而红色和蓝色信道只有低频信息。为了估计其余像素，研究者已经提出了许多去马赛克算法。尽管这些方法具有明显的差别，但是所有这些方法的固有特征在于：将来自绿色信道的高频信息复制到红色和蓝色信道。在图6中示出去了马赛克的频域效果。

[0073] 使用这些观测结果，等式(10)重写为：

[0074]

[0075]

[0076] 从以上，抓住了用于RGB相机的去马赛克的本质的矩阵Si的表达式是：

[0077]

[0078] 根据该去马赛克算法，高通滤波器的特性可以非常不同，或者需要考虑另外的信道间相关。

[0079] 边缘增强或锐化

[0080] 锐化运算增强图像中的边缘或其它高频成分。例如，在图7中示出从原始图像减去不清晰或平滑版的图像来增强高频内容的过程。自由参数k控制锐化程度。假定噪声是频带式白色，则在锐化后的图像y的第i个子频带中的噪声写作：

[0081]

[0082]

[0083]

[0084] 因此，用于预测锐化运算(如果应用于所有信道)之后的噪声的矩阵Si为：

[0085]

[0086] 图7中的锐化示例采用低通滤波器和相减器的组合来实现高通滤波器。这仅仅是边缘增强/锐化的一个实施例。通过本技术可以容易处理的该运算的其它表现形式也可以利用带通滤波器来提取需要被增强的频率。

[0087] 计算复杂度

[0088] 噪声传播可以以三种方式之一实现：a)简单的多元误差传播，也被称为Burns和Berns(B&B)方法。还方法可以用来分析线性或非线性运算对噪声的影响。然而，B&B方法忽略了空间变换，因此，在包含空间运算的系统中，噪声分析易于出错。b)图像仿真，其中，一组包含噪声的色彩斑块(patch)通过信号处理流水线被传播。该方法是准确的。C)经由在此所述的噪声分析体系架构，也被称为扩展的B&B方法。针对(图8中所示)典型的RGB(M＝3)数字相机图像处理流水线比较扩展的B&B与图像仿真的计算复杂度。

[0089] 图像仿真是指通过图像流水线传播色彩斑块的处理，其信道(在此情况下为RGB)包含具有给定方差的噪声。与之对比，如之前所述，扩展的B&B方法将每一个信道中的噪声方差分离到子频带中，并且通过成像流水线传播多信道/多频带方差。使用等式(7)，可以在成像流水线中的任何点(YCbCr，L*a*b等)从子频带方差估计全频带方差。

[0090] 计算分析表达式得到图像仿真和扩展的B&B方案的浮点运算(flop)数。扩展的B&B方法的计算负荷仅仅是图像仿真的计算成本的非常小的一部分。

[0091] 图像仿真

[0092] 增益和白平衡块表示3×3对角矩阵。它们需要每像素一次相乘来传播图像。假定没有信道间的任何相关的简单的4个相邻的双线性去马赛克运算。这需要每像素3次相加和1次相乘。该矩阵和RGB2YCbCr矩阵是稠密的，需要每像素3次相乘和2次相加。经由不需要浮点计算的查找表执行伽马运算。利用长度P的FIR滤波器的滤波需要每像素P次相乘和P-1次相加。类似地，图7中所示的锐化运算需要每像素P+1次相乘和P+3次相加。

[0093] 为了计算出传播后的图像的噪声方差矩阵的每一个条目，需要每像素1次相加来获得平均值，并且需要每像素2次相加和1次相乘来获得方差。由于该矩阵是对称的，所以只存在M(M+1)/2个唯一的条目。因此，用于计算噪声方差矩阵的每像素浮点运算数是2M(M+1)。为了通过图像中的像素数缩放平均值和方差，对于噪声方差-协方差矩阵中的每一个条目，需要2次(每一个均值和方差1次)相乘。由于这些计算数远小于每像素浮点运算数，所以可以忽略它们。

[0094] 将用于M信道相机系统的所有运算的相加和相乘进行组合产生每像素2
2M(M+1)+16M+2(2P-1)+2P+4＝2M+18M+6P+2浮点运算(存在两个FIR滤波器：每Cb和Cr信道一个)。因此，通过图8所示的简单图像处理流水线来传播K×L图像将需要224KL浮点运算。应当选择K，L使得正被传播的图像包含统计上很大数目的像素。如果K＝L＝
100，则图像仿真的计算开销是2.24百万浮点运算。这对于实际系统是不可行的。

[0095] 扩展的B&B方法

[0096] 图像流水线先验中的所有滤波器(图6中的去马赛克高通滤波器、图7中的锐化低通滤波器和图8中的FIR低通滤波器)的方差被分解到N个子频带中。也知道传感器输出处的N个子频带噪声方差。为了通过对角M×M矩阵传播噪声，每子频带需要2M次相乘。类似地，对于稠密M×M矩阵，对于每一个矩阵元素需要每子频带3次相乘和2次相加。这
2
意味着需要每子频带5M 浮点运算来通过稠密矩阵传播噪声。为了预测去马赛克之后的噪声，采用以上“去马赛克”部分中概述的过程。由于等式(13)中Si的稀疏特性，看起来计算去马赛克之后的噪声涉及每子频带8M浮点运算(4M相乘和4M相加)。为了通过Cb/Cr滤波和Y-信道锐化简化噪声传播，形成组合的子频带变换矩阵。

[0097]

[0098] 其中， 和 是锐化和Cb和Cr滤波中低通滤波器的各个子频带滤波方差并且i＝1，…，N。通过该组合变换的噪声传播需要每子频带6M浮点运算。

[0099] 因此，每子频带通过扩展的B&B方案传播噪声的开销对于两个对角矩阵(增益和白平衡)是4M浮点运算，对于去马赛克是8M，对于两个稠密矩阵(矩阵和RGB到YCbCr矩2
阵)是10M 浮点运算，对于经由雅可比线性化的伽马运算是6M浮点运算，对于组合的锐化
2
和Cb/Cr滤波变换是6M浮点运算。对于N个子频带，这多达(10M+24M)N浮点运算。对于RGB相机(M＝3)，这变成162N浮点运算。对于两个子频带，需要324浮点运算，而对于四个子频带，需要648浮点运算。因此，扩展的B&B方法的计算成本比图像仿真的计算成本的
0.03％的还少，并且对于实时应用当然是可靠的。

[0100] 有这样的应用，其中，在信号处理流水线的起始处就获得子频带方差的先验知识。在这样的情况下，必须包括将噪声方差分离到子频带中的计算成本。将每一个信道的噪声方差分解到N个子频带中需要N+1次快速傅里叶变换(FFT’s)——1次FFT用于将噪声频率带到频域以及N次反-FFT’s用于将分离的频带变换回空间域。如果前向FFT的长度是Q，则之后反-FFT’s的长度是Q/N(分离到N个频带中)。M个信道的计算成本是浮点运算。对于64点FFT，将噪声分离到
频带中的成本是(168N+1160)M。将噪声方差分离进子频带的累积的浮点运算计数，计算成本是4812浮点运算，而对于4个子频带，计算开销是6144浮点运算。很清楚，主要的复杂度在于将噪声分离到子频带中。更有效的分离处理，例如利用查找表，将使得该方案更快。
不论如何，即使是使用频带分离的计算成本，扩展的B&B也少于图像仿真的计算复杂度的
0.2％。

[0101] 应用

[0102] 数字成像系统设计

[0103] 噪声分析、预测和抑制是数字成像系统设计中的重要问题。所捕获的图像被图像传感器中的噪声以及被系统电子所产生的噪声损坏。噪声既有独立于信号的成分又有依赖于信号的成分。在图像被写入输出装置之前，经历了一系列图像处理步骤，所述图像处理步骤例如是色彩变换、白平衡(white balancing)、伽马校正和滤波。这些操作改变了噪声的特性。多元误差传播，也被称为Burns和Berns(B&B)方案，已经被用于分析在噪声通过数字成像流水线传播时线性和非线性变换对噪声的影响。如前所述，这些方案忽略了空间变换，因此，它们的噪声分析是不精确的。相对地，本方案能够处理所有的变换并且非常精确。

[0104] 针对数字成像系统设计比较本方案与B&B方法的长处，有色噪声被产生并且通过了代表典型数字成像流水线的线性、非线性和空间(FIR低通滤波器)运算。为了获得有意义的比较，输出被变换到感知统一的L*a*b色彩空间。在图10中给出了建立的框图。用于评价两种方法(扩展的B&B和B&B)的参考是通过将图像传播经过图10中的所有运算(σLL、σaa和σbb)而获得的噪声。如“计算复杂度”部分所示，传播图像在计算上非常昂贵并且只针对评价目的而完成。在B&B方法中，传播全频带噪声方差并且忽略Cb/Cr FIR低通滤波器。但对于扩展的B&B技术，噪声被分离到子频带中并且子频带噪声方差被传播到L*a*b色彩空间( 和 其中i＝1，…，N)。(等式(7)中的)子频带方差相加，得到估计出的L*a*b色彩空间中的全频带噪声( 和 )。

[0105] 图8示出相机流水线800的框图。图像传感器802发送高斯、白色并且不相关的噪声，并且具有信号电平依赖性(dependence)。该噪声还有丢失的像素(马赛克的，mosaiced)。增益元件804在低亮时产生高增益而在高亮时产生低增益。信号噪声行为相应改变。白平衡元件806根据辉度而改变用于R、G、B的增益。此外，信道依赖性存在于白平衡元件806之后。在使用去马赛克元件808去掉全部RGB平面的马赛克之后，存在依赖频率的信道间相关。具体而言，G-信道高频噪声被复制到B信道和R信道，维持比低频处更高的信道间相关性。在矩阵元件810之后，信道间相关更复杂。在伽马元件812之后，添加了很强的电平依赖性，并且噪声不再是高斯的。RGB到YCbCr矩阵814添加由于彩色信号带限而引起的附加频率依赖性。锐化/滤波元件816增强Y信号高频成分并且C信号被带限。最终的相机输出通常具有有关信道(YCbCr)、有关信号电平和频带式噪声。通过使用该噪声分析和方法，能够迅速精确地预测所产生的噪声。

[0106] 利用图8，针对B&B和扩展的B&B方案计算a*信道中的归一化噪声传播误差为了分析子频带数对噪声传播精确度的影响，在扩展的B&B技术中频带数从1到4变化。

[0107] 从图9中，可见本方案的噪声传播精确度远远优于B&B方法的噪声传播精确度。本方案通过经由理想的(或接近理想的)带通滤波将噪声和滤波器分解到子频带中并且通过假定噪声是频带式白色而有效合并了Cb/Cr低通滤波器。相对地，B&B方法忽略了低通FIR滤波器。对于简单的建立，两个子频带就足够了。

[0108] 语音和音频处理

[0109] 噪声的存在阻碍了语音的可理解性。为了使噪声降低算法起作用，它们需要对音频信号中存在的噪声的精确估计。通常，干扰噪声不是白色的。多频带/多信道方案可以以快速的方式精确预测子频带噪声，确保去噪算法能够实时地起最大作用。

[0110] 地震波数据分析

[0111] 多信道地震数据解析用于对地球内部进行成像并且在地震预测、石油和天然气开采和海洋学中有应用。对这样的数据的分析中的一个重要步骤是噪声去除。噪声可以是一致的、不一致的和脉冲的(impulsive)。这是由诸如鼓风、地滚波、涌浪噪声(swell noise)、多衍射船舶/钻机噪声(multiple diffraction ship/rig noise)、表面/衍射噪声等之类的不同物理过程引起的。多信道数据获取和处理方法被用于从噪声观测中分离图像。信号处理运算包括解卷积、滤波和叠加等。本方案可以用于有效地并且精确地预测各种子频带中的多信道噪声来确保精确的噪声去除。

[0112] 医学成像

[0113] 在医学成像应用中，图像质量很重要。重要的考虑是噪声分析和移除。图像噪声可以具有不同的特性。例如，磁共振成像可以是依赖信号的也可是独立于信号的。一般，噪声是不稳定的或不是白色的。本噪声分析方案可以以快速的方式精确地预测噪声使得噪声可以被去除。

[0114] 图11示出确定噪声的处理的流程图。在步骤1100中，接收或获取包含噪声的信号。信号是在诸如数字相机、摄像机或任何其它计算设备之类的任何设备处被接收或获得的。在步骤1102中，噪声被分离到多个子频带中。在步骤1104，确定频带式噪声平均值。

[0115] 为了利用该噪声分析系统和方法，设备以更精确和有效的方式自动分析噪声。该设备在内部或在外部访问在此所述的信号处理方法。该噪声分析方法可以以硬件、软件或两者的组合来实现，并且当遇到噪声时，对噪声执行任何需要的运算，例如滤波。当该方法以硬件实现时所利用的硬件组件包括：用于接收包含噪声的信号的接收机，用于将噪声分离进子频带中的分离/滤波组件和用于接收并且传播噪声的一个或多个处理组件。在某些实施例中，处理组件可以为多个子频带中的每一个子频带确定阈值并且过滤阈值以下的噪声。

[0116] 操作中，噪声分析系统和方法接收或获得包含噪声的信号。针对每一个信道，噪声被分解到2个或更多子频带中。然后，可以进行对每一个子频带的分析。该噪声分析系统和方法允许任何噪声类型的快速和精确传播，所述噪声类型例如是白色的、有色的、高斯的和非高斯的。

[0117] 已经针对特定实施例描述了本发明，合并了细节以辅助对本发明的结构原理和操作的理解。不希望这里这样的对特定实施例及其细节的提及限制所附权利要求的范围。对于本领域技术人员显而易见的是，在不偏离由所附权利要求限定的本发明的精神和范围的情况下，可以在为说明而选择的实施例中进行其它各种修改。