陈纯玉

摘 要：提出了一种新的图像去噪方法。该方法适用于电子显微镜图像拍摄的生物大分子的投影图像。通过分析显微镜图像的特点，在ICA算法的基础上，使用改进的FastICA对图像中的噪声实现盲源分离，达到对图像去噪的目的。实验结果表明，利用该方法能分离出组成图像的各个基图像，然后重组基图像，得到去噪以后的图像。分析实验结果发现，与BayesShrink、OWT_SURELER、SURE、BL-GSM方法相比，采用该方法获得的PSNR值分别提高了0.76%，2.33%，1.25%和2.21%，SSIM值分别提高了0.02，0.05，0.03和0.04.因此，该方法能有效提高显微镜图像的质量。

关键词：图像去噪；电子显微镜图像；基图像；FastICA

中图分类号：TP391.41 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.14.011

随着网络的覆盖和多媒体技术的发展，图像成为传递信息的重要媒介。然而，在图像的采集、传输、处理中，不可避免地会引入噪声。作为计算机视觉领域的经典问题，图像去噪是图像处理中最基本的任务，其本质就是去除干扰图像有效信息的噪声。我们对图像进行去噪处理的目的是在降低噪声的同时，尽可能多地保留图像的边缘轮廓等细节特征，提升图像的视觉效果。

本文的研究对象是电子显微镜拍摄的病毒的图像，成像条件复杂，具有信噪比低、对比度低、背景强度不均衡、颗粒内部纹理不规则等特点。这就对去噪方法提出了更高的要求。

针对显微镜图像的特点，本文提出了一种基于FastICA的去噪方法。实验对比发现，与最新的去噪算法相比，本文提出的方法能更有效地提高图像质量。

1 背景知识

为了有效去除图像中掺杂的噪声，图像研究领域的专家们提出了不少经典的去噪模型，其中主要包括基于概率统计、偏微分方程和多分辨率分析。常用的去噪算法主要有时间域的平滑滤波和中值滤波，频域的高通、低通滤波，小波变换域的小波去噪。小波变化由于具有良好的时频变化和局部特征，又具有多尺度分辨率的特点，近年来逐渐成为图像去噪领域的研究热点。

2 去噪方法研究

ICA（Independent component analysis，“独立成分分析”）是一种最常用的盲源分离算法，FastICA（固定点算法）是ICA算法的一个分支，其收敛速度很快，常用于信号处理过程中。我们可以将图像看成是一个二维的信号，通过FastICA算法，从而分离图像，减弱，乃至消除图像中夹杂的噪声，提高图像质量。图1所示为FastICA的处理流程。

如图1 所示，假设源信号用s（t）表示，经过混合系统A

后，得到信号z（t）。在混合系统中，可以混合多个信号，也可以加入噪声，因此有：

考虑到图像本身的属性，我们首先需要对输入的图像数据进行白化处理，降低相邻像素间的相关性，加快后续pca提取的收敛速度。FastICA的具体算法如表1所示。

3 实验和分析

3.1 评价指标

从图像的客观评价指标和图像的视觉效果评价去噪方法的优劣。通常用PSNR、MSE、SNR、SSIM（structural similarity index measurement system）、算法执行时间等指标来衡量算法的优劣。

3.2 显微镜图像去噪

显微镜图像常用的文件格式是.mrc，但是MATLAB平台本身并不支持对MRC格式图像的读取。本文在分析MRC图像文件头和数据类型的基础上，用MATLAB软件成功读取.mrc文件。图2是用MATLAB读取的二十面体病毒在不同分辨率下的冷冻电子显微镜图像。选择图2的两幅图像作为FastICA的输入图像，加入均值为0、标准差为20的高斯噪声，一起构成输入x（t）。对x（t）进行盲源分离，得到各个独立分量和噪声，输出结果如图3所示。

经FastICA程序处理以后，得到4个基图像。我们对基图像进行逆变换重构，得到对原始图像的估计结果，从而达到去噪效果。图4为对图2所示的原始图像使用FastICA去噪以后的效果。

对使用不同去噪算法后的效果图进行观察、比较发现，本文提出的方法在去除图像噪声的同时，有效地保留了图像的边缘和纹理信息，MRC图像中的目标与背景对比分明，视觉效果更好。

3.3 实验分析与总结

在本文中，我们首先采用BLS-GSM、SURE、BayesShrink等方法对MRC图像进行去噪，然后使用本文提出的方法对同一图像去噪，并比较几种去噪方法的效果，结果如表2所示。

从表2可以看出，在对同一幅显微镜图像去噪后，BayesShrink和OWT_SURELER所花费的时间相对较少，但是去噪效果差。与BayesShrink、OWT_SURELER、SURE、BL-GSM等方法相比，本文提出的方法的PSNR值分别提高了0.76%，2.33%，1.25%和2.21%，SSIM值分别提高了0.02，0.05，0.03和0.04.

4 总结

本文介绍了一种基于FastICA的图像去噪方法。该方法能有效消除显微镜图像中夹杂的噪声。考虑到小波系数各层间、层内的统计相关性，首先需要白化输入图像矩阵，减少相关性。实验发现，使用本文提出的方法对冷冻电子显微镜镜所拍摄的MRC图像去噪，无论在图像的视觉效果上，还是在PSNR、SSIM等客观指标上，都取得了明显的效果。

参考文献

[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]刘克，田学民，蔡连芳，等.基于极大似然偏差去除的FastICA算法[J].计算机仿真，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）.

〔编辑：刘晓芳〕