[論文レビュー] Adaptive Bayesian Denoising for General Gaussian Distributed (GGD) Signals in Wavelet Domain

Masoud Hashemi, Soosan Beheshti|arXiv (Cornell University)|Jul 26, 2012

Image and Signal Denoising Methods参考文献 23被引用数 5

ひとこと要約

本稿では、ウェーブレット領域における一般ガウス分布（GGD）信号のための、新たな適応的ベイズノイズ除去手法R-BayesShrinkを提案する。GGDサブバンドの形状パラメータを考慮した最適なソフトスレッショルドリングルールを導出することで、ヒューリスティックなBayesShrinkスレッショルドを改善し、自然画像および低線量CTスキャンを含む複数の画像データセットにおいて、PSNRおよびSSIMの観点から優れたノイズ除去性能を達成する。

ABSTRACT

Optimum Bayes estimator for General Gaussian Distributed (GGD) data in wavelet is provided. The GGD distribution describes a wide class of signals including natural images. A wavelet thresholding method for image denoising is proposed. Interestingly, we show that the Bayes estimator for this class of signals is well estimated by a thresholding approach. This result analytically confirms the importance of thresholding for noisy GGD signals. We provide the optimum soft thresholding value that mimics the behavior of the Bayes estimator and minimizes the resulting error. The value of the threshold in BayesShrink, which is one of the most used and efficient soft thresholding methods, has been provided heuristically in the literature. Our proposed method, denoted by Rigorous BayesShrink (R-BayesShrink), explains the theory of BayesShrink threshold and proves its optimality for a subclass of GDD signals. R-BayesShrink improves and generalizes the existing BayesShrink for the class of GGD signals. While the BayesShrink threshold is independent from the wavelet coefficient distribution and is just a function of noise and noiseless signal variance, our method adapts to the distribution of wavelet coefficients of each scale. It is shown that BayesShrink is a special case of our method when shape parameter in GGD is one or signal follows Laplace distribution. Our simulation results confirm the optimality of R-BayesShrink in GGD denoising with regards to Peak Signal to Noise Ratio (PSNR) and Structural Similarity (SSIM) index.

研究の動機と目的

• 一般ガウス分布（GGD）信号のウェーブレットベースのノイズ除去のための理論的裏付けのある適応的スレッショルドリング手法の開発。
• ウェーブレットサブバンド全体で形状パラメータに依存しない固定スレッショルドを使用するBayesShrinkの限界を解消すること。
• 各スケールにおけるウェーブレット係数の分布的特性（特に形状パラメータ）に応じてスレッショルドを適応的に調整することで、ノイズ除去性能の向上。
• GGD信号に対するベイズ推定量がソフトスレッショルドリングに類似することを解析的に確認し、本文脈におけるスレッショルドリングの正当化。
• 自然画像および低線量CTスキャンを含む多様な画像データセットを用いた定量的指標（PSNRおよびSSIM）を用いて、既存手法との優位性を検証。

提案手法

• GGD分布に従うウェーブレット係数に対する最適ベイズ推定量を導出し、それがソフトスレッショルドリングに近似的に一致することを示す。
• 各ウェーブレットサブバンドにおけるノイズ分散、ノイズレス信号の分散、およびGGD分布の形状パラメータに依存する新しいスレッショルドリングルール—R-BayesShrink—を提案する。
• 形状パラメータを組み込むことで、BayesShrink手法を一般化し、サブバンド固有の信号特性に適応するスレッショルドを実現する。
• ウェーブレット変換を用いて信号をサブバンドに分解し、各サブバンドにR-BayesShrinkスレッショルドリングを適用した後、逆ウェーブレット変換によりノイズ除去信号を再構成する。
• 理論的最適性を保証する厳密なベイズリスク最小化フレームワークを用いて最適スレッショルドを導出する。
• 合成データおよび実世界のデータ（自然画像および低線量CTスキャン）を用いて手法を検証し、PSNRおよびSSIMを評価指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 GGD分布に従うウェーブレット係数に対する最適ベイズ推定量は、解析的にソフトスレッショルドリング関数によって近似可能か？
• RQ2 スレッショルドリングルールにGGD形状パラメータを組み込むことで、固定スレッショルド手法（例：BayesShrink）と比較してノイズ除去性能がどのように向上するか？
• RQ3 BayesShrinkのヒューリスティックスレッショルドは、GGD信号に対するより一般的な理論的最適スレッショルドリングルールの特殊ケースとして成立するか？
• RQ4 提案手法（R-BayesShrink）は、多様な画像タイプにおいて、PSNRおよび構造的類似性（SSIM）の観点でBayesShrinkを上回る性能を示すか？
• RQ5 R-BayesShrinkは、低SNRまたは低線量イメージング条件下でも、微細な画像ディテールおよびエッジをどれほど効果的に保持できるか？

主な発見

• R-BayesShrinkは、標準テスト画像（例：CTスキャンにおける400 mA時で27.72 dB 対 26.84 dB）において、全テストSNRレベルでBayesShrinkより高いPSNRを達成する。
• SSIMインデックスはR-BayesShrinkで一貫して向上し、CameraMan画像では最大0.02、Mandrill画像では低SNR時で最大0.10の向上を示す。
• 特に低管電流（例：CTスキャンにおける10 mA時で19.64 対 37.31）において、R-BayesShrinkはノイズ標準偏差をより効果的に低減する。
• 視覚的確認および定量的SSIM結果から、エッジおよび低コントラスト構造をよりよく保持していることが判明。
• GGD形状パラメータが1（すなわちラプラス分布）に等しい場合、BayesShrinkはR-BayesShrinkの特殊ケースとして確認された。
• 提案手法は、サブバンド固有のGGDパラメータに応じたスレッショルドの適応を可能にすることで、BayesShrinkを一般化し、一貫した性能向上を実現した。