[论文解读] Gradient Distribution Priors for Biomedical Image Processing

Yuanhao Gong, Ivo F. Sbalzarini|arXiv (Cornell University)|Aug 13, 2014

Image and Signal Denoising Methods参考文献 33被引用 4

一句话总结

本文提出使用从自然场景图像中学习到的梯度分布先验（GDPs）作为生物医学图像处理的稳定、数据驱动的先验。通过建模图像梯度的统计分布——该分布已被验证在多种生物样本和成像模式下具有鲁棒性——该方法在去噪、去模糊和超分辨率等任务中仅使用单一、一致的先验即可实现优越性能，优于传统方法（如总变差）的同时减少伪影和偏差。

ABSTRACT

Ill-posed inverse problems are commonplace in biomedical image processing. Their solution typically requires imposing prior knowledge about the latent ground truth. While this regularizes the problem to an extent where it can be solved, it also biases the result toward the expected. With inappropriate priors harming more than they use, it remains unclear what prior to use for a given practical problem. Priors are hence mostly chosen in an {\em ad hoc} or empirical fashion. We argue here that the gradient distribution of natural-scene images may provide a versatile and well-founded prior for biomedical images. We provide motivation for this choice from different points of view, and we fully validate the resulting prior for use on biomedical images by showing its stability and correlation with image quality. We then provide a set of simple parametric models for the resulting prior, leading to straightforward (quasi-)convex optimization problems for which we provide efficient solver algorithms. We illustrate the use of the present models and solvers in a variety of common image-processing tasks, including contrast enhancement, noise level estimation, denoising, blind deconvolution, zooming/up-sampling, and dehazing. In all cases we show that the present method leads to results that are comparable to or better than the state of the art; always using the same, simple prior. We conclude by discussing the limitations and possible interpretations of the prior.

研究动机与目标

• 解决生物医学图像处理中缺乏原则性、通用性先验的问题，避免对特定图像结构产生过度偏差。
• 验证从自然场景中学习到的梯度分布先验（GDPs）在生物医学图像中具有稳定性，并与图像质量相关。
• 开发简单、参数化的GDP模型，以实现高效（准）凸优化，便于在多种图像处理任务中实际应用。
• 证明基于GDP的方法在关键生物医学图像恢复任务中优于现有先验（如总变差）的性能。
• 提供跨多个平台的开源实现，以促进生物医学成像社区的广泛应用。

提出的方法

• 利用从自然场景图像中提取的梯度分布先验（GDPs）作为非参数化、数据驱动的生物医学图像先验。
• 通过基于KL散度的自然度图，验证GDP在多种生物结构（如线粒体、突触）和成像模式（如荧光显微镜、电子显微镜）下的稳定性。
• 引入基于学习分布（如广义伽马分布）的参数化GDP模型，以在变分图像恢复框架中实现高效、凸优化。
• 在统一的变分框架中应用GDP先验，处理去噪、去模糊、超分辨率、去雾和噪声水平估计等任务。
• 采用滑动窗口分析，量化GDP有效性失效的空间尺度，定义可靠应用的最小图像块尺寸。
• 开发高效的求解器以解决由此产生的（准）凸优化问题，实现实时或近实时处理。

实验结果

研究问题

• RQ1 能否在多种生物结构和成像模式下，有效且稳定地将从自然场景中学习到的梯度分布先验（GDPs）应用于生物医学图像？
• RQ2 GDP先验与主观和客观图像质量的相关性如何？与传统先验相比，它是否能提升图像恢复效果？
• RQ3 GDP在多小的空间尺度（图像块尺寸）下仍有效？这如何影响其在局部图像处理中的应用？
• RQ4 单一、通用的GDP先验是否能在多种生物医学图像处理任务中超越特定任务或临时设计的先验（如总变差）？
• RQ5 在不依赖真实图像内容先验知识的情况下，GDP先验在图像恢复中在多大程度上减少了伪影和偏差？

主要发现

• 即使在来自线粒体、突触等不同结构的生物医学图像中，其梯度分布也与从自然场景中学到的GDP高度匹配，表明其在生物内容上具有极强的稳定性。
• GDP先验在多种成像模式下具有鲁棒性，包括荧光显微镜和电子显微镜，不同组织和亚细胞结构之间的梯度统计特性变化极小。
• 自然度图（基于KL散度）显示，随着窗口尺寸减小，GDP的有效性逐渐下降，当图像块尺寸低于约16–32像素时，KL散度明显增加。
• 在所有测试任务中——包括去噪、去模糊、超分辨率、去雾和噪声估计——基于GDP的方法性能优于或等同于当前最先进方法，包括总变差和其他谱先验。
• 所提出的参数化GDP模型实现了高效、凸优化，支持在MATLAB、C++（OpenCV）和Java（ImageJ/Fiji）中开源实现，实现近实时处理。
• 该方法减少了总变差方法中常见的阶梯效应和过度平滑伪影，同时有效去除噪声和模糊，同时保留精细结构。