一种针对高通量基因测序图像的小波去噪方法
【技术领域】
[0001] 本发明属于数字图像降噪领域，具体涉及一种针对高通量基因测序图像的小波去 噪方法。
【背景技术】
[0002] 高通量基因测序图像承载着大量的生物基因信息，清晰的图片要求成为衡量实验 成功的重要环节。在很多情况下，由于获取图片的过程的限制，图片的质量很低。特别是在 高通量基因测序的图片的获取的过程中，光照强度会降低到最低来防止光漂白，因此图片 的信噪比很低。虽然显微镜光照技术提升，但是现在显微镜分辨率仍然很粗糙导致衍射限 制的现象。因此，区别亮点与不相干的背景或者噪声是很困难的。高通量基因测序图像的 噪声分为很多种，包括高斯噪声，散度噪声，椒盐噪声等。目前针对待测序图像的去噪算法 分为两类：空间域的图像去噪算法和频率域的图像去噪算法。空间域的图像去噪算法包括： 高斯平滑滤波器，双边滤波器等；频率域的图像去噪算法包括：基于BiShrink阈值的小波 阈值收缩法，基于NeighShrink阈值的小波阈值收缩法等。
[0003] (1)高斯平滑滤波
[0004] 若对原图I使用高斯核G。进行图像平滑去噪，滤波后的图像J应表示为：
[0006] 其中*代表卷积符号。针对图像中不相干的噪声，这种平滑去噪方式与滤波器 的选取有关，经选择的滤波器可以使得去噪后的图像信噪比最大。这是因为点扩散函数 (Point Spread Function，PSF)修改了每个亮点的像素分布，进而能够通过高斯平滑得到 更好的去噪效果。
[0007] (2)双边滤波器
[0008] Tomasi和Manduchi提出了一种不仅能够有效的去除噪声，而且能够最大限度的 保持边缘信息的双边滤波器。它是一种空间域非线性滤波技术。在经典高斯低通滤波器的 基础上，该滤波器采用局部加权平均的方案。双边滤波器能够保存图像边缘，有效地平滑噪 声，达到去噪的目的。通过双边滤波器，保护碱基的边缘特征并且降低背景噪声。因此，该 算法针对高通量基因测序图像的噪声具有抑制作用。
[0009] Buyue Zhang和Jan P. Allebach在双边滤波器的基础上，提出了自适应的双边滤 波器Adaptive bilateral filter(ABF)模型，该模型为了能够很好的提取边缘特征，并且 保障提取的地方是平滑的，以及提取算法对噪音具有鲁棒性，最终选择使用LOG边缘检测 器对边缘特征进行提取。但是该方法对于参数选择并没有达到自适应，并且算法测试图像 是人脸图像、数字、字符，对于荧光显微镜图像获得图像效果不佳。
[0010] (3)基于NeighShrink阈值的小波阈值去噪算法
[0011] SureShrink 阈值是基于 stein 无偏风险估计（Stein' s Unbiased Risk Estimator，SURE)准则的自适应阈值选择，通过计算均方误差的最小值，进而求出阈值λ， 而估计系数是通过软阈值函数计算得到，且SureShrink阈值更趋近于理想的阈值，在实际 应用中，可以获得比较满意的去噪效果，而且误差较低。
[0012] SureShrink的计算表达式：
[0014] 其中F(y)是估计小波系数，y是计算得到的小波系数，〇是对应噪声的标准差，通 过构造 F(y)并求出公式（2)对应的最小值时的阈值λ。
[0015] Zhou Dengwen等人提出一种基于NeighShrink算法与SureShrink算法结合 的小波阈值去噪算法，根据NeighShrink算法得到含参数的估计小波系数表达式，使用 SureShrink算法遍历得到均方误差最小时，计算出最优的参数值。最后使用最优参数得到 最佳的去噪结果。
[0016] (4)基于BiShrink阈值的小波阈值去噪算法
[0017] Sendur Levent和W. Selesnick Ivan提出了一种基于子代小波系数与父代小波系 数之间相关性的算法，该模型是一种常用的层间模型。首先使用小波分解，并提出基于小波 父代与子代之间的函数关系函数；然后通过Bayes理论提出最大后验概率（MAP)，计算出估 计小波系数；最后小波重构，求出小波去噪结果。
[0018] 该算法提出一种非高斯双变量的概率密度函数（Non-Gaussian bivariate probability density function)来描述小波系数和父代之间的关系：
[0020] 公式⑶中Co1代表当前小波系数，ω 2代表ω啲父系数（ω ^ ω 2空间位置相 同）。观测图像可以表示为公式⑷，其中k代表小波分解层数，CO1代表真实信号，ηι代表 噪声。
[0021] Yk= ωk+nk(k = I. . . N) (4)
[0022] 对公式（4)取对数，估计小波系数为；
[0026] 其中〇n代表噪声的标准差，〇y代表在某个领域内，当前小波系 数％的平方和的均值。符号g+的定乂瓦：
[0028] 该方法实质上是一种小波软阈值收缩法函数。与其他软阈值算法相比，该算法是 考虑当前小波系数以及其父代小波系数之间的关系，是一种层间模型。当父代小波系数y2值越大，则估计小波系数鬲的值会越大。
[0029] 对于空间域图像去噪算法，由于噪声的多样性，高斯滤波器大部分只能去除一种 类型的噪声，而且在消除噪声的同时，图像噪声的边缘会变模糊。而双边滤波器的滤波效果 与窗口大小有关，由于高通量基因测序的碱基图像中每个碱基由几个像素组成，而且碱基 图像的大小不是完全固定的。如果窗口选择过大，去噪速度慢；反之如果窗口选择过小，部 分碱基图像无法实现去噪，去噪效果不明显。
[0030] 对于频率域图像去噪算法，基于NeighShrink阈值的小波阈值去噪算法根据遍历 得到最优的去噪效果，虽然算法的去噪效果较理想，但是算法花费的时间比较长。而对于 BiShrink阈值小波阈值改进算法虽然已经广泛应用于图像去噪领域，但是，此算法仍然存 在许多问题，BiShrink只是一种基于小波系数和其父代小波系数的统计模型，没有考虑相 邻系数的相关性，并且该算法对于细节的保持不够好。
【发明内容】
[0031] 针对传统的BiShrink阈值构造函数的缺点，本发明提出一种基于小波系数层间 模型的阈值去噪方法，求出的估计小波系数不仅与当前小波系数有关，而且与父代小波系 数有关，并且为了保证去噪后的图像边缘特征清晰，提出一种自适应方法计算出边缘标准 差，进而得到估计估计小波系数，实现图像去噪。
[0032] 本发明具体通过如下技术方案实现：
[0033] 一种针对高通量基因测序图像的小波去噪方法，其包括以下步骤：
[0034] (1)对输入含噪声图像进行离散小波分解，共分解成L层小波系数，每一层小波系 数分为三个方向的高频部分；
[0035] (2)对分解的每一层的水平、垂直、对角三个子带的小波系数分别进行处理：
[0036] a.计算噪声标准差σ n;
[0037] b.选择每个小波系数的邻域系数，进而求出边缘标准差σ y;
[0038] c.计算小波系数的最大后验概率估计，对含噪声的系数进行修正；
[0039] (3)对估计小波系数进行逆小波变换，得到去噪后的图像。
[0040] 进一步地，所述步骤b具体为：计算种子系数与它周围八邻域的小波系数的平方 差：
[0042] 其中，当前小波系数yii j表示为yn，m表示为当前小波系数yn的八个方向的索引 值；定义Clni判断y "是否与种子系数同质：
[0044] 式中K为阈值，定义为K = a. a为常量，L代表最高分解层数；边缘标准差〇 y与小波系数yu的邻域区域β u有关，β u为满足同质条件的邻域区域，σ y的定义式如 下：
[0047] 本发明的有益效果是：本发明主要是对基于离散小波变换的BiShrink改进，具体 操作是使用离散小波变换对BiShrink阈值算法进行改进。传统的BiShrink算法在计算 估计小波系数时考虑当前系数、父子系数的相关性。而本发明是在含有高斯噪声的测序图 像中，在每个小波系数的邻域内选择部分小波系数来计算局部阈值，并使用拉普拉斯模型 表示当前小波系数与父代小波系数之间的关系，进而得到估计小波系数表达式，用于鲁棒 的解决待测序图像的去噪问题。本发明提供的方法具有如下优点：针对高斯噪声的待测序 图像，本发明的去噪效果好，能够很好的抑制背景高斯噪声；采用基于层间模型构造估计小 波系数方法，得到去噪图像更准确；采用自适应方法寻找邻域小波系数，进而求出边缘标准 差，小波重构的图像能够保证图像较清晰。
【附图说明】
[0048] 图1是本发明的方法流程图；
[0049] 图2是DWT的小波系数yjik对应的邻域窗示意图；
[0050] 图3是原始的高通量基因测序图像；
[0051] 图4是添加标准差δ。为20的高斯噪声的测序图；
[0052] 图5是添加标准差δ "为30的高斯噪声的测序图；
[0053] 图6是添加标准差δ。为40的高斯噪声的测序图；
[0054] 图