噪声等化方法与噪声去除方法与流程

本案提供一种噪声等化方法与噪声去除方法，且特别是关于一种噪声等化方法以及根据噪声等化后的像素值进行噪声去除的方法。
背景技术：
：电子装置(如智能手机、照相机、摄影机等)在获取影像的过程中会产生复杂的噪声。这种噪声并不是简单的加性高斯白噪声(additivegaussianwhitenoise,awgn)，而是一种与信号相关的噪声(signal-dependentnoise,sdn)，即其噪声大小与信号强度有关。因此，不同的像素值会存在有不同强度的噪声。举例来说，图1示出输入影像的多个区域标准差的示意图。输入影像fr0具有多个影像区块en1与en2。影像区块en1与en2皆具有多个像素值，且影像区块en1的整体像素值低于影像区块en2的整体像素值。如图1所示，由于输入影像会有sdn的现象发生，电子装置将计算出影像区块en1中的这些像素值的区域标准差std为1.15，且计算出影像区块en2中的这些像素值的区域标准差std为2.95，意即同一张输入影像会存在有不同强度的噪声。常见的噪声估测(noiseestimation)都是针对高斯白噪声来设计且大致上可分成两种。一种为即时(real-time)噪声估测，另一种为离线(offline)噪声估测。即时噪声估测为根据经过高通滤波器(high-passfilter)转换后的影像来进行噪声估测。然而，转换后的影像只有在变异数较小的区域(即影像中的平滑区)才比较能表现出噪声的特性，且即时噪声估测是针对高斯白噪声设计，又高通滤波器的影像参考范围也会影响噪声估测的准确度，故习知的即时噪声估测并无法估测出贴近真实信号的sdn特性。离线噪声估测则是预先建立sdn模组，以统计噪声在不同像素值下的分布特性。接着具有噪声的输入影像再根据sdn模组来产生一去噪声的输出影像。然而，习知sdn模组为利用线性方式来描述真实sdn的分布特性，但真实sdn在不同像素值下的分布特性为非线性关系，此外，sdn模组用以模拟在不同真实信号强度(noise-freesignal)下噪声大小的分布特性，但实际使用sdn模组时，仅能根据受噪声影响的像素值(noisysignal)使用sdn模组来做查询，并无法取得该像素的真实信号(noise-freesignal)。故习知的离线噪声估测同样也无法从受噪声影响的像素精准地估测出真实信号的sdn特性。若电子装置无法估测出真实信号的sdn特性，其将无法估测出较佳的噪声参数(如标准差与变异数等参数)，进而影响输入影像的噪声去除(denoise)效果。因此，若电子装置可以估测出贴近真实sdn的特性，将可以提升噪声去除效果，进而提升输入影像品质。技术实现要素：为了提升噪声去除效果，进而提升输入影像品质，本案提供了一种噪声等化方法，适用于一电子装置，用以等化不同数值下的噪声。此种噪声等化方法包含：取得一数值区间中多个代表数值与该些代表数值对应的多个代表标准差；根据该些代表数值与对应的该些代表标准差计算该些代表像素值之间的每一中间数值对应的一中间标准差，且将该些代表像素值、该些代表标准差、该些中间数值与该些中间标准差分别映射到一平滑曲线中的多个数值与多个标准差；以及根据该平滑曲线中的每一数值与对应的标准差计算一等化曲线，以将每一数值对应到一等化后数值。于此种噪声等化方法中，该些数值的一目前数值加上对应的标准差为一调整数值，且该等化曲线满足调整数值对应的等化后数值减去目前数值对应的等化后数值为1个单位。本案提供了一种噪声去除方法，适用于一电子装置。此种噪声去除方法包括：接收一输入影像；在该输入影像中获取一目前位置区块，其中目前位置区块对应到一或多个输入像素值；获取邻近目前位置区块的多个邻近区块；经由一等化曲线映射目前位置区块与该些邻近区块中的每一输入像素值，以取得每一输入像素值对应的等化后数值，其中，等化曲线包含多个数值以及对应的多个等化后数值，该些数值的一目前数值加上对应的一标准差为一调整数值，且该等化曲线满足调整数值对应的等化后数值减去目前数值对应的等化后数值为1个单位；根据该些等化后数值，分别计算每一邻近区块与目前位置区块的一差异程度；根据每一差异程度决定对应邻近区块的一权重值；根据该些权重值将对应的该些邻近区块中的一主像素值进行加权平均以产生一修正像素值。本案提供了一种噪声去除方法，适用于一电子装置。此种噪声去除方法包括：接收一输入影像；在输入影像中获取一目前位置区块，其中目前位置区块对应到多个输入像素值；根据该些输入像素值决定一主像素值；将该些输入像素值经由一等化曲线映射，以取得对应的多个等化后数值，其中，该等化曲线包含多个数值以及对应的多个等化后数值，该些数值的一目前数值加上对应的一标准差为一调整数值，且该等化曲线满足调整数值对应的等化后数值减去目前数值对应的等化后数值为1个单位；平均该些等化后数值以产生一低频成分值；计算该些输入像素值对应的该些等化后数值与低频成分值之间的一变异数；根据低频成分值计算目前位置区块中的主像素值的一高频成分值；根据变异数计算主像素值的高频成分值的一高频比例；以及将低频成分值加上高频比例的高频成分值以产生对应主像素值的一输出像素值。附图说明图1是输入影像的多个区域标准差的示意图。图2是根据本案一实施例所绘示的电子装置的示意图。图3是根据本案一实施例所绘示的噪声等化方法的流程图。图4a是根据本案一实施例所绘示的步骤s310的细部流程图。图4b是根据本案一实施例所绘示的测试影像的示意图。图4c是根据本案另一实施例所绘示的步骤s310的细部流程图。图5是根据本案一实施例所绘示的代表像素值与代表标准差对应到动态范围中的像素值与标准差。图6是根据本案一实施例所绘示的平滑曲线的示意图。图7是根据本案一实施例所绘示的等化曲线的示意图。图8是根据本案一实施例所绘示的输入影像经等化曲线映射后的信号分布示意图。图9是根据本案一实施例的噪声去除方法的流程图。图10是根据本案一实施例所绘示的输入影像的目前位置区块与邻近区块的示意图。图11是根据本案另一实施例所绘示的噪声去除方法的流程图。具体实施方式在下文中，将藉由图式说明本案的各种例示实施例来详细描述本案。然而，本案概念可以不同形式来体现，且不应解释为限于本文中所阐述的例示性实施例。此外，图式中相同参考数字可表示类似的元件。本案实施例所提供的噪声等化方法利用一平滑曲线来模拟真实sdn在不同像素值下的非线性关系。接着再通过一等化曲线(由多个像素值与对应的等化后数值组成)来将不同像素值下的噪声转换成相同或相近的数值，即等化曲线满足一目前像素值移动一个标准差的距离，对应的等化后数值移动一个单位。藉此，噪声等化方法可以将与信号相关的噪声(signal-dependentnoise,sdn)转换成与信号无关的噪声(signal-dependentnoise,sin)，进而从受噪声影响的像素(noisysignal)更精准地估测出真实信号(noise-freesignal)的sdn特性。另外，本案实施例所提供的噪声去除方法利用上述噪声等化方法计算出的等化曲线来取得一输入影像中每一个输入像素值的sin，以简化噪声去除方法并计算出较佳的噪声参数(如标准差与变异数等参数)，进而产生较低噪声的输出影像。首先，图2为根据本案一实施例所绘示的电子装置100的示意图。如图2所示，在噪声等化方法中，电子装置100藉由一等化曲线(由多个像素值与对应的等化后数值所组成)的映射将不同信号强度下的噪声予以等化，进而将与信号相关的噪声转换成与信号无关的噪声。而在噪声去除方法中，电子装置100将根据上述等化曲线来取得一输入影像fr1中每一个输入像素值p0-pn对应的等化后数值，以产生较低噪声的输出像素值p0’-pn’。在本实施例中，电子装置100可为智能手机、照相机、摄影机、平板电脑、笔记型电脑或其他具有影像获取功能的电子装置，本案对此不作限制。<噪声等化方法的一实施例>参考图2，电子装置100包括影像获取器110与影像处理器120。影像处理器120耦接影像获取器110，且用以执行下列噪声等化方法的步骤，藉以产生所需的等化曲线(由多个像素值与对应的等化后数值组成)。同时参考图3，其示出本案一实施例的噪声等化方法的流程图。首先，电子装置100的影像处理器120将取得一像素值区间中的多个代表像素值与每一个代表像素值对应的一代表标准差(步骤s310)。在本实施例中，像素值区间可以根据像素值的动态范围(dynamicrange)来作设计。举例来说，像素值的动态范围为0-255，其代表像素值有可能出现的数值为0-255。0代表最暗，255代表最亮。因此，像素值区间将设定为0-255。而电子装置100再从像素值区间中选择多个合适的数值作为代表像素值(例如选择5个代表像素值，分别为数值为0、50、150、100、255)并据此计算出对应的代表标准差。更进一步来说，多个代表像素值与对应的代表标准差可以通过一测试影像来取得。如图4a与图4b所示，影像处理器120首先接收一测试影像ntc(此处以灰阶影像为例，但本案不以此为限)，且测试影像ntc具有多个不同灰阶区块re0、re1、re2、re3、re4、re5、re6、re7、re8、re9、re10、re11(步骤s410)，其中一个灰阶区块对应的颜色为白色，另一个灰阶区块对应的颜色为黑色，且其他的灰阶区块则是对应到白色和黑色之间的颜色。在本实施例中，灰阶区块re0对应的颜色为白色，灰阶区块re11对应的颜色为黑色，而其他灰阶区块re1-re10则是对应到白色和黑色之间的颜色。在一些实施例中，在接收到测试影像(步骤s410)后，影像处理器120将分别在每一个灰阶区块中获取多个像素值(步骤s420)。在步骤s410与s420中间，若测试影像ntc有镜头暗角(shading)的问题，影像处理器120会先对测试影像ntc进行一暗角补偿(shadingcompensation)，接着再执行步骤s420。若测试影像ntc没有镜头暗角的问题，影像处理器120将直接执行步骤s420。在一些实施例中，灰阶区块re0-re11的边缘很容易受到噪声的影响而形成锯齿状的区块。为了在灰阶区块re0-re11中取得较稳定的多个像素值(如对应的灰阶区块中数值相近的像素值，换句话说，在对应的灰阶区块中之平坦区取得多个像素值)，影像处理器120也可以在每一个灰阶区块re0-re11中内缩一预定距离(例如2个像素个数的距离)以形成一目标区块，接着分别在每一个目标区块内获取像素值。以灰阶区块re0为例作说明，影像处理器120在小于灰阶区块re0的一目标区块fd0内获取每一个像素值，以作为灰阶区块re0中较稳定的多个像素值。当然，影像处理器120也可以获取每一个灰阶区块re0-re11中的每一个像素值或者数值相近的像素值，本案对此不作限制。在获取每一个灰阶区块re0-re11中的多个像素值(步骤s420)后，影像处理器120将在每一个灰阶区块re0-re11中，根据所获取的像素值计算对应灰阶区块的代表像素值与代表标准差(步骤s430)。以灰阶区块re0为例作说明，若影像处理器120所获取到的像素值共有81个，影像处理器120将平均81个像素值以产生一平均像素值作为灰阶区块re0的代表像素值i0，并根据上述平均像素值计算81个像素值的一标准差作为灰阶区块re0的代表标准差σ0。而灰阶区块re0-re11对应的代表像素值与代表标准差整理如下表<一>。表<一>灰阶区块(代表像素值,代表标准差)灰阶区块(代表像素值,代表标准差)re0(i0,σ0)＝(0,0.36)re6(i6,σ6)＝(120,4.70)re1(i1,σ1)＝(4,0.96)re7(i7,σ7)＝(150,5.26)re2(i2,σ2)＝(9,1.36)re8(i8,σ8)＝(200,6.07)re3(i3,σ3)＝(30,2.37)re9(i9,σ9)＝(240,6.59)re4(i4,σ4)＝(50,3.07)re10(i10,σ10)＝(250,5.17)re5(i5,σ5)＝(100,4.30)re11(i11,σ11)＝(255,0)而在图3的步骤s310的其他实施例中，影像处理器120也可以通过多个测试影像ntc来取得多个代表像素值与对应的代表标准差。如图4c所示，影像处理器120首先将在多个时间点接收一测试影像，且测试影像具有多个不同灰阶区块(步骤s460)。举例来说，影像处理器120在80个不同时间点获取测试影像ntc，且测试影像ntc具有多个不同灰阶区块re0-re11。接着，影像处理器120将分别在每一个测试影像的每一个灰阶区块中获取至少一个像素值(步骤s470)。而有关影像处理器120于灰阶区块中获取多个像素值的实施方式大致上可由图4a的步骤s420推得，故在此不再赘述。此外，因有多个时间点的测试影像，故在一些实施例中，也可在每一测试影像的各灰阶区块中，获取一个像素值即可。再来，影像处理器120将在每一个测试影像中，根据获取的像素值计算每一个灰阶区块的一区块像素值与一区块标准差(步骤s480)。而有关影像处理器120在每一个比较影像中计算每一个灰阶区块的区块像素值与区块标准差的实施方式大致上与图4a的步骤s430的代表像素值(对应到区块像素值)与代表标准差(对应到区块标准差)的实施方式相同，故在此不再赘述。最后，影像处理器120将在每一个测试影像中，平均同一个位置的灰阶区块的区块像素值作为对应的代表像素值，且平均同一个位置的灰阶区块的区块标准差作为对应的代表标准差(步骤s490)。以测试影像ntc的灰阶区块re0为例作说明，影像处理器120将在每一个测试影像ntc中，平均同一个位置的灰阶区块re0的区块像素值作为对应的代表像素值i0，且平均同一个位置的灰阶区块re0的区块标准差作为对应的代表标准差σ0。而灰阶区块re0-re11对应的代表像素值与代表标准差显示如上表<一>。如图5所示，在本实施例中，像素值区间设定为与动态范围相同，即0-255。而影像处理器120将灰阶区块re0-re11的代表像素值i0-i11与对应的代表标准差σ0-σ11对应到像素值区间中的部分像素值与对应的标准差。同时参考图3与图5至图6，为了找出像素值区间中的每一个像素值对应的标准差，影像处理器120将计算这些代表像素值i0-i11之间的多个中间像素值对应的中间标准差，以形成一平滑曲线crv1。更进一步来说，影像处理器120将根据这些代表像素值与对应的代表标准差计算代表像素值之间的每一个中间像素值对应的中间标准差，且将代表像素值、对应的代表标准差、中间像素值与中间标准差分别映射到平滑曲线crv1中的多个像素值与多个标准差，藉此找出像素值区间中的每一个像素值对应的标准差(步骤s320)。值得注意的是，两个相邻的像素值会有噪声大小接近的特性。因此，平滑曲线crv1中每一个像素值对应的标准差要和代表像素值i0-i11对应的代表标准差σ0-σ11越接近越好(以下称为资料契合(datafitness))，且每一个像素值对应的标准差之间的变化要越平滑越好(以下称平滑性(smoothness))。因此，在本实施例中，电子装置100将透过一平滑曲线函数来估计每一个中间像素值对应的中间标准差。本实施例的平滑曲线函数如式(1)。其中，n为代表像素值的个数(本实施例的代表像素值i0-i11的个数为12)，m为像素值区间内像素值的个数(本实施例的个数为256)，λ为一平滑程度的控制参数，x为描述动态范围内每一信号之对应标准差(本实施的像素值0-255分别对应的标准差)的一标准差向量，a1为描述每一个代表像素值的一第一矩阵(本实施例的代表像素值i0-i11)，b1为描述每一个代表标准差的一第一向量(本实施例的代表标准差为σ0-σ11)，a2为描述每一个标准差对应的前一个标准差与下一个标准差为一平滑关系的一第二矩阵，第二向量b2为0向量。更进一步来说，第一矩阵a1与对应的第一向量b1用来描述资料契合。故在本实施例中，第一矩阵a1与第一向量b1分别如式(2)与式(3)所示。于式(2)中，当第i个取样像素值属于像素区间内第j个像素值时，v1(i,j)＝1；其他情形，v1(i,j)＝0。于式(3)中，n为代表像素值的个数，且σ0-σn-1为代表标准差的数值。第一矩阵a1的矩阵大小为(代表像素值的个数*像素区间内像素值的个数)，且第一向量b1的大小为(代表像素值的个数*1)。然而，第一矩阵a1与第一向量b1也可以其他描述方式来作设计，本案对此不作限制。此外，第二矩阵a2(表示每一个标准差对应的前一个标准差与下一个标准差为平滑关系)与对应的第二向量b2为用来描述资料平滑。故在本实施例中，第二矩阵a2与第二向量可分别如下式(4)与(5)所示。其中，v2(i,j)为第二矩阵a2中的第i行第j列的数值，m为像素值区间内像素值的个数。故第二矩阵a2的矩阵大小为(像素区间内像素值的个数*像素区间内像素值的个数)，且第二向量b2的大小为(像素区间内像素值的个数*1)。而第二矩阵a2与第二向量b2也可以其他描述方式来作设计，本案对此不作限制。藉此，影像处理器120将根据式(1)的平滑曲线函数估测出像素区间中的每一个像素值(本实施例为0-255)与对应的标准差(即向量x)，以形成平滑曲线crv1，如图6所示。此时，平滑曲线crv1是代表模拟真实sdn在不同像素值下的非线性关系。同时参考图3与图7，为了将与信号相关的噪声(sdn)转换成与信号无关的噪声(sin)，影像处理器120接着将根据平滑曲线crv1中每一个像素值与对应的标准差计算一等化曲线crv2，以将每一个像素值对应到一等化后数值(步骤s330)。更进一步来说，影像处理器120是透过等化曲线crv2将不同像素值下的噪声转换成相同或相近的数值。故等化曲线crv2需要满足一目前像素值移动一个标准差的距离，对应的等化后数值移动一个单位。据此，在本实施例中，等化曲线crv2需要满足一调整像素值对应的等化后数值减去目前像素值对应的等化后数值为1个单位，其中，调整像素值代表一目前像素值加上对应的标准差。而此满足条件可以整理为式(6)，且如下所示。teq(a+xa)-teq(a)＝1,0≤a≤m-1式(6)其中，teq为等化后数值，a为等化曲线crv2中的一目前像素值，xa为目前像素值对应的标准差，且m为像素区间内像素值的个数。更进一步来说，等化曲线crv2亦满足，下一个像素值对应的等化后数值和前一个像素值对应的等化后数值在相减后除以2(可视为曲线在目前像素值a时的斜率)为目前像素值对应的标准差的倒数。而此满足条件可以整理为式(7)，且如下所示。另外，当a＝0时，teq(1)-teq(0)＝1/x0；当a＝m-1时，teq(m-1)-teq(m-2)＝1/xm-1，其中，teq为等化后数值，a为等化曲线crv2中的一目前像素值，xa为目前像素值对应的标准差，且m为动态范围内信号的个数。因此，在本实施例中，电子装置100可以通过式(7)来计算出每一个像素值对应到的一等化后数值，且整理如式(8)。影像处理器120将式(8)进行矩阵运算得到每一个像素值(即0-255)对应的等化后数值teq(0)、teq(1)…、teq(255)，使得等化曲线crv2可以满足一目前像素值移动一个标准差的距离，对应的等化后数值为移动一个单位的条件，进而将与信号相关的噪声(sdn)转换成与信号无关的噪声(sin)。以影像处理器120接收到一目前像素值为30为例说明。参考图6-7，电子装置100根据平滑曲线crv1取得目前像素值30对应的标准差为2.37(如图6及表<一>)，下一个像素值31对应的等化后数值teq(31)＝22.31，且前一个像素值29对应的等化后数值teq(29)＝21.47。影像处理器120根据式(7)计算出[teq(31)-teq(29)]/2＝(22.31-21.47)/2＝0.42，且1/2.37＝0.42，即等化曲线crv2符合式(7)的条件。据此，如图8所示，影像处理器120在接收到图2的输入影像fr1的每一个输入像素值p0-pn后，将通过等化曲线crv2取得每一个输入像素值p0-pn对应的等化后数值，以藉此产生等化后的输入影像fr1’，使得不同像素值下的噪声的数值相同或接近。如图8所示，在等化后的输入影像fr1’中，影像处理器120将计算出影像区块zn1中的这些像素值的区域标准差std为4.32，且计算出影像区块zn2中的这些像素值的区域标准差std为4.33，意即等化后的输入影像fr1’存在有相同或接近强度的噪声。故影像处理器120对等化后的输入影像fr1’去除噪声可以有较佳的噪声去除效果。影像处理器120在取得等化曲线后，将储存在电子装置100内的储存器(未绘于图式)或一外部储存器(未绘于图式)中。当影像处理器120接收到一输入影像中的每一个输入像素值时，可以根据上述等化曲线来取得每一个输入像素值对应的等化后数值，并藉由噪声去除方法产生较低噪声的输出像素值p0’-pn’。<噪声去除方法的一实施例>同时参考图2、图9，图9根据本案一实施例所绘示的噪声去除方法的流程图。首先，电子装置100的影像处理器120将接收一输入影像中每一个像素位置的一输入像素值(步骤s910)。举例来说，如图10所示，输入影像fr的大小为8*8且具有64个输入像素值。而影像处理器120将接收输入影像fr中每一个像素位置的输入像素值p0-p63。接下来，影像处理器120将在输入影像的这些像素位置中，依序获取一目前位置区块(步骤s920)。而目前位置区块可以对应到一个输入像素值或多个输入像素值。更进一步来说，目前位置区块的形状可为正方形。输入影像的大小为m*m，且目前位置区块的大小为k*k，其中1<＝k<m且k与m为正整数。因此，影像处理器120将根据目前位置区块的形状与大小依序获取目前位置区块中对应的输入像素值。举例来说，若目前位置区块的大小为1*1，影像处理器120将以1个像素位置大小为单位依序获取对应的输入像素值。再举例来说，若目前位置区块的大小为3*3，影像处理器120将以9个像素位置大小为单位依序获取对应的输入像素值。而在其他实施例中，目前位置区块也可以是其他形状。影像处理器120于每一次获取目前位置区块时也可以有重复的输入像素值，本案对此不作限制。在取得目前位置区块(步骤s920)后，影像处理器120将获取邻近目前位置区块的多个邻近区块(步骤s930)。而目前位置区块与邻近区块的形状与大小相同。更进一步来说，在获取邻近区块的过程中，影像处理器120将会判断目前位置区块具有一个输入像素值或多个输入像素值。若影像处理器120判断目前位置区块仅具有一个输入像素值时，影像处理器120将根据邻近区块的数量获取邻近目前位置区块的输入像素值，并分别将获取的输入像素值作为邻近区块。而若影像处理器120判断目前位置区块具有多个输入像素值，影像处理器120将根据目前位置区域的大小，于邻近区域中寻找相同大小之区块以产生对应的邻近区块。以目前位置区块pch对应到9个输入像素值p26-p28、p34-p36、p42-p44且邻近区块的数量为2个来作例子说明。如图10所示，影像处理器120将根据输入像素值p26与p44为中心向外扩散1个像素位置的距离以产生对应的邻近区块qch1与qch2。邻近区块qch1对应到9个输入像素值p17-p19、p25-p27、p33-p35。邻近区块qch2对应到9个输入像素值p35-p37、p43-p45、p51-p53。此时，目前位置区块pch与邻近区块qch1与qch2的形状与大小相同。回到图9，在取得多个邻近区块(步骤s930)后，影像处理器120接着将目前位置区块与这些邻近区块中的每一个输入像素值经由等化曲线映射，以取得每一个输入像素值对应的某一个等化后数值(步骤s940)。在本实施例中，同时参考图7，影像处理器120将目前位置区块pch与邻近区块qch1-qch2中的每一个输入像素值p17-p19、p25-p28、p33-p37、p42-p45、p51-p53经由等化曲线crv2映射，以取得对应的等化后数值teq(p17)-teq(p19)、teq(p25)-teq(p28)、teq(p33)-teq(p37)、teq(p42)-teq(p45)、teq(p51)-teq(p53)。接下来，影像处理器120分别计算每一个邻近区块与目前位置区块之间的一差异程度(步骤s950)。更进一步来说，影像处理器120将计算目前位置区块中各信号等化后数值与每一邻近区块中各信号等化后数值的差异为几个标准差的大小，以对应产生每一个邻近区块的差异程度。承接上述例子，影像处理器120将计算目前位置区块pch中的等化后数值与邻近区块qch1中的等化后数值之间差距为几个标准差，以对应产生邻近区块qch1的差异程度diff(qch1)。而影像处理器120也将计算目前位置区块pch中的等化后数值与邻近区块qch2中的等化后数值之间差异为几个标准差，以对应产生邻近区块qch2的差异程度diff(qch2)。在本实施例中，邻近区块的差异程度系透过一差异程度函数来计算，且如下式(9)所示。其中s为目前位置区块pch中的像素个数，teq(pch)为目前位置区块的等化后数值，teq(qchn)为第n个邻近区块中的等化后数值，|teq(pch)-teq(qchn)|为目前位置区块中的等化后数值与第n个邻近区块中的等化后数值之间的几个标准差的差距，diff(qchn)为第n个邻近区块与目前位置区块pch的差异程度。以影像处理器120计算邻近区块qch1的差异程度diff(qch1)为例作说明。目前位置区块pch中的像素个数s为9。|teq(pch)-teq(qchn)|的总合为|teq(p26)-teq(p17)|+|teq(p27)-teq(p18)|+|teq(p28)-teq(p19)|+|teq(p34)-teq(p25)|+|teq(p35)-teq(p26)|+|teq(p36)-teq(p27)|+|teq(p42)-teq(p33)|+|teq(p43)-teq(p34)|+|teq(p44)-teq(p35)|。藉此，影像处理器120可通过|teq(pch)-teq(qchn)|的总合除以个数s来计算出邻近区块qch1的差异程度diff(qch1)。在取得每一个邻近区块的差异程度后，影像处理器120将根据每一个差异程度来决定对应的邻近区块的一权重值(步骤s960)。更进一步来说，若差异程度越小，代表邻近区块qch1和目前位置区块pch越相似。此时，影像处理器120将根据差异程度决定出越大的权重值。反之，若差异程度越大，代表邻近区块qch1和目前位置区块pch越不像。此时，影像处理器120将根据差异程度决定出越小的权重值。在本实施例中，影像处理器120系通过一权重值函数来计算权重值，且如下式(10)所示。其中，ω(qchn)为第n个邻近区块的权重值，diff(qchn)为第n个邻近区块的差异程度，k为相似与不相似的基准常数，物理意义上为k个标准差。以影像处理器120决定邻近区块qch1的权重值ω(qch1)与邻近区块qch2的权重值ω(qch2)为例作说明。在此例中，k为2、差异程度diff(qch1)为2且差异程度diff(qch2)为3。因此，邻近区块qch1的权重值ω(qch1)＝exp(-2/4)＝0.6。邻近区块qch2的权重值ω(qch2)＝exp(-7/4)＝0.17。据此，由上述例子可知，当邻近区块qch1和目前位置区块pch的差异程度越小时，表示邻近区块qch1和目前位置区块pch越相似，于是影像处理器120将决定出较大的权重，此较大的权重代表较高的参考价值。而在决定出每一个邻近区块的权重值(步骤s960)后，影像处理器120根据这些权重值将对应的邻近区块中的一主像素值进行加权平均以产生一修正像素值(步骤s970)。在本实施例中，邻近区块中的主像素值可以是位于一中间像素位置的输入像素值，或者是平均邻近区块中每一个输入像素值后的平均值。当然，邻近区块中的主像素值也可以透过其他方式来取得，本案对此不作限制。此外，本实施例的影像处理器120系通过一修正函数来计算修正像素值，且如下式(11)所示。其中，cor为修正像素值，ω(qchn)为第n个邻近区块的权重值，m(qchn)为第n个邻近区块中的一主像素值。承接上述例子，邻近区块qch1的权重值ω(qch1)＝0.6，且邻近区块qch2的权重值ω(qch2)＝0.17。邻近区块qch1的主像素值例如为一中间像素位置的输入像素值p26，且邻近区块qch1的主像素值例如为一中间像素位置的输入像素值p44。因此，修正像素值cor＝[(0.6*p26)+(0.17*p44)]/(0.6+0.17)。在一些实施例中，目前位置区块pch本身也可视为邻近区块之一，其对应的权重值可自行设定，如0.8，因此，修正像素值cor＝[(0.8*p35)+(0.6*p26)+(0.17*p44)]/(0.8+0.6+0.17)。接下来，影像处理器120分别以修正像素值对应产生目前位置区块中的每一个输出像素值(步骤s980)。在一些实施例中，如只对目前位置区块的特定像素产生修正像素值，步骤s980亦可忽略，而本案不以此为限。因此，当影像处理器120将输入影像fr1中每一个输入像素值p0-pn执行上述噪声去除方法(即步骤s910-s970)后，影像处理器120将会产生较低噪声的输出像素值p0’-pn’。<噪声去除方法的另一实施例>参考图2与图11，图11示出本案另一实施例的噪声去除方法的流程图。首先，电子装置100的影像处理器120接收一输入影像中每一个像素位置的一输入像素值(步骤s1110)。举例来说，如图10所示，输入影像fr的大小为8*8且具有64个输入像素值。而影像处理器120将接收输入影像fr中每一个像素位置的输入像素值p0-p63。接下来，影像处理器120将在输入影像的这些像素位置中，依序获取一目前位置区块(步骤s1120)。而目前位置区块系对应到多个输入像素值，且这些输入像素值中具有一个主像素值。更进一步来说，目前位置区块的形状为正方形。输入影像的大小为m*m，且目前位置区块的大小为k*k，其中1<k<m且k与m为正整数。因此，影像处理器120将根据目前位置区块的形状与大小依序获取目前位置区块中对应的输入像素值。举例来说，若目前位置区块的大小为3*3，影像处理器120将以9个像素位置大小为单位依序获取对应的输入像素值。而在其他实施例中，目前位置区块也可以是其他形状。影像处理器120于每一次获取目前位置区块时也可以有重复的输入像素值，本案对此不作限制。此外，在本实施例中，主像素值可以是位于对应的目前位置区块中的一中间像素位置的输入像素值，或者是目前位置区块中每一个输入像素值的平均值。当然，目前位置区块中的主像素值也可以透过其他方式来取得，本案对此不作限制。而在取得目前位置区块(步骤s1120)后，影像处理器120接着将目前位置区块中的每一个输入像素值经由等化曲线映射，以取得每一个输入像素值对应的某一个等化后数值(步骤s1130)。请同时参考图7与图10，以目前位置区块pch为例来作说明。影像处理器120将目前位置区块pch中的每一个输入像素值p26-p28、p34-p36、p42-p44经由等化曲线crv2映射，以取得对应的等化后数值teq(p26)-teq(p28)、teq(p34)-teq(p36)、teq(p42)-teq(p44)。接下来，影像处理器120将平均目前位置区块中这些输入像素值对应的这些等化后数值，以产生一低频成分值(步骤s1140)。承接上述例子，目前位置区块pch的低频成分值e[teq(pch)]＝[(teq(p26)+teq(p27)+teq(p28)+teq(p34)+teq(p35)+teq(p36)+teq(p42)+teq(p43)+teq(p44)]/9。再来，影像处理器120将计算目前位置区块中输入像素值对应的等化后数值与低频成分值之间的一变异数(步骤s1150)。更进一步来说，影像处理器120系通过一变异数函数来计算变异数，且如下式(12)所示。其中，var(pch)为目前位置区块中的变异数，teq(x)为某一个输入像素值对应的等化后数值，e[teq(pch)]为目前位置区块中的低频成分值，且p为目前位置区块中的这些输入像素值的个数。承接上述例子，目前位置区块pch的变异数var(pch)＝[(teq[p26]-e[teq(pch)])^2+(teq[p27]-e[teq(pch)])^2+(teq[p28]-e[teq(pch)])^2+(teq[p34]-e[teq(pch)])^2+(teq[p35]-e[teq(pch)])^2+(teq[p36]-e[teq(pch)])^2+(teq[p42]-e[teq(pch)])^2+(teq[p43]-e[teq(pch)])^2+(teq[p44]-e[teq(pch)])^2]/9。再来，影像处理器120将根据低频成分值计算目前位置区块中的主像素值的一高频成分值(步骤s1160)。更进一步来说，影像处理器120将主像素值减去低频成分值以产生高频成分值。承接上述例子，目前位置区块pch中的主像素值例如为输入像素值p35。因此，高频成分值h(teq(pch))＝输入像素值p35-低频成分值e[teq(pch)]。值得注意的是，目前位置区块pch的主像素值是由低频成分值e[teq(pch)]与高频成分值h(teq(pch))组成。低频成分值e[teq(pch)]描述了主像素值中的平坦部分。高频成分值h(teq(pch))描述了主像素值中的细节与纹理部分。然而，主像素值中的噪声(noise)也有可能存在于高频成分值h(teq(pch))中。因此，影像处理器120将在目前位置区块中，根据变异数来计算主像素值的高频成分值的一高频比例，以藉此得到去除噪声的高频成分值(步骤s1170)。在本实施例中，高频成分值的高频比例系透过一高频比例函数来计算，且如下式(13)所示。其中，rto(pch)为目前位置区块中高频成分值的高频比例，var(pch)为目前位置区块中的变异数，而”1”则代表一噪声分布常数。藉此，若变异数与噪声分布常数的差距越小，代表有越多的噪声存在于高频成分值h(teq(pch))中。此时，影像处理器120将计算出越低的高频比例rto(pch)，以减少高频成分值h(teq(pch))。反之，若变异数与噪声分布常数的差距越大，代表有越多的细节与纹理存在于高频成分值h(teq(pch))中。此时，影像处理器120将计算出越高的高频比例rto(pch)，以增加高频成分值h(teq(pch))。最后，影像处理器120在目前位置区块中，将低频成分值加上高频比例的高频成分值以产生对应主像素值的一输出像素值(步骤s1180)。而承接上述例子，以目前位置区块pch中的主像素值为输入像素值p35作说明。影像处理器120将低频成分值e[teq(pch)]加上高频比例rto(pch)的高频成分值h(teq(pch))，以产生输入像素值p35的一输出像素值输入像素值p35’。因此，当影像处理器120将输入影像fr1中每一个输入像素值p0-pn执行上述噪声去除方法(即步骤s1110-s1180)后，影像处理器120将会产生较低噪声的输出像素值p0’-pn’。综上所述，本案实施例所提供的一种不同像素值的噪声等化方法与噪声去除方法。本案的噪声等化方法是通过一平滑曲线来模拟不同像素值下的噪声程度，接着再通过一等化曲线来实现不同像素值下的噪声等化程度，使得不同像素值下的噪声的数值相同或接近，意即将与信号相关的噪声转换成与信号无关的噪声，进而从受噪声影响的信号更精准地估测出真实信号的sdn特性。此外，利用上述等化曲线来执行本案的噪声去除方法可以简化计算复杂度并计算出较佳的噪声参数，不仅对不同信号强度下的像素值有一致的去噪声能力外，也可藉此提升一输入影像中每一个输入像素值的噪声去除效果，进而产生较低噪声的输出像素值。当前第1页1 2 3