CN109712086A - 一种高效的cmos图像传感器片上去噪算法 - Google Patents

Abstract

本发明公开了一种高效的CMOS图像传感器片上去噪算法，包括：对含噪图像分别沿行和列方向进行图像平移，然后分别沿行和列方向进行分解、预测和更新，对得到的图像进行阈值处理，对得到的图像分别沿列和行方向进行更新，预测和合成，得到合成后的去噪图像，最后对合成后的去噪图像分别沿行和列方向进行图像反平移，得到更新后的合成去噪图像，对不同平移尺度下更新后的合成去噪图像进行求平均计算，得到最终的去噪图像。本发明可兼顾算法复杂度和去噪效果，易于在CMOS图像传感器片上实现。

Description

一种高效的CMOS图像传感器片上去噪算法

技术领域

本发明涉及数字图像处理技术领域，更具体地，涉及一种高效的CMOS图像传感器片上去噪算法。

背景技术

在过去的十年里，CMOS图像传感器(CIS)技术取得了令人瞩目的进展，图像传感器的性能也得到了极大的改善。自从在手机中引入相机以来，CIS技术取得了巨大的商业成功。CIS行业是由手机和汽车应用推动的，且智能手机摄像头的创新将会继续，同时竞争也非常激烈。为了保持竞争力，CIS制造商正被迫将越来越多的功能整合到移动摄像机中，越来越多的功能需求也对CIS输出的图像质量提出了更高的要求。

在CIS图像质量中，噪声是影响图像质量的首要问题。CIS图像传感器的主要噪声来源有像素光敏单元的光电二极管，场效应管及图像传感器工作时产生的其他噪声。光电二极管产生的噪声包括热噪声，散粒噪声，复合噪声及电流噪声等，MOS场效应管噪声主要包含热噪声，诱生柵极噪声及电流噪声等。为了提高输出图像质量，图像去噪成为了CIS图像信号处理流程中基本且关键的一环，基于后端平台的图像去噪方法有很多，且能获得很高的去噪效果，但这类去噪方法并不能覆盖广泛应用场景。更一般的，在CIS输出图像数据给后端平台处理之前，往往需要对图像的raw数据进行去噪处理，其算法为硬件实现，为节省资源开销，算法通常较为简单，去噪效果一般。

目前在图像去噪方面涌现的高质量去噪算法有三维块匹配，机器学习，非局域均值，导向滤波，小波滤波等技术，但由于算法的高复杂度，在硬件上实现需要庞大的资源开销，所以牺牲效果换取较低的硬件资源是目前业内普遍采用的方法。

基于以上问题，需要提出一种高效的CIS片上去噪算法。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提供一种高效的CMOS图像传感器片上去噪算法，其为可兼顾算法复杂度和去噪效果的硬件去噪算法，易于在CMOS图像传感器片上实现。

为实现上述目的，本发明的技术方案如下：

一种高效的CMOS图像传感器片上去噪算法，包括以下步骤：

步骤S1：对含噪图像沿行方向进行分解、预测和更新，得到所述含噪图像更新后的近似图像和细节图像；

步骤S2：对所述近似图像和细节图像沿列方向进行分解、预测和更新，得到所述近似图像和细节图像更新后的低频近似分量和高频细节分量；

步骤S3：对所述高频细节分量进行阈值处理，得到阈值处理后新的高频细节分量；

步骤S4：对所述低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，得到合成后的列方向近似图像和细节图像；

步骤S5：对所述合成后的列方向近似图像和细节图像沿行方向进行更新，预测和合成，得到合成后的去噪图像；

步骤S6：对所述去噪图像分别沿行和列方向进行多次图像平移，得到对应的多个平移图像，并对各所述平移图像执行步骤S1-步骤S5，得到各所述平移图像对应的合成后的去噪图像，并对其进行反平移，得到各更新后的合成去噪图像；

步骤S7：对步骤S5中的所述合成后的去噪图像和步骤S6中的所述更新后的合成去噪图像进行求平均计算，得到最终的去噪图像。

进一步地，步骤S1中，对含噪图像沿行方向进行分解、预测和更新分别满足以下算式一至算式三：

D:L(n)＝F(:,2n-1)，H(n)＝F(:,2n) 算式一

P:H₁(n)＝H(n)-L(n) 算式二

U:L₁(n)＝L(n)+rshift(H₁(n),1) 算式三

其中，D为分解，P为预测，U为更新，L(n)为含噪图像F的近似图像,H(n)为含噪图像F的细节图像,n＝1,2,3,……M/2,M为含噪图像F的列数；H₁(n)为更新后的细节图像，L₁(n)为更新后的近似图像；rshift(H₁(n),1)为二进制右移函数，表示将H₁(n)信号以二进制形式向右移动1位。

进一步地，将所述分解D、预测P和更新U三个操作组合为一个基本变换步骤，记为DPU，则所述算式一至算式三合并为以下算式四：

[L₁(n),H₁(n)]＝DPU(F(2n)) 算式四。

进一步地，步骤S2中，对所述近似图像和细节图像沿列方向进行分解、预测和更新满足以下算式五和算式六：

[L₁L₁，L₁H₁]＝DPU(L₁(n)) 算式五

[H₁L₁，H₁H₁]＝DPU(H₁(n)) 算式六

其中，L₁L₁为低频近似分量，L₁H₁和H₁L₁，H₁H₁为三个高频细节分量。

进一步地，步骤S3中，对所述高频细节分量进行阈值处理满足以下算式七：

[L₁H₁1，H₁L₁1，H₁H₁1]＝thr_fun(L₁H₁，H₁L₁，H₁H₁，T) 算式七

其中，thr_fun(L₁H₁，H₁L₁，H₁H₁，T)为阈值函数，T为所选择的阈值，L₁H₁1，H₁L₁1，H₁H₁1为经过阈值处理之后的三个新的高频细节分量。

进一步地，步骤S4中，对所述低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，分别满足以下算式八至算式十：

U₁:L₁L(m)＝L₁L₁(m)–rshift(L₁H₁(m),1) 算式八

P₁:L₁H(m)＝L₁L(m)+L₁H₁(m) 算式九

R:以L₁L(m)为奇行，L₁H(m)为偶行，合成L₁(2m)和H₁(2m) 算式十

其中，U₁为更新，P₁为预测，R为合成，m为正整数，L₁L(m)和L₁L₁(m)分别为更新后的列方向近似图像，L₁H(m)和L₁H₁(m)分别为更新后的列方向细节图像，L₁(2m)和H₁(2m)分别为合成后的列方向近似图像和细节图像。

进一步地，将所述更新U₁，预测P₁和合成R三个操作组合为一个基本变换步骤，记为U₁P₁R操作，则所述合成后的列方向近似图像和细节图像L₁(2m)和H₁(2m)满足以下算式十一和算式十二：

L₁(2m)＝U₁P₁R(L₁L₁(m)，L₁H₁(m)) 算式十一

H₁(2m)＝U₁P₁R(H₁L₁(m)，H₁H₁(m)) 算式十二。

进一步地，步骤S5中，合成后的去噪图像S₀满足以下算式十三：

S₀＝U₁P₁R(L₁(n))，H₁(n)) 算式十三。

进一步地，步骤S6中，所述平移图像F_i的计算满足以下算式十四：

F_i＝pshift(F1,i) 算式十四

其中，F1为合成后的去噪图像，pshift(F1，i)函数表示将合成后的去噪图像F1分别沿行和列进行整体平移i个像素；

所述平移图像更新后的合成去噪图像S_i的计算满足以下算式十五：

S_i＝pshift(S_i1,-i) 算式十五

其中，S_i1为所述平移图像对应的合成后的去噪图像。

进一步地，步骤S7中，所述最终的去噪图像S_denoise的计算满足以下算式十六：

其中，N为图像平移次数，初始未平移的合成后的去噪图像记为S₀。

本发明具有以下有益效果：

一方面，基于Haar小波基分解格式，将无理数小波基拆分为缩放系数和整数对角矩阵形式，利用整数对角矩阵分量将基于卷积运算的小波变换转变为图像行列的加减运算，运算过程具有原位操作，整数运算，且不涉及乘法器，只需加法和移位操作，适合硬件实现；

另一方面，结合平移不变量技术，消除由于haar小波基的不连续性在图像的不连续点处引起的伪吉布斯效应，同时还能减小原始信号与估计信号之间的均方根误差，在提高图像去噪程度的同时有效的保护图像细节信息。

附图说明

图1是本发明一种高效的CMOS图像传感器片上去噪算法流程图。

图2是一种低噪声图片与高噪声图片的对比示意图，包括分图a)、b)。

图3～图5是图2中三个图片细节的去噪效果对比示意图，分别包括分图a)、b)、c)、d)。

具体实施方式

本发明的一种高效的CMOS图像传感器片上去噪算法，其方法流程可包括：图像分解，图像阈值，图像合成，图像平移去噪四个部分。其中：

图像分解包括图像行方向分解、预测和更新，图像列方向分解、预测和更新两部分。

图像阈值包括图像分解高频系数的阈值处理。

图像合成包括图像列方向更新、预测和合成，图像行方向更新、预测和合成两部分。

图像平移去噪包括图像平移，图像去噪(图像分解，图像阈值，图像合成)和图像平均三部分。

本发明的一种高效的CMOS图像传感器片上去噪算法，利用Haar小波变换采用小波基分解格式，将无理数小波基拆分为缩放系数和整数对角矩阵形式，利用整数对角矩阵分量将基于卷积运算的小波变换转变为图像行列的加减运算，运算过程具有原位操作，整数运算，且不涉及乘法器，只需加法和移位操作，适合硬件实现；另一方面，结合平移不变量技术，消除由于haar小波基的不连续性在图像的不连续点处引起的伪吉布斯效应，同时还能减小原始信号与估计信号之间的均方根误差，在提高图像去噪程度的同时有效的保护图像细节信息。本发明提出了一种兼顾算法复杂度和去噪效果的，易于在CMOS图像传感器片上实现的硬件去噪算法，属于数字图像处理领域。

下面结合附图，对本发明的具体实施方式作进一步的详细说明。

需要说明的是，在下述的具体实施方式中，在详述本发明的实施方式时，为了清楚地表示本发明的结构以便于说明，特对附图中的结构不依照一般比例绘图，并进行了局部放大、变形及简化处理，因此，应避免以此作为对本发明的限定来加以理解。

在以下本发明的具体实施方式中，请参考图1，图1是本发明一种高效的CMOS图像传感器片上去噪算法流程图。如图1所示，本发明的一种高效的CMOS图像传感器片上去噪算法，包括以下步骤：

步骤S1：对含噪图像沿行方向进行分解、预测和更新，得到所述含噪图像更新后的近似图像和细节图像。

请参考图2，其显示一种低噪声图片与高噪声图片的对比示意图。图中分图a)表示低增益下的低噪声图片，分图b)表示高增益下的高噪声图片；分图a)、b)中三个对应的白色框区域代表三个图片细节，其为三个去噪效果对比区域。如图2(b)所示，图像选择低光照下高增益图片，其噪声表现较为明显。为了对比，图2(a)给出了对应的高光照低增益情况下的低噪声图片。

我们利用haar分解小波基的矩阵分解形式，将图像小波分解的卷积运算转换为加法和移位运算，包括图像行方向分解D、预测P和更新U，图像列方向分解D、预测P和更新U两部分。

我们可将整幅图像表示为F(2m,2n)，即整幅图像包含2m行,2n列。

对含噪图像沿行方向进行分解D、预测P和更新U时，分别满足以下算式一至算式三：

D:L(n)＝F(:,2n-1)，H(n)＝F(:,2n) 算式一

P:H₁(n)＝H(n)-L(n) 算式二

U:L₁(n)＝L(n)+rshift(H₁(n),1) 算式三

其中，L(n)为含噪图像F的近似图像,H(n)为含噪图像F的细节图像,n＝1,2,3,……M/2,M为含噪图像F的列数；H₁(n)为更新后的细节图像(细节分量)，L₁(n)为更新后的近似图像(近似分量)；rshift(H₁(n),1)为二进制右移函数(rshift(sig,bit))，表示将H₁(n)信号(sig信号)以二进制形式向右移动1位(bit)。

为了后续表述方便，可将分解D、预测P和更新U三个操作组合为一个基本变换步骤，记为DPU，则算式一至算式三可合并为以下算式四：

[L₁(n),H₁(n)]＝DPU(F(2n)) 算式四。

通过上述对含噪图像沿行方向进行分解、预测和更新，可得到含噪图像更新后的两个分量L₁(n)和H₁(n)，其分别为图像的近似分量和细节分量。

沿行操作时，记F(2m,2n)为F(2n)，因为此时列是整列操作的，所以步骤S1之后得到L₁(n)和H₁(n)。

步骤S2：对所述近似图像和细节图像沿列方向进行分解、预测和更新，得到所述近似图像和细节图像更新后的低频近似分量和高频细节分量。

对近似图像和细节图像沿列方向进行分解D、预测P和更新U，可满足以下算式五和算式六：

[L₁L₁，L₁H₁]＝DPU(L₁(n)) 算式五

[H₁L₁，H₁H₁]＝DPU(H₁(n)) 算式六

其中，L₁L₁为低频近似分量(低频近似图像)(沿行方向则记为L₁L₁(n))，L₁H₁和H₁L₁，H₁H₁为三个高频细节分量(高频近似图像)(沿行方向则记为L₁H₁(n)和H₁L₁(n)，H₁H₁(n))。

沿列操作时，L₁(n)和H₁(n)起始分别记为L₁(2m)和H₁(2m)。因为此时是整行操作的，所以步骤S2之后得到的L₁L₁，L₁H₁，H₁L₁，H₁H₁，其形式分别为：L₁L₁(m)，L₁H₁(m)，H₁L₁(m)，H₁H₁(m)。其完整形式分别为：L₁L₁(n,m)，L₁H₁(n,m)，H₁L₁(n,m)，H₁H₁(n,m)

步骤S3：对所述高频细节分量进行阈值处理，得到阈值处理后新的高频细节分量。

对上述图像分解的三个高频分量进行阈值处理，达到对图像噪声分量抑制效果。

对三个高频细节分量进行阈值处理，可满足以下算式七：

[L₁H₁1，H₁L₁1，H₁H₁1]＝thr_fun(L₁H₁，H₁L₁，H₁H₁，T) 算式七

其中，thr_fun(L₁H₁，H₁L₁，H₁H₁，T)为阈值函数，T为所选择的阈值，L₁H₁1，H₁L₁1，H₁H₁1为经过阈值处理之后的三个新的高频细节分量，即L₁H₁，H₁L₁，H₁H₁三个细节分量分别被经过阈值之后的新分量L₁H₁1，H₁L₁1，H₁H₁1代替。

这里的阈值函数thr_fun()可以根据需求选择合适的方法，如硬阈值，软阈值，自适应阈值等等。本实施例选择的阈值方法为软阈值法，阈值T为对角线分量的中值，即：

[L₁H₁1，H₁L₁1，H₁H₁1]＝soft_thr(L₁H₁，H₁L₁，H₁H₁，median(abs(H₁H₁(n))))

步骤S4：对所述低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，得到合成后的列方向近似图像和细节图像。

基于阈值更新之后的三个细节分量L₁H₁1，H₁L₁1，H₁H₁1和近似分量L₁L₁(n)，对低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，分别满足以下算式八至算式十：

U₁:L₁L(m)＝L₁L₁(m)–rshift(L₁H₁(m),1) 算式八

P₁:L₁H(m)＝L₁L(m)+L₁H₁(m) 算式九

R:以L₁L(m)为奇行，L₁H(m)为偶行，合成L₁(2m)和H₁(2m) 算式十

其中，U₁为更新，P₁为预测，R为合成，m为正整数，L₁L(m)和L₁L₁(m)分别为更新后的列方向近似图像，L₁H(m)和L₁H₁(m)分别为更新后的列方向细节图像，L₁(2m)(沿行方向则记为L₁(n))和H₁(2m)(沿行方向记为H₁(n))分别为合成后的列方向近似图像和细节图像，进一步用于行方向变换。

为了表述简洁，可将上述的更新U₁，预测P₁和合成R三个操作记为U₁P₁R操作，则合成后的列方向近似图像和细节图像L₁(2m)和H₁(2m)可满足以下算式十一和算式十二：

L₁(2m)＝U₁P₁R(L₁L₁(m)，L₁H₁(m)) 算式十一

H₁(2m)＝U₁P₁R(H₁L₁(m)，H₁H₁(m)) 算式十二。

步骤S5：对所述合成后的列方向近似图像和细节图像沿行方向进行更新，预测和合成，得到合成后的去噪图像。

合成后的去噪图像S₀满足以下算式十三：

S₀＝U₁P₁R(L₁(n))，H₁(n)) 算式十三。

步骤S6：对所述去噪图像分别沿行和列方向进行多次图像平移，得到对应的多个平移图像，并对各所述平移图像执行步骤S1-步骤S5，得到各所述平移图像对应的多个合成后的去噪图像，并对其进行反平移，得到各更新后的合成去噪图像。

首先，对上述图像进行平移操作。平移方式可为循环平移方式，行列平移距离相同。平移图像F_i的计算满足以下算式十四：

F_i＝pshift(F1,i) 算式十四

其中，F1为合成后的去噪图像，pshift(F1，i)函数表示将合成后的去噪图像F1分别沿行和列进行整体平移i个像素。

本实施例中，平移步长参数i可设置为1，平移次数可设置为例如3次。

每次平移后，采用步骤S1～S5，分别对F₁，F₂和F₃(F_i)进行去噪操作，即进行图像分解，图像阈值，图像合成，得到各平移图像对应的合成后的去噪图像S₁1，S₂1和S₃1(S_i1)。

最后，对合成后的去噪图像S₁1进行反平移操作。最终平移图像更新后的合成去噪图像S_i的计算，可满足以下算式十五：

S_i＝pshift(S_i1,-i) 算式十五

其中，S_i1为平移图像对应的合成后的去噪图像。

本实施例中，根据算式十五对图像进行反平移操作后，即得到更新的去噪图像S₁，S₂和S₃(S_i)。

步骤S7：对步骤S5中的所述合成后的去噪图像和步骤S6中的所述更新后的合成去噪图像进行求平均计算，得到最终的去噪图像。

基于各个平移图像去噪结果，最终的去噪图像S_denoise的计算，可满足以下算式十六：

其中，N为图像平移次数，初始未平移的合成后的去噪图像记为S₀。

本实施例中，基于上述4个平移图像的去噪结果S₀，S₁，S₂，S₃，即可根据算式十六计算最终的去噪图像,得到S_denoise。即：

S_denoise＝rshift(S₀+S₁+S₂+S₃，2) 算式十七

算式十七中的S₀+S₁+S₂+S₃，即为算式十六中的 即为rshift(number,2),这里的N为4；一个数除以4，与这个数向右移动2位效果相同(二进制数)。所以在实施例中，我们用右移代替，硬件操作上也是通过移位来实现的，而不是除法。

图3～图5给出了图2中去噪之后三个图像细节的对比情况，其中分图a)～d)分别为图2分图a)中低噪声图片，图2分图b)中高噪声图片，应用本发明方法后的去噪图片及haar小波去噪图片。由图片显示可知，通过本发明方法去噪之后的图片，其噪声得到了显著的抑制，平坦区域去噪效果甚至达到了低噪声图像水平。同时，其边缘也比直接采用haar小波算法效果更好，边缘形状没有出现突变和伪吉布斯效应。因此，本发明方法在去噪效果方面既去除了噪声，同时也有效保护了边缘细节；而且，本发明算法过程简单，硬件易实现，是一种高效的CIS片上去噪算法。

综上所述，本发明利用Haar小波变换采用小波基分解格式，将无理数小波基拆分为缩放系数和整数对角矩阵形式，利用整数对角矩阵分量将基于卷积运算的小波变换转变为图像行列的加减运算，运算过程具有原位操作，整数运算，且不涉及乘法器，只需加法和移位操作，适合硬件实现；另一方面，结合平移不变量技术，消除由于haar小波基的不连续性在图像的不连续点处引起的伪吉布斯效应，同时还能减小原始信号与估计信号之间的均方根误差，在提高图像去噪程度的同时有效的保护图像细节信息。本发明为可兼顾算法复杂度和去噪效果的硬件去噪算法，易于在CMOS图像传感器片上实现。

以上所述的仅为本发明的优选实施例，所述实施例并非用以限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (10)

1.一种高效的CMOS图像传感器片上去噪算法，其特征在于，包括以下步骤：

步骤S1：对含噪图像沿行方向进行分解、预测和更新，得到所述含噪图像更新后的近似图像和细节图像；

步骤S2：对所述近似图像和细节图像沿列方向进行分解、预测和更新，得到所述近似图像和细节图像更新后的低频近似分量和高频细节分量；

步骤S3：对所述高频细节分量进行阈值处理，得到阈值处理后新的高频细节分量；

步骤S4：对所述低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，得到合成后的列方向近似图像和细节图像；

步骤S5：对所述合成后的列方向近似图像和细节图像沿行方向进行更新，预测和合成，得到合成后的去噪图像；

步骤S6：对所述去噪图像分别沿行和列方向进行多次图像平移，得到对应的多个平移图像，并对各所述平移图像执行步骤S1-步骤S5，得到各所述平移图像对应的合成后的去噪图像，并对其进行反平移，得到各更新后的合成去噪图像；

步骤S7：对步骤S5中的所述合成后的去噪图像和步骤S6中的所述更新后的合成去噪图像进行求平均计算，得到最终的去噪图像。

2.根据权利要求1所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S1中，对含噪图像沿行方向进行分解、预测和更新分别满足以下算式一至算式三：

D:L(n)＝F(:,2n-1)，H(n)＝F(:,2n) 算式一

P:H₁(n)＝H(n)-L(n) 算式二

U:L₁(n)＝L(n)+rshift(H₁(n),1) 算式三

其中，D为分解，P为预测，U为更新，L(n)为含噪图像F的近似图像,H(n)为含噪图像F的细节图像,n＝1,2,3,……M/2,M为含噪图像F的列数；H₁(n)为更新后的细节图像，L₁(n)为更新后的近似图像；rshift(H₁(n),1)为二进制右移函数，表示将H₁(n)信号以二进制形式向右移动1位。

3.根据权利要求2所述的高效的CMOS图像传感器片上去噪算法，其特征在于，将所述分解D、预测P和更新U三个操作组合为一个基本变换步骤，记为DPU，则所述算式一至算式三合并为以下算式四：

[L₁(n),H₁(n)]＝DPU(F(2n)) 算式四。

4.根据权利要求3所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S2中，对所述近似图像和细节图像沿列方向进行分解、预测和更新满足以下算式五和算式六：

[L₁L₁，L₁H₁]＝DPU(L₁(n)) 算式五

[H₁L₁，H₁H₁]＝DPU(H₁(n)) 算式六

其中，L₁L₁为低频近似分量，L₁H₁和H₁L₁，H₁H₁为三个高频细节分量。

5.根据权利要求4所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S3中，对所述高频细节分量进行阈值处理满足以下算式七：

[L₁H₁1，H₁L₁1，H₁H₁1]＝thr_fun(L₁H₁，H₁L₁，H₁H₁，T) 算式七

其中，thr_fun(L₁H₁，H₁L₁，H₁H₁，T)为阈值函数，T为所选择的阈值，L₁H₁1，H₁L₁1，H₁H₁1为经过阈值处理之后的三个新的高频细节分量。

6.根据权利要求5所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S4中，对所述低频近似分量和新的高频细节分量沿列方向进行更新，预测和合成，分别满足以下算式八至算式十：

U₁:L₁L(m)＝L₁L₁(m)–rshift(L₁H₁(m),1) 算式八

P₁:L₁H(m)＝L₁L(m)+L₁H₁(m) 算式九

R:以L₁L(m)为奇行，L₁H(m)为偶行，合成L₁(2m)和H₁(2m) 算式十

其中，U₁为更新，P₁为预测，R为合成，m为正整数，L₁L(m)和L₁L₁(m)分别为更新后的列方向近似图像，L₁H(m)和L₁H₁(m)分别为更新后的列方向细节图像，L₁(2m)和H₁(2m)分别为合成后的列方向近似图像和细节图像。

7.根据权利要求6所述的高效的CMOS图像传感器片上去噪算法，其特征在于，将所述更新U₁，预测P₁和合成R三个操作组合为一个基本变换步骤，记为U₁P₁R操作，则所述合成后的列方向近似图像和细节图像L₁(2m)和H₁(2m)满足以下算式十一和算式十二：

L₁(2m)＝U₁P₁R(L₁L₁(m)，L₁H₁(m)) 算式十一

H₁(2m)＝U₁P₁R(H₁L₁(m)，H₁H₁(m)) 算式十二。

8.根据权利要求7所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S5中，合成后的去噪图像S₀满足以下算式十三：

S₀＝U₁P₁R(L₁(n))，H₁(n)) 算式十三。

9.根据权利要求8所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S6中，所述平移图像F_i的计算满足以下算式十四：

F_i＝pshift(F1,i) 算式十四

其中，F1为合成后的去噪图像，pshift(F1，i)函数表示将合成后的去噪图像F1分别沿行和列进行整体平移i个像素；

所述平移图像更新后的合成去噪图像S_i的计算满足以下算式十五：

S_i＝pshift(S_i1,-i) 算式十五

其中，S_i1为所述平移图像对应的合成后的去噪图像。

10.根据权利要求9所述的高效的CMOS图像传感器片上去噪算法，其特征在于，步骤S7中，所述最终的去噪图像S_denoise的计算满足以下算式十六：

其中，N为图像平移次数，初始未平移的合成后的去噪图像记为S₀。