CN1169088C - 数据处理方法和装置 - Google Patents

Abstract

一种用来处理输入数据并输出经处理的数据作为输出数据的数据处理装置，有效地降低了噪声。提取单元提取具有与给定输入数据的数值相接近的数值的相似输入数据。处理单元根据提取单元提取的相似输入数据处理输入数据。

Description

数据处理方法和装置

技术领域

一般地说，本发明涉及数据处理方法和装置，更具体地说，本发明涉及使包含在数据中的噪声更容易地和更有效地得以消除的数据处理方法和数据处理装置。

背景技术

通常，象图像数据或声音数据那样的被提供或被读取数据包含着随时间变化的噪声。传统上，为了消除包含在数据之中的噪声，可以对整个输入数据进行平均(此后，有时将此称之为“整体平均值”)，可以对局部输入数据进行平均，此平均值称之为“移动平均值”，或者可以用附近数据的中值来代替数据的给定项。例如，为了降低图像中的噪声，如下的技术是众所周知的。将一帧用作参考帧，并且确定另一帧的运动矢量，从而通过使用运动矢量对第二帧进行运动补偿。由此确定出经运动补偿的帧和参考帧之间的加权平均值。

然而，上述消除噪声的传统技术存在着如下的问题。

如果包含在数据中的噪声的比例，即信噪比(S/N)，保持不变，那么计算整体平均值的技术是有效的。然而，当S/N比发生变化时，具有较差S/N比的数据就会对具有较好S/N比的数据产生负面影响，从而使有效地消除噪声变得困难。

根据计算移动平均值的技术，可以获得瞬时接近输入数据的数据平均值，因而处理结果易受S/N比的变化的影响。就是说，对于具有高S/N比的输入数据，处理结果也具有高的S/N比；对于具有低S/N比的输入数据，处理结果也具有低的S/N比。

根据上面所述的平均值计算技术，平均后的数据变得平滑了。因此，如果这种技术被用来消除图像中的噪声，那么，其中数据急剧变化的部分，即陡峭的边缘，就会丢失掉。

在中值替代技术中，数据的时间次序受到干扰，这可以严重地损害原始波形的特性。在使用运动矢量过程中，如果运动矢量被错误地检测到，那么经处理的图像的质量就会受到极大的损坏。

发明内容

因此，本发明的目的是解决上面所述的问题。

为了达到上面的目的，根据本发明的一个方面，本发明提供了用来处理输入数据和输出作为输出数据的经处理数据的数据处理装置。数据处理装置包括用来从输入数据中提取具有与给定输入数据的数值接近的数值的相似输入数据的提取单元；用来估算包含在输入数据中的噪声的电平的估算装置；用于自适应地设定权重函数的设定装置；以及处理单元根据由提取单元提取的相似输入数据来处理输入数据。其中，所述设定装置根据估算的噪声电平以及相似输入数据和给定输入数据之间的时间或空间相近性，来设定权重函数，所述处理装置通过让相似输入数据与所述权重函数相乘来将权重施加到相似输入数据上，并通过将加权的相似输入数据相加，来计算给定输入数据的输出数据。

本发明还提供一种用来处理输入数据并输出被处理数据作为输出数据的数据处理装置，包括：用来从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取装置；用来估算包含在输入数据中的噪声的电平的估算装置；用于根据所估算的噪声电平，自适应地设定一预定数值的设定装置；以及用来根据所述提取装置所提取的相似输入数据来处理输入数据的处理装置，其中，所述提取装置提取作为相似输入数据的、其与给定输入数据之间的差值是在所述预定数值之内的输入数据，所述处理装置通过根据预定的模型，利用相似输入数据进行近似处理来计算出输出数据。

根据本发明的另一方面，本发明提供了用来处理输入数据和输出作为输出数据的经处理数据的数据处理方法。数据处理方法包括从输入数据中提取具有与给定输入数据的数值接近的数值的相似输入数据的提取步骤、用来估算包含在输入数据中的噪声的电平的估算步骤；用于自适应地设定权重函数的设定步骤；和根据被提取的相似输入数据来处理输入数据的处理步骤，其中，所述设定步骤根据估算的噪声电平以及相似输入数据和给定输入数据之间的时间或空间相近性，来设定权重函数，所述处理步骤通过让相似输入数据与所述权重函数相乘来将权重施加到相似输入数据上，并通过将加权的相似输入数据相加，来计算给定输入数据的输出数据。

本发明还提供一种用来处理输入数据并输出被处理数据作为输出数据的数据处理方法，包括：用来从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取步骤；用来估算包含在输入数据中的噪声的电平的估算步骤；用于根据所估算的噪声电平，自适应地设定一预定数值的设定步骤。以及用来根据所述提取步骤所提取的相似输入数据来处理输入数据的处理步骤，其中，所述提取步骤提取作为相似输入数据的、其与给定输入数据之间的差值是在所述预定数值之内的输入数据，所述处理步骤通过根据预定的模型，利用相似输入数据进行近似处理来计算出输出数据。

附图说明

图1是显示根据本发明的第一实施例的降噪(NR)处理电路的结构的方块图；

图2是显示图1所示的图像处理电路的结构的方块图；

图3是显示图2所示的图像处理电路的操作的流程图；

图4A显示了权重函数随亮度变化的曲线图；

图4B显示了权重函数随到给定像素的距离而变化的曲线图；

图5A显示了待处理的像素值；

图5B显示了将权重施加到具有与给定像素的亮度值相似的亮度值的像素上的原理；

图5C显示了将进一步的权重施加到位于给定像素附近的像素上的原理；

图6是显示图2所示的权重函数设定部分的结构的方块图；

图7显示在模拟过程中使用的图像照片；

图8显示从图7所示的图像中获得的模拟结果；

图9显示在模拟过程中使用的图像照片；

图10显示从图8所示的图像中获得的模拟结果；

图11显示了通过计算给定像素和与给定像素相似的像素之间的加权平均值来消除噪声的原理；

图12显示了在测量值和真值之间的误差的分布；

图13显示了在测量值和真值之间的误差的分布；

图14是显示根据本发明的第二实施例的NR处理电路的结构的方块图；

图15显示了输入数据的拟合(modeling)；

图16显示了由图14所示的NR处理电路所获得的处理结果；

图17显示了由图14所示的NR处理电路所获得的处理结果；

图18显示了由图14所示的预处理单元的处理；

图19显示了由图14所示的NR处理电路所获得的处理结果；

图20是显示根据本发明的第三实施例的NR处理电路的结构的方块图；

图21是显示图20所示的NR处理电路的操作的流程图；和

图22是显示根据本发明的第四实施例的NR处理电路的结构的方块图。

具体实施方式

图1是显示根据本发明的第一实施例的降噪(NR)处理电路的结构的方块图，其中NR处理是在图像上进行的。待NR处理的图像以帧为单位首先提供到帧存储器1中。帧存储器具有存储多个帧(例如，10至20帧)的存储容量并临时存储提供的图像。图像处理单元2读取存储在帧存储器中的图像并对图像进行NR处理以降低噪声。经图像处理单元2处理的图像提供到帧存储器3中。帧存储器3临时存储从图像处理单元2中提供的图像。

图2显示了图1所示的图像处理单元2的结构。存储在帧存储器1(图1)中的图像被适当地读取并提供给权重函数设定部分11或像素值域加权部分12。

权重函数设定部分11自适应地设定像素值域权重函数W_Val、垂直权重函数W_Ver、水平权重函数W_Hor和时间域权重函数W_Fr，所有这些权重函数都将在下面加以讨论，并且将权重函数W_Val提供给像素值域加权部分12、将权重函数W_Ver和W_Hor提供给空间域加权部分13、和将权重函数W_Fr提供给时间域加权部分14。

像素值域加权部分12根据权重函数W_Val对接收到的像素加权并将加权的像素提供给空间域加权部分13。空间域加权部分13根据权重函数W_Ver和W_Hor对来自像素值域加权部分12的像素加权并将加权的像素提供给时间域加权部分14。时间域加权部分14根据权重函数W_Fr对来自空间域加权部分13的像素加权并将加权的像素提供给加法器15。然后，加法器15按顺序相加从时间域加权部分14提供的像素(像素值)并输出相加后的数值。

下面结合图3的流程图讨论图2所示的图像处理单元2的操作。

在步骤S1中，设定权重函数。更具体地说，权重函数设定部分11适当地读取存储在帧存储器1中的图像并估算当前帧的噪声电平。然后，权重函数设定部分11根据估算的噪声电平设定权重函数W_Val、W_Ver、W_Hor和W_Fr。

在图像处理单元2中，给定像素的数值用多个加权像素值的和来代替，从而降低了噪声。权重函数W_Val被用来根据每个替代像素和给定像素之间的差值来对代替给定像素的像素加权。在这个实施例中，权重函数W_Val是由，例如，如下的高斯分布的等式f(x)来表示的：

f(x)＝1/((2π)^1/2σ)exp(-(x-μ)²/(2σ²))……(1)

其中μ和σ分别表示平均值和标准偏差。

权重函数W_Ver、W_Hor和W_Fr被用来根据给定像素和每个待处理的像素之间的空间和时间距离来对待处理的像素加权。在这个实施例中，权重函数W_Ver、W_Hor和W_Fr也是由高斯分布的等式(1)来表示的，尽管它们可以由其它类型的式子给出。

因此，权重函数W_Val是表示给定像素和待处理像素之间的差值sub的函数，和更严格地说，它由W_Val(sub)来表示。权重函数W_Ver、W_Hor和W_Fr是分别表示给定像素和待处理像素之间的垂直距离j、它们之间的水平距离i和它们之间的时间距离k的函数，和更严格地说，它们分别由W_Ver(j)、W_Hor(i)和W_Fr(k)来表示。

由高斯分布表示的权重函数W_Val显示在图4A中，其中水平轴表示亮度。也由高斯分布表示的权重函数W_Ver、W_Hor和W_Fr显示在图4B中，其中水平轴表示每个域的距离。在图4B中，权重函数W_Ver、W_Hor和W_Fr共同由W_Loe来表示。

在权重函数设定部分11中，在定义权重函数W_Val、W_Ver、W_Hor和W_Fr的等式(1)中标准偏差σ是根据估算的噪声电平设定的。所得的权重函数W_Val、W_Ver、W_Hor和W_Fr被提供给像素值域加权部分12、空间域加权部分13和时间域加权部分14。更具体地说，权重函数W_Val被提供给像素值域加权部分12，权重函数W_Ver和W_Hor被提供给空间域加权部分13和权重函数W_Fr被提供给时间域加权部分14。

回过头来参考图3，在步骤S2中，在像素值域加权部分12、空间域加权部分13和时间域加权部分14中将权重施加到所提供的像素上，并且在加法器15中将加权的像素值相加。将所得的数值输出作为给定像素的最新像素值。

更具体地说，现在假定在存储在帧存储器1中的帧中第t帧的从顶端算起第y+1行和从左边算起第x+1列的给定像素的数值是用L[t][y][x]来表示的。在上述加权部分12、13和14以及加法器15中所获得的给定像素的最新值则由如下式子所表达的L′[t][y][x]来表示：

$L^{\′}\left[t\right]\left[y\right]\left[x\right]=\underset{k=-K}{\overset{+K}{\mathrm{\Σ}}}{W}_{\mathrm{Fr}}\left(k\right)(\underset{j=-J}{\overset{+J}{\mathrm{\Σ}}}{W}_{\mathrm{Ver}}\left(j\right)(\underset{i=-I}{\overset{+I}{\mathrm{\Σ}}}{W}_{\mathrm{Hor}}\left(i\right)\×W_{\mathrm{Val}}\left(L[t+k]\right[y+j\left]\right[x+i]-L[t\left]\right[y\left]\right[x\left]\right)\×L[t+k\left]\right[y+j\left]\right[x+i\left]\right))---\left(2\right)$

之后，处理过程进入步骤S3，在步骤S3中控制器(图中未示出)确定在一帧中的所有像素是否都作为给定像素进行过处理。如果步骤S3的输出结果是“否”，那么处理过程返回到步骤S2，其中在待处理的像素上执行相应的处理。如果在步骤S3中发现一帧中的所有像素都经过了处理，那么处理过程返回到步骤S1，其中对下一帧作为给定帧进行处理。此后，重复相似的处理过程。

更具体地说，在图2所示的图像处理单元2中，通过将权重加到像素上并将加权的像素相加，就确定了具有降低的噪声的给定像素的新值。在像素值域加权部分12中，根据给定像素值L[t][y][x]和待处理的像素的数值L[t+k][y+j][x+i]之间的差值L[t+k][y+j][x+i]-L[t][y][x]来加上权重。

结果是，较大的权重被加到与给定像素更相似的待处理像素上，而较小的权重则被加到与给定像素较不相似的待处理像素上。也就是说，在极端的情况下，没有权重被加到与给定像素不相似的像素上。在这种方式中，只有与给定像素相对相似的像素才被提取出来，并且对这些像素加权和相加，从而确定噪声降低了的最初给定像素的新值。

在空间域加权部分13中，根据给定像素和待处理像素之间的垂直距离j和它们之间的水平距离i来施加权重。就是说，较大的权重被加到在空间上与给定像素较接近的像素上，而较小的权重则被加到在空间上离给定像素较远的像素上。

在时间域加权部分14中，根据给定像素和待处理像素之间的时间距离k(时间间隔k)来施加权重。就是说，较大的权重被加到在时间上与给定像素较接近的像素上，而较小的权重则被加到在时间上离给定像素更远的像素上。

正如上面所讨论的，较大的权重被应用到在空间和时间上接近给定像素的像素上，并且没有权重被加到在空间和时间上远离给定像素的像素上。

因此，参考图5A、5B和5C，如图5B所示，具有与给定像素相似的数值(亮度)的像素被首先提取出来，并且在提取的像素中，在空间和时间上接近给定像素的像素被提取出来，正如图5C所示的。被提取的像素被加权并且被相加在一起，所得的数值被确定出来作为给定像素的新值。因此，包含在给定像素中的噪声能够容易地和有效地得到降低。在图5A、5B和5C中，一个矩形区域等效于一个像素，和矩形区域的大小代表权重。

图6显示了图2所示的权重函数设定部分11的结构。现在假定给定的帧是第n帧。第n帧和随后的第n+1帧被提供到差分电路21中。差分电路21计算第n帧和第n+1帧之间的差值并将含有被计算的差值的帧(差分帧)提供到分块电路22中。

分块电路22将来自差分电路21的差分帧划分成许多块，每一块含有预定数量的像素(例如，8×16个像素的块)，并且将这些块提供到均方根(RMS)计算电路23中。RMS计算电路23计算从分块电路22提供而来的每一块的像素差值的RMS。然后，每块的RMS从RMS计算电路23提供到频率曲线(histogram)生成电路24。在频率曲线生成电路24中，生成一个RMS频率曲线并将它提供到噪声电平估算电路25中。

噪声电平估算电路25估算来自从频率曲线生成电路24提供的RMS频率曲线的第n帧中的噪声电平，第n帧是一个给定帧。

更具体地说，噪声电平估算电路25检测RMS频率曲线中除零之外的最小RMS，并输出这个最小RMS作为给定帧中的噪声电平(noise level)。现在假定在图像的信号成分和噪声成分之间没有相关性(即使这个假定是针对行数和列数均为八个或更多个像素的块作出的也没有问题)。从统计上看，在差分帧中，含有信号成分的块的RMS大于不含信号成分的块的RMS。因此，没有信号成分的块的RMS，即只含噪声的块的RMS，在RMS频率曲线中表现为最小值。

应该注意到，在RMS频率曲线中除零之外的最小RMS可以依赖于帧的不同发生显著的变化。如果除零之外的最小RMS被简单地用作噪声电平，那么噪声的电平可以随帧发生极大的改变。因此，一个权重，例如，y＝e-x，可以被加到RMS频率曲线中(较大的权重可以用较小的RMS去乘，而较小的权重则可以用较大的RMS去乘)。然后，加权RMS的加权平均值可以被计算出来和被用作噪声的电平。在这种情况中，噪声的电平并不随帧发生显著的变化，而是基本上保持不变。

在噪声电平估算电路25中估算的噪声电平被提供给权重函数设定电路26。在权重函数设定电路26中，在权重函数W_Val、W_Ver、W_Hor和W_Fr中的高斯分布的标准偏差根据从噪声电平估算电路25中提供的给定帧的噪声电平被设定。

更具体地说，对于较大的噪声电平，权重函数设定电路26增大权重函数W_Val中的标准偏差。以这种方式，权重函数W_Vol中的标准偏差σ随噪声的电平发生变化，从而有可能根据包含在原始图像中的噪声电平进行最佳NR处理。

另一种可供选择的方法是，权重函数W_Val、W_Ver、W_Hor和W_Fr中的标准偏差σ可以通过检测原始图像中运动的量或运动的存在与否来设定。也就是说，对于存在运动的图像(运动图像)增大权重函数W_Ver和W_Hor中的标准偏差σ。反之，对于几乎不运动的图像(静止图像)增大权重函数W_Fr中的标准偏差σ。在这种情况中，可以进行考虑到原始图像的运动的NR处理。

下面结合图7至10用图1所示的图像处理单元在一幅图像上进行NR处理所得的模拟结果给出说明。

图7和9显示了待NR处理的图像。图7所示的图像是静止图像，而图9所示的图像是来自运动图像。图8和10分别显示了由图7和9所示的图像所获得的模拟结果。

在图8中，曲线A1表示图7所示的图像的S/N比，开头和结尾部分的S/N比为大约33dB，和中间部分的S/N比为大约40dB。

曲线A2表示通过图像处理单元2对图7所示的图像进行NR处理所得的图像的S/N比，曲线A3和A4表示根据运动相关平均技术(首先确定运动的存在与否，然后，计算含有运动的部分和不含运动的部分的平均值)对图7所示的图像进行NR处理所得的图像的S/N比。A3和A4所表示的不同S/N比是通过改变用来确定运动的参数值获得的。

在图10中，曲线B1表示图9所示的图像的S/N比。正如在图7所示的图像的情况那样，曲线B1的开头部分和结尾部分的S/N比为大约33dB，和中间部分的S/N比为大约40dB。

曲线B2表示通过使用图像处理单元2对图9所示的图像进行NR处理所得的图像的S/N比。曲线B3表示根据运动相关平均技术对图9所示的图像进行NR处理所得的图像的S/N比。

图8和10揭示，不管什么类型的图像，即不管是静止图像还是运动图像，通过使用根据图像处理单元2进行的NR处理，可以使噪声有效地得到降低，并具有改善了的S/N比，而不受原始图像的S/N比的影响。

在上面所述的情况下，在接近给定像素的像素中，空间上和时间上接近给定像素的像素被提取出来。然而，考虑到空间因素，只有沿着水平方向或沿着垂直方向接近给定像素的像素可以被提取出来。

通过提取接近给定像素的像素和然后对被提取的像素加权并相加在一起来降低噪声(提高S/N比)的原理如下。为了简化表述，最简单的方法，即算术平均值法，被用作加权和相加的方法。

假定像素的测量值和真值之间的误差，即噪声，是用正态分布来表示的(即使作出这样的假设，也不存在根本性的问题)，像素的测量值也是由正态分布来表示的，如图11所示。

现在假定给定像素的测量值是用C来表示的。在图11中由D表示的接近测量值C的像素分布在测量值C的周围。当接近测量值C的像素的算术平均值由C′来表示时，算术平均值C′等价于将用阴影线部分表示的区域划分成两块相等的部分的那个数值。因此，能够作出如下的假设，如果测量的像素值用正态分布来表示，那么接近于测量值C的算术平均值C′近似于真值。因此，通过确定接近于测量值C的各像素的算术平均值，就能降低噪声。

图12显示了构成图像的每个像素的测量值和真值之间的误差的分布。通过计算接近给定像素的各像素的算术平均值，图12所示的分布由图13所示的图形来表示。

更具体地说，通过计算算术平均值，具有误差E的像素的误差分布由图13中的F来表示。在这种情况中，尽管存在着一些其误差大于误差E的像素，但大多数像素都具有小于误差E的误差。结果，在图13中实线表示的误差分布变得比原始分布(图12)要陡峭得多。换句话来说，具有较小误差的像素的数量增加了。

根据上面所述的消除(降低)噪声的原理，进一步的噪声降低可以通过对含有降低了噪声的像素实施另一次加权操作来达到。权重函数W_Val的标准偏差σ的设定等效于在图11中对待加权的数据的区域D的设定。

图14显示了根据本发明的第二实施例的NR处理电路的结构。

在这个NR处理电路中，具有接近于给定输入数据的数值的输入数据被提取出来，通过使用被提取的输入数据，包含在给定输入数据之中的噪声得以消除(降低)。

更具体地说，将输入数据提供到锁存电路31₁和预处理单元32中。锁存电路31₁与，例如，输入数据被提供的那一时刻的定时相同步地锁存(存储)所提供的输入数据，并且进一步将它提供到随后的锁存电路31₂和预处理单元32中。类似地，锁存电路31₂或锁存电路31₃分别锁存从锁存电路31₁和31₂提供的输入数据，并且分别将其提供到随后的锁存电路31₃和锁存电路31₄中，和将它提供到预处理单元32中。锁存电路31₄锁存从前级锁存电路31₃中输出的输入数据并将它提供到预处理单元32中。

如果输入数据x(t+2)被提供到锁存电路31₁和预处理单元32中，那么分别在锁存器31₁、31₂、31₃和31₄中锁存的输入数据x(t+1)、x(t)、x(t-1)和x(t-2)也被提供到预处理单元32中。也就是说，五个依次的取样数据x(t+2)至x(t-2)被同时提供到预处理单元32中。通过使用从输入取样数据x(t+2)至x(t-2)中选择的中心数据x(t)作为给定输入数据进行下面将要讨论的预处理，接近给定输入数据x(t)的数据从五个取样数据x(t+2)至x(t-2)中被提取出来并且被提供到拟合(modeling)单元33中。

拟合单元33根据预定的模型通过使用来自预处理单元32的输入数据进行近似处理，从而确定相应于给定输入数据x(t)的输出数据y(t)。

更具体地说，拟合单元33是由线性递归(regression)单元41和输出计算器42构成的。线性递归单元41根据线性表达式(直线)所表示的模型利用来自预处理单元32的输入数据进行近似处理，从而局部地拟合输入数据。换句话说，线性递归单元41将来自预处理单元32的输入数据构造成由线性表达式表示的模型。

根据线性递归，确定出使线性表达式y＝at+b所表示的直线与来自预处理单元32的每个输入数据(在图15中用“·”表示)之间的差值的平方和为极小的常数a和b，如图15所示。

然后，线性递归电路41将所确定的常数a和b提供到输出计算器42中。输出计算器42利用常数a和b计算表达式y(t)＝at+b，并输出所得的数值y(t)作为相应于给定输入数据x(t)的输出数据。

前述的处理是在每个时间点t上的输入数据x(t)上进行的，从而获得噪声被有效地降低(消除)了的(具有提高了的S/N比)近似于真值的输出数据y(t)，正如图16所示。

当真值具有连续性时由线性表达式所表示的模型是有效的。否则，举例来说，如果真值含有不连续点，那么，从线性表达式所表示的模型获得的输出数据y(t)偏离真值，如图17所示。

因此，预处理单元32从五个取样输入数据中只提取与线性表达式所表示的模型相匹配的数据，并将被提取的数据提供给线性递归单元41。

更具体地说，预处理单元32计算给定输入数据x(t)和每个输入数据x(在这种情况中，x(t+2)到x(t-2))之差值的绝对值(|x(t)-x|)。然后，只有其绝对值等于或小于某一预定阈值th的输入数据才被提取出来并提供给线性递归单元41。因此，在线性递归单元41中，只有在相对于给定输入数据在阈值±th之内的输入数据上进行线性递归，如图18所示，否则，在真值的不连续点上将会引起输出数据y(t)的波形偏离真值。也就是说，即使真值包含有不连续点，也能获得近似于真值的输出数据y(t)，正如图19所示的。

图20显示了根据本发明的第三实施例的NR处理电路的结构。与图14所示的单元相同的单元用相同的参考标号来表示，并且将省略有关的说明。也就是说，图20所示的NR处理电路以与图14所示的相应物相类似方式构造出来，除了噪声电平估算单元51的构造之外。

在图14所示的NR处理电路中，在预处理单元32中使用了固定的阈值th。然而，在图20所示的NR处理电路中，在预处理单元32中使用的阈值th是根据包含在输入数据之中的噪声的电平来自适应地设定的。

更具体地说，与被提供到预处理单元32中的五个取样输入数据x(t+2)到x(t-2)相同的五个取样输入数据x(t+2)到x(t-2)被提供到噪声电平估算单元51中。噪声电平估算单元51估算包含在输入数据中的噪声的电平并将估算的噪声电平提供给预处理单元32。然后，预处理单元32根据估算的噪声的电平设定阈值th。

下面结合图21的流程图描述图20所示的NR处理电路的操作。

在步骤S11中，五个取样输入数据x(t+2)到x(t-2)被输入到预处理单元32和噪声电平估算单元51中。然后，在步骤S12中，噪声电平估算单元51估算包含在五个取样输入数据x(t+2)到x(t-2)之中的噪声的电平。也就是说，噪声电平估算单元51计算五个取样输入数据x(t+2)到x(t-2)的偏差(variance)，并根据计算的偏差估算噪声的电平。然后，估算的噪声电平从噪声电平估算单元51提供到预处理单元32中。

在步骤S13中，预处理单元32根据噪声电平估算单元51所估算的噪声的电平设定阈值。更具体地说，对于较大的噪声电平设定较大的阈值th，而对于较小的噪声电平设定较小的阈值th。然后，预处理单元32计算给定输入数据x(t)和五个取样输入数据x(t+2)到x(t-2)的每一个之间的差值的绝对值，并且只提取其绝对值等于或少于阈值th的数据。提取的输入数据被提供到拟合单元33中。

在步骤S14中，拟合单元33局部拟合来自预处理单元32的输入数据，从而确定用来定义最佳地近似于输入数据的线性表达式y＝at+b的常数a和b。在步骤S15中，拟合单元33利用在步骤S14中所确定的常数a和b来计算表达式y(t)＝at+b并输出所得的y(t)作为相应于给定输入数据x(t)的输出数据。

然后，在步骤S16中由控制器(图中未示出)确定所有的输入数据是否都已被处理过。如果步骤S16的输出是否定的，那么处理等待要提供的新数据。然后处理返回到步骤S11，并且重复相应的处理过程。如果在步骤S16中发现所有的输入数据都已经被处理过，那么就完成处理。

图22显示了根据本发明的第四实施例的NR处理电路的结构。与图14或20所示的单元相同的单元用相同的参考标号来表示，并且将省略掉相关的说明。也就是说，图22所示的NR处理电路以与图14所示的相应物相类似的方式构造出来的，除了误差计算器61的构造之外。

在图14所示的NR处理电路中，在预处理单元32中使用了固定的阈值th。然而，在图22所示的NR处理电路中，以及在图20所示的相应物中，在预处理单元32中使用的阈值th是根据包含在输入数据之中的噪声的电平自适应地设定的。图22所示的NR处理电路根据在拟合输入数据过程中发生的拟合误差来估算噪声的电平，尽管图20所示的NR处理电路根据输入数据的偏差来估算噪声的电平。

更具体地说，五个取样输入数据x(t+2)到x(t-2)和用来定义最佳地近似于五个取样输入数据的线性表达式y＝at+b的常数a和b都被提供到误差计算器61中。

误差计算器61计算出，例如，由如下等式所表示的拟合误差e，并且根据计算的拟合误差e估算包含在输入数据之中的噪声的电平。

e＝|a×(t+2)+b-x(t+2)|+|a×(t+1)+b-x(t+1)|+|a×t+b-x(t)|+

   |a×(t-1)+b-x(t-1)|+|a×(t-2)+b-x(t-2)|           …(3)

在误差计算器61中计算出的噪声电平被提供到预处理单元32。然后，预处理单元32根据噪声的电平设定阈值，并且进行与图20所示的NR处理电路所进行的处理相似的处理。

正如上面所讨论的，具有与给定输入数据相似的数值的数据被提取出来，并且被提取的输入数据得到局部拟合。因此，没有得到拟合的输入数据成分，即噪声，能够得到降低。

尽管在前面的实施例中线性数据被用作输入数据，但本发明可以应用到象图像那样的多维数据的输入。如果输入数据是N维的，那么由在线性递归中使用的线性表达式所表示的模型由下列等式来表示：

$y=\underset{i=\left(\right)}{\overset{N}{\mathrm{\Σ}}}{a}_i{t}_i+c---\left(4\right)$

在前面的实施例中，线性表达式被用作近似于输入数据的模型。然而，可以使用另一种类型的模型，例如N阶多项式或贝塞尔(Bezier)曲线，这些模型使得有可能近似处理各种各样的结构。

近似处理输入数据的技术并不限于线性递归。

尽管在前面所述的实施例中本发明是从达到噪声降低的角度进行描述的，但本发明还可以进行输入数据的波形成形(shaping)。

正如从前述的描述中所看到的，本发明的数据处理方法和装置提供了如下的优点。类似于给定输入数据的输入数据被提取出来，并且利用被提取的输入数据进行处理，从而获得了包含在输入数据中的噪声被有效降低的输出数据。

Claims (9)

1.一种用来处理输入数据并输出被处理数据作为输出数据的数据处理装置，包括：

用来从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取装置；

用来估算包含在输入数据中的噪声的电平的估算装置；

用于自适应地设定权重函数的设定装置；以及

用来根据所述提取装置所提取的相似输入数据来处理输入数据的处理装置，

其中，所述设定装置根据估算的噪声电平以及相似输入数据和给定输入数据之间的时间或空间相近性，来设定权重函数，

所述处理装置通过让相似输入数据与所述权重函数相乘来将权重施加到相似输入数据上，并通过将加权的相似输入数据相加，来计算给定输入数据的输出数据。

2.根据权利要求1的数据处理装置，其中所述提取装置根据输入数据和给定输入数据之间的差值将权重施加到输入数据上来提取相似输入数据。

3.根据权利要求1的数据处理装置，其中所述提取装置根据输入数据和给定输入数据之间的差值从输入数据中提取相似输入数据。

4.根据权利要求1的数据处理装置，其中所述提取装置提取时间上或空间上接近给定输入数据的输入数据作为相似输入数据。

5.一种用来处理输入数据并输出被处理数据作为输出数据的数据处理装置，包括：

用来从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取装置；

用来估算包含在输入数据中的噪声的电平的估算装置；

用于根据所估算的噪声电平，自适应地设定一预定数值的设定装置；以及

用来根据所述提取装置所提取的相似输入数据来处理输入数据的处理装置，

其中，所述提取装置提取作为相似输入数据的、其与给定输入数据之间的差值是在所述预定数值之内的输入数据，

所述处理装置通过根据预定的模型，利用相似输入数据进行近似处理来计算出输出数据。

6.根据权利要求5的数据处理装置，其中所述估算装置根据输入数据和相应的输出数据之间的差值或根据输入数据的偏差来估算噪声的电平。

7.根据权利要求5的数据处理装置，其中所述处理装置根据线性表达式所表示的模型进行近似处理。

8.一种用来处理输入数据并输出被处理数据作为输出数据的数据处理方法，包括：

从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取步骤；

用来估算包含在输入数据中的噪声的电平的估算步骤；

用于自适应地设定权重函数的设定步骤；以及

根据提取的相似输入数据处理输入数据的处理步骤，

其中，所述设定步骤根据估算的噪声电平以及相似输入数据和给定输入数据之间的时间或空间相近性，来设定权重函数，

所述处理步骤通过让相似输入数据与所述权重函数相乘来将权重施加到相似输入数据上，并通过将加权的相似输入数据相加，来计算给定输入数据的输出数据。

9.一种用来处理输入数据并输出被处理数据作为输出数据的数据处理方法，包括：

用来从输入数据中提取具有与给定输入数据的数值相接近的数值的相似输入数据的提取步骤；

用来估算包含在输入数据中的噪声的电平的估算步骤；

用于根据所估算的噪声电平，自适应地设定一预定数值的设定步骤；以及

用来根据所述提取步骤所提取的相似输入数据来处理输入数据的处理步骤，

其中，所述提取步骤提取作为相似输入数据的、其与给定输入数据之间的差值是在所述预定数值之内的输入数据，

所述处理步骤通过根据预定的模型，利用相似输入数据进行近似处理来计算出输出数据。

Images