TWI720388B - 用以處理分段平滑信號之設備、方法及電腦程式 - Google Patents

用以處理分段平滑信號之設備、方法及電腦程式 Download PDF

Info

Publication number
TWI720388B
TWI720388B TW107145683A TW107145683A TWI720388B TW I720388 B TWI720388 B TW I720388B TW 107145683 A TW107145683 A TW 107145683A TW 107145683 A TW107145683 A TW 107145683A TW I720388 B TWI720388 B TW I720388B
Authority
TW
Taiwan
Prior art keywords
probability density
density function
function
signal
variable
Prior art date
Application number
TW107145683A
Other languages
English (en)
Other versions
TW201931154A (zh
Inventor
珍妮 赫特寧
里歐 卡爾凱南
Original Assignee
芬蘭商諾基亞科技公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 芬蘭商諾基亞科技公司 filed Critical 芬蘭商諾基亞科技公司
Publication of TW201931154A publication Critical patent/TW201931154A/zh
Application granted granted Critical
Publication of TWI720388B publication Critical patent/TWI720388B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Error Detection And Correction (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)

Abstract

一種設備，其包含至少一個處理器及至少一個記憶體，該至少一個記憶體包括電腦程式碼，其中該至少一個記憶體及該電腦程式碼運用該至少一個處理器被組配來：接收一輸入信號，該輸入信號包含一分段平滑信號及一雜訊信號；判定該分段平滑信號之一表示型態之一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合；基於該輸入信號判定一可能性函數；基於該可能性函數及先驗機率密度函數分佈判定一後驗機率密度函數；及基於一後驗機率密度函數之一估計來估計該分段平滑信號。

Description

用以處理分段平滑信號之設備、方法及電腦程式 發明領域
本申請案係關於用於信號處理之設備、方法及電腦程式。特定言之，本申請案係關於分段平滑信號之信號處理。
發明背景
若干重要信號可分類為分段平滑信號。分段平滑信號為包括分隔較平滑區之急劇跳變的類型的信號。實例1D分段平滑信號為心電圖(ECG)信號，其可包含針對各拍頻重複之「跳變」區及較平滑區。分段平滑信號之較高維度實例包括2D影像資料。
用於分段平滑信號雜訊減少之技術為吾人所知。舉例而言，影像重構(其中信號為2D分段平滑影像)、信號之跳變(影像中之邊緣)傳統上使用諸如使用總變差(TV)正則化來減少任何雜訊之製程來加以處理。
另一方法為使用柯西差先驗方法(Cauchy difference prior method)來實行類似邊緣保留重構。
發明概要
在第一態樣中，提供：一種設備，其包含至少一個處理器，及至少一個記憶體，該至少一個記憶體包括電腦程式碼，其中該至少一個記憶體及該電腦程式碼運用該至少一個處理器被組配來：接收一輸入信號，該輸入信號包含一分段平滑信號及一雜訊信號；判定該分段平滑信號之一表示型態之一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合；基於該輸入信號判定一可能性函數；基於該可能性函數及先驗機率密度函數分佈判定一後驗機率密度函數；及基於一後驗機率密度函數之一估計來估計該分段平滑信號。
被組配來判定該分段平滑信號之一表示型態之一先驗機率密度函數之該處理器可被進一步組配來(該分段平滑信號的該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合)：判定表示該平滑--高斯--變數之樣本差之一第一機率密度函數；判定表示該跳變--柯西--變數之樣本差之一第二機率密度函數；及對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數。
被組配來對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數之該處理器可被組配來判定：使用至少一個虛誤差函數或道森函 數之一分析判定；及使用樣本點之一柵格及用於樣本點之該柵格之間的點的內插之一數值判定。
被組配來基於該後驗機率密度函數之該估計來估計該分段平滑信號之該處理器可被組配來基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號。
被組配來基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號之該處理器可被進一步組配來最小化該可能性函數之一對數與該先驗機率密度函數之一對數之一組合。
被組配來最小化該可能性函數之該對數與該先驗機率密度函數之該對數之該組合的該處理器可被組配來應用以下各者中之一者：牛頓(Newton)方法；及巴西萊-波爾溫(Barzilai-Borwein)方法。
被組配來基於該可能性函數及該先驗機率密度函數判定該後驗機率密度函數之該處理器可進一步被組配來根據貝氏定理基於該可能性函數與該先驗機率密度函數之一乘積判定該後驗機率密度函數。
該處理器可被進一步組配來對所量測輸入信號加窗。
該平滑--高斯--變數與該跳變--柯西--變數可彼此獨立。
根據一第二態樣，提供一種方法，其包含：接收一輸入信號，該輸入信號包含一分段平滑信號及一雜 訊信號；判定該分段平滑信號之一表示型態之一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合；基於該輸入信號判定一可能性函數；基於該可能性函數及先驗機率密度函數分佈判定一後驗機率密度函數；及基於一後驗機率密度函數之一估計來估計該分段平滑信號。
判定該分段平滑信號之一表示型態之一先驗機率密度函數(該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合)可進一步包含：判定表示該平滑--高斯--變數之樣本差之一第一機率密度函數；判定表示該跳變--柯西--變數之樣本差之一第二機率密度函數；及對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數。
對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數可包含：使用至少一個虛誤差函數或道森函數之一分析判定；及使用樣本點之一柵格及用於樣本點之該柵格之間的點之內插之一數值判定。
基於該後驗機率密度函數之該估計來估計該分段平滑信號可包含基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號。
基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號可包含最小化該可能性函數之一對數與該先驗機率密度函數之一對數的一組合。
最小化該可能性函數之該對數與該先驗機率密度函數之該對數的該組合可包含應用以下各者中之一者：牛頓方法；及巴西萊-波爾溫方法。
基於該可能性函數及該先驗機率密度函數判定該後驗機率密度函數可進一步包含根據貝氏定理基於該可能性函數與該先驗機率密度函數之一乘積判定該後驗機率密度函數。
該方法可進一步包含對該輸入信號加窗。
該平滑--高斯--變數與該跳變--柯西--變數可彼此獨立。
根據一第三態樣，提供一種設備，其包含：用於接收一輸入信號的構件，該輸入信號包含一分段平滑信號及一雜訊信號；用於判定該分段平滑信號之一表示型態之一先驗機率密度函數的構件，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合；基於該輸入信號判定一可能性函數；用於基於該可能性函數及先驗機率密度函數分佈判定一後驗機率密度函數的構件；及基於一後驗機率密度函數之一估計來估計該分段平滑信號。
該用於判定該分段平滑信號之一表示型態之一先驗機率密度函數的構件(該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合)可進一步包含：用於判定表示該平滑--高斯--變數之樣本差之一第一機率密度函數的構件；用於判定表示該跳 變--柯西--變數之樣本差之一第二機率密度函數的構件；及用於對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數的構件。
該用於對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數的構件可包含：用於使用至少一個虛誤差函數或道森函數執行一分析判定的構件；及用於使用樣本點之一柵格及用於樣本點之該柵格之間的點之內插之一數值判定的構件。
該用於基於該後驗機率密度函數之該估計來估計該分段平滑信號的構件可包含用於基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號的構件。
該用於基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號的構件可包含用於最小化該可能性函數之一對數與該先驗機率密度函數之一對數的一組合的構件。
該用於最小化該可能性函數之該對數與該先驗機率密度函數之該對數的該組合的構件可包含用於應用以下各者中之一者的構件：牛頓方法；及巴西萊-波爾溫方法。
該用於基於該可能性函數及該先驗機率密度函數判定該後驗機率密度函數的構件可進一步包含用於根據貝氏定理基於該可能性函數與該先驗機率密度函數之一乘積判定該後驗機率密度函數的構件。
該設備可進一步包含用於對該輸入信號加窗的構件。
該平滑--高斯--變數與該跳變--柯西--變數可彼此獨立。
在一另一態樣中，提供一種電腦程式，其包含經調適以當該程式在一資料處理設備上運行時執行該第二態樣之步驟的程式碼構件。
1、3:信號
11、17:較平滑區
13、15:跳變
100:設備
102:記憶體
104:處理器
106:收發器
107:無線天線
108:顯示器
200:數位輸入信號m(t)
201:窗口濾波器
203:先驗機率密度函數判定器
205:後驗機率密度函數判定器
207:點估計器
210:加窗信號
211:平滑(高斯)函數變數判定器
213:跳變(柯西)函數變數y判定器
215:卷積判定器
220:先驗機率密度函數(PDF)
230:後驗機率密度函數
301:可能性函數判定器
303:後可能性後驗機率密度函數判定器
401:最小化器
501、502、503、504、505、507、509、601、603、605、701、703、704、705、707:步驟
為了輔助理解本發明且展示實施例如何可付諸實施，作為實例參考附圖，其中：圖1a示意性地展示具有跳變及較平滑區之實例波形；圖1b示意性地展示適合於實施一些實施例之設備；圖1c示意性地展示根據一些實施例之適合於在圖1b中所展示之設備上實施的實例系統；圖2示意性地進一步詳細展示根據一些實施例之如圖1c中所展示之實例先驗機率密度函數判定器；圖3示意性地展示根據一些實施例之如實施於圖1c中之實例後驗機率密度函數判定器；圖4示意性地展示根據一些實施例之如實施於圖1c中之實例點估計器；圖5展示根據一些實施例之展示實例系統之操作的流程圖；圖6展示根據一些實施例之展示實例先驗機率密度函數判定器之操作的流程圖；且 圖7展示根據一些實施例之展示實例後驗密度函數判定器及點估計器之操作的流程圖。
較佳實施例之詳細說明
本申請案中所揭示之實例適用於用於處理分段平滑信號(亦即具有跳變及較平滑區之信號)的設備、方法等。關於圖1a展示實例信號1及3。此等信號1、3為分段平滑信號且包含較平滑區11、17以及跳變13、15。跳變為來自信號中之較平滑區之顯著的信號特徵。ECG信號之峰，諸如R峰，為跳變之實例。跳變可具有階梯函數形狀。其他形狀為可能的。跳變可具有突變或驟變的開始及結束點。更特定言之，該概念係關於根據量測值m(t)估計未知的分段平滑信號u(t)，該等量測值m(t)可使用觀測方程式m(t)=A(u(t))+e(t)來特性化，其中A為函數且e(t)為源自雜訊製程之信號。在線性方程式中，A可為矩陣(呈離散化形式)。
如本文中所描述之信號處理之應用的實例為對所量測ECG信號進行去噪。在此類實施例中，A可選擇為恆等算子且量測值具有形式m(t)=u(t)+e(t)。在此狀況下，問題為根據雜訊損壞的量測值m(t)估計信號u(t)。
在其他實例中，當A被選擇為卷積算子時，該處理可為1D(或2D或較高維度)信號之解卷積(影像之去模糊/銳化)，或可為影像恢復及繪畫。
如下文進一步詳細論述之概念提供使用呈 現為(高斯)平滑變數及表示在統計學上被考慮之跳變之(柯西分佈)變數的總和之信號及用以在不進一步估計變數之情況下判定總和之組合式分佈之方法(及設備)來處理輸入信號之實施例。此等實施例因此產生一種簡單且計算上有效(且因此在基於處理器之實施方案中具有低CPU及記憶體要求)之解決方案。
關於圖1b展示適合於實施一些實施例之設備100或系統之實例。設備100包含記憶體102及處理器104。設備100亦包含106處的用於自其他設備或裝置接收諸如待分析之信號之資訊的收發器。
在一些實施例中，收發器106被組配來接收使用者輸入，例如，開始分析或改變諸如本文中進一步詳細描述之統計變數的統計變數之輸入。
收發器106亦可被組配來將例如所處理信號資訊之資訊傳輸至諸如遠端顯示器之其他裝置。收發器106可被組配來使用用於傳輸及/或接收資訊之任何合適的協定及編碼系統。此外，儘管收發器106被展示為連接至用於與其他設備或裝置無線通信之無線天線107，但在一些實施例中，收發器106被組配來至少部分地藉由有線連接與其他設備或裝置通信。
在一些實施例中，設備100亦包含顯示器108或與顯示器108通信，顯示器108使得設備100能夠以視覺方式提供輸出，使得其可由使用者或檢視者解譯。舉例而言，設備100可使視覺資訊提供在可由使用者檢視之顯示 器108上。在一些實施例中，該設備可另外包含用於提供待直接分析之信號之信號源或感測器，諸如適合於產生待處理之影像信號之攝影機或成像設備，或用於提供ECG信號等之ECG感測器。
在一些實例中，設備100以及處理器104及記憶體102可被組配來執行程式以便使得能夠操作下文所描述之功能及處理。
儘管在以上實例中，設備100被展示為單一裝置且因此在一些實施例中作為單一或集中式設備操作，但下文所描述之功能性可藉由彼此之間進行通信之設備的分佈式系統來實現。舉例而言，該功能性可在基於雲端之系統中實現，其中設備或伺服器以物理方式或在邏輯上彼此分離。
在一些實施例中，處理器104被組配來基於輸入信號及下文進一步詳細論述之其他函數來實施後驗機率密度函數演算法及點估計演算法。
在以下實例中，關於1D信號之特定實例來解釋概念。然而，應理解，如下文所描述之相同製程更一般而言可應用於2D(例如影像資料)或較高維度信號，該等信號為分段平滑信號，因為將理解，較高維度信號可解譯為一系列在統計學上獨立之1D信號。
關於圖1c展示用於實施實施例之實例設備。
該設備包含用於數位輸入信號m(t)200之輸入。該設備進一步包含窗口濾波器201、先驗機率密度函 數判定器203、後驗機率密度函數判定器205及點估計器207。
窗口濾波器201被組配來接收數位輸入信號m(t)200且產生一連串加窗樣本週期，其各自包含加窗信號m=(m0,…,mn)210，其中樣本長度為n+1。在一些實施例中，窗口濾波器201被組配來產生分離之序列且因此後續及進行之窗口不共用樣本。在一些實施例中，窗口濾波器201被組配來產生至少部分地重疊之樣本序列。加窗信號210樣本長度可為任何合適的樣本長度。在一些實施例中，窗口濾波器201被組配來將加窗信號210傳遞至後驗機率密度函數判定器205。
在一些實施例中，該設備進一步包含先驗機率密度函數(PDF)判定器203。先驗機率密度函數(PDF)判定器203可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，先驗機率密度函數(PDF)判定器203之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當先驗機率密度函數(PDF)判定器203之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。先驗機率密度函數(PDF)判定器203因此可由電腦軟體或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。先 驗機率密度函數(PDF)判定器203被組配來基於統計判定產生先驗PDF 220，其中信號被模型化為二個隨機信號之總和。所產生之先驗PDF 220被傳遞至後驗機率密度函數判定器205。
後驗機率密度函數判定器205亦可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，後驗機率密度函數判定器205之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當後驗機率密度函數判定器205之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。後驗機率密度函數判定器205因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收加窗信號210之後驗機率密度函數判定器205且另外先驗PDF且藉由使用貝氏方法(Bayesian method)針對窗口信號210且基於先驗PDF 220判定標示為p(u|m)之後驗機率密度函數230。所判定後驗機率密度函數230接著傳遞至點估計器207。
點估計器207亦可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，點估計器207之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理 器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當點估計器207之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。點估計器207因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收後驗機率密度函數230之點估計器207被組配來區分分段平滑信號與雜訊分量。可輸出此所估計信號點。
關於圖2進一步詳細展示先驗機率密度函數判定器203之實例。在一些實施例中，先驗機率密度函數判定器203被組配來接收拉姆達λ及西格瑪σ輸入，其基於平滑(高斯)函數及跳變(柯西)函數控制隨機變數之判定。先驗機率密度函數判定器203可包含平滑(高斯)函數變數判定器211、跳變(柯西)函數變數y判定器213及卷積判定器215。
平滑(高斯)函數變數判定器211可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，平滑(高斯)函數變數判定器211之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當平滑(高斯)函數變數判定器211之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計 算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。平滑(高斯)函數變數判定器211因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。平滑(高斯)函數變數判定器211被組配成來於西格瑪σ輸入例如藉由使用以下表示式來為平滑函數x供應合適PDF：
Figure 107145683-A0305-02-0016-1
 其中x k (k=0,....,n)為離散化點處之x的值。
此PDF p(x)可傳遞至卷積215。
跳變(柯西)函數變數判定器213可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，跳變(柯西)函數變數判定器213之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當跳變(柯西)函數變數判定器213之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。跳變(柯西)函數變數判定器213因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。跳變(柯西)函數變數判定器213被組配來基於拉姆達λ輸入例如藉由使用以下表示式 來為跳變函數y供應合適PDF：
Figure 107145683-A0305-02-0017-3
 其中y k (k=0,....,n)為離散化點處之y的值。
此PDF p(y)可傳遞至卷積判定器215。
卷積判定器215可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，卷積判定器215之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當卷積判定器215之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。卷積判定器215因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收平滑p(x)及跳變p(y)PDF之卷積判定器215被組配來對其進行卷積以判定平滑x及跳變y變數之總和的PDF。卷積判定器215例如可如下計算卷積：
Figure 107145683-A0305-02-0017-10
，其中f為高斯p(x)及柯西p(y)邊際密度之卷積。
舉例而言，可計算卷積：
Figure 107145683-A0305-02-0017-4
其中Erfi(z)為虛誤差函數，該虛誤差函數為由Erfi(z)≡-ierf(i z)限定之整個函數。作為另一實例，卷積判定器215在一些實施例中可使用道森函數(Dawson function)F來表達卷積之結果：
Figure 107145683-A0305-02-0018-5
 其中道森函數F被定義為
Figure 107145683-A0305-02-0018-6
所判定卷積-先驗機率密度函數p(u)接著可自先驗機率密度函數判定器203輸出。在一些實施例中，先驗機率密度函數判定器203可包含一組預定參數，其傳遞至後驗機率密度函數判定器205。在一些實施例中，先驗機率密度函數實施為經由預組配參數值λ及σ存取之值的查找表。
換言之，在一些實施例中，先驗機率密度函數可實施為記憶體內之預定值。
在一些實施例中，圖3展示後驗機率密度函數判定器205。後驗機率密度函數判定器205包含可能性函數判定器301及後可能性後驗機率密度函數判定器303。
可能性函數p(m|u)判定器301可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，可能性函數判定器301之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當可能性函數判定器301之各 種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。可能性函數判定器301因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收加窗信號210之可能性函數判定器301被組配來判定可能性函數。可能性為已經出現之事件將產生特定後果之假設機率。該概念與機率概念之不同之處在於機率係指未來事件之發生率，而可能性係指具有已知後果之過去事件。
可能性函數可根據輸入信號m(t)之模型來判定。若將量測值模型化為如上所述之m(t)=A(u(t))+e(t)且e(t)被模型化為高斯及分佈相同之變數(例如白雜訊)，則
Figure 107145683-A0305-02-0019-8
 其中範數為L2-範數(平方和)。
所判定可能性函數可傳遞至後可能性後驗機率密度函數判定器303。
在一些實施例中，後可能性後驗機率密度函數判定器303可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，後可能性後驗機率密度函數判定器303 之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當後可能性後驗機率密度函數判定器303之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。後可能性後驗機率密度函數303因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收先驗PDF及所判定可能性函數之後可能性後驗機率密度函數判定器303藉由使用貝氏定理判定後驗機率密度函數p(u|m)，使得：
Figure 107145683-A0305-02-0020-9
其中p(m|u)為可能性函數且p(u)為先驗機率密度函數(卷積之結果)。後驗機率密度函數p(u|m)(或在一些實施例中p(u|m)之對數)可輸出至點估計器207。
圖4展示包含最小化器401之實例點估計器207。最小化器401可以硬體或專用電路、軟體、邏輯或其任何組合實施。另外，最小化器401之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。當最小化器401之各種態樣可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝 置、軟體模組(例如程式館函數)、實體電路(例如ASIC)、程式化微處理器或其某一組合實施時。最小化器401因此可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由至少一個資料處理器執行。被組配來接收後驗機率密度函數p(u|m)220之最小化器401被組配來藉由最小化後驗機率密度函數來產生合適點估計。舉例而言，在一些實施例中，最小化器401被組配來判定最大先驗(MAP)估計，其為後驗機率密度函數之最大點。實務上，MAP估計可藉由最小化以下函數來加以計算：-log p(u|m)=-log p(m|u)-log p(u)。
可使用任何合適方法，例如使用牛頓方法或巴西萊-波爾溫方法來實行最小化。
圖5展示根據一些實施例之展示實例系統之操作的實例流程圖。
首先，如圖5中由步驟501所展示來量測或接收包含分段平滑信號u(t)及雜訊e(t)之信號m(t)。
接著，如圖5中由步驟503所展示來對信號m(t)加窗以產生加窗信號210。
在一些實施例中，如圖5中由步驟502所展示來選擇用於平滑x及跳變y變數之拉姆達及西格瑪參數。
另外，在彼等實施例中，藉由指定用於平滑部分x及跳變y之PDF且接著對PDF進行卷積以產生先驗機率密度函數p(u)=p(x)*p(y)來建構先驗PDF，換言之， 機率密度函數表示平滑及跳變變數之總和，如圖5步驟504中所展示。
在已判定先驗機率密度函數p(u)及可能性函數p(m|u)之情況下，如圖5中由步驟505所展示來判定後驗機率密度函數p(u|m)(或log p(u|m))。
接著，判定最小化的後驗機率密度函數以便判定點估計，如圖5步驟507中所展示。
接著可如圖5中由步驟509所展示來輸出此點估計。
圖6進一步詳細展示根據一些實施例之展示實例機率密度函數判定器之操作的流程圖。
首先，如圖6中由步驟601所展示來產生(且在一些實施例中基於西格瑪輸入)平滑函數變數x及PDF p(x)。
接著，如圖6中由步驟603所展示來產生(且在一些實施例中基於拉姆達輸入)跳變函數變數及PDF p(y)。
接著，如圖6中由步驟605所展示來藉由將卷積應用於p(x)及p(y)PDF產生先驗PDF。
圖7展示根據一些實施例之展示實例後驗機率密度函數判定器及點估計器之操作的流程圖。
第一操作為如圖7中由步驟701所展示來接收加窗信號210。
接著，可如圖7中由步驟703所展示來根據加 窗信號210來判定可能性函數PDF p(m|u)。
又，如圖7中由步驟704所展示來接收或擷取先驗機率密度函數p(u)。
該方法接著可包含如圖7中由步驟705所展示來基於可能性函數p(m|u)及先驗機率密度函數p(u)來判定後驗機率密度函數p(u|m)。
接著，該方法接著可包含如圖7中由步驟707所展示來估計點(例如藉由最小化後驗機率密度函數p(u|m)(或-log p(u|m)))。
一般而言，各種實施例可以硬體或專用電路、軟體、邏輯或其任何組合來實施。本發明之一些態樣可以硬體實施，而其他態樣可以可由控制器、微處理器或其他計算裝置執行之韌體或軟體實施，但本發明不限於此。雖然本發明之各種態樣可說明且描述為方塊圖、流程圖或使用某其他圖畫表示型態來說明並描述，但應良好理解，本文中所描述之此等區塊、設備、系統、技術或方法可作為非限制性實例以硬體、軟體、韌體、專用電路或邏輯、通用硬體或控制器或其他計算裝置或其某一組合來實施。
本發明之實施例可由電腦軟體、或由硬體或由軟體與硬體之組合實施，該電腦軟體可諸如在處理器實體中由行動裝置之資料處理器執行。包括軟體常式、小程式及/或巨集的亦被叫作程式產品之電腦軟體或程式可儲存於任何設備可讀資料儲存媒體中，且其包含執行特定任 務之程式指令。電腦程式產品可包含一或多個電腦可執行組件，該等組件在程式運行時被組配來實行實施例。一或多個電腦可執行組件可為至少一個軟體程式碼或其部分。
另外，就此而言，應注意到，如諸圖中之邏輯流程中之任何區塊可表示程式步驟，或互連之邏輯電路、區塊及功能，或程式步驟與邏輯電路、區塊與功能的組合。軟體可儲存於諸如記憶體晶片之實體媒體上，或實施於處理器內之記憶體區塊上、諸如硬碟或軟碟之磁性媒體上，及諸如DVD及其資料變型(CD)之光學媒體上。實體媒體為非暫時性媒體。
記憶體可具有適合於本地技術環境之任何類型，且可使用諸如以下各者之任何合適資料儲存技術來實施：基於半導體之記憶體裝置、磁性記憶體裝置及系統、光學記憶體裝置及系統、固定記憶體及抽取式記憶體。資料處理器可具有適合於本地技術環境之任何類型，且作為非限制性實例可包含以下各者中之一或多者：通用電腦、專用電腦、微處理器、數位信號處理器(DSP)、特殊應用積體電路(ASIC)、FPGA、基於多核心處理器架構之閘層級電路及處理器。
本發明之實施例可在諸如積體電路模組之各種組件中實踐。積體電路之設計基本上為高度自動製程。複雜且強大之軟體工具可用於將邏輯位準設計轉換成準備好供蝕刻且形成於半導體基體上的半導體電路設計。
前述描述內容已藉助於非限制性實例提供 了本發明之例示性實施例的完整及資訊性描述。然而，各種修改及調適在結合附圖及隨附申請專利範圍研讀時鑒於前述描述內容對於熟習相關技術者變為顯而易見的。然而，本發明之教示之所有此類及類似修改將仍在本發明之如在隨附申請專利範圍中界定的範疇內。實際上，存在包含一或多個實施例與先前論述之其他實施例中之任一者之組合的其他實施例。
501、502、503、504、505、507、509‧‧‧步驟

Claims (13)

  1. 一種用以處理分段平滑信號之設備，其包含至少一個處理器及至少一個記憶體，該至少一個記憶體包括電腦程式碼，其中該至少一個記憶體及該電腦程式碼運用該至少一個處理器被組配來：接收一輸入信號，該輸入信號包含一分段平滑信號及一雜訊信號；判定該分段平滑信號之一表示型態的一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數的一組合；基於該輸入信號判定一可能性函數；基於該可能性函數及該先驗機率密度函數分佈判定一後驗機率密度函數；以及基於一後驗機率密度函數之一估計來估計該分段平滑信號，其中該處理器被組配來判定該分段平滑信號之一表示型態的一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合，該處理器被進一步組配來：判定表示該平滑--高斯--變數之樣本差的一第一機率密度函數；判定表示該跳變--柯西--變數之樣本差的一第二機率密度函數；以及對該第一機率密度函數及該第二機率密度函數進行卷 積以產生該先驗機率密度函數。
  2. 如請求項1之設備，其中被組配來對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數之該處理器，被組配來判定：使用至少一個虛誤差函數或道森函數之一分析判定；以及使用樣本點之一柵格及用於樣本點的該柵格之間的點之內插的一數值判定。
  3. 如請求項1或2之設備，其中被組配來基於該後驗機率密度函數之該估計來估計該分段平滑信號之該處理器，被組配來基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號。
  4. 如請求項3之設備，其中被組配來基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號之該處理器，被進一步組配來最小化該可能性函數之一對數與該先驗機率密度函數之一對數的一組合。
  5. 如請求項4之設備，其中被組配來最小化該可能性函數之該對數與該先驗機率密度函數之該對數的該組合之該處理器，被組配來應用以下各者中之一者：牛頓方法；以及巴西萊-波爾溫(Barzilai-Borwein)方法。
  6. 如請求項1或2之設備，其中被組配來基於該可能性函數及該先驗機率密度函數判定該後驗機率密度函數之該處理器，被進一步組配來根據貝氏定理基於 該可能性函數與該先驗機率密度函數之一乘積判定該後驗機率密度函數。
  7. 如請求項1或2之設備，其中該處理器被進一步組配來對該輸入信號加窗。
  8. 如請求項1或2之設備，其中該平滑--高斯--變數與該跳變--柯西--變數彼此獨立。
  9. 一種用以處理分段平滑信號之方法，其包含：接收一輸入信號，該輸入信號包含一分段平滑信號及一雜訊信號；判定該分段平滑信號之一表示型態的一先驗機率密度函數，該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數的一組合；基於該輸入信號判定一可能性函數；基於該可能性函數及該先驗機率密度函數分佈判定一後驗機率密度函數；以及基於一後驗機率密度函數之一估計來估計該分段平滑信號，其中判定該分段平滑信號之一表示型態之一先驗機率密度函數而該分段平滑信號之該表示型態包含一平滑--高斯--變數與一跳變--柯西--變數之一組合，進一步包含：判定表示該平滑--高斯--變數之樣本差的一第一機率密度函數；判定表示該跳變--柯西--變數的樣本差之一第二機率 密度函數；以及對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數。
  10. 如請求項9之方法，其中對該第一機率密度函數及該第二機率密度函數進行卷積以產生該先驗機率密度函數，包含：使用至少一個虛誤差函數或道森函數之一分析判定；以及使用樣本點之一柵格及用於樣本點的該柵格之間的點之內插之一數值判定。
  11. 如請求項9或10之方法，其中基於該後驗機率密度函數之該估計來估計該分段平滑信號，包含基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號。
  12. 如請求項11之方法，其中基於該後驗機率密度函數之一最大後驗估計來估計該分段平滑信號，包含最小化該可能性函數之一對數與該先驗機率密度函數之一對數的一組合。
  13. 如請求項9或10之方法，其中基於該可能性函數及該先驗機率密度函數判定該後驗機率密度函數，進一步包含根據貝氏定理基於該可能性函數與該先驗機率密度函數之一乘積判定該後驗機率密度函數。
TW107145683A 2017-12-19 2018-12-18 用以處理分段平滑信號之設備、方法及電腦程式 TWI720388B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17208457.6 2017-12-19
EP17208457.6A EP3503016B1 (en) 2017-12-19 2017-12-19 Apparatus, method and computer program for processing a piecewise-smooth signal
??17208457.6 2017-12-19

Publications (2)

Publication Number Publication Date
TW201931154A TW201931154A (zh) 2019-08-01
TWI720388B true TWI720388B (zh) 2021-03-01

Family

ID=60990560

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107145683A TWI720388B (zh) 2017-12-19 2018-12-18 用以處理分段平滑信號之設備、方法及電腦程式

Country Status (5)

Country Link
US (1) US11222407B2 (zh)
EP (1) EP3503016B1 (zh)
CN (1) CN111727454A (zh)
TW (1) TWI720388B (zh)
WO (1) WO2019120792A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113254882B (zh) * 2021-06-07 2023-02-10 广州市百果园网络科技有限公司 实验结果的确定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060087703A1 (en) * 2004-10-26 2006-04-27 Yunqiang Chen Mutual information regularized Bayesian framework for multiple image restoration
EP2642449A2 (en) * 2012-03-22 2013-09-25 Eigenor Oy Method, arrangement, and computer program product for efficient production of tomographic images
US20160331330A1 (en) * 2004-05-12 2016-11-17 Zoll Medical Corporation Automatic Cardiac Therapy Advisor With Hidden Markov Model Processing

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0017039D0 (en) 2000-07-11 2000-08-30 King S College London Image enhancement
WO2005029846A1 (en) * 2003-09-23 2005-03-31 Koninklijke Philips Electronics, N.V. Video de -noising algorithm using inband motion-compensated temporal filtering
US8687689B2 (en) * 2005-10-25 2014-04-01 William Marsh Rice University Method and apparatus for on-line compressed sensing
US10699206B2 (en) * 2009-04-22 2020-06-30 Rodrigo E. Teixeira Iterative probabilistic parameter estimation apparatus and method of use therefor
US11826559B2 (en) * 2009-04-22 2023-11-28 Alton Reich Cardiac output control apparatus and method of use thereof
US20130311141A1 (en) * 2012-05-18 2013-11-21 National Dong Hwa University Signal denoising methods for a charge detection frequency-scan/voltage-scan quadrupole/linear/rectilinear ion trap mass spectrometer
JP6453892B2 (ja) * 2013-09-18 2019-01-16 シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッドＳｉｅｍｅｎｓ Ｍｅｄｉｃａｌ Ｓｏｌｕｔｉｏｎｓ ＵＳＡ，Ｉｎｃ． 二次尤度汎関数を用いてデータの統計モデリングを行う方法およびシステム
US10061003B2 (en) * 2014-09-01 2018-08-28 bioProtonics, L.L.C. Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
WO2016160675A1 (en) * 2015-03-27 2016-10-06 University Of Massachusetts Medical School The application of the extrema distortion method to optimize control signals
US9992045B2 (en) * 2015-08-13 2018-06-05 Sebastian Magierowski On-line signal event detection and identification method and apparatus
CN106251315B (zh) 2016-08-23 2018-12-18 南京邮电大学 一种基于全变分的图像去噪方法
EP3525666A4 (en) * 2016-10-14 2020-03-18 Rutgers, The State University of New Jersey SYSTEMS AND METHODS FOR TRACKING DISTURBANCES IN THE DEVELOPMENT OF THE NERVOUS SYSTEM
US10335026B2 (en) * 2017-01-11 2019-07-02 Canon Kabushiki Kaisha Image processing apparatus that generates a tomographic image using an estimation value of pixel values, and related optical coherence tomography apparatus, image processing method, and computer-readable storage medium
WO2018142228A2 (en) * 2017-01-19 2018-08-09 Mindmaze Holding Sa Systems, methods, apparatuses and devices for detecting facial expression and for tracking movement and location including for at least one of a virtual and augmented reality system
US20210041953A1 (en) * 2019-08-06 2021-02-11 Neuroenhancement Lab, LLC System and method for communicating brain activity to an imaging device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160331330A1 (en) * 2004-05-12 2016-11-17 Zoll Medical Corporation Automatic Cardiac Therapy Advisor With Hidden Markov Model Processing
US20060087703A1 (en) * 2004-10-26 2006-04-27 Yunqiang Chen Mutual information regularized Bayesian framework for multiple image restoration
EP2642449A2 (en) * 2012-03-22 2013-09-25 Eigenor Oy Method, arrangement, and computer program product for efficient production of tomographic images

Also Published As

Publication number Publication date
US11222407B2 (en) 2022-01-11
WO2019120792A1 (en) 2019-06-27
CN111727454A (zh) 2020-09-29
EP3503016A1 (en) 2019-06-26
EP3503016B1 (en) 2021-12-22
US20200311882A1 (en) 2020-10-01
TW201931154A (zh) 2019-08-01

Similar Documents

Publication Publication Date Title
JP6613605B2 (ja) 深度画像の深度値復元方法及びシステム
JP6239153B2 (ja) 雑音を有する画像の雑音を除去する方法
Bindilatti et al. A nonlocal poisson denoising algorithm based on stochastic distances
US9619870B2 (en) Scale adaptive blind deblurring
Kuznetsov et al. Deep adaptive sampling for low sample count rendering
Nnolim An adaptive RGB colour enhancement formulation for logarithmic image processing-based algorithms
EP3462409B1 (en) A method for filtering spurious pixels in a depth-map
JP2014044461A (ja) 画像処理装置および方法、並びにプログラム
Cho et al. Effective five directional partial derivatives-based image smoothing and a parallel structure design
Zhou et al. Nonlocal means filtering based speckle removal utilizing the maximum a posteriori estimation and the total variation image prior
TWI720388B (zh) 用以處理分段平滑信號之設備、方法及電腦程式
CN110807428B (zh) 煤类样品的识别方法、装置、服务器及存储介质
KR20220165181A (ko) 클린 이미지 없는 자체 지도 이미지 디노이징 방법 및 장치
KR101557577B1 (ko) 전자현미경 영상의 입자 분할 방법 및 장치
CN116894455A (zh) 确定用于人工神经网络的后训练量化的代表性输入数据集的方法和系统
Rani A novel mathematical morphology based edge detection method for medical images
KR20180047367A (ko) 영상 처리 장치 및 방법
Sudharson et al. Noise level estimation for effective blind despeckling of medical ultrasound images
CN113297195B (zh) 一种时间序列异常检测方法、装置及设备
CN105631869B (zh) 一种管状物分割方法、装置及设备
KR20130088238A (ko) 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법
EP3567544B1 (en) Method of creating an image chain
Tsekhmystro et al. Web assembled benchmark for image visual quality assesment, prediction and improvement
CN117830079B (zh) 真实图片预测方法、装置、设备、存储介质
US11783184B2 (en) Kernel prediction with kernel dictionary in image denoising