专利名称：多个具有公用分量信号的归一化方法和系统的利记博彩app
技术领域：
本发明涉及到信号处理，更确切地说涉及到对多个具有公用分量信号的标准化。
背景技术：
在许多信号处理应用中，存在着多个具有公用分量的信号。这些有关信号的一个或多个会以非线性的方式失真。在一些应用中，各个信号会以不同的方式失真或根本就没有失真，并且失真的性质也难以预测。此外，难以确定哪一个相关的信号已经失真了。这种失真往往是不希望的。
例如，在信号处理领域中，数字图像会有非线性失真，无论这些图像是扫描的照相图像，卫星图像，医疗图像，或其它类型的数字图像。这类失真可以图像的模拟表示方式出现，或在产生数字图像的过程中发生。对照相图像的扫描来说，例如，典型数字图像的三基色通道在扫描的过程中各个通道会存在着非线性失真，并且在各个彩色通道中的非线性失真可以是不同的。这类非线性失真以不希望的方式降低了图像的质量。对照相图像来说，这样的图像在视觉上就显得不柔和。对卫星图像和医疗图像来说，图像所提供的信息由于这类失真而变得不能使用。
发明内容
本发明的一个方面是标准化多个具有公用分量的信号，其中多个信号中至少有一个信号存在着非线性失真。对多个信号中的至少一个信号可确定其失真函数，其中失真函数与所指定的信号相对于其余信号中的至少一个信号的失真成正比。对该信号还可以建立逆相关失真函数，其中该函数与该信号测量到的失真函数有关。随后，上述的信号可以采用该信号所建立的逆相关失真函数来标准化。
本发明具有几个重要的技术优点。本发明的各种实施例可以不包含这些优点或包含这些优点的一个，部分，或全部而不脱离本发明精神。本发明允许具有公用分量的信号，其中这些信号中的一个或多个已经以非线性的方式失真，自动进行相互之间的标准化。虽然，这些失真并没有被全部去除，但该信号可以更确切地表示所要求的信号。本发明可以方便地应用于图像处理领域。例如，本发明可以应用于校正照片图像的数字图像表示中的三个彩色通道中的失真。彩色通道的标准化，使得整幅图像的质量得到改善以及图像的彩色也在视觉上更加柔和。对卫星图像和医疗图像来说，本发明可以用于改善图像所提供信息的准确度和有效性。因为，本发明可以使用计算机和/或扫描仪来进行这类图像的标准化，因此本发明允许图像的自动标准化。这样的自动标准化可以减少为达到这种标准化而花费的时间和努力，并且允许较大数量图像的标准化。例如，在照相图像的情况下，有可能人工使用诸如Photoshop的软件来校正这类非线性失真。本发明允许在远低于原来的时间，远低于原来的成本，以及不需要人工校正图像所要求的专门知识的条件下自动地校正任何所需要的图像。
为了能更完整地理解本发明以及本发明的各种优点，将结合附图作以下讨论，附图如下图1说明了根据本发明所使用的通用计算机的方框图。
图2说明了本发明实施例所包括的扫描仪的例子。
图3描述了根据本发明的一种方法来改善数字图像的流程图。
图4描述了根据本发明测量与象素亮度有关的颗粒痕迹的方法的流程图。
图5说明了图像分成若干子像。
图6说明了对数字图像一个子像红色通道信息的加权，平均亮度，和颗粒强度的分布图(Plotting)。
图7说明了对数字图像一个彩色通道的离散的点(Scatter Plot)。
图8说明了对数字图像的一个彩色通道的离散点采用曲线拟合算法得到的线。
图9说明了对数字图像的红色信息的离散点的线段画法。
图10说明了在本发明中所采用的测量与频率相关的颗粒痕迹的方法的流程图。
图11说明了数字图像的一个彩色通道的离散点。
图12说明了对数字图像的一个彩色通道通过离散点的线的画法。
图13说明了在标准化数字图像得到的一条象素曲线中的颗粒痕迹随着空间上所画的象素亮度的变化。
图14说明了所画的颗粒痕迹的频率与数字图像标准化交叉亮度中的频率关系。
图15说明了所画的颗粒痕迹的频率与数字图像标准化交叉亮度和频率中的频率关系。
图16描述了数字图像中去除高频噪声(诸如颗粒痕迹)方法的一个例子的流程图。
图17描述了数字图像中去除高频噪声(诸如颗粒痕迹)方法的一个例子的流程图。
图18说明了一种与本发明有关的表示两维傅立叶变换的方法。
图19描述了用于多个具有共用分量的信号且在多个信号中至少有一个以非线性方式已经失真信号的标准化处理例子的步骤的流程图。
图20描述了根据本发明用于改善数字图像的处理例子的流程图。
图21说明了与图19和图20说明的处理例有关的三种离散点的例子。
具体实施例方式
本发明的推荐实施例及其优点可参考附图1至15得到最好的理解，对于各附图中类似的或对应的部分都采用了相同的标号。
图1说明了用于根据本发明改善图像的通用计算机10。特别是，通用计算机可以包括一部分图像改善系统，并且可以用来执行包括图像改善软件的应用。通用计算机10可以适用于执行大家熟悉的MS-DOS，PC-DOS，OS2，UNIX，MAC-OS，和Windows操作系统中的任意一种，也可以采用其它操作系统。通用计算机10包括处理器12、随机存取存储器(RAM)14、只读存储器(ROM)16、鼠标18、键盘20、以及诸如打印机24、磁盘驱动器22、显示器26、和通讯接口28等输入/输出器件。本发明还包括了程序，它可以存储于RAM 14、ROM 16、或磁盘驱动器22，并且可以被处理器12执行。通讯接口28与计算机网络相连接，也可以与电话线、天线、网关、或任意其它类型通讯接口相连接。磁盘驱动器22可以包括各种类型的存储媒介，例如，软盘驱动器、硬盘驱动器、CD-ROM驱动器、或磁带驱动器。尽管在本实施例中采用了多个磁盘驱动器22，但是使用单个磁盘驱动器，也未脱离本发明的精神。图1仅仅是提供了一个计算机应用于本发明的例子。本发明也能使用除了通用计算机以外的计算机以及没有常规操作系统的通用计算机。
通用计算机10进一步包括扫描仪30，它可以用于扫描需要根据本发明技术加以改善的图像。在本实施例中，改善的功能可以由存储在包括扫描仪部分的存储媒介和/或通用计算机的存储器件中的软件来执行，和扫描仪来实现存储在包括扫描仪部分的存储媒介和/或通用计算机的存储器件中的软件功能。同样，用于图像改善的软件也可以存储在与通用计算机10有关的存储媒介中，和由处理器12来执行改善扫描仪扫描的图像。另外，正如以上所讨论的，在扫描仪30和通用计算机10两者中都能进行图像改善，这些都没有脱离本发明的精神。扫描仪30可以包括胶片扫描或任何类型的平台型扫描仪，这些并没有脱离本发明的精神。
图2说明了根据本发明的扫描仪34结构的例子。扫描仪34包括处理器36、存储媒介38、和扫描硬件40。处理器36通过执行存储在存储媒介38中的控制软件44来控制扫描硬件40的操作。尽管为了简化只说明了单一个存储媒介，但是存储媒介38可以包括多个存储媒介以及包括各种不同类型的存储媒介。于是，例如，可将控制软件44存储于ROM存储器、RAM存储器、或磁盘驱动器中。扫描硬件40采用一些光学线路将模拟图像转换为数字图像。任何类型的光学线路都可以用于扫描硬件40，这些都没有脱离本发明的精神。在扫描硬件40扫描了图像之后，就可以根据本发明使用存储于媒介38中的图像处理软件42来改善该图像。同样，扫描的图像可存储于存储媒介38中用于改善图像。另外，扫描仪34也可以不包括任何图像处理软件42。可以由通用计算机10提供替代的软件，用于改善扫描仪34接受到的图像。因此，由扫描仪34提供的扫描图像和/或改善的扫描图像可通过通讯接口(未明确显示)输给通用计算机10。尽管已经解释了扫描仪34可以用于与本发明相关的图像改善的举例的实施例，但是使用其它扫描仪，这并没有脱离本发明的精神。
图3说明了采用本发明一个实施例去改善数字图像的方法的流程图。下文所讨论的步骤可以使用计算机软件来实现，正如以下所讨论的处理过程中的任意步骤。正如上述所讨论的那样，软件可以由扫描仪34来执行，或由通用计算机10来执行。根据本发明，即使来自于不是扫描仪30所接收的数字图像也可以改善。在步骤1002中，测量与象素亮度有关的数字图像的颗粒痕迹。在步骤1004中，测量与频率有关的颗粒痕迹。在步骤1006中，计算校正矩阵。在步骤1008中，该校正矩阵用于归一化与亮度有关的数字图像的颗粒痕迹，随后在步骤1010中，归一化与频率有关的颗粒痕迹。在步骤1012中，归一化后颗粒痕迹的数据可以用于抑止颗粒痕迹。另外，采用归一化颗粒痕迹所获得的象素亮度值可以用于平衡在整个彩色通道中的象素亮度，正如步骤1014中所指出的那样。可以忽略这些步骤中的某些步骤，也可以增加其它步骤，这些都没有脱离本发明的精神。
尽管本发明可以用于从照相图像所产生的数字图像，但它同样可用于归一化高频噪声，诸如在其它类型图像中的颗粒痕迹，诸如卫星图像，医疗图像等等。以下的讨论将进一步说明单色和彩色图像的归一化。对彩色图像来说，可以使用以下所讨论的处理或将用于单色图像的处理也用于彩色图像的各个独立通道。另外，单色处理还可以用于彩色处理，用于其余通道的子像通道。同样的选择也适用于非照相数字图像。
测量与亮度有关的颗粒痕迹本发明包括测量与象素亮度有关的颗粒痕迹。图4显示了涉及该方法的步骤。在该应用中涉及到这种方法或其它方法的所有计算都可以采用通用计算机10，扫描仪34，或这些仪器的一部分与其它仪器相结合来完成。在步骤1102中，可将数字图像分成为子像；随后在步骤1106中进行变换，诸如傅立叶变换；在步骤1106中去除低的和中的频率项。在步骤1108中，各种各样的公式都可以用于计算在每个通道中每个子像的颗粒强度(该值表示颗粒痕迹所形成的象素数值上的偏离值)。为了能验证这些颗粒的强度，在步骤1110中，有些公式也可以用于计算每个通道中各个子像的“加权”值。接着，在步骤1112中，对每个通道根据加权值，DC(直流，通常是信号的平均值)，和颗粒强度产生离散的点。在步骤1114中，使用曲线拟合算法来画出整个离散点的线，以表示每个象素亮度的颗粒强度。
子像在步骤1102中，将数字图像分成为数据的子像，每个子像都对应于数字图像的空间区域。子像适用于数字图像的每个通道，或在单色图像的情况下对应于信号通道。如图5所表示的那样，这种分法的一种表示法可显示了多个子像，例如子像1202。尽管可以使用任意的子像尺寸，但是每个子像的区域在统计上大到能包含足够多数目的象素，例如在16至1024个象素之间，但是又不能大到包含了许多基本上是不同亮度(在2000乘3000个象素的图像尺寸中)的图像区域。包含256(一个16乘16的子像)不同象素的子像可以是在大到能提供足够的数据但又不是太大之间的好的折衷，并且对2000象素乘3000象素等级的图像来说，单一子像具有太多不同的亮度。采用这种方法，单张35mm负片(或幻灯片)一般可产生24K非重叠的子像。任何图像尺寸和任何子像尺寸都可以使用，这并没有脱离本发明的精神。
图5以方块的方式显示了这些子像，任何其它形式的子像也可以使用，这并没有脱离本发明的精神。不同的子像也不需要具有相同的形状和尺寸，然而，为了处理方便，使子像均匀是有用的。在推荐的实施例中，子像的数目以及它们的形状和尺寸可以通过与频率，亮度，或频率分量有关的图像的变化来确定。也应该注意到，子像可以重叠和开窗口，正如如美国专利申请号＿＿“图像块窗口混合”中所讨论的，该专利引入此处作参考。
傅立叶变换将数字图像分成子像后，对每个彩色通道(或单个单色通道)中的每个子像的象素亮度值进行傅立叶变换，正如图4步骤1104中所显示的。对每个彩色通道来说，形成数字图像的数据包含了以空间排列的图像中每个象素的亮度值。这亮度被认为就是象素的亮度。例如，白的象素具有比灰的或黑的象素更高的亮度值。不同彩色通道的相同空间区域一般具有不同的象素亮度值。
傅立叶变换将每个子像象素的亮度值从空间域转换为频域。傅立叶变换计算数值中的一个数值是用于每个彩色通道的各个子像的平均亮度，或“DC”。傅立叶变换计算数值中的另一个数值是用于每个彩色通道的各个子像中的每个频率元件的垂直和水平频率矢量的频率和幅值。虽然在本实施例中使用了傅立叶变换，同样也可以使用其它类型的变换将信号从空间域变换为频域，例如，Hadamard变换。此外，频率变换的间隔还可以使用高通滤波器再细分。
去除低的和中的频率接着，在图4步骤1106中，进一步考虑将每个变换的低的和中的频率项去除。另外，这些项可以衰减，或忽略这一步骤，这并没有脱离本发明的精神。在本实施例中，每个彩色通道(或单色图像的单个通道)的各个子像都能够在本发明推荐实施例的有效范围内接受这种去除方法。具有主要高频成分的颗粒痕迹最容易从图像信息中测量到和区分出。然而，在照片胶片中的物理颗粒趋于小的以及随机性的落在胶片上，在扫描之前，存在的颗粒痕迹几乎是均等地落在整个频率范围内，但是在较高频率中一般很少具有图像的内容。为了得到在整个图像细节上颗粒痕迹的最好辨别，就希望能集中高频。
在本实施例中，采用了16×16的子像。同样，也可以使用其它尺寸的子像，这并没有脱离本发明的精神。为了能滤去低的和中的频率，一种方法是，例如，滤去所有X频率和Y频率位置上的绝对值的和小于或等于8的频率。另一种方法是，如果频率矢量是以图18排列的话，就能够在DC值的周围选出一个合适的半径范围，例如x2+y2=8]]>在这半径范围内的频率可以去除。也可以使用其它的半径或滤除方法，这并没有脱离本发明的精神。
计算颗粒强度接着，在图4步骤1108中，交叉相关的公式可以应用于计算各个子像的颗粒强度。在单色数字图像的情形中，交叉相关公式不能用于仅有一个通道存在的条件下。对彩色图像和单色图像来说，计算是使用从傅立叶变换且去除了低的和中的频率项之后所获得的数字图像的频率矢量。
为了能理解这些计算，数字图像的解释就很有必要。构成一个子像的总的信息是由每个彩色通道的各个象素所组成的。例如，在一个典型的三基色数字图像中，子像的总的信息是来自红色、绿色和蓝色通道的信息组合。“彩色通道”术语的使用是为了简便，而图像通道就不一定必须要有彩色通道。本发明可以适用于数字图像的图像通道，即使这通道并没有表示一个彩色。在本实施例中，通道表示了照片图像的三种彩色通道。
红色信息，这里是指红的频率矢量，它能够采用公式1来表示。为了本专利的目的，黑体字符表示复数矢量，按照惯例，可以认为它具有一个实部分量和一个虚部分量，或具有一个幅值和相位分量。
R＝Rs+Rn(1)在公式1中，R表示通过红色通道所记录到的一个子像的各个象素的组合信号。Rs是来自图像信号本身的子像红信息部分。Rn是能够被有效确认为是颗粒痕迹的“噪声”。
同样，绿色信息和蓝色信息为G＝Gs+Gn(2)B＝Bs+Bn(3)在给定仅仅测量R，G，和B的条件下，就可以计算出Rn，Gn和Bn的估计值。同样，也可以计算出单色图像通道的噪声分量的估计值。
因为在原始胶片各个彩色层的颗粒模式是不同的，所以，可适当地假设数字图像的子像中颗粒痕迹即有效噪声在彩色通道中不相关。换句话说，在各个彩色通道中，子像中信号噪声部分的亮度值将趋于不同。另一方面，在各个彩色通道中，子像中信号的图像部分的亮度值会趋于相同，于是就相关了。从逻辑上说，这种相关性是自然图像的亮度分量通常强于色度分量的原理的结果。
于是，在彩色之间的交叉相关性可以用于组成R的Rs和Rn的比值混合的预测。非常弱的交叉相关性预示着信号非常接近于零，即Rn≌R＝Rs+Rn(4)另一方面，较强的交叉相关性预示着Rs分量支配着Rn分量，即Rn＜＜R＝Rs+Rn(5)于是，就可以获得噪声的适当估计估计的R＝F(交叉相关)·R (6)在公式6中，F(交叉相关性)随着交叉相关性接近于自动相关性而接近于0，即理想的交叉相关性；以及F随着交叉相关性接近0而接近于1。
于是，在图像通道之间的交叉相关性常常是用于导出给定R时的改进Rn的估计值。然而，在存在较强的信号情况下，这种估计值就变得不可靠。因此，交叉相关性的第二个用途就是用源于导出可靠性的估值，以及支配计算多少与其它子像相平均的Rn的估计值的“加权”。
来自两个彩色通道(例如，红色和绿色通道)的信息之间的交叉相关性的测量能够以代数式表示 在公式7中，RG表示取自红色和绿色通道中有关子像信息的交叉相关性。通过将红色通道的子像频率值的复数与绿色通道的子像频率值的复数相乘、在低的和中的范围内的频率去除后的各个保留下的非DC频率项的频率与频率相乘来完成。例如，在红色通道中的频率位置1的频率矢量与绿色通道中的频率位置1的频率矢量相乘。在离散的计算中，在红色通道中的频率位置2的频率矢量与绿色通道中的频率位置2的频率矢量相乘，等等。应注意到，这些都是两个矢量的矢量相乘或“点乘积”，也因此来表示包括两个矢量的矢量方向的相关性。将这些分别计算的乘积项求和。
公式7也显示了在数字图像的大的区域上，RnGs，GsRn，和RnGn的数值是不相关的。它们的乘积有时随机性为正，有时又随机性为负，所以对最终的和只有小的影响。它们的平均值趋于零。最后，公式7显示了频率与频率的乘积，一个子像所相关的红色和绿色信息的总和基本上等于相关的红色和绿色的图像信号的数值。采用同样的方法，BR=BsRS和BG=BsGS。
对各个子像来说，在彩色通道之间的交叉相关性，频率位置与频率位置可以采用公式8-10来计算。
BR＝RB＝∑R·B for entire segment(8)BG＝GR＝∑G·R for entire segment(9)BG＝GB＝∑G·B for entire segment(10)于是，在两个彩色通道之间的指定子像的交叉相关性包含对应频率的频率域(去除低的和中的范围内的频率之后)点乘积的和。
其次，可以测量在彩色通道中各个子像的颗粒强度。颗粒强度是指在原始胶片中颗粒留下的痕迹数目。具有大量颗粒痕迹的子像会有高的颗粒强度。一个子像的红色颗粒强度(Rgs)可以采用以下的公式来计算Rgs=Σ|Rn|=ΣRn·Rn---(11)]]>也就是说，在子像中的红色颗粒强度等于它的红色噪声值的绝对值的和，它同样也等于经平方的红色噪声数值的方根的和。
以下估计值可根据经验采用Rn·Rn≅R·Rn---(12)]]>应该注意到方根是用来减小偶然强噪声的影响。这估计也可用于其它彩色通道，或单色图像的单个通道。
由于Rn＝R-Rs，所以对红色通道的颗粒强度的公式可由下列公式给出Rgs≅ΣR·Rn≅ΣR·(R-Rs)---(13)]]>应该注意到，对于R的指定子像来说，随着Rs的增加和Rn的减小，“R-Rs”的数值接近于零，因此Rgs也接近于零。相反，随着Rn的增加和Rs的减小，“R-Rs”的数值增加，因此Rgs也增加。
以同样的方法，可以得到绿色和蓝色通道的颗粒强度的公式Ggs≅ΣG·Gn≅ΣG·(G-Gs)---(14)]]>Bgs≅ΣB·Bn≅ΣB·(B-Bs)---(15)]]>类似公式也可以用于单色图像的信号通道。
在来自其它彩色通道的图像信号中存在着一些来自各个彩色通道的图像信号。例如，在绿色图像信号(Gs)和蓝色图像信号(Bs)的两者中存在着红色的图像信号(Rs)。在红色图像信号(Rs)和蓝色图像信号(Bs)的两者中存在着绿色的图像信号(Gs)，以及在红色图像信号(Rs)和绿色图像信号(Gs)的两者中存在着蓝色的图像信号(Bs)。
正如以下所讨论的那样，下列常数(K)值对于区分颗粒强度是很有效的KRG是在绿色图像信号中红色图像信号的数值。
KGR是在红色图像信号中绿色图像信号的数值。
KRB是在蓝色图像信号中红色图像信号的数值。
KGB是在绿色图像信号中绿色图像信号的数值。
KBR是在红色图像信号中蓝色图像信号的数值。
KBG是在绿色图像信号中蓝色图像信号的数值。
根据经验研究，基于这些常数值和输入信号的频率幅值以及噪声信息就可以获得各个彩色图像信号的数值。在一种执行中，对红色，绿色和蓝色的估计为
Rs≌KRGG+KRBB (16)Gs≌KGBB+KGRR (17)Bs≌KBRR+KBGG (18)在公式16-18中，R是一组子像的红色频率矢量，G是一组子像的绿色频率矢量，以及B是一组子像的蓝色频率矢量。这些数值都已经从傅立叶变换中获得。正如以上所讨论的，也已经去除了低的和中的频率。
随后求解红色颗粒的强度，公式为Rgs≅ΣR·(R-Rs)≅ΣR·[R-(1/2KRGG+1/2KRBB)---(19)]]>求解绿色和蓝色的颗粒强度的公式为Ggs≅ΣG·[G-(1/2KGBB+1/2KGRR)]---(20)]]>Bgs≅ΣB·[B-(1/2KBRR+1/2KBGG)]---(21)]]>另一组估计值可以采用原先计算交叉相关性的公式(见公式8-10)来求解常数(K)的数值。例如，KRG值可采用以下的公式来估计 以同样的求解方法，其它K值为KGR=GBBR---(23)]]>KRB=GRBG---(24)]]>KBR=BGGR---(25)]]>KGB=GRBR---(26)]]>KBG=BRGR---(27)]]>利用这些已经获得的数值，使用从傅立叶变换获得的且已经去除了低的和中的频率(在这些公式中的R，G，和B)的频率矢量，就可以对各个彩色计算出在各个子像中的颗粒强度。
例如，本发明通过下列一系列等式和估计来估计出红色颗粒的强度Rgs=Σ|Rn|=ΣRn·Rn---(11)]]>Rn·Rn≅R·Rn---(12)]]>Rgs≅ΣR·Rn---(13)]]>Rn＝R-RsRgs≅ΣR·(R-Rs)---(13)]]>Rs≌KRGG+KRBB (16)Rgs≅ΣR·[R-(1/2KRGG+1/2KRBB)]---(19)]]>KRG=BRBG---(22)]]>KRB=GRBR---(23)]]>Rgs≅ΣR·[R-(1/2BRBGG+1/2GRBRB)]---(28)]]>BR＝∑R·B (8)
BG＝∑G·B (10)BG＝∑G·R (9)Rgs≅ΣR·[R-(1/2ΣR·BΣG·BG+1/2ΣG·BΣR·BB)]---(29)]]>用于估计绿色颗粒强度和蓝色颗粒强度的公式有Ggs≅ΣG·[G-(1/2ΣG·RΣR·BB+1/2ΣG·BΣR·BR)]---(30)]]>Bgs≅ΣB·[B-(1/2ΣG·BΣG·RR+1/2ΣR·BΣG·RG)]---(31)]]>在各种情况中，求和是在空间频率域的各个频率上进行。
对单色图像来说，各个子像的颗粒强度可采用去除了低的和中的频率后的各个频率的点乘积的平方根的求和来估计。
计算子像的加权根据一组计算已经估计了颗粒强度，第二组公式可以用于对每个彩色通道确定各个子像的“加权”值，正如图4步骤1110中那样。其次，可以使用从傅立叶变换中获得的已经去除了低的和中的频率的频率矢量。加权值提供了置信度，即置信度表示计算的颗粒强度(噪声)实际上是颗粒痕迹的测量，而不是图像的细节。
可以使用公式8-10来计算加权值。此外，下列用于各个子像的频率矢量值的总和公式也可以使用。这些公式(这是对自动相关性的测量)对子像中的所有频率位置的频率矢量自身的点乘积求和。对各个彩色通道的单个和也可求得。
RR＝∑R·R (32)GG＝∑G·G (33)BB＝∑B·B (34)在各种情况中，R，G，和B表示去除了低的和中的范围内频率的子像的傅立叶变换。
使用从公式8-10和公式32-34获得的结果，就可以根据下列公式来计算各个子像的加权值weight=1.0-(RG+RB+GBRR+GG+BB)---(35)]]>公式35是有用的，因为在彩色通道中子像图像部分的不同彩色的相同频率值比颗粒痕迹的值更相似。正如在本申请较早的介绍那样，从各个彩色通道记录到的颗粒痕迹具有在数字图像中的分离图形，所以具有不同组的频率值。另一方面，通过彩色通道的图像趋向于相似，进而在各个彩色通道中具有相似的频率值。
例如，在包含了完整的图像信号的子像中，在加权值等式分子中交叉相关性的组合数值大约等于分母中自动相关性的组合数值。于是，子像的加权值趋向于1.0，平方根的值为1，或最终为0。
然而，包含了完整颗粒痕迹信号的子像所具有的加权值趋向于1.0-0，或最终为1.0。这是因为在分子上的交叉相关性的组合值比在分母上的自动相关性的组合值要小得多。
随之，子像的内容所包含的图像信号越多，加权值就会越接近于0。子像的内容所包含的颗粒痕迹(噪声)越多，加权值也就会越接近于1。
对于单色图像来说，通常加权设定为固定值，例如，1。
加权，DC，和颗粒强度的曲线画法如图4步骤1112所示，进行了这些计算之后，对各个彩色通道而言，各个子像的加权值就可以对整个图像以三个图形画出曲线，每个彩色通道对应一个。为了更简洁，对图像的每个彩色通道只画一个图形，而不是每个子像画一个图形。数字图像中的每个子像都可以根据它的颗粒强度和DC(这是通过傅立叶变换所获得的子像的平均亮度的数值)在曲线上表示出来。此外，每个子像所画出的点都是子像的加权值。其结果是X轴表示平均亮度，Y轴表示颗粒强度的离散点，并且在离散点的特殊点的数值上包括了加权值。对单色图像而言，也可以产生信号的离散点，它与上述所讨论的颗粒强度和加权的改进公式相一致。
图6说明了数字图像中一个子像的红色通道的曲线。其中，Y轴表示颗粒强度，X轴表示平均亮度。点1502是子像红色颗粒强度和红色平均亮度的点。点1502的延伸观察点1504说明了子像的加权值(WV)。
采用相同的方法，可以分别在绿色的离散点上为绿色通道画出子像的点和在蓝色的离散点上为蓝色通道画出子像的点。在画出图像子像的数据之后，其结果是分别对应于每个彩色通道中的一个的三个离散的点。图7说明了通过一个彩色通道(例如红色通道)所记录的数字图像的子像的离散点。相同的离散点会显示出绿色和蓝色通道的结果，或单色图像信号通道的结果。
画出颗粒强度的估计线一旦产生了离散的点之后，对每个彩色通道(或单色图像的单个通道)就可以使用曲线拟合技术通过点的雾区画出线来，正如图4步骤1114所说明的。对各个点位置指定的加权值都会影响着这些线段的精确位置，以较大的加权值在曲线的方向上延伸。图8说明了通过一个彩色通道(例如红色通道)的离散点画出线1702。曲线表示了相对于密度所画出的颗粒强度。虽然以下将讨论曲线拟合，当然任何曲线拟合技术都可以使用，这并没有脱离本发明的精神。此外，对不同的彩色通道也可能采用变化的技术。
这些线随之可用于确定指定彩色通道数字图像中任意象素的估计颗粒强度的有效测量，它与所指定的彩色通道中象素亮度有关。该测量能采用各种方法使得数字图像在视觉上更加柔和。
假定在大多数时间中所有三个通道中都存在着图像信息。但是数字图像的较明亮彩色区域可以包含具有强烈图像但在彩色之间相关性较小，以及在偶然的情况下强烈的点处于平均范围以外的区域。为了获得对所估计的颗粒强度有理想的拟合，曲线拟合技术可以考虑这些偶然的强烈点并不受它们的影响而引起曲线的失真。例如，它可以使用点的中间平均方法或者找到最佳拟合的模型。它也可以作出最佳拟合的第一模型，抑止在模型线上的两倍位置的强烈点，随后再在改动的数据上作出第二最佳的拟合。对这类强烈的点来说，它们具有较高的几率来表示图像的细节而不是噪声，因此抑止这些点而产生更加精确的曲线。可以多次重复进行这样的最佳拟合操作，直至没有任何点被遗漏。在本实施例中，采用了中间平均技术。
图9显示了适用于数字图像的红色信息所画的线1802。该线1802与关于离散点而产生的曲线相同或成比例，诸如，图8线1702所示的曲线。应该注意的是这里X轴表示象素的亮度值，而不是以上所使用的在整个子像中的平均象素的亮度。对具有如点1804所示的亮度的象素来说，所估计的颗粒强度是在点1806。换句话来说，虽然根据平均亮度从离散的点上导出了曲线1702，但是曲线1802(它可以与曲线1702相同)能够用于在给定它的亮度下提供象素颗粒强度的估计。
测量与频率有关的颗粒强度在完成了颗粒痕迹的测量之后，可以对每个彩色通道(或单色图像的单个通道)测量与频率相关的颗粒强度，如图3步骤1004所示。频率的内容被认为是图像的细节。具有较高程度图像细节的子像可在所有的频率上具有更多的内容。
例如，讨论一幅树的图像，该树被天空包围着且生长在草坪上。图像中草的部分，草有许多叶片和彩色的阴影部分，这就在整个频率范围中具有非常高的能量，即，大的频率内容。大多数高的能量可以是高的频率内容。另一方面，天空部分，它缺乏图像的细节，只有图像中出现很少的高的频率内容。于是，可以假定任何测量到的高的频率内容都是主要起源于图像细节。
为了能测量与频率相关的颗粒强度，继续图10所说明的步骤。在步骤2002中，数字图像进行第二次分割，并在步骤2004中作第二次傅立叶变换，当然第一次分割和第一次傅立叶变换的结果仍然是可以使用的。如果要进行新的计算的话，则不同子像的尺寸，形状和重叠选择(这种选择可以是上述讨论的)可以用于不同类型的变换(同样，这种选择可以是上述讨论的)。在步骤2006中，产生具有拟合曲线的离散点，以分辨出所估计的与频率有关的颗粒强度。接着，在步骤2008中，根据有关每个子像的频率值刚导出的颗粒强度对亮度的函数，点出被所估计的颗粒强度相除的幅值。在步骤2010中，就画出了与频率相关的可分辨出的颗粒痕迹的曲线。
分割当测量与频率相关的颗粒强度时，在步骤2002中，将数字图像分割成若干个子像，以上图4步骤1102所讨论的任何技术和选择都可以使用。
傅立叶变换在步骤2004中，对每个彩色通道(或单色图像的单个通道)的各个子像的象素亮度值进行第二次傅立叶变换，与图4步骤1104相联系的上述所讨论任何技术和选择都可以使用。然而，低的和中的频率项的范围并没有从结果中去除，正如原先图4步骤1106所示的那样。
分辨出所估计的与频率相关的颗粒强度利用在第二次傅立叶变换中所获得的DC(平均亮度)的数值，就可为每个彩色通道(或单色图像的单个通道)的各个子像，分辨出与频率相关的所估计的颗粒强度，正如步骤2006所指示的。对每个彩色通道(或单色图像的单个通道)的通过原先的离散点所画出的曲线(如曲线1702和1802)可以被这个目的所采用。对每个子像，从第二次傅立叶变换所获得的DC(平均亮度数值)可以用于固定在X轴上的点，以分辨出曲线的数值，随后就可以找到在Y轴上的所估计的颗粒强度。
例如，如果子像具有和图9中点1808的数值相等效的DC数值，那么它的所估计的颗粒强度将具有线1802上的点1810的数值。于是，在子像中的每个频率被认为具有从子像的平均亮度衍生出的所估计的颗粒强度。
用频率来点出M/GS在分辨出与频率相关的估计颗粒强度之后，在图10步骤2008中，每个彩色通道(或单色图像的单个通道)的各个子像的每个频率上的幅值可以被每个彩色通道(或单色图像的单个通道)的各个子像所估计的颗粒强度相除。在每个频率上的幅值是由步骤2004的傅立叶变换所确定的。
随之便产生了新的离散点，每个彩色通道(或单色图像的单个通道)都有一个分布图。离散点的Y轴表示求解通道各个子像在每个频率上的幅值被同一子像的估计颗粒强度相除的数值。离散点的X轴表示求解通道在数字图像中呈现出的频率值。于是，就可以对图像的各个子像的每个频率在离散点上画出这个点。在上述的举例中，呈现出289个频率，于是该举例的新的离散分布图就由289S个所画出的点，其中S表示子像的数目。在这个离散的分布图中没有加权值加到各点，除了在同一位置上画的点的数目。为了更简洁，每个点都由加权1，但是，如果第二点的位置是画在同一位置上，则可以假定该点的加权为2。另外，能够简单地保持这一系列点都包含着两个点。
图11说明了一个彩色通道的离散分布图。点的较低的“雾区”表示了一些采用以上加权方法与具有主要表示颗粒强度和没有图像信号的高几率的子像相分开的子像。从雾区中去除的这些点具有表示图像信号的高的几率。
画出与频率相关的可识别的颗粒痕迹的线#接着，采用曲线拟合的算法，通过每个离散分布图的低的雾区的所有点可以画出一条线，如图10步骤2010所示。在本实施例中，采用了中间平均类型的算法。在画这条线时，只要不使结果失真，就可以忽略雾区以外假的较高的画点。要达到这一目的，对每个点可以采用下列的加权公式，式中Y是在Y轴上的点的数值w=1y3+0.5---(36)]]>其它任何有效的加权都可以使用，但是这些都没有脱离本发明的精神。作为一个举例，图12显示了一个彩色通道通过雾区所画出的曲线。应该注意的是，在画该曲线时，忽略了假的高点2204和2206。同样，这有利于确定曲线只需要使用低的和高的频率画出的点。这样，较强的低频率将不会不利地影响估计的DC。
计算相关性的矩阵随后，可以对每个通道计算一个矩阵，如图3步骤1006所示。
通过曲线找出估计的DC项为了能计算相关矩阵，通过在步骤2010(图10)离散分布图所画出的线可以用于计算每个彩色通道(或单色图像的单个通道)的估计的DC(EDC)。例如，图12显示了由线2202上的点2208所指示的EDC值。在本实例中，三幅离散的分布图提供了红色，绿色和蓝色通道的估计DC值。
计算矩阵在确定了EDC值之后，使用公式37来计算各个彩色通道(或单色图像的单个通道)的矩阵，式中[X]覆盖了象素亮度值的范围array[x]=1(EDC·grainstrength[x])---(37)]]>一个通道计算一个矩阵，它利用了从步骤2010计算的曲线中获得的估计DC值和从步骤1114计算的曲线中获得的每个亮度的估计颗粒强度。
计算相关性矩阵矩阵[X]值可以用于计算每个通道(或单个单色通道)的相关性矩阵。公式38可以用于计算该矩阵。
correction[O]＝0correction[x]=Σn=1xarray[n-1]+array[n]2---(38)]]>归一化与亮度相关的颗粒痕迹在计算了相关性矩阵之后，与亮度相关的数字图像的颗粒痕迹能够归一化，如图3步骤1008所示。通过相关性矩阵所获得的数值可以应用于数字图像的数据之中，以得到归一化。在数字图像中的每个象素亮度的值“X”都可以用每个彩色通道(或单色图像的单个通道)的相关性矩阵[X]值来代替。这个过程使得数字图像的颗粒痕迹可在通道灰阶的范围内近似相同的视觉效果，这就使得数字图像具有更加柔和的视觉效果。例如，当作为正片显示在具有伽马2的典型显示器上时，它将会柔和得多。
图13是从归一化数字图像中得到的象素线上的且随着空间上画的象素亮度变化的颗粒痕迹的图形。应该注意到，象素的亮度的范围是处处都一致，它不会对非归一化的数字图像的象素亮度产生明显的波动。在图23的点2302上的波动与点2304的波动是基本相同的。
归一化与频率相关的颗粒痕迹现在可以将数字图像的颗粒痕迹归一化到与频率相关，如图3步骤1010所示。在应用了相关矩阵之后，就进行另一次频率变换，将亮度归一化图像的各个通道(或单个通道)从时域变换到频域。另外，相关矩阵被变换成频域的函数，以应用于图像的原始空间频域的表示法。在本实施例中，相关矩阵应用于时域且对每个通道进行变换，以完成将要讨论的频率归一化过程。
图14是一个两维的点画图，它以图形说明了在软件归一化亮度范围内的颗粒痕迹之后所画的幅值与数字图像的频率关系。应该注意到，平均(DC)值2402是1.0。
为了在整个频率范围内归一化颗粒痕迹，软件将各个子像的每个频率的每个幅值(M)与因子(F)相乘。该因子表示了通过离散的点所画出的线2404与1.0偏离了多少。deviation factor(F)=1.0Mline(F)---(39)]]>偏离因子的实际点的画法显示出频率上升曲线，这是和图14的曲线2404相反的曲线。应该注意的是，相位是不受影响和保存着。
图15是一个两维的点画图，它以图形说明了在软件已经进行了与偏离因子相乘之后所画的频率幅值与数字图像的频率之间的关系。采用常规的方法通过这些点画的曲线2502显示了在高的和低的频率区域内颗粒痕迹的幅值大致相同。它们不会有较大的波动，不如在非归一化的数字图像中那样的波动。
抑止颗粒痕迹在计算了相关矩阵之后，通过相关矩阵所获得的归一化值可以用于抑止数字图像中的颗粒痕迹，如图3步骤1012所示。也可以使用颗粒抑止的其它方法，但是这并没有脱离本发明的精神，例如以下将讨论的第二种方法。
在根据上述的技术数字图像的归一化过程中，各个彩色通道的和各个频率波段中的各个子像的颗粒强度都要调整到幅值分量为1，如图15所示。相位是不受影响的。因此，成分的幅值就成了一个从图像的细节中分离出颗粒痕迹(噪声)的强度指示器，其1.0是区别的数值。大于1.0的幅值具有从图像细节获得的高的可能性，而小于1.0的幅值具有从颗粒痕迹获得的高的可能性。因此，要抑止数字图像中的颗粒痕迹，就要求能抑止接近和小于1.0幅值的成分。另一方面，大于1.0的幅值的成分可以再现图像的细节，是不应该受抑止的。
这与非归一化的数字图像形成对比，那里，颗粒痕迹(噪声)和图像之间的重要的量随亮度和频率变化，使颗粒痕迹和图像的精确区别几乎不可能。正如较早所阐述的那样，图像可以归一化，或者，在引导颗粒减少的非归一化的图像能够包含描述随亮度和频率变化的噪声分布的数据，这些都没有脱离本发明的精神。
为了抑止颗粒痕迹，下列方法可以应用于归一化数字子像的各个频率的幅值(M)对归一化数字图像中的各个子像保留原始的相位信息对子像的各个M(去除DC项)If(M＜＝0.5)M＝0else抑止因子＝1.0-e-(M-0.5)M＝M*抑止因子该公式采用以0取代0.5或小于0.5的归一化幅值来抑止频率。因为有一些颗粒痕迹会具有稍微大于0.5归一化幅值，所以该公式也可以使用抑止幅值去取代这些较低的幅值。抑止因子稍微减少了具有较高归一化幅值的频率值，因为这些数值趋向于符合图像的细节。
上述的例子有通过分割各个单元而归一化的数字图像，将已知的颗粒强度作为频率和亮度的函数，随后采用区分的方法将减少固定在1.0。另一种等效的方法也可以应用于颗粒的减少，它将等于预期噪声的区分点作为频率和亮度的函数直接应用于非归一化的成分。为了达到这一目的，可以使用以上所列出的颗粒抑止的方法，但是抑止因子以M‘取代M，这里M′=Mexpectedgraintraces]]>抑止颗粒痕迹的其它方法也是可能的，它有利于利用从校正矩阵得到的归一化值。例如，诸如PHOTOSHOPTM的图像增强软件能够手工应用于归一化值，尽管这类软件要求庞大的用户反馈来找到抑止颗粒痕迹的合适水平。
现在讨论抑止颗粒痕迹的另一种方法，它可以自动的或用户选择的抑止掉部分图像中的颗粒或取代掉图像中的所有颗粒。
图16说明了描述从数字图像中去除高频噪声(例如颗粒痕迹)方法的流程图。图16所图示的过程可以适用于数字图像的一个或多个通道，如果数字图像仅有一个通道则适用于数字图像的单个通道。对具有多个通道的图像来说，图16所描述的过程可以是应用于所有通道的一个子集，这些都没有脱离本发明的精神。同样，图16所描述的过程也可以不同地应用于多通道数字图像中多个通道中的每个通道，这些也都没有脱离本发明的精神。
在步骤1610中，对指定图像通道的噪声进行了归一化。可以使用上述讨论的过程或通过任何其它过程来归一化噪声。另外，尽管在进行图16所描述的过程的其余部分之前，要求归一化噪声，但是这过程也可以应用于非归一化的数字图像。
图16描述的过程可以应用于具有高频噪声的数字图像，诸如颗粒痕迹已归一化到在所有频率上都为1的幅值的图像。如果颗粒已经归一化到某个数值而不是1的话，那么在进行图16所描述的过程的其余部分之前，图像通道的亮度可以换算为1。例如，如果颗粒归一化到在所有频率上都为100的幅值的话，在完成了步骤1612之后和进行其它步骤之前，将各个频率的幅值除以100。在一个更为复杂的例子中，如果对颗粒来说，各个频率都已归一化了，或其它高频噪声也已归一化到唯一的数值，那么，在开始其余过程之前，要除以一个合适的数值。这种除法也会在步骤1612产生的变换之后发生。
以上所描述的图16说明的过程可以应用于单通道的图像或多通道图像。在存在多通道的情况下，可以使用图16所描述的过程。另外，也可以使用利用了通道之间相互关系的精确过程。这类过程将在下文结合图17进行讨论。
图16的描述假定该过程应用于单通道，M‘，这里M‘表示数字图像各个象素的空间序列的亮度数值。对多通道图像来说，将会有多个这类通道。
在步骤1612中，图像通道的多个子像从空间域变换到频域。根据上述讨论的方法，结合噪声归一化，这类子像和变换可以产生。分割图像的任何方法都可以使用，从空间域变换到频域的任何变换也都可以使用。在本实施例中，子像的尺寸选择为16象素乘以16象素。也可以使用其它的子像尺寸，但都没有脱离本发明的精神。此外，正如以上所讨论的那样，子像也可以重叠，这也没有脱离本发明的精神。同样，其它子像的形状和子像的尺寸都可以使用，但都没有脱离本发明的精神。
对一个指定的子像来说，最终的变换被称为M’T。正如以上所说明的，这种变换一般包含了一系列的两维矢量，其中矢量的一个分量表示指定频率分量的幅值而矢量的第二个分量则表示对应于指定频率的相位。在本实施例中，每个变换的矢量可以两种方法简便地排列，以便于图16所进行过程的数学描述。图18说明了这两种方法的架构。
在图18中，矢量以17×17的矩阵排列。DC项排列在矩阵的中心，并指定座标为(0，0)。此外，正如图18所说明的，这矢量也可以指定下标为144。当频率矢量以矢量的一维矩阵方式排列时，就会用到该下标。在一维矩阵中DC矢量在下标144的位置上。在两维矩阵中，频率矢量就放在对应于频率适当变换的下标位置上且在该位置上以X和Y方向来表示。在一维矩阵中，在一维矩阵的下标0位置上的第一个频率矢量是在如图18所说明的两维矩阵的左上角(座标-8，-8)上出现的矢量。如果两维矩阵是第一行从左往右第二行也是从左往右如此等等直至最后一行读出的，则一维矩阵的矢量排列就以数字序列继续。该排列如图18所显示，对一个特定的频率矢量而言，括号的一维矩阵下标与两维矩阵座标一起列了出来。
在步骤1614中，对步骤1612所获得的各个子像的变换进行过滤。另外，忽略这一步骤也是可以的，但这并没有脱离本发明的精神。为了使结合图17讨论的过程能简洁和连贯，在步骤1612所获得的变换被称为M’T2。这变换可采用这种方式来过滤，以便于强调图像中的信号内容和衰减图像中的噪声。低通滤波器有利于在该过程的这一步骤中使用。匹配的滤波器可以提供平滑的衰减和减少随机噪声。于是，虽然能够使用任意低通滤波器，但是要求匹配的滤波器能提升变换中存在的有效信号和抑止在变换中存在着的噪声。RMS计算法可以用于进一步增强有效的信号。滤波的操作趋于保护频率中的强烈变化和抑止频率中的小得变化。换句话说，要增强强烈的频率分量，它最有可能表示有效的信号。
在本实施例中，滤波器由3×3的矩阵组成，它的中心是4的数值，在中心上下水平和垂直的点上是2的数值，在矩阵的四个角上是1的数值。也可以使用滤波器的其它尺寸和滤波器的其它数值，但是这并没有脱离本发明的精神。如果用W(a，b)表示正在描述的滤波器，那么，可以根据公式40来计算滤波的变换M’T3。M′T3[x,y]=Σa=-11Σb=-11w(a,b)(M′T2(x+a,y+b))2Σn=-11Σb=-11w(a,b)---(40)]]>M′T3[DC]＝0需要注意的是，对滤波的变换来说，DC项被设置为0。此外，超出变换边缘的单元都被处理成具有0的数值。这种处理并没有在公式中明确表明。滤波的操作仅仅影响频率矢量的幅值。频率矢量的相位保持不变。在公式40中，变换的两维表示法也可以用于计算。出于符号的目的，在公式40中，对变换M’T2和M’T3，采用了普通字体(而不是黑体字体)来表示变换的幅值。这符号的使用是图16和图17讨论的延续。在进行矢量运算的情况下，黑体字体被用于讨论中的指定变换。
在步骤1616中，每个子像的滤波变换可以是频率扩展的。另外，如果忽略步骤1614，则在步骤1612获得的原始变换就可以在步骤1616中频率扩展。步骤1616也可以忽略，但这没有脱离本发明的精神。
因为真实的世界是类似重复的图形所组成的，所以照片图像的变换空间趋于具有在DC频率周围任何放大的相同的外观，除了重建中假信号的存在以外。对重复的图形来说，图像的频率特性通常是以2的幂数来重复频率。在这步骤中，较低频率的频率特性用于作为两倍频率的预感的阈值细节。
为了进行这类频率扩展，如果使用图18所指出的变换的两维模式，则中心一半的变化数据要扩展到变换数据的整个模块中。换句话说，频率中心9×9的模块要扩展到17×17变换中的每一个其它位置上。在频率不能确切的填入变换的其余位置时，可以使用相邻频率的平均值。此外，这样的操作仅仅影响频率的幅值。
在已经获得频率扩展的滤波变换之后，在步骤1618中就可以计算新的变换，它是根据频率扩展的变换和在步骤1614中获得的滤波变换。另外，如果忽略了步骤1614，这新的变换就取决于频率扩展变换和在步骤1612中获得的初始变换。公式41可以用于计算新的变换，M’T4。M′T4[x]=(0.8M′T3[x]2)+(0.2M′ET[x])2---(41)]]>在公式41中，变换M’ET便是通过频率扩展而获得的估计的变换。其次，这种操作仅仅影响频率矢量的幅值。
在步骤1620中，可以产生一个屏蔽，以产生在步骤1618中获得的变换的高频项的衰减。因为颗粒痕迹主要具有高频成分，所以可以使用屏蔽来衰减颗粒的痕迹和/或其它高频噪声。
使用由公式42表示的门控函数就可以获得屏蔽。Fgate(x,y)=x2+y264---(42)]]>公式42是基于傅立叶变换的两维表示法，正如图18所说明的。当变换是采用如图18所示的两维矩阵时，在公式42中X和Y项对应于变换中的指定频率矢量的座标。于是，对高频来说，门控函数接近于2的平方根，对低频来说，它为0。随后可以使用公式43来计算屏蔽，式中B(x，y)包含了在x，y位置上的屏蔽，这里(x，y)是图18所说明的两维变换的座标。
B(x，y)＝1-Fgate(x，y)Fgate≤0.4(43)B(x，y)＝0.6Fgate＞0.4在这个实现中，屏蔽函数被设计成最小值为0.6。其它的屏蔽函数也可以使用，但并没有脱离本发明的精神。此外，这个步骤也可以忽略，但没有脱离本发明的精神。
在步骤1622中，可以对每个子像计算噪声校正函数。在本实施例中，根据屏蔽和一种原先计算的图像频域表示法来计算噪声校正函数。例如，在步骤1618中所获得的变换M’T4可以用于获得噪声校正函数。可以使用公式44和公式45来得到噪声校正函数。C(x,y)=M′T4[x,y](0.36)B(x,y)2C≤1+Fgate(x,y)---(44)]]>C(x，y)＝1+Fgate(x，y)C＞1+Fgate(x，y)M＇TM[x，y]＝GR+(1-GR)C(x，y) (45)在公式44中，噪声校正函数是在数值1加上变换矩阵指定位置上的门控函数之上。其次，公式44和公式45仅仅影响频率矢量的幅值分量。本发明的用户在根据本发明改善了图像之后可以要求保留颗粒的残余物。于是，本发明允许用户指定颗粒的残余物GR，GR是在图像得到改善之后仍希望保留的颗粒残余物。公式45在计算噪声校正函数M’TM时考虑了所希望的残余颗粒。
在步骤1624中，各个子像的噪声校正函数应用于各个子像的原始变换。其结果采用了具有高频噪声，诸如抑止的颗粒痕迹，的图像的频域表示。使用公式46可以得到颗粒抑止频率的表示。
M′TS[x]＝M＇T[x]M′TM[x] (46)公式46产生一系列矢量，它包含了M’T系列的矢量和在M’TM中所对应的标量值的乘积。
在步骤1626中，每个子像都能得到噪声校正函数的逆变换，以获得已经抑止了噪声的改善图像的空间域表示。
图17说明了描述从数字图像中去除高频噪声(诸如颗粒痕迹)方法的流程图。图17所画的过程可以应用于多通道的数字图像。如果数字图像只有一个通道，那么更适合于使用结合图16所描述的过程。也可以对数字图像的多通道中的部分通道采用图17所描述的过程，而多个通道的其它部分应用结合图16所讨论的过程。
结合图17所讨论的过程可以应用于任何多通道的数字图像，这并没有脱离本发明的精神。例子可包括彩色照片(或者是正片，负片，或幻灯片)，从卫星接受到的数字图像，和医疗图像等的数字图像表示。然而，这些仅仅是本发明许多潜在使用的一些例子。本发明对于从数字图像中去除非相关的高频噪声，诸如由颗粒痕迹所产生的，是十分有效的。
在步骤1710中，各个图像通道的噪声被归一化。噪声的归一化使用了以上所讨论的过程或通过任何其它过程。另外，尽管在进行图17所讨论的过程的其余步骤之前要求作噪声的归一化，但是该过程也可应用于非归一化的数字图像。
由图17所描述的过程可以应用于具有高频噪声，诸如颗粒痕迹，且在所有频率上归一化到1幅值的数字图像。如果将颗粒已经归一化到不是1的其它数值，那么在采用图17所描述过程的其余步骤之前，将图像通道的亮度值限制到1的范围内。例如，如果将颗粒在所有的频率上归一化到100的幅值，那么，在完成了步骤1712之后和进行其余步骤之前，各个频率的幅值除以100。在一个更复杂的例子中，如果对颗粒或其它高频噪声都已将各个频率归一化到唯一的数值上，那么在开始过程的其余步骤之前要以适当的数值加以除尽。这除法也可以在步骤1712产生了变换之后进行。
由图17所说明的过程利用了数字图像多个通道之间的关系。为了便于讨论，图17说明的过程将结合以下表示彩色照片图像的数字图像来讨论。这类数字图像一般具有三个通道——红色通道，绿色通道，和蓝色通道。为了将图17讨论的过程能扩展到更多通道的图像，要求将以下计算的交叉相关性能考虑到所有有效的交叉相关性。同样，如果图17应用于双通道的数字图像，那么以下讨论的交叉相关性可以调整到仅仅考虑两个通道的情况。
图17应用于三通道的过程，R’，G’，和B’，R’表示数字图像红色通道的每个象素的空间序列的亮度值。G’表示数字图像绿色通道的每个象素的空间序列的亮度值。B’表示数字图像蓝色通道的每个象素的空间序列的亮度值。所使用的符号要避免与以上公式相冲突。
在步骤1712中，每个图像通道的多个子像都从空间域变换为频域。如果仅仅是从多个图像通道的一个子集中去除高频噪声，那么只要将这个图像通道变换或着将所有的图像通道变换。换句话说，如果噪声只是从单一通道去除的话，则其它通道的信息可以使用也可以不使用，以确定要去除噪声的通道的噪声内容。各个通道的分割和变换可以根据以上结合噪声归一化的讨论方法来进行。任何分割图像通道的方法都可以使用，任何从空间域变换到频域的方法也都可以使用。在本实施例中，已经选择了16象素×16象素的子像尺寸。也可以选择其它子像尺寸，但这并没有脱离本发明的精神。此外，正如以上所讨论的那样，子像可以重叠，这并没有脱离本发明的精神。同样，其它子像的形状也可以使用，但这并没有脱离本发明的精神。也可以使用变化形状和尺寸的子像。
对一个指定的子像来说，以照片图像作为本发明的一个例子，所产生的变换可以称之R’T，G’T，和B’T。正如以上所提到的，这类变换包含了一系列两维矢量，其中矢量的一个分量表示指定频率的幅值，而矢量的第二个分量表示指定频率的相位。在本实施例中，每个变换的矢量可以两个方法来排列，以便于图17执行过程的数学描述。图18说明了这两种方法的架构。图18是结合图16讨论的描述。
在步骤1714中，对步骤1712中计算变换的各个子像可以计算多通道对应子像之间的交叉相关性。另外，可以使用子像的子集，这并没有脱离本发明的精神。因为数字图像的多通道趋于显示相同的图形，所以不同通道的对应子像的交叉相关性趋于图像的细节而不是随机的噪声，诸如颗粒。相关性较差的频率趋于表示为噪声，例如，颗粒痕迹。于是，本发明利用了与图像细节有关的通道之间的相关关系。本发明的各个实施例都以各种各样的方法利用这种关系。以下的数学描述提供了一个如何使用交叉相关性来去除噪声的例子。然而，任何数学过程都可以用于数字图像的噪声减少，包括颗粒的减少，对数字图像通道之间交叉相关性进行计算比例，也没有脱离本发明的精神。
公式47-49提供了一种获得数字图像通道之间交叉相关性测量的方法。R′G′X[x]=R′T[x]·G′T[x]1+|R′T[x]||G′T[x]|---(47)]]>其中DC＝0R′B′X[x]=R′T[x]·B′T[x]1+|R′T[x]||B′T[x]|---(48)]]>其中DC＝0G′B′X[x]=G′T[x]·B′T[x]1+|G′T[x]||B′T[x]|---(49)]]>其中DC＝0这些公式可以应用于数字图像的各个子像的各个频率矢量。计算和公式47-49的结果是交叉相关性标量值的矩阵，其中每个数值都与不同通道的两个频率矢量之间交叉相关性成比例，而这里的频率矢量表示了两个通道所空间对应的子像的相同频率。为了便于讨论，公式47-49使用了一维矩阵矢量表示法，它类似于结合图18所讨论的图象子像的空间频率变换的方法。因此，在每个公式的分子是两个矢量之间的点积，而每个公式的分母则考虑这些矢量的每个幅值。公式47的结果矩阵与指定子像在指定频率上的红色通道和绿色通道之间交叉相关性成比例。公式48的结果矩阵与数字图像的指定子像在指定频率上的红色通道和蓝色通道之间交叉相关性成比例。公式49的结果矩阵与数字图像的指定子像在各种频率上的绿色通道和蓝色通道之间交叉相关性成比例。对数字图像的各个子像可以采用三个公式中的一个来计算这个矩阵。交叉相关性的DC项设置为0。符号R’G’，R’B’和G’B’用于避免与以上颗粒归一化所给出的公式相冲突。为了避免冲突，符号R’T，R’T和G’T用于表示在步骤1712中获得的变换。
对于大的同相频率矢量，公式47-49的结果趋于接近数值1，而对于非同相的矢量，则接近-1。非常小的矢量趋于产生接近于0的结果而同相且具有约为1的幅值的矢量会产生约为0.5的结果。
在步骤1716中，涉及红色通道的交叉相关性的高频分量可以衰减。另外，这步骤也可以忽略，这并没有脱离本发明的精神。典型的是，用于产生照相图象的彩色胶片具有绿色层，光线在通过绿色层之后再照射到蓝色层和随后的红色层。因为红色层要在光线通过绿色层和蓝色层之后才能接受光线，所以与绿色层和蓝色层相比，在红色层上的图像要稍微雾区些。红色层趋于缺乏组成图像信息的高频信息。相反，来自红色通道的大多数高频信息可能是噪声和可以被拒绝的信息。如果使用不同类型的彩色胶片，那么就要求衰减数字图像的不同通道。此外，如果诸如卫星图像或医疗图像等其它图像具有可能缺乏高频图像内容的通道的话，则可以使用以下讨论的方法或使用其它类似的方法衰减这些图像通道的高频分量。
公式50描述了一种可以用于本发明的红色频率衰减的函数。RFA(x,y)=1(x5)2+(y5)2+1---(50)]]>RFA(0，0)＝0在公式50中，X和Y分别对应于在图18说明的频率矢量的两维矩阵表示法中指定点的X座标和Y座标。在座标(0，0)的DC值设置为0。尽管可以采用对应于图18说明的两维排列的频率变换中的各个频率矢量位置的座标来方便地计算红色频率衰减值，但是公式50计算地结果可以存储在数值的矩阵中，在矩阵中的每个数值都包含了公式50的计算结果以及该数值在矩阵中的位置，该位置对应于频率变换的一维矩阵矢量表示中的对应频率的适当位置。例如，采用图18说明的变换作为例子，RFA[288]将是公式50对座标(8，8)的值，而RFA[144]则是对RFA(0，0)的值。
在采用公式50计算红色频率衰减值之后，可以使用等式51将这些值应用于红色和绿色通道之间的交叉相关性，以及可以使用等式52将这些值应用于红色和蓝色通道之间的交叉相关性。
R′G′X2[X]＝RFA[X]R′G′X[X](51)R′B′X2[X]＝RFA[X]R′B′X[X](52)对每个频率而言，每个这样的等式都包含了两个标量的乘法。虽然已经说明了一种衰减高频红色信息的方法，但也可以使用其它方法，这并没有脱离本发明的精神。
在步骤1718中，可以计算出通道之间总的交叉相关性。这种计算适用于数字图象的各个子像，也是子像中各种图像通道之间总的交叉相关性的表示。虽然任何与通道之间总的交叉相关性成比例的测量都可以使用，但是公式53-56提供了一种对于指定子像的总的交叉相关性的测量。CCC1=Σx=0288(RFA[X](RT[X]GT[X]))+(B′T[X]G′T[X])---(53)]]>CCC1≥1.0CCCN=ΣX=0288RFA[X]---(54)]]>CCC2=CCC1/1.2CCCN---(55)]]>CCC3=0.25CCC21+CCC2(0.25)---(56)]]>在本实施例中，公式53应用于仅仅考虑红色和绿色通道与蓝色和绿色通道之间的交叉相关性的相关性的测量。因为图像通过照相胶片的其它层才能到达红色和蓝色层，所以在红色和蓝色层之间的交叉相关性就不会增加有关类似图像细节的重要信息。因此，这项已经从公式53中忽略了。然而，这项也可以使用，具有频率衰减或不具有频率衰减，这并没有脱离本发明的精神。此外，出于对上述结合红色频率衰减器的讨论的原因，在公式53中衰减了红色和绿色通道之间的交叉相关性的测量。在图18例子中使用289矢量的例子情况下，公式53计算了在整个频域的总的交叉相关性。公式54反映了加上红色频率衰减的累加加权的测量。最后，公式55和56可以使用，以至于最终的交叉相关性测量的范围从0-1并且在没有图像细节时接近于0.2。
在步骤1720中，可以计算各个通道每个子像的加权变换，这是基于在步骤1712中计算的原始变换和上述通道与其它通道的交叉相关性。任何加权的变换都可以使用，只要能响应数字图像的一个或多个通道之间交叉相关性的任何测量，这些都没有脱离本发明的精神。在本实施例中，可以应用公式57-59来计算加权变换。
R′T2[X]＝|R′T[X]|+0.9R′G′X2[X]+0.7R′B′X2[X]但受限使得R′T2[X]≥0(57)
DC＝0G′T2[X]＝|G′T[X]|+0.9G′B′X[X]+0.7R′G′X2[X]但受限使得G′T2[X]≥0 (58)DC＝0B′T2[X]＝|B′T[X]|+0.9 G′B′X[X]+0.7R′B′X2[X]但受限使得B′T2[X]≥0 (59)DC＝0在各种情况下，加权变换的DC项设置为0。此外，加权变换的各个分量也限制在大于或等于0的数值。应该注意的是，公式57-59仅仅是对频率变换的幅值部分进行操作并且对每个变换产生了修正的幅值。每个变换的相位信息被保存。
在步骤1722中，对各个通道的各个子像来说，在步骤1720中所获得的加权变换可以过滤。另外，该步骤也可以忽略，这并没有脱离本发明的精神。此外，如果忽略了步骤1720，那么就可以为各个通道过滤在步骤1712中获得的变换。可以这种方法来过滤每个变换，以便于加强图像的信号内容和衰减图像的噪声。低通滤波器可以有效地应用于该过程的这一步骤。匹配的滤波器趋于提供平滑衰减和减少随机噪声。于是，虽然可以使用任何低通滤波器，但是要求匹配的滤波器能提升在变换中存在着的有效信号和抑止在变换中存在着的噪声。RMS算法可以用于进一步提升有效信号。滤波操作趋于保护频率中的强烈变化并抑止频率中的小的变化。换句话说，提升最可能代表有效信号的强烈的频率分量。
在本实施例中，滤波器由3×3的矩阵组成，它的中心是4的数值，在中心上下水平和垂直的点上是2的数值，在矩阵的四个角上是1的数值。也可以使用滤波器的其它尺寸和滤波器的其它数值，但是这并没有脱离本发明的精神。如果用W(a，b)表示正在描述的滤波器，那么就可以根据公式58-62来计算滤波的变换R’T3，G’T3和B’T3。R′T3[x,y]=Σa=-11Σb=-11W(a,b)(R′T2[x+a,y+b])2Σa=-11Σb=-11W(a,b)---(60)]]>R′T3[DC]＝0G′T3[x,y]=Σa=-11Σb=-11W(a,b)G′T2[x+a,y+b]2Σn=-11Σb=-11W(a,b)---(61)]]>G′T3[DC]＝0B′T3[x,y]=Σa=-11Σb=-11W(a,b)B′T2[x+a,y+b]2Σn=-11Σb=-11W(a,b)---(62)]]>B′T3[DC]＝0需要注意的是，对每个滤波的变换来说，DC项被设置为0。此外，超出变换边缘的单元都被处理成具有0的数值。这种处理并没有在公式中明确表明。滤波的操作仅仅影响频率矢量的幅值。每个变换频率矢量的相位保持不变。在公式60-62中，变换的两维表示法用于了计算。出于符号的目的，用于变换幅值的字体采用普通字体(相对于黑体字体)，也用于公式60-62中的变换R’T2，R’T3，G’T2，G’T3，B’T2和B’T3。
在步骤1724中，每个通道每个子像的滤波变换可以是频率扩展的。另外，如果忽略步骤1722，则在步骤1720或步骤1712获得的变换就可以是步骤1724中频率扩展。步骤1724也可以忽略，这并没有脱离本发明的精神。
因为真实的世界是类似重复的图形所组成的，所以照片图像的变换空间趋于具有在DC频率周围任何放大的相同的外观，除了重建中假信号的存在以外。对重复的图形来说，图像的频率特性通常是以2的幂数来重复频率。在这步骤中，较低频率的频率特性用于作为两倍频率的预感的阈值细节。为了进行这类频率扩展，如果使用图18所指出的变换的两维模式，则中心一半的变化数据要扩展到变换数据的整个模块中。换句话说，频率中心9×9的模块要分散到17×17变换中的每一个其它位置上。在频率不能确切的填入变换的其余位置时，可以使用相邻频率的平均值。此外，这样的操作仅仅影响频率的幅值。保持着现存的相位信息，即使已经改变了幅值的频率不是在变换的中心一半的位置上。
在已经获得频率扩展的滤波变化之后，在步骤1726中就可以对每个通道计算新的变换，新的变换是根据该通道的频率扩展的变换和在步骤1722中获得的该通道的滤波变换。另外，如果忽略了步骤1722，这新的变换就取决于频率扩展变换和在步骤1712中获得的初始变换。公式63-65可以用于计算新的变换，R’T4，G’T4和 B’T4。R′T4[X]=0.8R′T3[X]2+0.2R′ET[X]2---(63)]]>G′T4[X]=0.8G′T3[X]2+0.2G′ET[X]2---(64)]]>B′T4[X]=0.8B′T3[X]2+0.2B′ET[X]2---(65)]]>在公式63-65中，变换R’ET，G’ET，和B’ET表示在步骤1724中通过频率扩展而获得估计的变换。其次，由公式63-65进行的操作仅仅影响频率矢量的幅值。保留相位信息。
在步骤1728中，可以产生一个屏蔽，以产生在步骤1726中获得的变换的高频项的衰减。因为颗粒痕迹主要具有高频成分，所以可以使用屏蔽来衰减颗粒痕迹和/或其它高频噪声。
使用由公式42表示的门控函数就可以获得屏蔽。随后公式43可以用来获得屏蔽。公式42和公式43可以结合以上图16来讨论。可以使用其它屏蔽函数和/或门控函数，这并没有脱离本发明的精神。此外，也可以忽略这一步骤，这也没有脱离本发明的精神。
在步骤1730中，可以对每个彩色通道的每个子像计算噪声校正函数。在本实施例中，根据屏蔽和一种原先计算的图像频域表示法来计算噪声校正函数。例如，在步骤1726中所获得的变换可以用于获得噪声校正函数。可以使用公式66-71得到噪声校正函数。在这些公式中B(x，y)来自于公式43。CR(x,y)=R′T4[x,y]0.36(1+0.4CCC3)B(x,y)2--CR≤1+Fgate(x,y)---(66)]]>CR(x，y)＝1+Fgate(x，y) CR＞1+Fgate(x，y)CG(x,y)=G′T4[x,y]0.36(1+0.4CCC3)B(x,y)2--CG≤1+Fgate(x,y)---(67)]]>CG(x，y)＝1+Fgate(x，y) CG＞1+Fgate(x，y)CB(x,y)=B′T4[x,y]0.36(1+0.4CCC3)B(x,y)2--CB≤1+Fgate(x,y)---(68)]]>CB(x，y)＝1+Fgate(x，y) CB＞1+Fgate(x，y)R′TM[x，y]＝GR+(1-GR)CR(x，y) (69)G′TM[x，y]＝GR+(1-GR)CG(x，y) (70)B′TM[x，y]＝GR+(1-GR)CB(x，y) (71)在公式66-68中，噪声校正函数是在数值1加上变换矩阵指定位置上的门控函数之上。其次，公式66-68和公式69-71仅仅影响频率矢量的幅值分量。保持原始的相位信息。本发明的用户可以在根据本发明改善了图像之后要求保留颗粒的残余物。于是，本发明允许用户在图像得到改善之后，指定他仍希望保留的颗粒的残余物GR。公式69-71在计算噪声校正函数R’TM，G’TM，和B’TM时考虑了所希望的残余颗粒。
在步骤1732中，每个通道各个子像的噪声校正函数应用于每个适合的通道各个适合的子像的原始变换。其结果采用了具有高频噪声，诸如抑止的颗粒痕迹，的图像的频域表示。使用公式72-74可以得到颗粒抑止频率的表示。
R′TS[X]＝R′T[X]R′TM[X] (72)G′TS[X]＝G′T[X]G′TM[X] (73)B′TS[X]＝B′T[X]B′TM[X] (74)其次，公式72-74包含了对频率矢量的幅值分量的操作，并且相位信息保持不变。
在步骤1734中，图像的细节可以增加到图像红色通道的各个子像的频域表示上。正如以上所表明的那样，一般来说，在光线到达胶片的红色层之前，光线要通过彩色胶片的绿色层和蓝色层。因此，在胶片的红色部分，细节就趋于变得雾区。在步骤1734中，利用绿色和蓝色通道的信息，图像的红色通道的这种细节可以恢复。应该注意到，步骤1734可以适用于任何数字图像的红色通道，而不是在已经使用图17的步骤以后用于红色通道。因此，步骤1734也可以忽略，这并没有脱离本发明的精神。此外，步骤1734可以单独包含本发明的一个实施例。因为图像的绿色通道趋于包含最多的图像细节，所以，可以将细节增加到其它通道。步骤1734所讨论的技术可以用于将细节增加到各种不同类型的数字图像的不同通道或不同于典型彩色胶片结构的彩色胶片所获得的数字图像。改善红色图像细节的其它方法也可以使用，但并没有脱离本发明的精神。在本实施例中，对于红色通道的每个子像来说，可以采用公式75来计算各个子像的修改的红色通道变换，R’TS。R′TS[X]=11-RFA[X]+RFA[X]2(R′TS[X]RFA[X]+---(75)]]>(1-RFA[X])(0.7G′TS[X]+0.4B′TS[X]))公式75采用了以上结合步骤1716所讨论的红色频率衰减器。
在步骤1736中，每个子像都可以得到噪声校正变换的逆变换R’TS，G’TS和B’TS，以获得已经抑止了噪声的改善图像的空间域表示。如果在步骤1734中已经增加了图像的细节，那么就可以使用利用公式75所获得的红色通道的变换。
平衡彩色通道在归一化颗粒痕迹之后，通过校正矩阵获得的归一化的数值可以用于平衡数字图像的彩色分量，如图3的步骤1014所示。另外，不利用归一化的数值也能平衡彩色。
数字图像的原始数值通常包含一些失真，这些失真来自扫描仪试图改进数字图像引起的失真以及来自胶片老化引起的原始胶片图像的失真。这些失真可以包含不再反映原始胶片中颗粒的随机性和分布性的彩色图形。通过使用在图3步骤1008和步骤1010结束时所获得的颗粒痕迹归一化的数值，(或其它方法)本发明也可以产生原始彩色数值的估计重建。这些重建的数值可称为在感觉上的平衡，他通过归一化的数字图像使得分布比原始的数字图像更均匀。换句话说，平衡彩色内容可以进一步改善数字图像。
为了能平衡彩色内容，在每个通道中找出最低的数值，这也是在数字图像归一化数值中最暗的象素亮度值。也在每个通道中找出最高的数值，这也是在数字图像归一化数值中最亮的象素亮度值。本技术的一个改善方法是使用了从数字图像的低通数据中的最低和最高数值。已经找到有利于这一过程的一种低通滤波器是中值滤波器，它一般可具有覆盖3个象素的范围。另外，这范围在象素上与数字图像的最大线性尺寸的平方根成比例。随后，软件重建了象素的亮度值，以适合于本发明特别推荐实施例中硬件的规定的位深度(亮度的范围)。
例如，下列表格表示从数字图像的估计重建中得到的归一化象素亮度值的范围R 3.5__________________________20.34G 2.6__________________________27.9B 10.1_________________________33.4为了提高这些数值的视觉显示效果，对使用非低通数据的每个彩色通道可以使用下列等式 随后对整个例子的平衡数值是R 0____________________________255G 0____________________________255B 0____________________________255具有和不具有颗粒归一化和/或减少的条件，都可以使用彩色增强和校正相关信号之间非线性失真的其它方法。
图19说明了描述用于归一化多个信号过程的步骤的流程图，这多个信号包含共用分量，其中在多个信号中至少有一个信号已经在非线性方面失真。尽管本发明的这一方面可以用于改善由扫描的照相图像组成的数字图像的彩色，但是图19讨论的过程也可以用于许多其它应用。例如，它可以用于校正的任意多个具有共用分量信号的非线性失真。于是，它也可以应用在诸如音频应用，医疗图像应用，和卫星图像应用，等等场合。图19所讨论的过程可以应用于这些应用的任何场合，但这并没有脱离本发明的精神。
在步骤1910中，测量出多个信号中的一个信号相对于其它信号的失真。对这个信号就可产生一个失真函数，它比例于相对于其余信号和多个信号中至少一个信号的失真。虽然仅仅测量了一个相对于其余相关信号的失真，但是相对于许多或所有其余信号的失真也可方便地测量出。正如以下所描述的，对一个包含了三个彩色通道的数字图像来说，相对于其余两个彩色通道的一个彩色通道的失真可以测量。
在步骤1912中，根据在步骤1910中测量到的失真，可以产生逆失真函数。对具有共用分量的多个信号中的一个，一些或所有的信号都可以产生逆失真函数。
在步骤1914中，使用在步骤1912中计算的逆失真函数来归一化信号。其次，可以根据在步骤1912中计算的逆失真函数来归一化多个信号中的一个，一些或所有的信号。
在本发明的一些实施例中，要求在步骤1910确定失真函数之前能过滤多个信号中的一个或多个信号。在噪声和/或其它影响干扰了正确失真函数的计算时，要求使用这种过滤。例如，中值滤波器对去除失真就很有效。
在每个信号或多于一个信号已经在非线性方面失真，但是还很难确认相对于另一个信号是否是一个，一些或所有的信号已经失真的场合，本发明要求用于校正在多个信号中的非线性失真。对这类相关的信号，采用在信号中的小间距上变化使多个信号相对等量的方法来校正失真。对一个变量函数的信号来说，步骤1910所计算的失真函数可以取决于图像的多个信号中的一个，一些或所有信号在信号的多个点上的斜率。在这种情况下，步骤1912产生的逆失真函数可以寻找到在信号中的小的增量上去均衡多个信号的斜率。对多个变量函数的信号来说，失真函数取决于多个信号中的一个，一些，或所有信号在信号多个点上在多个方向上变化的速率。例如，在步骤1910中计算的失真函数取决于多个信号中的一个，一些或所有信号在多个点上的梯度。
在使用梯度测量来确定一个信号相对其它信号的失真的情况下，离散的分布图可以用于产生失真函数。通过计算离散点下标可以引申出离散分布图中的每个点，以响应在信号公共点上的多个信号中的一些信号的梯度幅值。根据这些梯度之间的夹角可以计算出加权值(例如，在梯度之间夹角的余弦)。另外，这类加权与梯度的幅值成比例。应用曲线拟合算法，曲线可以拟合在离散分布图的点上，利用该曲线可以计算出逆失真函数。例如，逆失真函数可以与曲线下的面积成比例。
图20说明了描述根据本发明来改善数字图像的过程的流程图。本发明的这一方面是用于改善数字图像的彩色。数字图像，无论是扫描的照片图像，卫星图像，医疗图像，或其它类型的数字图像，都可能非线性失真，这失真可以是模拟图像中的一些失真所引起的和/或在数字图像的产生过程中发生的失真所引起的。这失真可以随着密度和/或频率而变化以及在各个通道可以有不同的变化。这种非线性失真以不希望的方式降低了图像的质量。对照相的图像来说，图像使得眼睛看上去不柔和。对卫星图像和医疗图像来说，由图像所提供的信息由于失真而不能有效。
许多数字图像都包含了多个通道。正如以上所讨论的。例如，基于彩色照片的数字图像通常包含了红色通道，绿色通道和蓝色通道。当一幅图像由多个通道所组成时，在各个通道中所包含的图像信息产生了在三个图像通道之间的共用分量。于是，在数字图像小的区域上，在图像的各个小的区域上明暗趋于等量变化。虽然亮度的幅值可以非常不同，但是对没有失真的图像来说，这种幅值的变化速率趋于相同。于是，对图像的各个通道(或通道的一个子集)来说，本发明根据亮度在多个方向上的变化寻找到确定图像失真的方法。对图像的一个，一些或所有通道来说，可以产生一个逆失真函数，以致于应用逆失真函数时，当与其它通道相比较时，在图像的小的区域上各个通道的亮度趋于等量变化。
在一些图像的区域内，当图像没有失真时，与其它通道相比较，一个通道的亮度趋于线性地变化；而在另一图像或同一图像的一个区域内，在图像没有失真时，与其它通道相比较，一个通道的亮度趋于变化，以致于在幅值之间的恒定比在小的区域上得以保持。为了自动改善数字图像的彩色，本发明采用了这两种变化的平均值，这变化对应于要准备数字存储的彩色图像的变化。
在步骤1916中，扫描一幅图像而产生数字图像。这种扫描可以采用以上所讨论的扫描仪30或扫描仪34来完成。另外，步骤1916也可以忽略，本发明适用于已经扫描的图像。此外，本发明适用于具有多个通道且每个通道都具有在一个或多个通道以非线性方式失真的共同信号分量的数字图像。术语“共同分量”一般被认为是以某种方式相关的信号。
在进行图20所描述过程的其余步骤之前，可以有选择的将上述讨论的本发明颗粒归一化方面的内容应用于数字图像。在进行图20所描述过程的其余步骤之前，可以有选择的将上述讨论的一种或多种颗粒减少技术应用于图像。另外，图20所讨论的过程可以用于没有采用任何颗粒归一化和/或颗粒减少或在归一化或应用其它技术减少之后的图像。
在步骤1918中，图像的各个通道(或图像通道的子集)可以过滤以致于使各种效应(诸如噪声)和图像精度效应不再干扰去除非失真。在一个小的数目象素上，噪声，诸如由颗粒所引起的噪声，会干扰非线性失真的去除。另外，因为光线通过胶片的多层来产生彩色照片图像，所以数字图像的一个或多个彩色通道可以失真。正如以上所讨论的那样，彩色胶片的红色层趋于接受仅仅在通过胶片的绿色层和蓝色层之后的光线。因此，因此，在胶片的红色层中，图像显得比绿色和蓝色层稍多一些失真。例如，在红色通道中，图像会少一些边缘鲜明部分。这种光学失真干扰了去除图像彩色中的非线性失真。
因此，在步骤1918中，图像的各个通道采用过滤图像的方法进行预雾区。在本实施例中，对每个彩色通道以2000 dpi扫描的胶片采用了范围为10个象素的中值滤波器。不同的范围也可以使用，这并没有脱离本发明的精神。此外，也可以使用不同的扫描精度，这并没有脱离本发明的精神。其它的方法也可用于预雾区图像，除了使用中止滤波器的方法之外。基本上，图像的各个通道都要变化，以便于衰减或去除噪声和精度效应，正如上述所讨论的。
在步骤1920中，对至少数字图像的两个通道来说，根据在图像的多个点上的多个方向上的亮度的变化速率(斜率)来产生矢量。在本实施例中，对多个通道的每一个通道都产生这样一个矢量，但是也可以仅仅产生多个通道中的一个子集，这并没有脱离本发明的精神。在本实施例中，可以计算斜率来产生图像所有点上的矢量或图像的点的子集上的矢量，这并没有脱离本发明的精神。
在本实施例中，所产生的矢量表示在上述点上的指定图像通道的亮度的梯度。换句话说，矢量包含了在图像通道中指定点上表示在X方向上的亮度斜率的第一分量和表示在Y方向上的亮度斜率的第二分量。也可以选择与在图像指定点上其它方向上的亮度斜率成比例的矢量，这并没有脱离本发明的精神。选择X和Y方向上的斜率只是为了方便。
可以对指定的点(x，y)分别计算的红色，绿色和蓝色通道的矢量，R”2(x，y)，G”2(x，y)，和B”2(x，y)，可以应用公式76-78来计算，式中i和j分别表示在x方向和y方向的单位矢量。
R″2(x，y)＝(R″(x+1，y)-R″(x-1，y))i+(R″(x，y+1)-R″(x，y-1))j(76)G″2(x，y)＝(G″(x+1，y)-G″(x-1，y))i+(G″(x，y+1)-G″(x，y-1))j(77)B″2(x，y)＝(B″(x+1，y)-B″(x-1，y))i+(B″(x，y+1)-B″(x，y-1))j(78)在这些公式中，R”，G”，和B”分别表示三个图像通道的过滤亮度值。于是，可以计算出数字图像各个通道每个点的矢量。对于具有较多或较少的通道的图像来说，类似的公式可以用于各个通道。矢量可以只对各个通道的点的子集进行计算，这并没有脱离本发明的精神。公式76-78并没有讨论对图像通道边缘的斜率进行计算。在这类边缘上，可以采用斜率的不同测量或忽略这些点，这并没有脱离本发明的精神。同样，也可以采用计算斜率的不同方法，这并没有脱离本发明的精神。本实施例直接采用上述象素的左和右的点而不是上述点的本身来计算该点在x方向上的近似斜率。类似的方法也使用于y方向。另外，更多的点可以采用在x或y方向来计算x方向上的斜率和y方向上的斜率，这并没有脱离本发明的精神。此外，一些近似斜率的平均值也可以用于指定的象素，这并没有脱离本发明的精神。
在步骤1922中，可以比较多个通道的矢量以产生有用的离散点的数据，用于产生表示图像的一个通道与图像的其它通道相比的失真的失真函数。其次，可以产生一个，多个或所有通道的这类离散点的数据，这并没有脱离本发明的精神。此外，为了产生离散点的数据而作的矢量比较可以涉及到图像的其它通道中的多个或所有的通道。
在本实施例中，离散点的数据取决于在步骤1920计算的矢量。因为没有失真的图像趋于具有相同方向的梯度矢量，所以，可以对离散分布图上的每个点计算出加权值，它与步骤1920中计算的矢量之间的点积成比例。在本实施例中，对指定的通道来说，可以计算与每个其它通道的点积，并且为这些点积画出点。例如，对红色的离散点来说，可以加权的方法来画出点，加权值与步骤1920中计算的红色通道和绿色通道的矢量点积成比例。此外，为了红色通道能在离散分布图上设置个点，要计算加权值，它与在步骤1920计算点的红色通道和蓝色通道的矢量点积成比例。于是，在离散分布图上指定点的加权值与在该点上两个通道的亮度斜率之间的加权值成比例。因为通道相互之间是失真的，所以本发明的本实施例确定了一个指定通道的离散分布图的点，它将上述通道的指定点的斜率与每个其它通道在对应点上的亮度斜率相比较。另外，这种比较可以是通道的一个子集，这并没有脱离本发明的精神。
本发明确定了离散分布图的一个下标，采用的方法是将在步骤1920为指定通道所产生的指定点的斜率矢量的相对幅值与在步骤1920对图像其它通道对应点上所计算的斜率矢量的幅值相比较。
离散分布图的其它下标包含在图像通道中点的亮度。
因此，离散分布图中的点可以按以下方法来产生。对具有失真校正的图像的各个通道产生离散的点。在本实施例中，对红色通道，绿色通道和蓝色通道都产生了离散的点。离散点的X轴下标是上述象素的亮度。离散点的Y轴下标是在1和-1之间的数值，它对应与指定通道在指定点上的斜率矢量幅值与图像的其它通道在相对应点上的斜率矢量幅值相比较值。对指定点的加权方法如上述所讨论的。同样，在红色，绿色和蓝色离散的分布图上的指定的点可以采用公式79-93来设置。在公式85-90中出现负的结果的情况下，加权的值可以设置为预置的数值，例如0。Y1R′′2(x,y)=(1-2|R′′2||R′′2|+|G′′2|)---(79)]]>Y2R′′2(x,y)=(1-2|R′′2||R′′2|+|B′′2|)---(80)]]>Y1G′′2(x,y)=(1-2|G′′2||R′′2|+|G′′2|)---(81)]]>Y2G′′2(x,y)=(1-2|G′′2||G′′2|+|B′′2|)---(82)]]>Y1B′′2(x,y)=(1-2|B′′2||R′′2|+|B′′2|)---(83)]]>Y2B′′2(x,y)=(1-2|B′′2||B′′2|+|G′′2|)---(84)]]>W1R′′2(x,y)=R′′2·G′′2|R′′2||G′′2|---(85)]]>W2R′′2(x,y)=R′′2·B′′2|R′′2||B′′2|---(86)]]>W1G′′2(x,y)=G′′2·R′′2|G′′2||R′′2|---(87)]]>W2G′′2(x,y)=B′′2·G′′2|G′′2||B′′2|---(88)]]>W1B′′2(x,y)=B′′2·R′′2|B′′2||R′′2|---(89)]]>W2B′′2(x,y)=B′′2·G′′2|B′′2||G′′2|---(90)]]>XR(x，y)＝R″(x，y)(91)XG(x，y)＝G″(x，y)(92)XB(x，y)＝B″(x，y)(93)公式91表示了通过确定在指定点上红色通道的亮度来确定在该指定点上的离散点的X轴下标。对红色通道的指定点来说，可以画出两个点。在红色的离散分布图上，每个点都具有相同的X下标。对两个已画出的点来说，一个点是对应于在指定的点上红色和绿色通道的斜率矢量之间的比较，而另一个点则是对应于在指定的点上红色和蓝色矢量之间的比较。对表示红色和绿色矢量之间比较的点，公式79可以用于确定离散分布图的Y下标。对表示在指定的点上红色和蓝色矢量之间比较的点，可以应用公式80来确定在离散分布图上点的Y下标。用于红色通道与绿色通道比较的在离散分布图上的加权值可以应用公式85来计算，而表示红色和蓝色通道之间比较的点的加权值可以采用公式86来确定。
对绿色通道中的任何点来说，也可以在绿色离散分布图上产生两个点。在各种情况下，绿色离散分布图的X轴下标可采用公式92来确定。对应于绿色通道和红色通道矢量之间比较的第一个点来说，公式81用于确定点在绿色离散分布图上的Y轴下标，而公式87表示了要在该点上画的点的加权。对应于绿色通道和蓝色通道在指定点上的矢量之间比较的点来说，公式82用于确定Y轴下标，而公式88用于确定该指定点的加权。
对蓝色通道中的任何点来说，也可以在蓝色离散分布图上产生两个点。在各种情况下，蓝色离散分布图的X轴下标可采用公式93来确定。对应于蓝色通道和红色通道矢量之间比较的第一个点来说，公式83用于确定点在蓝色离散分布图上的Y轴下标，而公式89表示了要在该点上画的点的加权。对应于蓝色通道和绿色通道在指定点上的矢量之间比较的点来说，公式84用于确定Y轴下标，而公式90用于确定该指定点的加权。
在步骤1924中，根据在步骤1922中所产生分的离散分布图的数据，为多个通道的每个通道查生离散的分布图。这些步骤也可以组合，这并没有脱离本发明的精神。此外，如果多个通道中仅有一个和部分通道具有校正过的失真的话，那么只可以对正在校正的这些通道产生离散的分布图。其次，正如以上所讨论的，在本发明的实施例中所产生的离散分布图中包含了与通道的失真成比例的点，离散的分布图是在与其它通道相比较产生。然而，也可以使用相对于另外通道子集的失真，这并没有脱离本发明的精神。
图21说明了对应于图像单一空间位置所画的六个点。对红色的离散分布图来说，上述象素的亮度确定了两个点中各个点的X轴下标1946。点1934的Y轴下标是由公式79确定。点1934的的加权值是由公式85来确定的。这里，公式79产生的Y下标值为0.5。因为公式81可以成为公式79的负值，所以对应于绿色离散分布图的点1936的Y下标具有为-0.5的Y下标。点1936的X下标可使用公式92来确定且表示在绿色通道中上述点的亮度。由公式87对点1936产生的加权将是采用公式85对点1934产生的加权的负值。同样，本发明的各种各样的实施都可以简单地使用一系列公式，诸如公式85，86，和88，来计算加权，这并没有脱离本发明的精神。
点1938又具有对上述象素采用公式91所确定的X下标。它的Y下标由公式80来确定的且它的加权是由公式86来确定的。这点提供了在与蓝色信号比较时的红色信号失真的测量。在蓝色离散分布图上，点1940的Y下标是点1938的Y下标的负值，如公式83简单的是公式80的负值。点1940的X下标1950对应于上述象素在蓝色通道中的亮度值且使用公式93来确定。
同样的是，在绿色离散分布图上的点1942和在蓝色离散分布图上的点1944都具有Y下标，这些指示是相互为负值(附加的倒置)，正如公式84是公式82的负值。
在步骤1924产生了离散分布图之后，采用曲线拟合算法通过这些点可以产生曲线，如步骤1926所说明的。在本实施例中，采用了平均型的曲线拟合算法。也可以采用任何类型的曲线拟合算法，这并没有脱离本发明的精神。对各个离散的点可以产生曲线。如果失真校正应用于产生了离散分布图的通道，离散的分布图大概只能在步骤1924中产生。如果没有对指定的通道产生失真校正的话，那么对该通道来说，在步骤1924离散分布图的产生和步骤1926曲线的产生都可以忽略。
在步骤1928中，基于在步骤1926中产生的曲线可以产生逆失真函数。这逆失真函数可以是与在步骤1926所产生的曲线成比例的任何函数。在步骤1926中产生的曲线与指定信号和具有共用分量的一个或多个另外的信号的相对失真成比例。在本实施例中，各个通道的逆失真函数可以采用公式94-96来产生。FR[C]=Σi=0c1+Ri1-Riyy-1---(94)]]>FG[C]=Σi=0c1+Gi1-Giyy-1---(95)]]>FB[C]=Σi=0c1+Bi1-Biyy-1---(96)]]>公式94可用于红色通道，公式95可用于绿色通道，以及公式96可用于蓝色通道。由于数字图像往往是很复杂的，因此可以使用一些较为慎重的亮度值。例如，本实施例使用了8位的亮度值，它可以产生256个可能不同的亮度值。于是，逆失真函数就包括一个从0-255变化的具有256个数值的对照表。因此，在数字图像具有156个可能的亮度值的情况下，在公式94-96中的“C”有255的最大数值。也可以使用其它位数，但这并没有脱离本发明的精神。在公式94-96中的“Y”值表示了组成数字图像的通道数目。在公式94中的Ri项表示了在步骤1926中所产生曲线的Y值，它适用于红色离散的分布图在s面上“i”的X轴下标。换句话说，通过在步骤1926离散点而产生的曲线就是表示对应于象素亮度所画的失真的曲线。公式94计算了上述各个象素的亮度的逆市政，它与在讨论亮度之前在步骤1926所产生曲线的下方面积成比例。公式95和96类似于公式94。
Y/Y-1次根用于公式94-96，因为否则就会产生过校正。各个通道的校正都是基于它相对于其它通道的失真。如果校正没有能考虑到这点的话，假定仅需要校正一个通道，仍会对各个通道进行校正。在本例子中，因为各个通道都需要校正，如果没有一个合适的根的话，就会引起最后的过校正。
在步骤1930中，各个图像通道都可以采用在步骤1928中确定的逆失真函数来归一化。为了归一化，要处理图像中的每一个象素的亮度值。对于指定的空间位置来说，通过将该象素的红色通道的亮度作为下标代入利用公式94产生的逆失真函数来改变红色的亮度。红色亮度值由逆失真函数提供的亮度所取代。同样，在该象素上的绿色亮度值可以由步骤1928所产生的绿色通道逆失真函数所产生的绿色亮度值取代，这时绿色通道逆失真函数的下标包含了绿色通道当前的象素亮度值。最后，该象素的蓝色通道的亮度值也类似地使用在步骤1928中产生的蓝色逆失真函数来校正。
虽然这里所讨论的发明包括了在空间域和空间频域两者中的计算，在两个域中的类似计算都可以等同地使用，这并没有脱离本发明的精神。
虽然本发明已经详细地进行了讨论，但应该意识到，对本发明可以进行各种各样的变化，取代，和改进，这些都没有脱离由附件权利要求所定义的本发明的精神和范围。
为在理解这里所附权利要求中帮助专利局和根据本申请所颁发的任何专利的任何读者，申请人愿指出他们不打算任一项所附权利要求援引35 U.S.C节112的段6，因为它依据申请日期而存在，除非特定权利要求项中使用“…装置”或“…步骤”的字样。
权利要求
1.一种用于标准化多个信号的方法，其中多个信号中的每个信号都具有公用分量，且其中多个信号中至少有一个中已经以非线性方式失真，其特征在于确定多个信号中至少一个信号的失真函数，其中多个信号中的一个指定信号的失真函数与该信号相对于多个信号的其余信号中至少一个信号的失真成正比；建立多个信号中至少一个信号的逆相关失真函数，其中多个信号中的一个指定信号的逆失真函数函数与所确定信号测量到的失真函数有关；采用多个信号中的一个信号所建立的逆相关失真函数来标准化多个信号中的至少一个信号。
2.如权利要求1所述的方法，其特征在于，进一步包括在对多个信号中的至少一个信号确定失真函数之前，过滤多个信号中的至少一个信号。
3.如权利要求2所述的方法，其特征在于多个信号中至少一个信号采用中值滤波器来过滤。
4.如权利要求1所述的方法，其特征在于多个信号中的每个信号都是单一变量的函数，多个信号中至少一个信号的失真函数取决于多个信号中至少一个信号在多个点上的斜率。
5.如权利要求1所述的方法，其特征在于多个信号中的每个信号都是多变量的函数，多个信号中至少一个信号的失真函数取决于多个信号中至少一个信号在多个点上的变化速率。
6.如权利要求1所述的方法，其特征在于多个信号中的至少一个信号的失真函数取决于多个信号中至少一个信号在多个点上的梯度。
7.如权利要求1所述的方法，其特征在于多个信号中的每个信号是离散函数；其中多个信号中的至少一个信号的失真函数可从一个矩形图引出；其中与多个信号中的第一点有关的第一矩形图的确定如下计算包含多个信号中至少一个信号梯度在第一点的第一梯度；计算包含多个信号中至少另外一个信号梯度在第一点的第二梯度；计算对应于第一梯度和第二梯度的幅值的第一矩形图的指数；计算与第一梯度和第二梯度之间夹角的余弦以及第一梯度的幅值和第二梯度的幅值有关的第一加权；确定与多个信号中至少一个信号在第一点上的幅值成正比的第一矩形图指数、第二矩形图指数有关的第一矩形图点，且其中第一矩形图点的加权与第一加权成正比。
8.如权利要求7所述的方法，其特征在于，进一步包括采用曲线拟合算法将曲线拟合到矩形图的点上。
9.如权利要求8所述的方法，其特征在于多个信号中至少一个信号的逆失真函数取决于曲线下的面积。
10.如权利要求1所述的方法，其特征在于多个信号中至少一个信号的失真函数取决于包含一系列点的矩形图，且其中矩形图的每个点取决于多个信号中至少一个信号在指定点上的梯度和多个信号中的另一信号在指定点上的梯度。
11.如权利要求10所述的方法，其特征在于，进一步包括采用曲线拟合算法将曲线拟合到矩形图的点上。
12.如权利要求11所述的方法，其特征在于，进一步包括逆失真函数与曲线下的面积有关。
13.如权利要求12所述的方法，其特征在于，进一步包括在对多个信号中的至少一个信号确定失真函数之前，采用中值滤波器来过滤多个信号中的至少一个信号。
14.如权利要求1所述的方法，其特征在于，进一步包括确定多个信号中每个信号的失真函数，其中多个信号中的一个指定信号的失真函数与该指定信号相对于多个信号中的其余信号中至少一个信号的失真成正比；建立多个信号中每个信号的逆相关失真函数，其中多个信号中一个指定信号的逆相关失真函数与该信号所确定的失真函数有关。
15.一种改善数字图像的方法，其特征在于，包括确定数字图像多个通道中至少一个通道的失真函数，其中，多个通道中所指定一个通道的失真函数与该指定通道相对于多个通道中其余通道(或在数字图像包含两个通道的情况下)中至少一个通道的失真有关；建立数字图像多个通道中至少一个通道的逆相关失真函数，其中多个通道中指定通道的逆相关失真函数与该指定通道所确定的失真函数有关；采用多个通道的第一通道所建立的逆相关失真函数来标准化多个通道中的至少一个通道。
16.如权利要求15所述的方法，其特征在于，进一步包括在对多个通道中的至少一个通道确定失真函数之前，过滤多个通道中的至少一个通道。
17.如权利要求16所述的方法，其特征在于多个通道中至少一个通道采用中值滤波器来过滤。
18.如权利要求15所述的方法，其特征在于多个通道中至少一个通道的失真函数取决于多个通道中至少一个通道在多点上多个方向上的变化速率。
19.如权利要求15所述的方法，其特征在于多个通道中至少一个通道的失真函数取决于多个通道中至少一个通道在多个点上的梯度。
20.如权利要求19所述的方法，其特征在于多个通道中至少一个通道包含了在两维平面上的多个象素值，且采用第一象素所相邻的其它象素值通过计算第一象素近似斜率来计算决定失真函数的梯度。
21.如权利要求19所述的方法，其特征在于多个通道中至少一个通道的失真函数取决于多个通道中至少另一个通道在多个点上的梯度。
22.如权利要求15所述的方法，其特征在于多个通道中的每个通道都是离散的函数；多个通道中至少一个通道的失真函数来自于矩形图，其中与多个通道中一个通道的第一点相关的第一矩形图点的确定如下计算包含多个通道中至少一个通道梯度在第一点的第一梯度；计算包含多个通道中至少另外一个通道梯度在第一点的第二梯度；计算对应于第一梯度和第二梯度的幅值的第一矩形图的指数；计算与第一梯度和第二梯度之间夹角的余弦以及第一梯度的幅值和第二梯度的幅值有关的第一加权；确定与多个信号中至少一个信号在第一点上的幅值成正比的第一矩形指数、第二矩形图指数有关的第一矩形点，且其中第一矩形点的加权与第一加权成正比。
23.如权利要求22所述的方法，其特征在于，进一步包括采用曲线拟合算法将曲线拟合到矩形图的点上。
24.如权利要求23所述的方法，其特征在于多个通道中至少一个通道的逆失真函数取决于曲线下的面积。
25.如权利要求15所述的方法，其特征在于多个通道中至少一个通道的失真函数取决于包含一系列点的矩形图，且其中矩形图的每个点取决于多个通道中至少一个通道在指定点上的梯度和多个通道中的另一个或一些通道在指定点上的梯度。
26.如权利要求25所述的方法，其特征在于，进一步包括采用曲线拟合算法将曲线拟合到矩形图的点上。
27.如权利要求26所述的方法，其特征在于多个通道中至少一个通道的逆失真函数取决于曲线下的面积。
28.如权利要求27所述的方法，其特征在于，进一步包括在对多个通道中的至少一个通道确定失真函数之前，采用中值滤波器来过滤多个通道中的至少一个通道。
29.如权利要求15所述的方法，其特征在于，进一步包括确定多个通道中各个通道的失真函数，其中，多个通道中所指定一个通道的失真函数与该指定通道相对于多个通道中其余通道中至少一个通道的失真成正比；建立多个通道中各个通道的逆相关失真函数，其中多个信号中指定通道的逆相关失真函数与该指定通道所确定的失真函数有关。
30.如权利要求29所述的方法，其特征在于，进一步包括多个通道中各个通道的失真函数取决于指定通道的包含一系列点的矩形图，且其中矩形图的每个点取决于指定通道在指定点上的梯度以及多个通道中另一个或另一些通道在指定点上的梯度。
31.如权利要求30所述的方法，其特征在于，进一步包括采用曲线拟合算法将曲线拟合到矩形图的点上。
32.如权利要求31所述的方法，其特征在于对指定通道而言，多个通道中各个通道的逆失真函数取决于指定通道相关曲线下的面积。
33.如权利要求32所述的方法，其特征在于，进一步包括在对多个通道中各个通道确定失真函数之前，采用中值滤波器来过滤多个通道中的各个通道。
34.一种数字图像扫描系统，其特征在于，包括能扫描照片图像且将照片图像转化成数字图像的扫描硬件；以及，与扫描硬件相关的且能进行下列操作的软件确定数字图像多个通道中至少一个通道的失真函数，其中，多个通道中所指定一个通道的失真函数与该指定通道相对于多个通道中其余通道中至少一个通道(或在数字图像包含两个通道的情况下相对于其余通道)的失真成正比；建立数字图像多个通道中至少一个通道的逆相关失真函数，其中多个通道中指定一个通道的逆相关失真函数与该指定通道所确定的失真函数有关；以及，采用多个通道中第一通道所建立的逆相关失真函数来标准化多个通道中的至少一个通道。
35.如权利要求34所述的数字图像扫描系统，其特征在于，所述计算机软件能进一步操作在对多个通道中至少一个通道确定失真函数之前，过滤多个通道中至少一个通道。
36.如权利要求34所述的数字图像扫描系统，其特征在于多个通道中至少一个通道的失真函数取决于多个通道中至少一个通道在多个点上的变化速率。
37.如权利要求34所述的数字图像扫描系统，其特征在于多个通道中各个通道都是离散函数；其中多个通道中的至少一个通道的失真函数可从计算机软件的一个矩形图引出；其中在多个通道的一些通道中与第一点相关的第一矩形图点的确定如下计算包含多个通道中至少一个通道梯度在第一点的第一梯度；计算包含多个通道中至少另外一个通道梯度在第一点的第二梯度；计算机对应于第一梯度和第二梯度的幅值的第一矩形图指数；计算与第一梯度和第二梯度之间夹角的余弦以及第一梯度的幅值和第二梯度的幅值有关的第一加权；确定与多个信号中至少一个信号在第一点上的幅值成正比的第一矩形指数、第二矩形指数有关的第一矩形点，且其中第一矩形图点的加权与第一加权成正比。
38.如权利要求37所述的数字图像扫描系统，其特征在于计算机软件能够采用曲线拟合算法将曲线拟合到矩形图的点上。
39.如权利要求38所述的数字图像扫描系统，其特征在于多个通道中至少一个通道的逆失真函数取决于曲线下的面积。
40.一种数字图像处理系统，其特征在于，包括计算机可读的存储媒介；以及，存储于计算机可读存储媒介的计算机软件，它能进行下列操作确定数字图像多个通道中每个通道的失真函数，其中，多个通道中所所指定一个通道的失真函数与该指定通道相对于多个通道其余通道中至少一个通道的失真成正比；建立数字图像多个通道中每个通道的逆相关失真函数，其中多个通道中所指定一个通道的逆相关失真函数与该指定通道所确定的失真函数成正比；以及，采用多个通道中各个通道所建立的逆相关失真函数来标准化多个通道中的各个通道。
41.如权利要求40所述的数字图像处理系统，其特征在于计算机软件能够进行在对多个通道中至少一个通道确定失真函数之前，过滤多个通道中至少一个通道。
42.如权利要求40所述的数字图像处理系统，其特征在于多个通道中至少一个通道的失真函数取决于多个通道中至少一个通道在多个点上多个方向上的变化速率。
43.如权利要求40所述的数字图像处理系统，其特征在于多个通道中各个通道都是离散函数；其中多个通道中的至少一个通道的失真函数可从计算基软件的一个矩形图引出；其中在多个通道的一些通道中与第一点相关的第一矩形图点的确定如下计算包含多个通道中至少一个通道梯度在第一点的第一梯度；计算包含多个通道中至少另外一个通道梯度在第一点的第二梯度；计算与第一梯度和第二梯度的幅值有关的第一矩形指数；计算与第一梯度和第二梯度之间夹角的余弦，以及第一梯度的幅值和第二梯度的幅值有关的第一加权；确定与多个信号中至少一个信号在第一点上的幅值成正比的第一矩形指数、第二矩形指数有关的第一矩形点，且其中第一矩形点的加权与第一加权成正比。
44.如权利要求43所述的数字图像处理系统，其特征在于计算机软件能够采用曲线拟合算法将曲线拟合到矩形图的点上。
45.如权利要求44所述的数字图像处理系统，其特征在于多个通道中至少一个通道的逆失真函数取决于曲线下的面积。
46.一种改善数字图像的方法包含至少两个彩色通道，其特征在于，其方法包含建立适用于数字图像第一彩色通道的第一彩色通道的替代函数，选择第一彩色通道的替代函数，以致于当适用于第一彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道和第二彩色通道都几乎等量改变；以及，根据第一彩色通道的替代函数来改变第一彩色通道。
47.如权利要求46所述的方法，其特征在于，进一步包括过滤第一彩色通道。
48.如权利要求47所述的方法，其特征在于第一彩色通道的替代函数取决于在第一彩色通道过滤之后的第一彩色通道在各个点上的梯度。
49.如权利要求46所述的方法，其特征在于数字图像包含第一彩色通道，第二彩色通道，以及第三彩色通道，其方法进一步包含建立适用于数字图像第二彩色通道的第二彩色通道的替代函数，选择第二彩色通道的替代函数，以致于当适用于第二彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变；建立适用于数字图像第三彩色通道的第三彩色通道的替代函数，选择第三彩色通道的替代函数，以致于当适用于第三彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变；根据第二彩色通道的替代函数来改变第二彩色通道；根据第三彩色通道的替代函数来改变第三彩色通道；以及，其中，选择第一彩色通道的替代函数，以致于当适用于第一彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变。
50.如权利要求49所述的方法，其特征在于，进一步包括在建立与各个通道相关的彩色通道的替代函数之前，过滤第一彩色通道，第二彩色通道和第三彩色通道。
51.如权利要求50所述的方法，其特征在于第一，第二和第三彩色彩色替代函数每个都取决于第一，第二和第三彩色通道在多个点上多个方向上的变化速率。
52.如权利要求50所述的方法，其特征在于，过滤第一彩色通道；过滤第二彩色通道；以及，过滤第三彩色通道；其中第一，第二和第三彩色替代函数每个都取决于第一，第二和第三彩色通道在多个点上多个方向上的变化速率。
53.一种从数字图像引出的改变的数字图像，其特征在于，包括计算机可读的存储媒介；存储于计算机可读存储媒介的改变的数字图像，其中，改变的数字图像的产生如下建立适用于数字图像第一彩色通道的第一彩色通道的替代函数，选择第一彩色通道的替代函数，以致于当适用于第一彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道和第二彩色通道都几乎等量改变；以及，根据第一彩色通道的替代函数来改变第一彩色通道。
54.如权利要求53所述的改变的数字图像，其特征在于改变的数字图像还可通过过滤第一彩色通道来产生。
55.如权利要求54所述的改变的数字图像，其特征在于第一彩色通道替代函数取决于在第一彩色通道过滤之后第一彩色通道在各个点上的梯度。
56.如权利要求53所述的改变的数字图像，其特征在于数字图像包含第一彩色通道，第二彩色通道，以及第三彩色通道；其中改变的数字图像的还可按如下产生建立适用于数字图像第二彩色通道的第二彩色通道的替代函数，选择第二彩色通道的替代函数，以致于当适用于第二彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变；建立适用于数字图像第三彩色通道的第三彩色通道的替代函数，选择第三彩色通道的替代函数，以致于当适用于第三彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变；根据第二彩色通道的替代函数来改变第二彩色通道；根据第三彩色通道的替代函数来改变第三彩色通道；以及，其中，选择第一彩色通道的替代函数，以致于当适用于第一彩色通道时，在数字图像的一个小的范围内，数字图像的第一彩色通道，第二彩色通道和第三彩色通道都几乎等量改变。
全文摘要
本发明的一个方面是用于标准化多个信号的方法,其中,多个信号具有公用分量且至少于一个信号以非线性的方式失真。对多个信号中的至少一个信号确定失真函数,该函数与该信号相对于其它信号中至少一个信号的失真有关。根据该信号所确定的失真函数,对失真信号建立逆相关失真函数。采用失真信号所建立的逆失真相关函数来标准化信号。
文档编号G06T5/10GK1379891SQ00814540
公开日2002年11月13日 申请日期2000年5月3日 优先权日1999年8月20日
发明者A·D·艾德加 申请人:应用科学小说公司