Каждый раз, когда мы делаем снимок, сканируем пациента или передаем изображения со спутника, мы балансируем между качеством изображения, объемом хранения и временем. В этой работе предложен новый способ очистки зашумленных изображений, полученных в сильно сжатом виде, что помогает получать более четкие кадры при меньшем числе измерений. Это важно — от более качественных телефонных снимков при слабом освещении до более безопасных медицинских сканирований с меньшей дозой излучения.
Почему урезанный подход может выглядеть хорошо
Традиционные камеры и сканеры действуют по простому правилу: собрать намного больше информации, чем, возможно, потребуется, чтобы ничего не утерялось. Только затем изображение сжимают для экономии места. Сжатое измерение переворачивает эту логику. Вместо записи каждого пикселя сначала оно захватывает тщательно отобранный, меньший набор комбинированных измерений, которые по‑прежнему содержат большую часть важной визуальной информации. Теоретически это позволяет восстановить четкое изображение из удивительно малого объема данных. На практике же шум при захвате и неудачные решения при выборе измерений могут привести к размытию деталей, блочным артефактам и потере тонкой структуры, особенно в требовательных областях, таких как медицинская визуализация.
Делим изображение на умные кусочки Figure 1.
Авторы предлагают трехэтапную схему, которая работает с небольшими квадратными фрагментами — блоками — изображения, а не с картиной целиком. Каждый блок сначала преобразуют в форму, где большая часть существенного содержимого конденсируется в компактный набор значений, а тонкие детали и текстуры отделяются. Эти значения затем переупорядочивают по зигзагообразному пути, который естественно выстраивает сначала широкие гладкие участки изображения, а затем мелкие резкие вариации. Это упорядочение важно, потому что оно гарантирует, что при сжатии наиболее визуально значимые элементы будут располагаться первыми, даже если хранится только часть данных.
Более удачные сокращения через данные
После переупорядочивания каждый блок пропускают через математический инструмент, называемый матрицей измерения, который определяет, как именно множество исходных значений смешивается в меньший набор измерений. Вместо того чтобы полагаться на общий случайный выбор, исследователи настраивают эту матрицу так, чтобы она особенно хорошо подходила к типам изображений, которые они хотят восстановить. Они делают это, решая задачу оптимизации, которая перестраивает матрицу до тех пор, пока ее внутренние структуры не облегчат отделение важной информации от шума. Популярная процедура восстановления затем использует эти сжатые измерения для приближенного восстановления исходного блока, опираясь на предположение, что для описания блока действительно требуется относительно небольшое число скрытых признаков.
Полировка оставшегося шума Figure 2.
Даже после тщательного сжатия и восстановления некоторая часть шума и мелких артефактов остается. Чтобы с этим справиться, на финальном этапе применяется современная техника удаления шума, известная как метод разбиения Брегмана (Split Bregman). Этот подход рассматривает изображение как поверхность и аккуратно сглаживает мелкие флуктуации, сохраняя при этом резкие границы и анатомические контуры. Разбивая задачу на более простые подпроцедуры, метод быстро и надежно сходится. В результате получается очищенное изображение, в котором зернистые «шумы» уменьшены, но ключевые линии и текстуры — например, границы тканей на скане или контуры в ландшафте — сохранены.
От тестовых фото до медицинских сканов
Команда протестировала свою схему как на повседневных фотографиях, так и на медицинских изображениях, таких как КТ и рентген. Они целенаправленно загрязняли оригиналы разными уровнями искусственного шума и моделировали сценарии, где собиралось лишь 20%–50% обычных данных. В этих условиях они сравнивали свой метод с похожей системой, которая пропускала шаг зигзагообразного упорядочивания и использовала стандартный подход измерения. По стандартным метрикам качества, оценивающим резкость, схожесть с оригиналом и общую ошибку, их метод стабильно давал более чистые и более правдоподобные изображения. Это подтверждалось как на привычных тестовых снимках, так и на клинически значимых сканах легких, колен, кистей и грудной клетки.
Четче при меньшей экспозиции
В сущности, исследование показывает, что можно разумно спроектировать и способ сбора данных изображения, и последующий этап удаления шума, чтобы извлечь больше информации из меньшего объема. Сочетая блочную обработку, зигзагообразное упорядочивание, оптимизированный способ получения сжатых измерений и мощный финальный шаг очистки, предложенная схема улучшает четкость изображений в условиях ограниченных данных и шума. Для пациентов это однажды может означать качественные сканы при меньшем числе рентгеновских проекций и, следовательно, меньшую дозу облучения; для систем визуализации в целом это указывает на будущее, где острые изображения больше не требуют огромных объемов данных.
Цитирование: Thomas, E.N., Theeda, P. & Praveen, T. Block compressive sensing-based image denoising framework using optimized sensing matrix and split Bregman algorithm.
Sci Rep16, 9485 (2026). https://doi.org/10.1038/s41598-026-38785-0
