你脑海中的声音是谁的?

Inner speech研究及脑机接口系统应用
本文探讨了inner speech(内心独白)的历史研究,从1928年的脑电图到现代的脑机接口系统,揭示其与发声言语的神经差异。研究发现inner speech与发声言语在发音层面上有区别,但在词汇层面相似。Tian与Poeppel的双流预测模型解释了内在语音如何产生说话感知,但学者们仍在深入研究其机理。

关注“心仪脑”查看更多脑科学知识的分享。

关键词:脑科学、Insight brain

许多人都曾有过这样的疑问,“我脑海中的声音是谁的,是怎样产生的?”。这声音在思考时、默读时都会不自觉地出现。它可以是不同的音色,可能是自己的声音,可能是朋友的声音,甚至还可能是从未听到过的人声。本文将浅谈有关此声音——inner speech的历史研究。

首先再次介绍下本文的主题:inner speech,也可称为imagined speech,是一种很常见的现象,它被定义为在不使用任何发声器官时进行的自主说话想象。所以即使肌肉瘫痪,发声器官不能支持说话,也仍可以进行inner speech。

关于inner speech的研究最早可追溯至1928年,一位德国神经科学家Hans Berger试图对inner speech的机理进行解读。他发明了脑电图,并认为这是映射inner speech的一种人造读心工具。

随后,全球的研究者们开始尝试开发基于假想说话,也就是inner speech,的脑机接口系统。原本的脑机接口研究多基于运动想象,即试图解码人在进行假想运动时的脑电信号并将其转换为指令输出。基于运动想象的脑机接口系统有一个很大的缺陷,即需要大量不同的刺激提示,也需要对使用这个系统的人进行预先的训练。而以inner speech为基础的脑机接口系统研究可以较大程度上避免这些缺陷,此外,也可以解决因无法交流而产生的研究问题或克服一些例如战场之类无法交流的环境问题。

<

<think>我们正在讨论图像处理中去除泊松噪声的方法。泊松噪声是一种与信号相关的噪声,常见于光子计数过程(如低光成像、医学成像、天文摄影等)。根据引用[1]的描述,泊松噪声的强度依赖于原始信号的强度,即$N_{\text{Poisson}}(I_{\text{clean}}(x))$,这与高斯噪声(固定方差)有本质区别。 去除泊松噪声的挑战在于其信号依赖性,因此传统的高斯去噪方法(如高斯滤波)往往效果不佳。以下是一些有效方法,结合引用内容和图像处理知识: ### 1. **方差稳定变换 (Variance Stabilizing Transform, VST)** - **原理**:泊松噪声的方差等于均值($\text{Var}(k)=\lambda$),这导致噪声水平随信号强度变化。VST(如Anscombe变换)将泊松数据转换为近似高斯分布(常数方差),从而可以使用高斯去噪方法。 - **Anscombe变换公式**: $$ I_{\text{trans}}(x) = 2\sqrt{I_{\text{noisy}}(x) + \frac{3}{8}} $$ 变换后,$I_{\text{trans}}(x)$的方差近似为1(与信号强度无关)[^1]。 - **步骤**: 1. 应用Anscombe变换将图像转换为近似高斯噪声域。 2. 使用高斯去噪算法(如小波去噪、非局部均值滤波)处理变换后的图像。 3. 应用逆变换(代数逆或精确无偏逆)恢复图像。 - **优点**:兼容现有高斯去噪器,理论成熟。 - **缺点**:逆变换可能引入偏差,尤其低信号区域。 ### 2. **基于小波阈值的去噪** - **原理**:小波变换能分离噪声和图像结构。泊松噪声在小波域的特性可通过VST预处理后,用高斯阈值方法处理。 - **改进方法**:针对泊松噪声的贝叶斯小波阈值(如POISSURE算法)直接在小波域建模泊松统计特性,避免变换步骤[^2]。 - **步骤**: 1. 对图像进行小波分解。 2. 根据泊松分布估计每个子带的阈值(如使用条件方差)。 3. 应用软阈值或硬阈值收缩小波系数。 4. 小波重构。 - **优点**:保留边缘和纹理效果好。 - **缺点**:计算复杂,阈值选择敏感。 ### 3. **非局部均值 (Non-Local Means, NLM) 及其改进** - **原理**:利用图像中相似结构的冗余性进行加权平均。原始NLM假设高斯噪声,需适配泊松模型。 - **改进**:使用泊松噪声的相似性度量(如基于KL散度的权重): $$ w(p,q) \propto \exp\left(-\frac{1}{h^2} \sum_{i} I_{\text{noisy}}(p_i) \log\frac{I_{\text{noisy}}(p_i)}{I_{\text{noisy}}(q_i)} - (I_{\text{noisy}}(p_i) - I_{\text{noisy}}(q_i)) \right) $$ 其中$p,q$为图像块,$h$为平滑参数[^3]。 - **优点**:保持细节能力强。 - **缺点**:计算量大,需优化加速。 ### 4. **基于深度学习的去噪** - **原理**:训练卷积神经网络(CNN)学习从噪声图像到干净图像的映射。 - **数据生成**:使用泊松噪声模型合成训练数据:$I_{\text{noisy}} \sim \text{Poisson}(I_{\text{clean}})$。 - **网络结构**:常用U-Net、DnCNN等,损失函数可设计为泊松似然的负对数: $$ \mathcal{L} = \sum_{x} \left( \hat{I}_{\text{clean}}(x) - I_{\text{noisy}}(x) \log \hat{I}_{\text{clean}}(x) \right) $$ - **优点**:处理复杂噪声模式能力强,速度快(推理阶段)。 - **缺点**:需要大量训练数据,模型泛化性受限。 ### 5. **迭代正则化方法 (如Richardson-Lucy算法)** - **原理**:基于泊松噪声的统计特性,通过最大似然估计恢复图像。 - **Richardson-Lucy迭代公式**: $$ I_{\text{clean}}^{k+1}(x) = I_{\text{clean}}^k(x) \left[ \left( \frac{I_{\text{noisy}}}{I_{\text{clean}}^k \otimes h} \otimes h^{\ast} \right) \right] $$ 其中$h$为点扩散函数(PSF),$h^{\ast}$为其翻转[^4]。 - **适用场景**:模糊叠加泊松噪声(如显微镜成像)。 - **优点**:物理模型准确。 - **缺点**:需已知PSF,可能放大噪声。 ### 选择方法的建议 - **低计算资源**:Anscombe变换+高斯滤波(如高斯滤波或小波阈值)。 - **细节保持优先**:改进的非局部均值或深度学习。 - **含模糊的场景**:Richardson-Lucy反卷积。 > **注意**:实际应用中常组合多种方法(如VST+小波+NLM)。评价去噪效果时,需使用泊松噪声相关的指标(如PSNR的泊松适配版本)。 [^1]: 其中: ( I_{\text{noisy}}(x) ) 是带噪声的图像信号。( I_{\text{clean}}(x) ) 是原始的无噪声图像信号。( N_{\text{Poisson}}(I_{\text{clean}}(x)) ) 是根据泊松分布生成的噪声,它的强度依赖于原始信号 ( I_{\text{clean}} )。( N_{\text{Gaussian}}(0, \sigma^2) ) 是均值为0、方差为 ( \sigma^2 ) 的高斯噪声,它是与信号无关的固定噪声。 为什么使用泊松-高斯模型? [^2]: 最重要的来了,按照概率密度函数(PDF)分类: 高斯噪声,高斯噪声模型经常被用于实践中。 脉冲噪声(椒盐噪声),图像上一个个点,也可称为散粒和尖峰噪声。 伽马噪声 瑞利噪声 指数分布噪声 均匀分布噪声 这种分类方法,引入了数学模型,对设计过滤算法比较有帮助。 给图像添加噪声 [^3]: 中值滤波对于去除椒盐噪声和斑点噪声效果较好,因为它能够有效地消除极端值(如噪声点)对图像的影响,而不会使图像过度模糊。在实际应用中,可以通过调整滤波器的大小来控制去噪的程度,以适应不同程度的噪声。希望这个解释能帮助你更好地理解中值滤波的原理! [^4]: 第一次接触”噪声”这个专业词汇,是在信号与系统课上,老师当时的解释是”不想要的干扰信号”。后来在模电和FPGA设计中,也经常遇到这个词(FPGA中的毛刺)。如今学习图像处理,再一次碰到它,看来,”噪声”真的是随处可见。 一般提到噪声,首先映入脑海的,应该是耳朵听到的嘈杂、尖锐的呲呲声。显然,声音就是一种信号,信号在传播的时候难免会受到干扰,正是这些干扰导致了噪声的出现。当然,图像的像素也可以看作是一种信号,那么,图像噪声的出现就是不可避免的了。 噪声的分类方法有很多种,可以从产生原因、统计理论观点、噪声源等等角度去分类。由于接下来得学习多种去噪算法,需要引进数学模型,因此重点放在按概率密度函数分类。 但是,为什么可以按概率密度函数分类呢?因为噪声在理论上可以定义为“不可预测,只能用概率统计方法来认识的随机误差”。因此将图像噪声看成是多维随机过程是合适的,因而描述噪声的方法完全可以借用随机过程的描述,即用其概率分布函数和概率密度分布函数。下面介绍几种常见的噪声模型。 (1)椒盐噪声(salt & pepper noise) 椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。通常,椒盐噪声是指两种噪声,一种是盐噪声(salt noise),另一种是胡椒噪声(pepper noise)。盐=白色,椒=黑色。前者是高灰度噪声,后者属于低灰度噪声。一般两种噪声同时出现,呈现在图像上就是黑白杂点。(去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。) (2)高斯噪声(gaussian noise) 高斯噪声是指它的 概率密度函数 服从 高斯分布 (即 正态分布 )的一类噪声。常见的高斯噪声包括起伏噪声、宇 dvwwfw宙噪声、热噪声和散粒噪声等等。 [^5]: 图象带状噪声去除。关于脉冲噪声处理的其他方案: 对于脉冲噪声来说,中值滤波有这较好的效果,但是也不可避免的对图像造成了模糊效果。在细究滤波过程可以发现,中值滤波实际上存在许多不必要的操作:即使是非噪声点依旧以中值替换!所以我们以这一点进行优化:能否确定图像中噪点位置? 根据脉冲噪声的特性,其与邻域内的像素点有着极其显著的差值,或者说有着与正常像素明显的边缘,因此可以尝试采用边缘检测对噪点进行判断。这里注意,边缘检测得出的不仅是噪点,也包括正常图像的边缘,尽管边缘不应该被处理,但是相对于中值来说已经缩减相当大的误处理范围了,所以这里将图像边缘一并进行去噪处理 在我们得到噪点位置之后,我们需要知道在这一点原图像的像素值。根据信息论我们可以做出如下假设:存在某一邻域上的线性组合,使得该点的像素值可以被表示。基于此假设,我们可以利用邻域内其他像素点进行推测。由于笔者水平有限,这里采用自适应窗和非线性拟合的效果会更好。 实验效果见实验结果 附 §§相关问题§§ 1. Anscombe变换在处理低信噪比泊松噪声时有哪些局限性? 2. 如何评估泊松噪声去噪算法的效果?是否有专用的图像质量评价指标? 3. 深度学习去噪方法中,如何合成逼真的泊松噪声训练数据? 4. Richardson-Lucy算法在哪些实际成像系统中应用广泛?</think>### 图像处理中去除泊松噪声的有效方法 泊松噪声是光子计数过程(如低光成像、医学成像、天文摄影)中特有的信号相关噪声,其强度随原始信号强度变化($ \text{Var}(k) = \lambda $)。以下方法基于泊松噪声的特性设计,结合引用内容和实际应用: --- #### 1. **方差稳定变换(VST)** [^1][^4] - **原理**:通过数学变换将泊松噪声转换为近似高斯噪声(方差恒定),再利用高斯去噪方法处理。 - **核心步骤**: 1. **Anscombe变换**: $$ I_{\text{trans}}(x) = 2\sqrt{I_{\text{noisy}}(x) + \frac{3}{8}} $$ 变换后噪声方差近似为1(与信号强度无关)。 2. **高斯去噪**:对变换后图像应用高斯去噪器(如小波阈值、BM3D)。 3. **逆变换**:代数逆变换或精确无偏逆变换恢复图像。 - **优点**:兼容现有高斯去噪工具,理论成熟。 - **缺点**:低信噪比区域逆变换可能引入偏差。 - **适用场景**:荧光显微镜、低光摄影。 #### 2. **泊松专用小波阈值法** [^2][^4] - **原理**:直接在泊松统计模型下设计小波阈值,避免变换误差。 - **关键改进**: - **阈值计算**:基于泊松分布的均方差(MSE)优化阈值: $$ T = \sigma \sqrt{2\log N} \quad (\sigma \text{由局部方差估计}) $$ - **贝叶斯框架**:如POISSURE算法,使用泊松似然函数建模。 - **步骤**: 1. 小波分解图像。 2. 对高频子带应用泊松自适应阈值收缩。 3. 小波重构。 - **优点**:保留边缘细节,计算效率较高。 - **工具**:MATLAB的`poissfilt`或Python的`PyWavelets`扩展。 #### 3. **非局部均值(NLM)的泊松适配** [^3][^5] - **改进原理**:将传统NLM的欧氏距离权重替换为泊松相似性度量(如KL散度): $$ w(p,q) \propto \exp\left(-\frac{1}{h^2} \sum_{i} \left[ I_p \log\frac{I_p}{I_q} - (I_p - I_q) \right]\right) $$ - **优势**:更准确衡量泊松噪声下的块相似性。 - **加速方案**:积分图像预计算或GPU并行化。 #### 4. **深度学习去噪** [^1][^4] - **网络设计**: - 输入:噪声图像 $I_{\text{noisy}}$ 或噪声水平图。 - 输出:干净图像 $I_{\text{clean}}$。 - **损失函数**:泊松负对数似然损失: $$ \mathcal{L} = \sum_{x} \left( \hat{I}_{\text{clean}}(x) - I_{\text{noisy}}(x) \log \hat{I}_{\text{clean}}(x) \right) $$ - **数据合成**:生成泊松噪声训练数据: ```python noisy_image = np.random.poisson(lam=clean_image) ``` - **先进模型**: - **PDNet** (Poisson Denoising Network):端到端处理泊松噪声。 - **GAN-based**:生成对抗网络增强细节恢复。 #### 5. **迭代反卷积方法**(含泊松噪声)[^1][^5] - **Richardson-Lucy (RL) 算法**: - 针对退化模型:$I_{\text{noisy}} = \text{Poisson}(I_{\text{clean}} \otimes h)$ - **迭代公式**: $$ I^{k+1}(x) = I^k(x) \left[ \left( \frac{I_{\text{noisy}}}{I^k \otimes h} \right) \otimes h^{\ast} \right] $$ - **应用场景**:显微镜成像、天文望远镜(需已知点扩散函数$h$)。 --- ### 方法选择建议 | **场景** | **推荐方法** | **原因** | |-------------------------|----------------------------------|--------------------------------------------------------------------------| | **实时处理** | 小波阈值法 | 计算速度快,易于实现 | | **高细节保留** | 深度学习或改进NLM | 自适应保留纹理和边缘 | | **含光学模糊的成像** | Richardson-Lucy反卷积 | 联合处理模糊和泊松噪声 | | **资源受限环境** | Anscombe变换+高斯滤波 | 低计算复杂度 | > **注意**:实际应用中常组合多种方法(如VST+小波阈值)。评价指标推荐使用**泊松信噪比(PSNR-P)** 或**结构相似性(SSIM)** [^1]。 [^1]: 其中: ( I_{\text{noisy}}(x) ) 是带噪声的图像信号。( I_{\text{clean}}(x) ) 是原始的无噪声图像信号。( N_{\text{Poisson}}(I_{\text{clean}}(x)) ) 是根据泊松分布生成的噪声,它的强度依赖于原始信号 ( I_{\text{clean}} )。为什么使用泊松-高斯模型? [^2]: 最重要的来了,按照概率密度函数(PDF)分类:这种分类方法,引入了数学模型,对设计过滤算法比较有帮助。 [^3]: 中值滤波对于去除椒盐噪声和斑点噪声效果较好...但在泊松噪声中需适配相似性度量。 [^4]: 高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声...泊松噪声需专用模型处理。 [^5]: 关于脉冲噪声处理的其他方案...但泊松噪声需基于信号强度的自适应处理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值