Co je šum při zpracování obrazu? – Základní nátěr

Pokud jste někdy viděli obrázek, na kterém si všimnete prachových částic, které nejsou součástí skutečného obrázku, pravděpodobně na obrázku vidíte „šum“. Existuje mnoho technických důvodů, proč k tomu dochází. Často zakrývá skutečný obraz a je hlavní příčinou zhoršení kvality obrazu při přenosu digitálního obrazu.

Zde zpracování obrazu nabízí robustní řešení. Poskytuje širokou škálu technik redukce šumu, jako je prostorové filtrování, frekvenční filtrování, filtrování založené na transformaci, filtrování založené na hlubokém učení atd.

V tomto článku prozkoumáme některé klíčové techniky, které lze použít ke snížení šumu v obrazech, spolu s prozkoumáním hlavních typů a příčin obrazového šumu. Pojďme se ponořit!

Typy šumu při zpracování obrazu

Simulace změn hluku – MDF, CC BY-SA 3.0prostřednictvím Wikimedia Commons

Šum do obrazu mohou vnést různé faktory, od podmínek prostředí až po snímač fotoaparátu. Mezi čtyři hlavní typy šumu, které obvykle vidíte na obrázcích, patří:

• Aditivní hluk: Způsobeno náhodnými změnami jasu nebo informací o barvách na obrázku. Toto je nejběžnější typ šumu, který lze vidět na obrázcích.
• Subtraktivní šum: Způsobeno náhodným odečtením hodnot pixelů od původního obrázku, což vede ke špatné kvalitě obrázku, často viděné jako tmavé skvrny nebo oblasti v obrázku. Subtraktivní šum se obvykle vyskytuje při slabém osvětlení.
• Multiplikativní šum: Vzniká, když je hodnota šumu vynásobena původní hodnotou pixelu, což často vede ke špatné kvalitě obrazu kolem jasnějších částí obrazu. Jedná se o nejobtížněji odstranitelný typ šumu kvůli výrazným odchylkám v hodnotách pixelů.
• Impulzní hluk: Způsobeno náhlými změnami v hodnotě pixelů, které jsou viditelné jako náhodné černé a bílé pixely viděné jako ostré poruchy v obraze. Označuje se také jako „hluk soli a pepře“. Je to způsobeno vadami fotoaparátu, chybami přenosu nebo kosmickým zářením.

Příčiny šumu při zpracování obrazu

Obrazový šum může pocházet z různých zdrojů, včetně:

1. Ekologické předpoklady: Vnější faktory, jako je špatné osvětlení nebo blízké elektronické rušení, běžně způsobují šum v obrazech. Mohou do obrázků přidávat náhodné variace.
2. Hluk senzoru: Jakékoli problémy se snímačem používaným ve fotoaparátech a skenerech mohou zvýšit šum v obrazech. Například za špatných světelných podmínek, pokud nepoužíváte kvalitní snímač, může spolu se světlem zesílit šum.
3. Kvantovací šum: Vyskytuje se, když jsou analogové signály převedeny do digitální podoby, zejména v obrazech s vysokým kontrastem. Když například skenujete fotografii, často uvidíte ve výsledném obrázku šum. Toto je kvantizační šum vznikající při digitalizaci obrazu.
4. Hlučnost převodovky: Vyskytuje se, když jsou snímky přenášeny přes kanály se šumem, ať už přes sítě (např. internet) nebo jsou uloženy na zašuměných paměťových médiích (jako jsou pevné disky).
5. Hluk zpracování: Vyskytuje se při operacích zpracování obrazu, jako je filtrování, komprese atd.

Modely šumu ve zpracování obrazu

Modely šumu při zpracování obrazu slouží jako matematické reprezentace různých druhů šumu, které mohou obrazy ovlivnit. Tyto modely pomáhají porozumět výskytu různých druhů hluku prostřednictvím simulací, což zase pomáhá vyvíjet strategie pro jeho snížení.

Některé běžné modely hluku zahrnují:

1. Gaussův šum: Jeden z nejběžnějších typů modelů šumu, „Gaussův šum“, je charakterizován zvonovitým rozdělením pravděpodobnosti. Simuluje náhodné variace nalezené v obrázcích. Může pocházet ze zdrojů, jako je senzorový a kvantizační šum, a je podobný statickému rušení, které často vidíte v TV nebo rádiovém signálu.
2. Erlangův hluk: Také známý jako gama šum, toto je další multiplikativní model šumu charakterizovaný gama distribucí. Obvykle se vyskytuje v obrazech zachycených rušivými senzory nebo přenášených prostřednictvím hlučných kanálů.
3. Jednotný hluk: Jedná se o aditivní model šumu s rovnoměrnou distribucí, často pozorovaný v kvantovaných obrázcích nebo na obrázcích poškozených chybami přenosu.

Měření hluku

Při analýze obrazu je základním úkolem posouzení a vyhodnocení šumu. Zahrnuje kvantifikaci úrovně šumu v obraze. Tento proces se opírá o dvě primární techniky měření hluku:

1. Špičkový poměr signálu k šumu (PSNR): PSNR slouží jako měřítko pro hodnocení kvality rekonstrukce obrazu. Porovnává hodnoty pixelů původního obrazu s hodnotami reprodukovaného obrazu, čímž poskytuje číselnou míru toho, jak věrně je obraz reprodukován.
2. Střední kvadratická chyba (MSE): Naproti tomu MSE posuzuje rozdíly mezi hodnotami pixelů dvou obrázků. Tato metoda vypočítává průměr druhých mocnin rozdílů mezi odpovídajícími pixely ve dvou obrázcích. Tento kvantitativní přístup nám pomáhá pochopit rozsah šumu v obraze a jeho dopad na kvalitu.

Běžné techniky redukce hluku

Díky šumu jsou obrázky zrnité a vybledlé a zakrývají jemné detaily. K neutralizaci tohoto efektu pomáhají techniky redukce šumu zlepšit kvalitu obrazu pro lepší výsledky v mnoha oblastech, jako je fotografie, bezpečnost, videokonference, sledování atd. Například redukce šumu je kritická pro přesnou diagnostiku a plánování léčby v lékařských snímcích.

Techniky redukce šumu fungují nejlépe za podmínek, jako je slabé osvětlení, vysoké nastavení ISO, rychlé časy závěrky nebo při práci s přirozeně hlučnými fotoaparáty.

Některé běžné techniky redukce hluku zahrnují:

• Medián filtrování: Pro eliminaci impulsního šumu nahradí střední filtrování hodnotu pixelu středními hodnotami sousedních pixelů.
• Gaussova filtrace: Tato technika nahradí každý pixel v obrázku váženým průměrem pixelů v okolí pixelů kolem tohoto pixelu.
• Oboustranné filtrování: Tato technika kombinuje mediánovou a Gaussovu filtraci pro snížení šumu s neporušenými hranami.
• Filtrování vlnek: Tato technika využívá Fourierova transformace model předat obrázek vlnkové koeficienty ke snížení hluku.

Aplikace redukce šumu

Redukce šumu má různé aplikace napříč průmyslovými odvětvími, jako např obnova obrazu a převzorkování obrazu, ale ty nejdůležitější jsou:

• Lékařské zobrazování: Techniky redukce hluku zlepšují diagnostiku onemocnění při MRI a CT vyšetřeních a zefektivňují výsledky pacientů.
• Satelitní snímky: Redukce šumu napomáhá lepší identifikaci objektů a prvků na satelitních snímcích.
• Zvládání katastrof: Redukce šumu zlepšuje obrazy dálkového průzkumu pro monitorování a mapování prostředí.
• Vymáhání práva: Zvyšuje přehlednost v dohled záběry a forenzní snímky pro identifikaci podezřelých a předmětů.
• Vesmírný výzkum: Redukce šumu čistí astronomické snímky a umožňuje detekci slabých nebeských objektů a jemných detailů při pozorování hlubokého vesmíru.

Chcete-li si přečíst související obsah, navštivte Sjednotit AI.