Co je šum v zpracování obrazu? – Základní informace

Pokud jste někdy viděli obraz, kde jste si všimli částic prachu, které nejsou součástí skutečného obrazu, pravděpodobně vidíte „šum“ v obraze. Existuje mnoho technických důvodů, proč k tomu dochází. Často zakrývá skutečný obraz a je hlavní příčinou degradace kvality obrazu při digitální transmisi obrazu.

Toto je místo, kde zpracování obrazu nabízí robustní řešení. Poskytuje širokou škálu technik pro snížení šumu, jako je prostorové filtrování, frekvenční filtrování, transformační filtrování, filtrování založené na hlubokém učení atd.

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

Typy šumu v zpracování obrazu

Simulace variací šumu – Mdf, CC BY-SA 3.0, via Wikimedia Commons

Faktory sahající od environmentálních podmínek až po senzor kamery mohou zavést šum do obrazu. Čtyři hlavní typy šumu, které obvykle vidíte v obrazech, zahrnují:

• Aditivní šum: Způsobený náhodnými variacemi jasu nebo barevných informací v celém obraze. Jedná se o nejčastější typ šumu viděného v obrazech.
• Subtraktivní šum: Způsobený náhodným odečtením hodnot pixelů z originálního obrazu, vedoucího k špatné kvalitě obrazu, často viděnému jako tmavá místa nebo oblasti v obraze. Subtraktivní šum obvykle nastává v podmínkách s nízkým osvětlením.
• Multiplikativní šum: Způsobený tím, že hodnota šumu je násobena originální hodnotou pixelu, často vedoucí k špatné kvalitě obrazu kolem jasnějších částí obrazu. Jedná se o nejobtížnější typ šumu k odstranění kvůli významným variacím hodnot pixelů.
• Impulsní šum: Způsobený náhlými změnami hodnot pixelů, které jsou viditelné jako náhodné černé a bílé pixely viděné jako ostré poruchy v obraze. Je také označován jako „sůl a pepř šum“. Výsledky z vad kamery, chyb přenosu nebo kosmického záření.

Příčiny šumu v zpracování obrazu

Šum v obrazech může pocházet z různých zdrojů, včetně:

1. Environmentální podmínky: Externí faktory, jako je špatné osvětlení nebo blízká elektronická interference, běžně způsobují šum v obrazech. Mohou přidat náhodné variace do obrazů.
2. Šum senzoru: Jakékoli problémy se senzorem používaným v kamerách a skenerách mohou přidat šum do obrazů. Například v podmínkách s nízkým osvětlením, pokud nepoužíváte kvalitní senzor, může to zesílit šum spolu se světlem.
3. Šum kvantizace: Nastává, když jsou analogové signály převedeny do digitální formy, zejména u obrazů s vysokým kontrastem. Například, když skenujete fotografii, často uvidíte šum, který se objeví v výsledném obraze. Jedná se o šum kvantizace, který se objevuje z digitizace obrazu.
4. Přenosový šum: Nastává, když jsou obrazy přenášeny přes šumové kanály, ať už prostřednictvím sítí (například internetu) nebo uloženy na šumových médiích (jako pevné disky).
5. Zpracovací šum: Nastává během operací zpracování obrazu, jako je filtrování, komprese atd.

Modely šumu v zpracování obrazu

Modely šumu v zpracování obrazu slouží jako matematické reprezentace různých typů šumu, které mohou ovlivnit obrazy. Tyto modely pomáhají pochopit výskyt různých typů šumu prostřednictvím simulací, které následně pomáhají vyvinout strategie pro jeho snížení.

Některé běžné modely šumu zahrnují:

1. Gaussovský šum: Jedna z nejčastějších typů modelů šumu, „Gaussovský šum“ je charakterizován zvonovitou pravděpodobnostní distribucí. Simuluje náhodné variace nalezené v obrazech. Může pocházet z zdrojů, jako je šum senzoru a šum kvantizace, a je podobný statickému rušení, které často vidíte na TV nebo rádiovém signálu.
2. Erlangův šum: Také známý jako gama šum, jedná se o další multiplikativní model šumu charakterizovaný gama distribucí. Obvykle se nachází v obrazech pořízených se šumovými senzory nebo přenesených přes šumové kanály.
3. Uniformní šum: Jedná se o aditivní model šumu s uniformní distribucí, často pozorovaný v kvantizovaných obrazech nebo těch, které jsou poškozeny chybami přenosu.

Měření šumu

V analýze obrazu je hodnocení a vyhodnocení šumu základní úlohou. Zahrnuje kvantifikaci úrovně šumu v obraze. Tento proces závisí na dvou hlavních technikách měření šumu:

1. Piková signál-šumový poměr (PSNR): PSNR slouží jako referenční bod pro hodnocení kvality rekonstrukce obrazu. Porovnává hodnoty pixelů originálního obrazu s hodnotami rekonstruovaného obrazu, poskytující numerickou míru, jak věrně je obraz rekonstruován.
2. Průměrná kvadratická chyba (MSE): MSE, na druhé straně, hodnotí rozdíly mezi hodnotami pixelů dvou obrazů. Tato metoda vypočítává průměr čtverců rozdílů mezi odpovídajícími pixely ve dvou obrazech. Tento kvantitativní přístup pomáhá nám pochopit rozsah šumu v obraze a jeho dopad na kvalitu.

Běžné techniky snížení šumu

Šum dělá obrazy zrnitými a barevně nepřesnými, zakrývající jemné detaily. Pro neutralizaci tohoto efektu techniky snížení šumu pomáhají zlepšit kvalitu obrazu pro lepší výsledky v mnoha oblastech, jako je fotografie, bezpečnost, video konference, dohled, atd. Například snížení šumu je kritické pro přesnou diagnózu a plánování léčby v medicínských obrazech.

Techniky snížení šumu fungují nejlépe za podmínek, jako je nízké osvětlení, vysoké nastavení ISO, rychlé rychlosti závěrky nebo při práci s vnitřně šumovými kamerami.

Některé běžné techniky snížení šumu zahrnují:

• Medianové filtrování: Pro odstranění impulsního šumu se medianové filtrování nahrazuje hodnotou pixelu mediánovými hodnotami okolních pixelů.
• Gaussovské filtrování: Tato technika nahrazuje každý pixel v obraze váženým průměrem pixelů v okolí pixelů kolem něj.
• Bilaterální filtrování: Tato technika kombinuje medianové a gaussovské filtrování pro snížení šumu s neporušenými hranami.
• Waveletové filtrování:</ Tato technika používá model Fourierovy transformace pro přenos koeficientů vlnové transformace obrazu pro snížení šumu.

Aplikace snížení šumu

Snížení šumu má řadu aplikací v různých odvětvích, jako je obnovování obrazu a zvětšování obrazu, ale nejvýznamnější jsou:

• Medicínská zobrazování: Techniky snížení šumu zlepšují diagnózu onemocnění v MRI a CT skenech, zefektivňují výsledky pacientů.
• Družicové zobrazování: Snížení šumu usnadňuje identifikaci objektů a rysů v družicových obrazech.
• Řízení katastrof: Snížení šumu zlepšuje vzdálené snímání obrazů pro environmentální monitorování a mapování.
• Právní řízení: Zlepšuje jasnost ve dohledových záběrech a forenzních obrazech pro identifikaci podezřelých a objektů.
• Kosmický výzkum: Snížení šumu čistí astronomické obrazy, umožňující detekci slabých nebeských objektů a jemných detailů v hlubokém vesmíru.

Pro čtení souvisejících článků navštivte Unite AI.