Hvad er støj i billedbehandling? – En Primer

Hvis du nogensinde har set et billede, hvor du bemærker støvpartikler, der ikke er en del af det faktiske billede, ser du sandsynligvis 'støj' i billedet. Der er mange tekniske årsager til, hvorfor dette sker. Det slører ofte det faktiske billede og er den førende årsag til forringelse af billedkvaliteten ved digital billedtransmission.

Det er her billedbehandling tilbyder en robust løsning. Det giver en bred vifte af støjreduktionsteknikker, såsom rumlig filtrering, frekvensfiltrering, transformationsbaseret filtrering, deep learning-baseret filtrering osv.

I denne artikel vil vi undersøge nogle nøgleteknikker, der kan bruges til at reducere støj i billeder, sammen med at undersøge de førende typer og årsager til billedstøj. Lad os dykke ned!

Typer af støj i billedbehandling

En simulering af støjvariationer – mdf, CC BY-SA 3.0, via Wikimedia Commons

Faktorer lige fra miljøforhold til kameraets sensor kan introducere støj i billedet. De fire hovedtyper af støj, som du normalt ser på billeder, omfatter:

• Additiv støj: Forårsaget af tilfældige variationer i lysstyrke eller farveinformation på tværs af billedet. Dette er den mest almindelige type støj, der ses på billeder.
• Subtraktiv støj: Forårsaget af den tilfældige subtraktion af pixelværdier fra det originale billede, hvilket fører til dårlig billedkvalitet, ofte set som mørke pletter eller områder i billedet. Subtraktiv støj opstår normalt i svagt lys.
• Multiplikativ støj: Forårsaget, når støjværdien ganges med den oprindelige pixelværdi, hvilket ofte resulterer i dårlig billedkvalitet omkring de lysere dele af billedet. Dette er den sværeste type støj at fjerne på grund af betydelige pixelværdivariationer.
• Impulsstøj: Forårsaget af pludselige ændringer i pixelværdi, der er synlige som tilfældige sorte og hvide pixels set som skarpe forstyrrelser i billedet. Det omtales også som 'salt og peberstøj'. Det skyldes kamerafejl, transmissionsfejl eller kosmiske stråler.

Årsager til støj i billedbehandling

Billedstøj kan skyldes forskellige kilder, herunder:

1. Miljøbetingelser: Eksterne faktorer såsom dårlig belysning eller elektronisk interferens i nærheden forårsager ofte støj i billeder. De kan tilføje tilfældige variationer i billeder.
2. Sensorstøj: Eventuelle problemer med sensoren, der bruges i kameraer og scannere, kan øge støjen i billeder. For eksempel, under dårlige lysforhold, hvis du ikke bruger en sensor af god kvalitet, kan den forstærke støjen sammen med lyset.
3. Kvantiseringsstøj: Opstår, når analoge signaler konverteres til digital form, især i billeder med høj kontrast. Når du f.eks. scanner et fotografi, vil du ofte se støj i det resulterende billede. Dette er kvantiseringsstøj, der kommer fra billeddigitalisering.
4. Transmissionsstøj: Opstår, når billeder transmitteres over støjende kanaler, det være sig via netværk (f.eks. internettet) eller gemt på støjende lagermedier (som harddiske).
5. Behandlingsstøj: Opstår under billedbehandlingsoperationer, såsom filtrering, komprimering osv.

Støjmodeller i billedbehandling

Støjmodeller i billedbehandling fungerer som matematiske repræsentationer af de forskellige slags støj, der kan påvirke billeder. Disse modeller hjælper med at forstå forekomsten af ​​forskellige slags støj gennem simuleringer, som igen hjælper med at udvikle strategier til at reducere den.

Nogle almindelige støjmodeller inkluderer:

1. Gaussisk støj: En af de mest almindelige typer støjmodeller, 'Gaussisk støj', er karakteriseret ved en klokkeformet sandsynlighedsfordeling. Det simulerer tilfældige variationer fundet i billeder. Det kan stamme fra kilder som sensor- og kvantiseringsstøj og ligner det statiske, du ofte ser på tv eller et radiosignal.
2. Erlang støj: Også kendt som gammastøj, dette er en anden multiplikativ støjmodel, der er karakteriseret ved en gammafordeling. Det findes typisk i billeder taget med støjende sensorer eller transmitteret gennem støjende kanaler.
3. Ensartet støj: Dette er en additiv støjmodel med en ensartet fordeling, der ofte observeres i kvantificerede billeder eller dem, der er ødelagt af transmissionsfejl.

Støjmåling

I billedanalyse er støjvurdering og -evaluering en grundlæggende opgave. Det involverer kvantificering af støjniveauet i et billede. Denne proces er afhængig af to primære støjmålingsteknikker:

1. Peak Signal-to-Noise Ratio (PSNR): PSNR fungerer som et benchmark for evaluering af kvaliteten af ​​billedrekonstruktion. Den sammenligner pixelværdierne for det originale billede med dem for det reproducerede billede, hvilket giver et numerisk mål for, hvor trofast billedet er gengivet.
2. Mean Squared Error (MSE): MSE derimod vurderer forskellene mellem pixelværdierne for to billeder. Denne metode beregner gennemsnittet af de kvadrerede forskelle mellem tilsvarende pixels i de to billeder. Denne kvantitative tilgang hjælper os med at forstå omfanget af støj i et billede og dets indvirkning på kvaliteten.

Almindelige støjreduktionsteknikker

Støj gør billeder grynet og misfarvet, hvilket skjuler fine detaljer. For at neutralisere denne effekt hjælper støjreduktionsteknikker med at forbedre billedkvaliteten for bedre resultater på mange områder som fotografering, sikkerhed, videokonferencer, overvågning osv. For eksempel er støjreduktion afgørende for nøjagtig diagnose og behandlingsplanlægning i medicinske billeder.

Støjreduktionsteknikkerne fungerer bedst under forhold som lavt lys, høje ISO-indstillinger, hurtige lukkerhastigheder, eller når der er tale om kameraer, der støjer i sagens natur.

Nogle almindelige støjreduktionsteknikker inkluderer:

• Medianfiltrering: For at eliminere impulsstøj erstatter medianfiltrering pixelværdien med medianværdierne for dens nærliggende pixels.
• Gaussisk filtrering: Denne teknik erstatter hver pixel i et billede med et vægtet gennemsnit af pixels i et område af pixels omkring den pixel.
• Bilateral filtrering: Denne teknik kombinerer median- og Gauss-filtreringen for at reducere støj med intakte kanter.
• Wavelet-filtrering: Denne teknik bruger Fourier transformation model til at sende billede wavelet koefficienter at reducere støj.

Anvendelser af støjreduktion

Støjreduktion har en række anvendelsesmuligheder på tværs af brancher, som f.eks billedgendannelse , billedopskalering, men de vigtigste er:

• Medicinsk billeddannelse: Støjreduktionsteknikker forbedrer sygdomsdiagnostik i MR- og CT-scanninger, hvilket strømliner patientresultater.
• Satellitbilleder: Støjreduktion hjælper til bedre objekt- og funktionsidentifikation i satellitbilleder.
• Katastrofehåndtering: Støjreduktion forbedrer fjernregistreringsbilleder til miljøovervågning og kortlægning.
• Retshåndhævelse: Det øger klarheden i overvågning optagelser og retsmedicinske billeder til identifikation af mistænkte og objekter.
• Rumforskning: Støjreduktion renser astronomiske billeder, hvilket muliggør detektering af svage himmellegemer og fine detaljer i dybe rumobservationer.

For at læse relateret indhold, besøg Foren AI.