Hvad er støj i billedbehandling? – En introduktion

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 kan ofte skjule det faktiske billede og er den primære årsag til billedkvalitetsnedgang i digital billedoverførsel.

Dette er, hvor billedbehandling tilbyder en robust løsning. Den tilbyder en bred vifte af støjreduktionsteknikker, såsom rumlig filtrering, frekvensfiltrering, transformationsbaseret filtrering, dyb læring-baseret filtrering osv.

I denne artikel vil vi udforske nogle af de vigtigste teknikker, der kan bruges til at reducere støj i billeder, samt undersøge de førende typer og årsager til billedstøj. Lad os dykke ned!

Typer af støj i billedbehandling

En simulation af støjvariationer – Mdf, CC BY-SA 3.0, via Wikimedia Commons

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

• Tilføjelig støj: Forårsaget af tilfældige variationer i lysstyrke eller farveinformation over billedet. Dette er den mest almindelige type støj, der ses i billeder.
• Subtraktiv støj: Forårsaget af den tilfældige subtraktion af pixelværdier fra det originale billede, hvilket resulterer i dårlig billedkvalitet, ofte set som mørke pletter eller områder i billedet. Subtraktiv støj forekommer normalt i lavlysindstillinger.
• Multiplicativ støj: Forårsaget, når støjeværdien er multipliseret med den originale pixelværdi, ofte resulterer i dårlig billedkvalitet omkring de lyseste dele af billedet. Dette er den sværeste type støj at fjerne på grund af betydelige variationer i pixelværdier.
• Impulstøj: Forårsaget af pludselige ændringer i pixelværdi, der er synlige som tilfældige sorte og hvide pixel, set som skarpe forstyrrelser i billedet. Det kaldes også ‘salt og peber-støj’. Det skyldes kamerafejl, overførselsfejl eller kosmisk stråling.

Årsager til støj i billedbehandling

Billedstøj kan resultere fra forskellige kilder, herunder:

1. Miljøforhold: Eksterne faktorer som dårlig belysning eller nærliggende elektronisk interferens kan ofte forårsage støj i billeder. De kan tilføje tilfældige variationer i billeder.
2. Sensorstøj: Eventuelle problemer med sensoren, der bruges i kameraer og scannere, kan tilføje støj i billeder. For eksempel, hvis du ikke bruger en god kvalitetssensor under dårlige lysforhold, kan det forstærke støjen sammen med lyset.
3. Kvantiseringsstøj: Forekommer, når analoge signaler konverteres til digital form, især i billeder med høj kontrast. For eksempel, når du scannrer et fotografi, vil du ofte se støj, der opstår i det resulterende billede. Dette er kvantiseringsstøj, der opstår fra billedigitalisering.
4. Overførselsstøj: Forekommer, når billeder overføres over støjende kanaler, enten gennem netværk (f.eks. internettet) eller gemt på støjende lagringsmedier (som harddiske).
5. Behandlingsstøj: Forekommer under billedbehandlingsoperationer, såsom filtrering, komprimering osv.

Støjemodeller i billedbehandling

Støjemodeller i billedbehandling fungerer som matematiske repræsentationer af de forskellige typer støj, der kan påvirke billeder. Disse modeller hjælper med at forstå opståelsen af forskellige typer støj gennem simulationer, hvilket igen hjælper med at udvikle strategier til at reducere det.

Nogle almindelige støjemodeller omfatter:

1. Gausisk støj: En af de mest almindelige typer støjmodeller, ‘Gausisk støj’ kendetegnes ved en klokkeformet sandsynlighedsfordeling. Den simulerer tilfældige variationer, der findes i billeder. Den kan stamme fra kilder som sensor- og kvantiseringsstøj og ligner den statisk, du ofte ser på tv eller en radiosignal.
2. Erlang-støj: Også kendt som gamma-støj, er dette en anden multiplikativ støjemodel, der kendetegnes ved en gammafordeling. Den findes normalt i billeder, der er optaget med støjende sensorer eller overført gennem støjende kanaler.
3. Uniform støj: Dette er en tilføjelig støjemodel med en uniform fordeling, ofte observeret i kvantiserede billeder eller billeder, der er korrumperet af overførselsfejl.

Støjmåling

I billedanalyse er støjvurdering og evaluering en grundlæggende opgave. Det indebærer at kvantificere støjniveauet i et billede. Denne proces afhænger af to primære støjmåleteknikker:

1. Peak Signal-to-Noise Ratio (PSNR): PSNR fungerer som en benchmark for at evaluere billedrekonstruktionskvaliteten. Den sammenligner pixelværdierne i det originale billede med dem i det genskabte billede, hvilket giver en numerisk måling af, hvor trofast billedet genskabes.
2. Mean Squared Error (MSE): MSE, til gengæld, vurderer forskellene mellem pixelværdierne i to billeder. Denne metode beregner gennemsnittet af de kvadrerede forskelle mellem tilsvarende pixel 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 kornede og misfarvede, hvilket skjuler fine detaljer. For at neutralisere denne effekt hjælper støjreduktionsteknikker med at forbedre billedkvaliteten for bedre resultater i mange domæner som fotografi, sikkerhed, videokonferencer, overvågning osv. For eksempel er støjreduktion kritisk for nøjagtig diagnose og behandlingsplanlægning i medicinske billeder.

Støjreduktionsteknikkerne fungerer bedst under forhold som lav lys, høje ISO-indstillinger, hurtige lukketider eller når du har at gøre med indre støjende kameraer.

Nogle almindelige støjreduktionsteknikker omfatter:

• Medianfiltrering: For at eliminere impulstøj erstatter medianfiltrering pixelværdien med medianværdierne af de nærliggende pixel.
• Gausisk filtrering: Denne teknik erstatter hver pixel i et billede med en vægtet gennemsnit af pixel i en nærliggende pixels nærmeste område.
• Bilateralt filtrering: Denne teknik kombinerer median- og gausisk filtrering for at reducere støj med intakte kanter.
• Bølgefiltrering: Denne teknik bruger Fourier-transformationen til at sende billedets bølgekoefficienter for at reducere støj.

Støjreduktionens anvendelser

Støjreduktion har en række anvendelser på tværs af brancher, såsom billedrestaurering og billedforstørrelse, men de vigtigste er:

• Medicinsk billedbehandling: Støjreduktionsteknikker forbedrer sygdomsdiagnosen i MR- og CT-scanner, hvilket strømliner patientresultater.
• Satellitbilleder: Støjreduktion hjælper med at identificere objekter og funktioner i satellitbilleder.
• Ulykkesbekæmpelse: Støjreduktion forbedrer fjernsaneringsbilleder til miljøovervågning og kortlægning.
• Lovhåndhævelse: Det forbedrer billedkvaliteten i overvågningsvideoer og retsmedicinske billeder til identifikation af mistænkte og objekter.
• Rumforskning: Støjreduktion renser astronomiske billeder, hvilket muliggør opdagelsen af svage himmellegemer og fine detaljer i dyb rumobservation.

For at læse relateret indhold, besøg Unite AI.