Mikä on kuvankäsittelyssä oleva kohina? – Perusteet

Jos olet koskaan nähnyt kuvan, jossa huomaat pölyhiukkasia, jotka eivät kuulu itse kuvaan, sinä näet todennäköisesti “kohinaa” kuvassa. On monia teknisiä syitä sille, miksi tämä tapahtuu. Se usein peittää itse kuvan ja on kuvanlaadun heikentymisen johtava syy digitaalisen kuvansiirron aikana.

Tässä kuvankäsittely tarjoaa vahvan ratkaisun. Se tarjoaa laajan valikoiman kohinanhallintatekniikoita, kuten spatiaalisen suodattamisen, taajuussuodattamisen, muunnosperusteisen suodattamisen, syväoppimiseen perustuvan suodattamisen jne.

Tässä artikkelissa tutkimme joitakin avaintekniikoita, joita voidaan käyttää kohinan vähentämiseen kuvissa, sekä tutkimme kohinan johtavat tyypit ja syyt. Laitetaan hommaan!

Kuvankäsittelyn kohinatyypit

Kohinavariation simulointi – Mdf, CC BY-SA 3.0, via Wikimedia Commons

Tekijät, jotka vaihtelevat ympäristöolosuhteista kameran anturiin, voivat aiheuttaa kohinaa kuvaan. Neljä pääasiallista kohinatyyppiä, joita yleensä näkee kuvissa, ovat:

• Lisäkohina: Aiheutuu satunnaisista valonvaihtelusta tai väritiedon vaihtelusta koko kuvan alueella. Tämä on yleisin kohinatyyppi, jota näkee kuvissa.
• Poistokohina: Aiheutuu alkuperäisen kuvan pikseliarvojen satunnaisesta vähentämisestä, josta seuraa huono kuvanlaatu, usein nähtynä tummina pikkukuvina tai alueina kuvassa. Poistokohina esiintyy yleensä heikkovaloisissa olosuhteissa.
• Kertokohina: Aiheutuu, kun kohinansiirtoluku kerrotaan alkuperäisen pikseliarvon kanssa, usein johtaa huonoon kuvanlaatuun kirkkaiden kuvan osien ympärillä. Tämä on vaikein kohinatyyppi poistettavaksi, koska siinä on merkittäviä pikseliarvon vaihteluita.
• Impulssikohina: Aiheutuu äkillisistä muutoksista pikseliarvoissa, jotka näkyvät satunnaisina mustina ja valkoisina pikseleinä, jotka näkyvät terävinä häiriöinä kuvassa. Sitä kutsutaan myös “suola- ja pippurikohinaksi”. Se johtuu kameravirheistä, siirtovirheistä tai kosmisten säteiden aiheuttamista virheistä.

Kuvankäsittelyn kohinan syyt

Kuvankohina voi johtua useista lähteistä, mukaan lukien:

1. Ympäristöolosuhteet: Ulkoiset tekijät, kuten heikko valaistus tai lähellä oleva sähköinen häiriö, aiheuttavat yleensä kohinaa kuvissa. Ne voivat lisätä satunnaisia vaihteluita kuvissa.
2. Anturikohina: Mitkä tahansa ongelmat kameran tai skannerin anturissa voivat aiheuttaa kohinaa kuvissa. Esimerkiksi heikkovaloisissa olosuhteissa, jos et käytä hyvänlaatuista anturia, se voi vahvistaa kohinaa valon kanssa.
3. Quantisaatiokohina: Se esiintyy, kun analogiset signaalit muunnetaan digitaaliseen muotoon, erityisesti kontrastirikkaissa kuvissa. Esimerkiksi, kun skannaat valokuvan, sinun on usein nähtävä kohina, joka ilmestyy tulokseksi. Tämä on quantisaatiokohina, joka johtuu kuvan digitoimisesta.
4. Siirtokohina: Se esiintyy, kun kuvia siirretään meluisia kanavia pitkin, olipa se verkkoon (esim. internet) tai tallennetaan meluisille tallennusvälineille (kuten kiintolevyille).
5. Käsittelykohina: Se esiintyy kuvankäsittelyoperaatioiden aikana, kuten suodattamisessa, pakkaamisessa jne.

Kuvankäsittelyn kohinamallit

Kuvankäsittelyn kohinamallit toimivat matemaattisina edustajina erilaisille kohinatyypeille, jotka voivat vaikuttaa kuvissa. Nämä mallit auttavat ymmärtämään erilaisten kohinatyypien esiintymistä simulaatioiden avulla, mikä puolestaan auttaa kehittämään strategioita niiden vähentämiseksi.

Jotkut yleiset kohinamallit ovat:

1. Gaussin kohina: Yksi yleisimmistä kohinatyypeistä on “Gaussin kohina”, jota voidaan luonnehtia kellojakaumalla. Se simuloi satunnaisia vaihteluita, joita löytyy kuvista. Se voi johtua lähteistä, kuten anturin ja quantisaatiokohinasta, ja se on samanlaista kuin televisiossa tai radiolähetyksessä näkyvä häiriö.
2. Erlangin kohina: Tunnetaan myös gammanoisena, tämä on toinen kertokohinamalli, jota voidaan luonnehtia gammanjakaumalla. Se on tyypillisesti havaittavissa kuvissa, jotka on otettu meluisilla antureilla tai siirretty meluisia kanavia pitkin.
3. Yhdenmukainen kohina: Tämä on lisäkohinamalli, jota voidaan luonnehtia yhdenmukaisella jakaumalla, usein havaittavissa kvantisoituissa kuvissa tai niissä, jotka on vahingoittunut siirtovirheiden vuoksi.

Kohinan mittaaminen

Kuvan analyysissä kohinan arviointi ja arviointi on perustava tehtävä. Se sisältää kohinan määrän mittaamisen kuvassa. Tämä prosessi perustuu kahteen pääasialliseen kohinan mittaustekniikkaan:

1. Huipputaso-signaali-kohinansuhde (PSNR): PSNR toimii kuvan jälleenrakennuksen laadun arviointituloksena. Se vertaa alkuperäisen kuvan pikseliarvoja jälleenrakennetun kuvan pikseliarvoihin, tarjoten numeerisen mittarin siitä, kuinka uskollisesti kuva on jälleenrakennettu.
2. Keskiarvoisen neliövirheen (MSE): MSE puolestaan arvioi eroja kahden kuvan pikseliarvojen välillä. Tämä menetelmä laskee keskiarvon neliöeroista vastaavien pikseleiden välillä kahdessa kuvassa. Tämä määrällinen lähestymistapa auttaa meitä ymmärtämään kohinan määrää kuvassa ja sen vaikutusta laatuun.

Yleiset kohinan vähentämistekniikat

Kohina tekee kuvista grainaisia ja epätarkkoja, peittäen hienot yksityiskohdat. Neutraloimaan tätä vaikutusta kohinan vähentämistekniikat parantavat kuvanlaatua paremman lopputuloksen saavuttamiseksi monilla aloilla, kuten valokuvaus, turvallisuus, videoneuvottelut, valvonta jne. Esimerkiksi kohinan vähentäminen on kriittistä tarkkaa diagnosointia ja hoitosuunnittelua varten lääketieteellisissä kuvissa.

Kohinan vähentämistekniikat toimivat parhaiten olosuhteissa, kuten heikkovaloisissa olosuhteissa, korkeilla ISO-asetuksilla, nopeilla suljinnopeuksilla tai käsiteltäessä sisäänrakennetusti meluisia kameroiden kanssa.

Jotkut yleiset kohinan vähentämistekniikat ovat:

• Mediaanisuodatus: Impulssikohinan poistamiseksi mediaanisuodatus korvaa pikselin arvon lähellä olevien pikselien mediaaniarvoilla.
• Gaussinsuodatus: Tämä tekniikka korvaa jokaisen kuvan pikselin painotetulla keskiarvolla lähellä olevista pikseleistä.
• Bilateraalisuodatus: Tämä tekniikka yhdistää mediaani- ja Gaussin suodattamisen kohinan vähentämiseksi säilyttäen reunat koskemattomina.
• Aaltosuodatus: Tämä tekniikka käyttää Fourier-muunnosta mallia kuvan aaltokerrointa vähentämiseksi.

Kohinan vähentämisen sovellukset

Kohinan vähentäminen on sovelluksia useilla aloilla, kuten kuvan palauttaminen ja kuvan skaalaaminen, mutta tärkeimmät sovellukset ovat:

• Lääketieteellinen kuvantaminen: Kohinan vähentämistekniikat parantavat sairauden diagnosointia magneettikuvaus- ja tietokonekerroskuvauksissa, jolloin potilaiden tulokset paranevat.
• Satelliittikuvat: Kohinan vähentäminen parantaa objekti- ja piirteiden tunnistamista satelliittikuvissa.
• Onnettomuuden hallinta: Kohinan vähentäminen parantaa etäältä havaittuja kuvia ympäristön seurantaan ja kartoittamiseen.
• Lailliset toimet: Se parantaa selkeyttä valvontakuvissa ja oikeudellisissa kuvissa epäiltyjen ja objektien tunnistamiseksi.
• Avaruustutkimus: Kohinan poisto puhdistaa astronomiset kuvat, mahdollistaen heikkojen taivaallisten objektien ja yksityiskohtien havaitsemisen syvän avaruuden havainnoissa.

Lue lisää aiheeseen liittyvää sisältöä Unite AI:sta.