Mitä on kohina kuvankäsittelyssä? – Pohjustus

Jos olet joskus nähnyt kuvan, jossa huomaat pölyhiukkasia, jotka eivät ole osa todellista kuvaa, näet todennäköisesti kuvassa "kohinaa". Tähän on monia teknisiä syitä. Se peittää usein todellisen kuvan ja on suurin syy kuvanlaadun heikkenemiseen digitaalisessa kuvansiirrossa.

Tässä kuvankäsittely tarjoaa vankan ratkaisun. Se tarjoaa laajan valikoiman kohinanvaimennustekniikoita, kuten spatiaalista suodatusta, taajuussuodatusta, muunnospohjaista suodatusta, syväoppimiseen perustuvaa suodatusta jne.

Tässä artikkelissa tutkimme joitakin keskeisiä tekniikoita, joita voidaan käyttää vähentämään kuvien kohinaa, sekä tutkimme tärkeimpiä kuvakohinan tyyppejä ja syitä. Sukellaan sisään!

Kohinatyypit kuvankäsittelyssä

Melun vaihteluiden simulaatio - mdf, CC BY-SA 3.0, Wikimedia Commonsin kautta

Muut tekijät ympäristöolosuhteista kameran anturiin voivat aiheuttaa kohinaa kuvaan. Kuvissa yleensä näkemäsi neljä päätyyppiä ovat:

• Lisäävä melu: Johtuu kuvan satunnaisista kirkkauden tai väritietojen vaihteluista. Tämä on yleisin kuvissa näkyvä melutyyppi.
• Subtraktiivinen kohina: Syynä on pikseliarvojen satunnainen vähentäminen alkuperäisestä kuvasta, mikä johtaa huonoon kuvanlaatuun, joka näkyy usein kuvan tummina täplinä tai alueina. Subtraktiivinen kohina esiintyy yleensä hämärässä.
• Multiplikoiva kohina: Johtuu siitä, että kohinaarvo kerrotaan alkuperäisellä pikseliarvolla, mikä usein johtaa huonoon kuvanlaatuun kuvan kirkkaiden osien ympärillä. Tämä on vaikein kohinan tyyppi poistaa pikseliarvojen merkittävien vaihteluiden vuoksi.
• Impulssikohina: Johtuu äkillisistä pikseliarvon muutoksista, jotka näkyvät satunnaisina mustavalkoisina pikseleinä, jotka nähdään terävinä häiriöinä kuvassa. Sitä kutsutaan myös "suolan ja pippurin meluksi". Se johtuu kameran vioista, lähetysvirheistä tai kosmisista säteistä.

Kohinan syyt kuvankäsittelyssä

Kuvakohina voi johtua useista lähteistä, mukaan lukien:

1. Ympäristöolosuhteet: Ulkoiset tekijät, kuten huono valaistus tai lähellä olevat elektroniset häiriöt, aiheuttavat yleensä kohinaa kuviin. He voivat lisätä kuviin satunnaisia ​​muunnelmia.
2. Anturin melu: Kaikki kameroissa ja skannereissa käytettävään anturiin liittyvät ongelmat voivat lisätä kohinaa kuviin. Esimerkiksi huonoissa valaistusolosuhteissa, jos et käytä hyvälaatuista anturia, se voi vahvistaa melua valon ohella.
3. Kvantisointikohina: Esiintyy, kun analogiset signaalit muunnetaan digitaaliseen muotoon, erityisesti suurikontrastisissa kuvissa. Esimerkiksi kun skannaat valokuvaa, näet usein kohinaa tuloksena olevassa kuvassa. Tämä on kuvan digitoinnista tulevaa kvantisointikohinaa.
4. Lähetyksen melu: Esiintyy, kun kuvia siirretään meluisia kanavia pitkin, olipa kyse sitten verkkojen (esim. Internet) kautta tai tallennettuna meluisille tallennusvälineille (kuten kiintolevyille).
5. Käsittelykohina: Esiintyy kuvankäsittelytoimintojen, kuten suodatuksen, pakkaamisen jne., aikana.

Kohinamallit kuvankäsittelyssä

Kuvankäsittelyn kohinamallit toimivat matemaattisina esityksinä erityyppisistä kohinoista, jotka voivat vaikuttaa kuviin. Nämä mallit auttavat ymmärtämään erilaisten kohinoiden esiintymistä simulaatioiden avulla, mikä puolestaan ​​auttaa kehittämään strategioita sen vähentämiseksi.

Joitakin yleisiä melumalleja ovat:

1. Gaussin kohina: Yksi yleisimmistä melumallityypeistä, Gaussin kohina, on tunnusomaista kellomainen todennäköisyysjakauma. Se simuloi kuvista löytyviä satunnaisia ​​muunnelmia. Se voi johtua lähteistä, kuten anturi- ja kvantisointikohina, ja se on samanlainen kuin staattinen häiriö, jota näet usein televisiossa tai radiosignaalissa.
2. Erlangin melu: Tämä tunnetaan myös nimellä gammakohina, ja tämä on toinen multiplikatiivisen kohinan malli, jolle on tunnusomaista gamma-jakauma. Se löytyy yleensä kuvista, jotka on otettu kohinaisilla antureilla tai lähetetty kohinaisten kanavien kautta.
3. Tasainen melu: Tämä on additiivinen kohinamalli, jolla on tasainen jakautuminen, usein havaittu kvantisoiduissa kuvissa tai lähetysvirheiden korruptoituneissa kuvissa.

Melun mittaus

Kuva-analyysissä kohinan arviointi ja arviointi on perustehtävä. Se sisältää kuvan kohinatason kvantifioinnin. Tämä prosessi perustuu kahteen ensisijaiseen melunmittaustekniikkaan:

1. Huippusignaali-kohinasuhde (PSNR): PSNR toimii vertailukohtana kuvien rekonstruoinnin laadun arvioinnissa. Se vertaa alkuperäisen kuvan pikseliarvoja toistetun kuvan pikseliarvoihin ja tarjoaa numeerisen mittauksen siitä, kuinka tarkasti kuva toistetaan.
2. Keskimääräinen neliövirhe (MSE): MSE sitä vastoin arvioi erot kahden kuvan pikseliarvojen välillä. Tämä menetelmä laskee kahden kuvan vastaavien pikselien välisten neliöerojen keskiarvon. Tämä kvantitatiivinen lähestymistapa auttaa meitä ymmärtämään kuvan kohinan laajuutta ja sen vaikutusta laatuun.

Yleiset melunvaimennustekniikat

Kohina tekee kuvista rakeisia ja värjäytyneitä, mikä peittää hienot yksityiskohdat. Tämän vaikutuksen neutraloimiseksi kohinanvaimennustekniikat auttavat parantamaan kuvanlaatua ja saavuttamaan parempia tuloksia monilla aloilla, kuten valokuvauksessa, turvallisuudessa, videoneuvotteluissa, valvonnassa jne. Esimerkiksi kohinanvaimennus on ratkaisevan tärkeää lääketieteellisten kuvien tarkan diagnoosin ja hoidon suunnittelun kannalta.

Kohinanvaimennustekniikat toimivat parhaiten olosuhteissa, kuten heikossa valaistuksessa, suuret ISO-asetukset, nopeat suljinajat tai kun käsitellään luonnostaan ​​meluisia kameroita.

Joitakin yleisiä melunvaimennustekniikoita ovat:

• Mediaanisuodatus: Impulssikohinan eliminoimiseksi mediaanisuodatus korvaa pikselin arvon sen lähellä olevien pikselien mediaaniarvoilla.
• Gaussin suodatus: Tämä tekniikka korvaa kuvan jokaisen pikselin tämän pikselin ympärillä olevien pikselien naapurustossa olevien pikselien painotetulla keskiarvolla.
• Kahdenvälinen suodatus: Tämä tekniikka yhdistää mediaani- ja Gaussin suodatuksen kohinan vähentämiseksi eheillä reunoilla.
• Wavelet-suodatus: Tämä tekniikka käyttää Fourier-muunnos malli siirtää kuvan wavelet-kertoimet melun vähentämiseksi.

Kohinanvaimennussovellukset

Melunvaimennuksen sovelluksia on useita eri toimialoilla, kuten kuvan palauttaminen ja kuvan skaalaaminen, mutta tärkeimmät ovat:

• Lääketieteellinen kuvantaminen: Melunvaimennustekniikat parantavat sairauden diagnosointia MRI- ja CT-skannauksissa, mikä virtaviivaistaa potilaiden tuloksia.
• Satelliittikuvat: Kohinanvaimennus auttaa paremmin kohteiden ja ominaisuuksien tunnistamisessa satelliittikuvissa.
• Katastrofien hallinta: Melunvaimennus parantaa kaukokartoituskuvia ympäristön seurantaa ja kartoittamista varten.
• Lainvalvonta: Se lisää selkeyttä valvonta materiaalia ja rikosteknisiä kuvia epäiltyjen ja esineiden tunnistamiseksi.
• Avaruustutkimus: Kohinanvaimennus puhdistaa tähtitieteelliset kuvat mahdollistaen himmeiden taivaankappaleiden ja hienojen yksityiskohtien havaitsemisen syvän avaruuden havainnoissa.

Voit lukea aiheeseen liittyvää sisältöä osoitteessa Yhdistä AI.