Mi az a zaj a képfeldolgozásban? – Egy alapozó

Ha látott már olyan képet, amelyen olyan porrészecskéket észlel, amelyek nem részei a tényleges képnek, valószínűleg „zajt” lát a képen. Ennek számos technikai oka van. Gyakran eltakarja a tényleges képet, és a digitális képátvitel során a képminőség romlásának legfőbb oka.

Itt kínál robusztus megoldást a képfeldolgozás. Zajcsökkentési technikák széles skáláját kínálja, mint például a térbeli szűrést, frekvenciaszűrést, transzformáció alapú szűrést, mély tanuláson alapuló szűrést stb.

Ebben a cikkben megvizsgálunk néhány kulcsfontosságú technikát, amelyekkel csökkenthető a képek zaja, valamint megvizsgáljuk a képzaj fő típusait és okait. Merüljünk el!

Zajtípusok a képfeldolgozásban

A zajváltozások szimulációja – mDF, CC BY-SA 3.0, a Wikimedia Commonson keresztül

A környezeti feltételektől a kamera érzékelőjéig terjedő tényezők zajt okozhatnak a képben. A képeken általában látható négy fő zajtípus:

• Additív zaj: A kép fényerejének vagy színének véletlenszerű változásai okozzák. Ez a képeken látható zaj leggyakoribb típusa.
• Kivonó zaj: Ennek oka a pixelértékek véletlenszerű kivonása az eredeti képből, ami rossz képminőséghez vezet, ami gyakran sötét foltként vagy régióként jelenik meg a képen. A kivonó zaj általában gyenge fényviszonyok mellett fordul elő.
• Multiplikatív zaj: Akkor keletkezik, amikor a zajértéket megszorozzák az eredeti pixelértékkel, ami gyakran rossz képminőséget eredményez a kép világosabb részei körül. Ez a legnehezebben eltávolítható zajtípus a jelentős pixelérték-ingadozások miatt.
• Impulzuszaj: A pixelérték hirtelen változásai okozzák, amelyek véletlenszerű fekete-fehér képpontokként, éles zavarokként jelennek meg a képen. „só-borszajnak” is nevezik. Ez a kamera hibáiból, átviteli hibákból vagy kozmikus sugarakból ered.

Zaj okai a képfeldolgozás során

A képzaj különböző forrásokból származhat, többek között:

1. Környezeti feltételek: A külső tényezők, például a rossz megvilágítás vagy a közeli elektronikus interferencia gyakran okoznak zajt a képeken. Véletlenszerű variációkat adhatnak a képekhez.
2. Érzékelő zaj: A kamerákban és szkennerekben használt érzékelővel kapcsolatos bármilyen probléma növelheti a képek zaját. Például rossz fényviszonyok között, ha nem jó minőségű érzékelőt használ, az felerősítheti a zajt a fénnyel együtt.
3. Kvantálási zaj: Akkor fordul elő, amikor az analóg jeleket digitális formává alakítják, különösen nagy kontrasztú képek esetén. Például, amikor beolvas egy fényképet, gyakran láthat majd zajt a képen. Ez a kép digitalizálásából származó kvantálási zaj.
4. Átviteli zaj: Akkor fordul elő, ha a képeket zajos csatornákon továbbítják, legyen az hálózaton (pl. az interneten) keresztül, vagy zajos adathordozón (például merevlemezen) tárolva.
5. Feldolgozási zaj: Képfeldolgozási műveletek során fordul elő, mint például szűrés, tömörítés stb.

Zajmodellek a képfeldolgozásban

A képfeldolgozásban a zajmodellek matematikai reprezentációként szolgálnak a képeket befolyásoló különféle zajfajtákhoz. Ezek a modellek szimulációkon keresztül segítenek megérteni a különböző típusú zajok előfordulását, ami viszont segít a zaj csökkentésére irányuló stratégiák kidolgozásában.

Néhány általános zajmodell a következőket tartalmazza:

1. Gauss zaj: A zajmodellek egyik leggyakoribb típusát, a „Gauss-zajt” harang alakú valószínűségi eloszlás jellemzi. A képeken található véletlenszerű variációkat szimulálja. Ez olyan forrásokból eredhet, mint az érzékelő és a kvantálás zaja, és hasonló a tévén vagy rádiójelen gyakran látható statikus zajhoz.
2. Erlang zaj: Gamma zajként is ismert, ez egy másik multiplikatív zajmodell, amelyet gamma-eloszlás jellemez. Általában zajos érzékelőkkel rögzített vagy zajos csatornákon továbbított képeken található meg.
3. Egyenletes zaj: Ez egy additív zajmodell egyenletes eloszlású, gyakran megfigyelhető kvantált vagy átviteli hibák által megsérült képeken.

Zajmérés

A képelemzésben a zajértékelés és -értékelés alapvető feladat. Ez magában foglalja a kép zajszintjének számszerűsítését. Ez a folyamat két elsődleges zajmérési technikán alapul:

1. Csúcsjel-zaj arány (PSNR): A PSNR viszonyítási alapként szolgál a képrekonstrukció minőségének értékeléséhez. Összehasonlítja az eredeti kép pixelértékeit a reprodukált képével, és számszerű mérést ad a kép hűségére vonatkozóan.
2. Átlagos négyzetes hiba (MSE): Ezzel szemben az MSE felméri két kép pixelértékei közötti különbségeket. Ez a módszer a két kép megfelelő képpontjai közötti különbségek négyzetes átlagát számítja ki. Ez a kvantitatív megközelítés segít megérteni a képen lévő zaj mértékét és annak minőségre gyakorolt ​​hatását.

Általános zajcsökkentési technikák

A zaj szemcséssé és elszíneződöttvé teszi a képeket, elfedve a finom részleteket. Ennek a hatásnak a semlegesítésére a zajcsökkentési technikák segítenek javítani a képminőséget a jobb eredmények érdekében számos területen, mint például a fényképezés, a biztonság, a videokonferencia, a megfigyelés stb. A zajcsökkentés például kritikus fontosságú a pontos diagnózis és a kezelés megtervezése szempontjából az orvosi képalkotásban.

A zajcsökkentési technikák olyan körülmények között működnek a legjobban, mint például gyenge fényviszonyok, magas ISO-beállítások, gyors zársebesség, vagy ha eredendően zajos fényképezőgépekkel dolgozik.

Néhány általános zajcsökkentési technika a következők:

• Medián szűrés: Az impulzuszaj kiküszöbölése érdekében a medián szűrés a pixel értékét a közeli képpontok medián értékeivel helyettesíti.
• Gauss-szűrés: Ez a technika a kép minden egyes képpontját lecseréli az adott pixel körüli pixelek környezetében lévő képpontok súlyozott átlagára.
• Kétoldalú szűrés: Ez a technika a medián és a Gauss-szűrést kombinálja, hogy csökkentse a zajt sértetlen élekkel.
• Wavelet szűrés: Ez a technika a Fourier transzformáció modell a kép átadásához wavelet együtthatók a zaj csökkentésére.

Zajcsökkentés alkalmazásai

A zajcsökkentés számos iparágban alkalmazható, mint pl kép helyreállítása és a képfelskálázás, de a legfontosabbak a következők:

• Orvosi képalkotás: A zajcsökkentési technikák javítják a betegségek diagnosztizálását az MRI- és CT-vizsgálatok során, és egyszerűsítik a betegek kimenetelét.
• Műholdképek: A zajcsökkentés elősegíti a műholdfelvételeken a tárgyak és jellemzők jobb azonosítását.
• Katasztrófavédelem: A zajcsökkentés javítja a távérzékelési képeket a környezet megfigyeléséhez és térképezéséhez.
• Bűnüldözés: Növeli a tisztaságot felügyelet felvételek és kriminalisztikai képek a gyanúsított és a tárgy azonosításához.
• Űrkutatás: A zajcsökkentés megtisztítja a csillagászati ​​képeket, lehetővé téve a halvány égi objektumok és finom részletek észlelését a mélyűri megfigyelések során.

Kapcsolódó tartalmak olvasásához látogasson el ide Egyesítse az AI-t.