რა არის ხმაური გამოსახულების დამუშავებაში? - პრაიმერი

თუ ოდესმე გინახავთ სურათი, სადაც შეამჩნევთ მტვრის ნაწილაკებს, რომლებიც არ არის რეალური სურათის ნაწილი, თქვენ ალბათ ხედავთ სურათზე "ხმაურს". არსებობს მრავალი ტექნიკური მიზეზი, თუ რატომ ხდება ეს. ის ხშირად ფარავს რეალურ სურათს და არის გამოსახულების ხარისხის დეგრადაციის წამყვანი მიზეზი ციფრული გამოსახულების გადაცემაში.

ეს არის სადაც გამოსახულების დამუშავება მყარ გადაწყვეტას გვთავაზობს. ის უზრუნველყოფს ხმაურის შემცირების ტექნიკის ფართო სპექტრს, როგორიცაა სივრცითი ფილტრაცია, სიხშირის ფილტრაცია, ტრანსფორმაციაზე დაფუძნებული ფილტრაცია, ღრმა სწავლაზე დაფუძნებული ფილტრაცია და ა.შ.

ამ სტატიაში ჩვენ განვიხილავთ რამდენიმე ძირითად ტექნიკას, რომლებიც შეიძლება გამოყენებულ იქნას სურათებში ხმაურის შესამცირებლად, გამოსახულების ხმაურის წამყვანი ტიპებისა და მიზეზების გამოკვლევებთან ერთად. მოდი ჩავყვინთოთ!

ხმაურის ტიპები გამოსახულების დამუშავებაში

ხმაურის ვარიაციების სიმულაცია - მდფ, CC BY-SA 3.0Wikimedia Commons– ის საშუალებით

გარემო პირობებიდან დაწყებული კამერის სენსორამდე დაწყებული ფაქტორები შეიძლება შეიყვანონ ხმაური სურათში. ხმაურის ოთხი ძირითადი ტიპი, რომელსაც ჩვეულებრივ ხედავთ სურათებში, მოიცავს:

• დანამატის ხმაური: გამოწვეულია სურათზე სიკაშკაშის ან ფერის ინფორმაციის შემთხვევითი ცვალებადობით. ეს არის ყველაზე გავრცელებული ტიპის ხმაური, რომელიც ჩანს სურათებში.
• სუბტრაქტიული ხმაური: გამოწვეულია ორიგინალური გამოსახულების პიქსელების მნიშვნელობების შემთხვევითი გამოკლებით, რაც იწვევს გამოსახულების ცუდ ხარისხს, რომელიც ხშირად ჩანს როგორც ბნელი ლაქები ან რეგიონები გამოსახულებაზე. სუბტრაქციული ხმაური ჩვეულებრივ ხდება დაბალი განათების პირობებში.
• გამრავლების ხმაური: გამოწვეულია, როდესაც ხმაურის მნიშვნელობა მრავლდება ორიგინალური პიქსელის მნიშვნელობაზე, რაც ხშირად იწვევს გამოსახულების ცუდ ხარისხს გამოსახულების უფრო ნათელი ნაწილების გარშემო. ეს არის ყველაზე რთული ტიპის ხმაურის ამოღება პიქსელის მნიშვნელობის მნიშვნელოვანი ვარიაციების გამო.
• იმპულსური ხმაური: გამოწვეულია პიქსელის მნიშვნელობის უეცარი ცვლილებებით, რომლებიც ჩანს შემთხვევითი შავი და თეთრი პიქსელების სახით, რომლებიც გამოსახულებაში მკვეთრი დარღვევის სახით ჩანს. მას ასევე მოიხსენიებენ, როგორც "მარილისა და პილპილის ხმაურს". ეს გამოწვეულია კამერის დეფექტებით, გადაცემის შეცდომებით ან კოსმოსური სხივებით.

ხმაურის მიზეზები გამოსახულების დამუშავებისას

გამოსახულების ხმაური შეიძლება გამოწვეული იყოს სხვადასხვა წყაროებიდან, მათ შორის:

1. გარემო პირობები: გარე ფაქტორები, როგორიცაა ცუდი განათება ან ახლომდებარე ელექტრონული ჩარევა, ჩვეულებრივ იწვევს სურათებში ხმაურს. მათ შეუძლიათ დაამატონ შემთხვევითი ვარიაციები სურათებში.
2. სენსორის ხმაური: კამერებსა და სკანერებში გამოყენებული სენსორის ნებისმიერმა პრობლემამ შეიძლება გამოიწვიოს სურათებში ხმაური. მაგალითად, ცუდი განათების პირობებში, თუ არ იყენებთ კარგი ხარისხის სენსორს, მას შეუძლია გააძლიეროს ხმაური შუქთან ერთად.
3. კვანტიზაციის ხმაური: ხდება მაშინ, როდესაც ანალოგური სიგნალები გარდაიქმნება ციფრულ ფორმაში, განსაკუთრებით მაღალი კონტრასტის სურათებში. მაგალითად, როდესაც სკანირებთ ფოტოს, ხშირად ნახავთ ხმაურს გამოსახულებაში. ეს არის კვანტიზაციის ხმაური, რომელიც ჩნდება გამოსახულების დიგიტალიზაციის შედეგად.
4. გადაცემის ხმაური: ხდება მაშინ, როდესაც სურათები გადაიცემა ხმაურიანი არხებით, იქნება ეს ქსელების მეშვეობით (მაგ. ინტერნეტი) თუ ინახება ხმაურიან საცავ მედიაზე (მაგ., მყარ დისკებზე).
5. დამუშავების ხმაური: ხდება გამოსახულების დამუშავების ოპერაციების დროს, როგორიცაა ფილტრაცია, შეკუმშვა და ა.შ.

ხმაურის მოდელები გამოსახულების დამუშავებაში

ხმაურის მოდელები გამოსახულების დამუშავებაში ემსახურება სხვადასხვა სახის ხმაურის მათემატიკურ წარმოდგენას, რომელსაც შეუძლია გავლენა მოახდინოს სურათებზე. ეს მოდელები ხელს უწყობს სხვადასხვა სახის ხმაურის წარმოშობის გაგებას სიმულაციების საშუალებით, რაც თავის მხრივ ხელს უწყობს მის შემცირების სტრატეგიების შემუშავებას.

ზოგიერთი საერთო ხმაურის მოდელი მოიცავს:

1. გაუსის ხმაური: ხმაურის მოდელის ერთ-ერთი ყველაზე გავრცელებული ტიპი, "გაუსის ხმაური" ხასიათდება ზარის ფორმის ალბათობის განაწილებით. ის ახდენს სურათებში ნაპოვნი შემთხვევითი ვარიაციების სიმულაციას. ის შეიძლება მომდინარეობდეს ისეთი წყაროებიდან, როგორიცაა სენსორი და კვანტური ხმაური და მსგავსია სტატიკურის, რომელსაც ხშირად ხედავთ ტელევიზორში ან რადიო სიგნალზე.
2. Erlang ხმაური: ასევე ცნობილი როგორც გამა ხმაური, ეს არის კიდევ ერთი გამრავლებული ხმაურის მოდელი, რომელიც ხასიათდება გამა განაწილებით. ის ჩვეულებრივ გვხვდება ხმაურიანი სენსორებით გადაღებულ სურათებში ან ხმაურიანი არხებით გადაცემული.
3. ერთიანი ხმაური: ეს არის დანამატი ხმაურის მოდელი ერთიანი განაწილებით, რომელიც ხშირად შეინიშნება კვანტიზებულ სურათებში ან გადაცემის შეცდომებით დაზიანებულ სურათებში.

ხმაურის გაზომვა

გამოსახულების ანალიზში ხმაურის შეფასება და შეფასება ფუნდამენტური ამოცანაა. იგი მოიცავს სურათზე ხმაურის დონის რაოდენობრივ განსაზღვრას. ეს პროცესი ეყრდნობა ხმაურის გაზომვის ორ ძირითად ტექნიკას:

1. პიკური სიგნალის და ხმაურის თანაფარდობა (PSNR): PSNR ემსახურება როგორც ეტალონს გამოსახულების რეკონსტრუქციის ხარისხის შესაფასებლად. იგი ადარებს ორიგინალური გამოსახულების პიქსელების მნიშვნელობებს რეპროდუცირებულ გამოსახულების მნიშვნელობებს, რაც უზრუნველყოფს რიცხობრივ საზომს, თუ რამდენად ერთგულად არის რეპროდუცირებული გამოსახულება.
2. საშუალო კვადრატული შეცდომა (MSE): MSE, პირიქით, აფასებს განსხვავებებს ორი სურათის პიქსელის მნიშვნელობებს შორის. ეს მეთოდი ითვლის ორ სურათში შესაბამის პიქსელებს შორის კვადრატული განსხვავებების საშუალოდ. ეს რაოდენობრივი მიდგომა გვეხმარება გავიგოთ გამოსახულების ხმაურის ზომა და მისი გავლენა ხარისხზე.

ხმაურის შემცირების საერთო ტექნიკა

ხმაური ხდის სურათებს მარცვლოვანს და უფერულდება, აბნელებს წვრილ დეტალებს. ამ ეფექტის გასანეიტრალებლად, ხმაურის შემცირების ტექნიკა ხელს უწყობს გამოსახულების ხარისხის გაუმჯობესებას უკეთესი შედეგებისთვის ბევრ სფეროში, როგორიცაა ფოტოგრაფია, უსაფრთხოება, ვიდეო კონფერენცია, მეთვალყურეობა და ა.შ. მაგალითად, ხმაურის შემცირება გადამწყვეტია ზუსტი დიაგნოზისა და მკურნალობის დაგეგმვისთვის სამედიცინო გამოსახულებებში.

ხმაურის შემცირების ტექნიკა საუკეთესოდ მუშაობს ისეთ პირობებში, როგორიცაა დაბალი განათება, მაღალი ISO პარამეტრები, ჩამკეტის სწრაფი სიჩქარე ან თანდაყოლილი ხმაურიან კამერებთან ურთიერთობისას.

ხმაურის შემცირების რამდენიმე საერთო ტექნიკა მოიცავს:

• მედიანური ფილტრაცია: იმპულსური ხმაურის აღმოსაფხვრელად, მედიანური ფილტრაცია ცვლის პიქსელის მნიშვნელობას მისი მიმდებარე პიქსელების მედიანური მნიშვნელობებით.
• გაუსის ფილტრაცია: ეს ტექნიკა ცვლის გამოსახულებაში თითოეულ პიქსელს პიქსელების საშუალო შეწონილებით ამ პიქსელის ირგვლივ არსებული პიქსელების სამეზობლოში.
• ორმხრივი ფილტრაცია: ეს ტექნიკა აერთიანებს მედიანურ და გაუსის ფილტრაციას, რათა შეამციროს ხმაური ხელუხლებელი კიდეებით.
• Wavelet ფილტრაცია: ეს ტექნიკა იყენებს ფურიეს გარდაქმნა მოდელი გამოსახულების გასავლელად wavelet კოეფიციენტები ხმაურის შესამცირებლად.

ხმაურის შემცირების აპლიკაციები

ხმაურის შემცირებას აქვს სხვადასხვა აპლიკაციები ინდუსტრიებში, როგორიცაა გამოსახულების აღდგენა მდე გამოსახულების გაზრდა, მაგრამ ყველაზე მნიშვნელოვანი არის:

• სამედიცინო გამოსახულება: ხმაურის შემცირების ტექნიკა აუმჯობესებს დაავადების დიაგნოზს MRI და CT სკანირებით, რაც აუმჯობესებს პაციენტის შედეგებს.
• სატელიტური გამოსახულება: ხმაურის შემცირება ხელს უწყობს ობიექტების უკეთეს იდენტიფიკაციას სატელიტურ სურათებში.
• კატასტროფების მართვა: ხმაურის შემცირება აუმჯობესებს დისტანციური ზონდირების გამოსახულებებს გარემოს მონიტორინგისა და რუკებისთვის.
• სამართალდამცავი ორგანოები: ეს აძლიერებს სიცხადეს სათვალთვალო კადრები და სასამართლო გამოსახულებები ეჭვმიტანილის და ობიექტის იდენტიფიკაციისთვის.
• კოსმოსური კვლევა: ხმაურის შემცირება ასუფთავებს ასტრონომიულ სურათებს, რაც საშუალებას იძლევა აღმოაჩინოს მკრთალი ციური ობიექტები და დეტალები ღრმა სივრცეში დაკვირვებებში.

დაკავშირებული შინაარსის წასაკითხად ეწვიეთ Unite AI.