Hva er støy i bildebehandling? – En innføring

Hvis du noens gang har sett et bilde der du legger merke til støvpartikler som ikke er en del av det faktiske bildet, ser du sannsynligvis ‘støy’ i bildet. Det finnes mange tekniske grunner til hvorfor dette skjer. Det skjer ofte å skjule det faktiske bildet og er den ledende årsaken til bildekvalitetsnedgradering i digital bildeoverføring.

Dette er der bildebehandling tilbyr en robust løsning. Den tilbyr et bredt utvalg av støyreduksjonsteknikker, som romlig filtrering, frekvensfiltrering, transformasjonsbasert filtrering, dyptlæringbasert filtrering osv.

I denne artikkelen skal vi utforske noen nøkkelteknikker som kan brukes til å redusere støy i bilder, sammen med å undersøke de ledende typene og årsakene til bildestøy. La oss dykke inn!

Støyttyper i bildebehandling

En simulering av støyvariasjoner – Mdf, CC BY-SA 3.0, via Wikimedia Commons

Faktorer som varierer fra miljøforhold til kameraets sensor, kan introdusere støy i bildet. De fire hovedtypene av støy som du vanligvis ser i bilder, inkluderer:

• Additiv støy: Forårsaket av tilfeldige variasjoner i lysstyrke eller fargeinformasjon over hele bildet. Dette er den vanligste typen støy som sees i bilder.
• Subtraktiv støy: Forårsaket av tilfeldig subtraksjon av pikselverdier fra det opprinnelige bildet, noe som fører til dårlig bildekvalitet, ofte sett som mørke flekker eller områder i bildet. Subtraktiv støy skjer vanligvis i lavlyssettinger.
• Multiplikativ støy: Forårsaket når støyverdien multipliseres med den opprinnelige pikselverdien, noe som ofte resulterer i dårlig bildekvalitet rundt de lyseste delene av bildet. Dette er den vanskeligste typen støy å fjerne på grunn av betydelige pikselverdi-variasjoner.
• Impulstøy: Forårsaket av plutselige endringer i pikselverdi som er synlige som tilfeldige svarte og hvite piksler som ses som skarpe forstyrrelser i bildet. Det kalles også ‘salt og pepper-støy’. Det resulterer fra kamerafeil, overføringsfeil eller kosmiske stråler.

Årsaker til støy i bildebehandling

Bildestøy kan resultere fra forskjellige kilder, inkludert:

1. Miljøforhold: Eksterne faktorer som dårlig lys eller nærliggende elektronisk forstyrrelse vanligvis forårsaker støy i bilder. De kan legge til tilfeldige variasjoner i bilder.
2. Sensorstøy: Eventuelle problemer med sensoren som brukes i kameraer og skannere, kan legge til støy i bilder. For eksempel, i dårlige lysforhold, hvis du ikke bruker en god kvalitetssensor, kan det forsterke støyen sammen med lyset.
3. Kvantiseringsstøy: Skjer når analoge signaler konverteres til digital form, spesielt i høykontrastbilder. For eksempel, når du skanner et fotografi, vil du ofte se støy som dukker opp i det resulterende bildet. Dette er kvantiseringstøy som oppstår fra bilde-digitisering.
4. Overføringsstøy: Skjer når bilder overføres over støyende kanaler, enten gjennom nettverk (f.eks. internettet) eller lagret på støyende lagringsmedier (som harddiske).
5. Prosesseringsstøy: Skjer under bildebehandlingsoperasjoner, som filtrering, komprimering osv.

Støymodeller i bildebehandling

Støymodeller i bildebehandling tjener som matematiske representasjoner av de forskjellige typene støy som kan påvirke bilder. Disse modellene hjelper med å forstå opphavet til forskjellige typer støy gjennom simuleringer, som igjen hjelper med å utvikle strategier for å redusere det.

Noen vanlige støymodeller inkluderer:

1. Gausisk støy: En av de vanligste typene støymodeller, ‘Gausisk støy’ er karakterisert av en klokkeformet sannsynlighetsfordeling. Den simulerer tilfeldige variasjoner funnet i bilder. Den kan stamme fra kilder som sensor- og kvantiseringstøy og er lignende til den statiske du ofte ser på TV eller en radiосignal.
2. Erlang-støy: Også kjent som gamma-støy, er dette en annen multiplikativ støymodell karakterisert av en gamma-fordeling. Den er vanligvis funnet i bilder tatt med støyende sensorer eller overført gjennom støyende kanaler.
3. Uniform støy: Dette er en additiv støymodell med en uniform fordeling, ofte observert i kvantiserte bilder eller de som er forurenset av overføringsfeil.

Støymåling

I bildeanalyse er støyvurdering og evaluering en grunnleggende oppgave. Den innebærer å kvantifisere nivået av støy i et bilde. Denne prosessen avhenger av to primære støymålingsmetoder:

1. Peak Signal-to-Noise Ratio (PSNR): PSNR tjener som en benchmark for å evaluere kvaliteten på bilde-rekonstruksjon. Den sammenligner pikselverdiene i det opprinnelige bildet med de i det reproduserte bildet, og gir en numerisk måling av hvor trofast bildet er reprodusert.
2. Mean Squared Error (MSE): MSE, på den andre siden, vurderer forskjellene mellom pikselverdiene i to bilder. Denne metoden beregner gjennomsnittet av de kvadrerte forskjellene mellom tilsvarende piksler i de to bildene. Denne kvantitative tilnærmingen hjelper oss å forstå omfanget av støy i et bilde og dens innvirkning på kvalitet.

Vanlige støyreduksjonsteknikker

Støy gjør bilder kornete og misfargede, og skjuler fine detaljer. For å nøytralisere denne effekten, hjelper støyreduksjonsteknikker med å forbedre bildekvalitet for bedre resultater i mange domener som fotografering, sikkerhet, videokonferanser, overvåking osv. For eksempel er støyreduksjon kritisk for nøyaktig diagnose og behandlingsplanlegging i medisinske bilder.

Støyreduksjonsteknikkene fungerer best under forhold som lavt lys, høye ISO-innstillinger, raske lukkerhastigheter eller når du håndterer inneboende støyende kameraer.

Noen vanlige støyreduksjonsteknikker inkluderer:

• Medianfiltrering: For å eliminere impulstøy, erstatter medianfiltrering pikselverdien med medianverdiene av de nærliggende pikslene.
• Gausisk filtrering: Denne teknikken erstatter hver piksel i et bilde med en vektet gjennomsnitt av pikslene i en nabolag av piksler rundt den pikselen.
• Bilateral filtrering: Denne teknikken kombinerer median- og gausisk filtrering for å redusere støy med intakte kanter.
• Bølgefiltrering: Denne teknikken bruker Fourier Transform-modellen for å sende bilde bølgekoeffisienter for å redusere støy.

Støyreduksjonsapplikasjoner

Støyreduksjon har en rekke applikasjoner på tvers av industrier, som bilde- restaurering og bilde- forstørrelse, men de viktigste er:

• Medisinsk bildebehandling: Støyreduksjonsteknikker forbedrer sykdomsdiagnose i MRI- og CT-skanninger, og strømlinjeformer pasientresultater.
• Satellittbilder: Støyreduksjon hjelper med å identifisere objekter og trekk i satellittbilder.
• Ulykkeshåndtering: Støyreduksjon forbedrer fjernsensing-bilder for miljøovervåking og kartlegging.
• Lovverk: Det forbedrer tydeligheten i overvåkings-video og rettsmedisinske bilder for å identifisere mistenkte og objekter.
• Romforskning: Støyreduksjon renser astronomiske bilder, og muliggjør oppdagelsen av svake himmellegemer og fine detaljer i dypt rom-observasjoner.

For å lese relatert innhold, besøk Unite AI.