Что такое шум в обработке изображений? – Введение

Если вы когда-либо видели картинку, где вы заметили частицы пыли, которые не являются частью实际ного изображения, вы, вероятно, видите «шум» в изображении. Существует много технических причин, почему это происходит. Это часто затеняет фактическое изображение и является основной причиной ухудшения качества изображения при передаче цифровых изображений.

Это где обработка изображений предлагает прочное решение. Она предоставляет широкий спектр методов снижения шума, таких как пространственная фильтрация, частотная фильтрация, фильтрация на основе преобразований, фильтрация на основе глубокого обучения и т. д.

В этой статье мы рассмотрим некоторые ключевые методы, которые можно использовать для снижения шума в изображениях, а также исследуем основные типы и причины шума изображения. Давайте начнем!

Типы шума в обработке изображений

Симуляция вариаций шума – Mdf, CC BY-SA 3.0, via Wikimedia Commons

Факторы, варьирующиеся от условий окружающей среды до датчика камеры, могут ввести шум в изображение. Четыре основных типа шума, которые вы обычно видите в изображениях, включают:

• Аддитивный шум: Вызван случайными вариациями яркости или цветовой информации по всему изображению. Это наиболее распространенный тип шума, видимый в изображениях.
• Вычитающий шум: Вызван случайным вычитанием значений пикселей из исходного изображения, что приводит к плохому качеству изображения, часто видимому как темные пятна или области в изображении. Вычитающий шум обычно возникает в условиях низкой освещенности.
• Умножающий шум: Вызван, когда значение шума умножается на исходное значение пикселя, часто в результате чего получается плохое качество изображения вокруг более ярких частей изображения. Это наиболее трудный тип шума для удаления из-за значительных вариаций значений пикселей.
• Импульсный шум: Вызван внезапными изменениями значения пикселя, видимыми как случайные черные и белые пиксели, видимые как резкие нарушения в изображении. Он также известен как «соль и перец шум». Он возникает из-за дефектов камеры, ошибок передачи или космических лучей.

Причины шума в обработке изображений

Шум изображения может возникнуть из различных источников, включая:

1. Условия окружающей среды: Внешние факторы, такие как плохая освещенность или близлежащие электронные помехи, обычно вызывают шум в изображениях. Они могут добавлять случайные вариации в изображениях.
2. Шум датчика: Любые проблемы с датчиком, используемым в камерах и сканерах, могут добавить шум в изображения. Например, в условиях плохой освещенности, если вы не используете датчик высокого качества, он может усилить шум вместе со светом.
3. Квантовый шум: Возникает, когда аналоговые сигналы преобразуются в цифровую форму, особенно в изображениях с высоким контрастом. Например, когда вы сканируете фотографию, вы часто видите шум, появляющийся в полученном изображении. Это квантовый шум, возникающий из-за оцифровки изображения.
4. Шум передачи: Возникает, когда изображения передаются по шумным каналам, будь то через сети (например, интернет) или хранятся на шумных носителях (например, жестких дисках).
5. Шум обработки: Возникает во время операций обработки изображений, таких как фильтрация, сжатие и т. д.

Модели шума в обработке изображений

Модели шума в обработке изображений служат математическими представлениями различных видов шума, которые могут повлиять на изображения. Эти модели помогают понять возникновение различных видов шума посредством симуляций, что, в свою очередь, помогает разработать стратегии для его снижения.

Некоторые общие модели шума включают:

1. Гауссовский шум: Один из наиболее распространенных типов моделей шума, «гауссовский шум» характеризуется колоколообразным распределением вероятностей. Он имитирует случайные вариации, найденные в изображениях. Он может возникнуть из источников, таких как шум датчика и квантовый шум, и похож на статическое, которое вы часто видите на телевидении или радиосигнале.
2. Эрланговский шум: Также известен как гамма-шум, это еще одна модель умножающего шума, характеризующаяся гамма-распределением. Он обычно встречается в изображениях, снятых с помощью шумных датчиков или переданных через шумные каналы.
3. Равномерный шум: Это модель аддитивного шума с равномерным распределением, часто наблюдаемым в квантованных изображениях или тех, которые повреждены ошибками передачи.

Измерение шума

При анализе изображений оценка и оценка шума является фундаментальной задачей. Она включает в себя количественную оценку уровня шума в изображении. Этот процесс опирается на два основных метода измерения шума:

1. Пиковая отношение сигнала к шуму (PSNR): PSNR служит эталоном для оценки качества реконструкции изображения. Он сравнивает значения пикселей исходного изображения с значениями воспроизведенного изображения, предоставляя числовую меру того, насколько верно изображение воспроизведено.
2. Среднеквадратическая ошибка (MSE): MSE, в отличие от этого, оценивает различия между значениями пикселей двух изображений. Этот метод рассчитывает среднее значение квадратов разностей между соответствующими пикселями в двух изображениях. Этот количественный подход помогает нам понять степень шума в изображении и его влияние на качество.

Общие методы снижения шума

Шум делает изображения зернистыми и изменяет их цвет, затеняя мелкие детали. Чтобы нейтрализовать этот эффект, методы снижения шума помогают улучшить качество изображения для лучших результатов в многих областях, таких как фотография, безопасность, видеоконференции, наблюдение и т. д. Например, снижение шума имеет решающее значение для точной диагностики и планирования лечения в медицинской визуализации.

Методы снижения шума работают лучше всего в условиях, таких как низкая освещенность, высокие значения ISO, быстрые скорости затвора или при работе с камерами, которые изначально шумные.

Некоторые общие методы снижения шума включают:

• Медианная фильтрация: Чтобы устранить импульсный шум, медианная фильтрация заменяет значение пикселя медианными значениями соседних пикселей.
• Гауссовская фильтрация: Этот метод заменяет каждый пиксель в изображении взвешенным средним значением пикселей в окрестности пикселей вокруг этого пикселя.
• Билатеральная фильтрация: Этот метод объединяет медианную и гауссовскую фильтрацию для снижения шума с сохранением границ.
• Вейвлет-фильтрация: Этот метод использует модель преобразования Фурье для передачи коэффициентов вейвлет-изображения для снижения шума.

Применения снижения шума

Снижение шума имеет ряд применений в различных отраслях, таких как восстановление изображений и масштабирование изображений, но наиболее важными являются:

• Медицинская визуализация: Методы снижения шума улучшают диагностику заболеваний в МРТ и КТ, оптимизируя результаты для пациентов.
• Спутниковая съемка: Снижение шума помогает лучше определять объекты и особенности в спутниковых изображениях.
• Управление стихийными бедствиями: Снижение шума улучшает дистанционное зондирование изображений для мониторинга окружающей среды и картографирования.
• Правоохранительные органы: Оно улучшает четкость в видеонаблюдении и судебных изображениях для идентификации подозреваемых и объектов.
• Космические исследования: Снижение шума очищает астрономические изображения, позволяя обнаруживать слабые небесные объекты и мелкие детали в глубоких космических наблюдениях.

Чтобы прочитать связанный контент, посетите Unite AI.