Pessoal
O ruído sal e pimenta (distúrbios de luz dispersa e escuridão) ocorre quando os pixels de uma imagem têm cor ou intensidade muito diferentes dos pixels circundantes; a característica definidora é que o valor de um pixel ruidoso não tem relação com a cor dos pixels circundantes. Geralmente, esse tipo de ruído afetará apenas um pequeno número de pixels na imagem. Quando visualizada, a imagem contém pontos escuros e brancos, daí o nome desse fenômeno. As fontes típicas incluem partículas de poeira dentro da câmera e elementos de captação de fotos CCD superaquecidos ou defeituosos.
O ruído gaussiano ocorre quando o valor de cada pixel na imagem se desvia de seu valor original em uma quantidade (geralmente) pequena. Um histograma, um gráfico da quantidade de distorção de um valor de pixel em relação à frequência com que ocorre, mostra uma distribuição normal de ruído. Embora outras distribuições sejam possíveis, a distribuição Gaussiana (normal) costuma ser um bom modelo, devido ao teorema do limite central que diz que a soma dos diferentes ruídos tende a se aproximar de uma distribuição Gaussiana.
Em qualquer caso, o ruído em diferentes pixels pode ser correlacionado ou não; Em muitos casos, os valores de ruído em diferentes pixels são modelados como variáveis aleatórias independentes e distribuídas de forma idêntica e, portanto, não correlacionados.
Eliminação
Existem vários algoritmos de redução de ruído no processamento de imagens.[34] Ao selecionar um algoritmo de redução de ruído, vários fatores devem ser considerados:
• - A potência e o tempo disponível do computador: uma câmera digital deve aplicar redução de ruído em uma fração de segundo usando uma pequena CPU integrada, enquanto um computador desktop tem muito mais potência e tempo para realizar os cálculos necessários.
• - Se sacrificar alguns detalhes reais é aceitável quando permite eliminar mais ruído (decidindo se variações na imagem são ruído ou não).
• - As características de ruído e detalhe da imagem, para melhor tomar essas decisões.
Em fotografias do mundo real, o detalhe de frequência espacial mais alta consiste principalmente em variações de brilho ("detalhe de luminância") em vez de variações de matiz ("detalhe de croma"). Como qualquer algoritmo de redução de ruído deve tentar remover o ruído sem sacrificar os detalhes reais da cena fotografada, você corre o risco de maior perda de detalhes com a redução do ruído de luminância do que com a redução do ruído cromático, simplesmente porque a maioria das cenas tem poucos detalhes cromáticos de alta frequência. Além disso, a maioria das pessoas considera o ruído cromático nas imagens mais questionável do que o ruído de luminância; Os pontos coloridos são considerados de "aparência digital" e não naturais, em comparação com a aparência granulada do ruído de luminância que alguns comparam à granulação do filme. Por estas duas razões, a maioria dos algoritmos de redução de ruído fotográfico dividem os detalhes da imagem em componentes de croma e luminância; e aplique mais redução de ruído ao primeiro.
A maioria dos programas de computador dedicados à redução de ruído permitem ao usuário controlar a redução de ruído de crominância e luminância separadamente.
Um método para remover ruído é convoluir a imagem original com uma máscara que representa um filtro passa-baixa ou operação de suavização. Por exemplo, a máscara gaussiana compreende elementos determinados por uma função gaussiana. Essa convolução coloca o valor de cada pixel em maior harmonia com os valores de seus vizinhos. Em geral, um filtro de suavização define cada pixel para o valor médio, ou uma média ponderada, dele mesmo e de seus vizinhos próximos; o filtro gaussiano é apenas um conjunto possível de pesos.
Filtros de suavização tendem a desfocar uma imagem porque valores de intensidade de pixel significativamente maiores ou menores do que a vizinhança circundante “manchariam” a área. Devido a esse desfoque, os filtros lineares raramente são usados na prática para reduzir o ruído. No entanto, eles são frequentemente usados como base para filtros de redução de ruído não lineares.
Outro método para remover o ruído é submeter a imagem a uma suavização baseada em uma equação diferencial parcial semelhante à equação do calor, que é chamada de difusão anisotrópica. Com um coeficiente de difusão espacialmente constante, isso equivale à filtragem usando a equação do calor (ou gaussiana linear), mas com um coeficiente de difusão projetado para detectar bordas, o ruído pode ser removido sem desfocar as bordas da imagem.
Outra abordagem para remoção de ruído é baseada na média não local de todos os pixels em uma imagem. Em particular, a quantidade de ponderação de um pixel é baseada no grau de semelhança entre um pequeno patch centrado naquele pixel e o pequeno patch centrado no pixel quando o ruído é removido.
Um filtro mediano é um exemplo de filtro não linear e, se projetado corretamente, é muito bom para preservar detalhes da imagem. Para executar um filtro de mediana:
-
- Cada pixel da imagem é considerado.
-
- Os pixels vizinhos são ordenados com base em suas intensidades.
-
- O valor original do pixel é substituído pelo valor mediano "Mediana (estatística)") da lista.
Este é um filtro de seleção de faixa (RS), um membro particularmente severo da família de filtros de seleção de faixa condicionada (RCRS);
Median RCRS e outros filtros são bons na remoção de ruído sal e pimenta de uma imagem e também desfocam relativamente pouco as bordas e, portanto, são frequentemente usados em aplicações de visão computacional.
O principal objetivo de um algoritmo de eliminação de ruído de imagem é obter redução de ruído e preservação de recursos. Neste contexto, os métodos baseados em wavelets são de particular interesse. No domínio wavelet, o ruído é distribuído uniformemente entre os coeficientes, enquanto a maior parte da informação da imagem está concentrada em algumas wavelets grandes.[36] Portanto, os primeiros métodos de eliminação de ruído baseados em wavelets dependiam de limiares de coeficientes de sub-bandas de detalhes.[37] No entanto, a maioria dos métodos de limiarização wavelet apresentam a desvantagem de que o limiar escolhido pode não corresponder. com a distribuição específica de componentes de sinal e ruído em diferentes escalas e orientações.
Para resolver essas desvantagens, foram desenvolvidos estimadores não lineares baseados na teoria Bayesiana. Na estrutura bayesiana, foi reconhecido que um algoritmo de eliminação de ruído bem-sucedido pode alcançar tanto a redução de ruído quanto a preservação de características se empregar uma descrição estatística precisa dos componentes de sinal e ruído [36].
Também existem métodos estatísticos para remoção de ruído de imagens, embora sejam raramente usados, pois são computacionalmente exigentes. Para ruído gaussiano, os pixels em uma imagem em tons de cinza podem ser modelados como automaticamente distribuídos normalmente, de modo que o valor "verdadeiro" da escala de cinza de cada pixel seja normalmente distribuído com uma média igual ao valor médio da escala de cinza de seus pixels vizinhos e de acordo com uma determinada variância.
Deixe os pixels serem adjacentes ao pixel. Então a distribuição condicional") da intensidade da escala de cinza (em uma escala) no nó th é:
para um parâmetro e variância escolhidos. Um método de remoção de ruído usando o modelo normal automático usa os dados da imagem com uma análise Bayesiana anterior e a densidade normal automática como uma função de verossimilhança, e a distribuição posterior resultante fornece uma média ou modo como uma imagem sem ruído.[38][39].
Um algoritmo de correspondência de blocos pode ser aplicado para agrupar fragmentos de imagem semelhantes em macroblocos sobrepostos de tamanho idêntico, as pilhas de macroblocos semelhantes são filtradas juntas no domínio de transformação e cada fragmento de imagem é finalmente restaurado à sua localização original usando uma média ponderada dos pixels sobrepostos.[40].
Campos de redução&action=edit&redlink=1 "Campos de redução (restauração de imagem) (ainda não escritos)") são uma técnica de campo aleatório baseada em aprendizado de máquina que oferece desempenho comparável ao método de filtragem 3D e de correspondência de blocos"), mas requer muito menos sobrecarga computacional (portanto, pode ser executada diretamente em um sistema embarcado).[41].
Várias abordagens de aprendizagem profunda foram propostas para resolver tarefas de redução de ruído e restauração de imagens. Deep Image Prior") é uma dessas técnicas, que utiliza redes neurais convolucionais e se diferencia por não necessitar de dados de treinamento prévio.[42].