Tipos
El ruido sal y pimienta (perturbaciones de luz y oscuridad dispersas), se produce cuando los píxeles de una imagen son muy diferentes en color o intensidad de los píxeles circundantes; la característica definitoria es que el valor de un píxel ruidoso no guarda relación con el color de los píxeles circundantes. Generalmente, este tipo de ruido solo afectará a una pequeña cantidad de píxeles de la imagen. Cuando se ve, la imagen contiene puntos oscuros y blancos, de ahí la denominación de este fenómeno. Las fuentes típicas incluyen motas de polvo dentro de la cámara y elementos fotocaptores CCD sobrecalentados o defectuosos.
El ruido gaussiano consiste en que el valor de cada píxel de la imagen se desvía de su valor original en una cantidad (generalmente) pequeña. Un histograma, una gráfica de la cantidad de distorsión de un valor de píxel contra la frecuencia con la que ocurre, muestra un distribución normal de ruido. Si bien son posibles otras distribuciones, la distribución gaussiana (normal) suele ser un buen modelo, debido al teorema del límite central que dice que la suma de diferentes ruidos tiende a acercarse a una distribución gaussiana.
En cualquier caso, el ruido en diferentes píxeles puede estar correlacionado o no correlacionado; en muchos casos, los valores de ruido en diferentes píxeles se modelan como variables aleatorias independientes e idénticamente distribuidas y, por lo tanto, no están correlacionados.
Eliminación
Existen numerosos algoritmos de reducción de ruido en el procesamiento de imágenes.[34] Al seleccionar un algoritmo de reducción de ruido, se deben sopesar varios factores:.
En las fotografías del mundo real, el detalle de frecuencia espacial más alto consiste principalmente en variaciones de brillo ("detalle de luminancia") en lugar de variaciones en el tono ("detalle de croma"). Dado que cualquier algoritmo de reducción de ruido debe intentar eliminar el ruido sin sacrificar los detalles reales de la escena fotografiada, se corre el riesgo de una mayor pérdida de detalles de la reducción de ruido de luminancia que con la reducción de ruido de croma simplemente porque la mayoría de las escenas tienen pocos detalles de croma de alta frecuencia. Además, la mayoría de la gente encuentra el ruido cromático en las imágenes más objetable que el ruido de luminancia; las manchas de colores se consideran "de aspecto digital" y no naturales, en comparación con la apariencia granulada del ruido de luminancia que algunos comparan con el grano de la película. Por estas dos razones, la mayoría de los algoritmos de reducción de ruido fotográfico dividen el detalle de la imagen en componentes de croma y de luminancia; y aplican más reducción de ruido al primero.
La mayoría de los programas informáticos dedicados a la reducción de ruido permiten al usuario controlar la reducción de ruido de crominancia y luminancia por separado.
Un método para eliminar el ruido es mediante convolución de la imagen original con una máscara que representa un filtro paso bajo o una operación de suavizado. Por ejemplo, la máscara gaussiana comprende elementos determinados por una función gaussiana. Esta convolución sitúa el valor de cada píxel en mayor armonía respecto a los valores de sus vecinos. En general, un filtro de suavizado establece cada píxel en el valor promedio, o un promedio ponderado, de sí mismo y de sus vecinos cercanos; el filtro gaussiano es solo un posible conjunto de pesos.
Los filtros de suavizado tienden a difuminar una imagen, porque los valores de intensidad de los píxeles que son significativamente más altos o más bajos que el vecindario circundante "mancharían" el área. Debido a este desenfoque, los filtros lineales rara vez se utilizan en la práctica para reducir el ruido. Sin embargo, a menudo se utilizan como base para filtros de reducción de ruido no lineales.
Otro método para eliminar el ruido es someter la imagen a un suavizado basado en una ecuación en derivadas parciales similar a la ecuación del calor, que se llama difusión anisotrópica. Con un coeficiente de difusión espacialmente constante, esto equivale al filtrado mediante la ecuación del calor (o lineal gaussiano), pero con un coeficiente de difusión diseñado para detectar bordes, el ruido se puede eliminar sin difuminar los bordes de la imagen.
Otro enfoque para eliminar el ruido se basa en el promedio no local") de todos los píxeles en una imagen. En particular, la cantidad de ponderación de un píxel se basa en el grado de similitud entre un pequeño parche centrado en ese píxel y el pequeño parche centrado en el píxel cuando se elimina el ruido.
Un filtro de mediana") es un ejemplo de filtro no lineal, y si se diseña correctamente, es muy bueno para preservar los detalles de la imagen. Para ejecutar un filtro de mediana:.
Se trata de un filtro de selección de rango (RS), un miembro particularmente severo de la familia de filtros de selección de rango condicionado por rango (RCRS);[35] un miembro mucho más suave de esa familia, por ejemplo, es aquel que selecciona el más cercano de los valores vecinos cuando el valor de un píxel es externo en su entorno y no lo modifica en caso contrario, a veces se prefieren, especialmente en aplicaciones fotográficas.
Los filtros RCRS de mediana y otros son buenos para eliminar el ruido de sal y pimienta de una imagen y también difuminan relativamente poco los bordes, y por lo tanto, se utilizan a menudo en aplicaciones de visión por computadora.
El objetivo principal de un algoritmo de eliminación de ruido de imágenes es lograr tanto la reducción del ruido como la preservación de las características. En este contexto, los métodos basados en ondículas son de particular interés. En el dominio de las ondículas, el ruido se distribuye uniformemente a través de coeficientes, mientras que la mayor parte de la información de la imagen se concentra en unos pocas grandes ondas.[36] Por lo tanto, los primeros métodos de eliminación de ruido basados en ondículas se valían de los umbrales de los coeficientes de subbandas de detalle.[37] Sin embargo, la mayoría de los métodos de umbralización de ondículas adolecen del inconveniente de que el umbral elegido puede no coincidir con la distribución específica de los componentes de señal y ruido a diferentes escalas y orientaciones.
Para abordar estas desventajas, se han desarrollado estimadores no lineales basados en la teoría bayesiana. En el marco bayesiano, se ha reconocido que un algoritmo de eliminación de ruido exitoso puede lograr tanto la reducción de ruido como la preservación de características si emplea una descripción estadística precisa de los componentes de la señal y del ruido.[36].
También existen métodos estadísticos para eliminar el ruido de imágenes, aunque se utilizan con poca frecuencia, ya que son computacionalmente exigentes. Para el ruido gaussiano, se pueden modelar los píxeles en una imagen en escala de grises como distribuidos normalmente automáticamente, de forma que el valor "verdadero" de la escala de grises de cada píxel se distribuye normalmente con una media igual al valor promedio de la escala de grises de sus píxeles vecinos y según una variación dada.
Sean los píxeles adyacentes al píxel th. Entonces la distribución condicional") de la intensidad de la escala de grises (en una escala ) en el nodo th es:.
para un parámetro elegido y varianza . Un método de eliminación de ruido que utiliza el modelo normal automático emplea los datos de la imagen con un análisis bayesiano previo y la densidad normal automática como una función de verosimilitud, y la distribución posterior resultante ofrece una media o un modo como una imagen eliminada de ruido.[38][39].
Se puede aplicar un algoritmo de coincidencia de bloques") para agrupar fragmentos de imágenes similares en macrobloques superpuestos de tamaño idéntico, las pilas de macrobloques similares se filtran juntas en el dominio de transformación y cada fragmento de imagen finalmente se restaura a su ubicación original utilizando un promedio ponderado de los píxeles superpuestos.[40].
Los campos de contracción&action=edit&redlink=1 "Campos de contracción (restauración de imágenes) (aún no redactado)") son una técnica de campo aleatorio") basada en el aprendizaje automático que ofrece un rendimiento comparable al del método de filtrado por coincidencia de bloques y 3D"), pero requiere una sobrecarga computacional mucho menor (de modo que podría realizarse directamente dentro de un sistema embebido).[41].
Se han propuesto varios enfoques de aprendizaje profundo para resolver la reducción de ruido y las tareas de restauración de imagen. Deep Image Prior") es una de esas técnicas, que utiliza redes neuronales convolucionales y se distingue porque no requiere datos de entrenamiento previo.[42].