노이즈는 이미지의 시각적 품질을 저하시킬 수 있으며, 특정 처리 작업(임계값 적용, 하이 패스 필터링)은 노이즈를 허용 불가능한 수준으로 강조합니다. 캡처된 이미지에는 항상 노이즈가 있습니다(픽셀 값이 실제 강도 주변으로 변동되는 라이브 이미지에서 가장 잘 관찰할 수 있음). 8비트의 정밀도로 캡처할 때, 노이즈 레벨은 일반적으로 약 3 ~ 5 회색조 값에 달합니다. 노이즈는 다음과 같은 몇 가지 형태로 구분할 수 있습니다.
- 부가적: 노이즈 진폭이 이미지 내용과 비례하지 않음
- 곱셈적: 노이즈 진폭이 국소적 강도에 비례함
- 균일: 노이즈 진폭이 0을 중심으로 한 고른 분포를 따름
- 임펄스: 노이즈 진폭이 무한대임
임펄스 노이즈는 "점잡음(salt and pepper)" 효과를 일으키며, 균일한 노이즈는 잘 섞입니다.
공간 노이즈 감소(이미지가 1개뿐일 경우):
균일 및 임펄스 노이즈를 줄여주지만 에지가 흐려집니다.
노이즈와 실제 신호 변화를 구분할 수 없으므로, 항상 신호의 일부를 망칩니다.
인접 픽셀 값 사이의 상관관계를 사용하여 컨볼루션 또는 중앙값 필터링을 수행합니다.
- 컨볼루션은 각 픽셀의 값을 이웃의 조합으로 대체함으로써 국소적 평균화를 달성합니다. 균일 노이즈를 줄이려면 선형 필터링이 권장됩니다. 이를 적용하면 에지가 흐려지는 경향이 있음에 유의하십시오.
로우 패스 필터링을 통한 균일 노이즈 감소
- 중앙값 필터링은 각 픽셀을 픽셀 이웃(3x3 이웃에서 5번째로 큰 값)의 중앙값으로 대체합니다. 이는 임펄스 노이즈를 줄여주며 선명도는 유지합니다.
시간 노이즈 감소(여러 이미지, 예를 들어 이동하는 물체에 적합)
시간 노이즈 감소는 시간에 걸쳐 개별 픽셀의 연속적인 값을 결합함으로써 달성됩니다. EasyImage는 재귀 평균법과 이동 평균법을 구현합니다.
EasyImage는 몇 개의 이미지를 사용하여 노이즈를 최소화하는 방법을 세 가지 제공합니다.
- 시간 평균: 아래 그림에 나온 것처럼 표준 산술 연산을 사용하여 단순히 N개의 이미지를 축적하고 그 평균을 냅니다. N회의 캡처 이후 평균값을 사용하여 노이즈가 제거된 이미지를 생성합니다. 노이즈는 프레임마다 변화하지만 신호는 변화 없이 유지되므로, 같은(정지) 장면의 이미지 여러 개가 있다면 노이즈를 신호에서 분리할 수 있습니다.
N회의 캡처 후에 하나의 노이즈 제거 이미지를 생성하는 데 따른 유일한 단점은 빠른 디스플레이 갱신이 불가능하다는 것입니다.
단순 평균
- 시간 이동 평균: 최근 N개 이미지를 축적하고 새로운 이미지가 캡처될 때마다 연산 시간이 N에 의존하지 않는 방식으로 노이즈 제거 이미지를 업데이트합니다. 전체 프로세스는 EMovingAverage에 의해 처리됩니다. 이 방식의 단점은 노이즈가 있는 이미지가 서로 합쳐진다는 것입니다.
이동 평균
- 시간 재귀 평균: EasyImage::.RecursiveAverage를 사용하여 노이즈가 있는 이미지와 이전에 노이즈가 제거된 이미지를 결합합니다.
재귀 평균
재귀 평균법
이는 시간적 통합에 의한 노이즈 감소의 잘 알려진 프로세스입니다. 원리는 선형 결합을 사용하여 노이즈가 없는 이미지를 노이즈가 있는 원시 라이브 이미지 스트림과 혼합함으로써 지속적으로 업데이트하는 것입니다. 알고리즘으로 보면 다음과 같이 표현됩니다.
DSTN=a*Src+(1-a)*DstN-1
여기서 a는 혼합 계수입니다. 이 계수의 값은 지정된 노이즈 감소 비율이 달성되도록 조정할 수 있습니다.
이 절차는 정지 이미지에 적용할 때는 효과적이지만, 이동 이미지에서는 궤적 효과를 일으킵니다. 노이즈 감소 비율이 클수록 궤적 효과도 심해집니다. 이를 해결하려면 혼합 프로세스에 비선형을 도입할 수 있습니다. 연속적인 이미지 사이의 작은 회색조 값 변동은 일반적으로 노이즈이지만, 큰 변동은 이미지 변경에 해당합니다.
EasyImage::.RecursiveAverage는 이러한 관찰을 사용하고 작은 변동에 대해 더 강력한 노이즈 제거, 그리고 그 반대를 적용합니다. 이를 통해 정지 영역에서 노이즈를, 이동 영역에서 궤적을 제거합니다.
최적의 성능을 달성하려면, EasyImage::.SetRecursiveAverageLUT 함수를 사용하여 비선형을 한 번 사전 계산해야 합니다.
참고: EasyImage::.RecursiveAverage 메서드를 최초로 호출하기 전에, 16비트 작업 이미지를 지워야 합니다(모든 픽셀 값을 0으로 설정).
노이즈 예측(레퍼런스 이미지와 비교한 이미지의):
노이즈의 양을 예측하려면 둘 이상의 연속적인 이미지가 필요합니다. 가장 단순한 모드에서는 노이즈가 있는 이미지 두 개가 비교됩니다. (다른 모드도 사용 가능함: 노이즈가 없는 이미지가 있다면, 노이즈가 있는 이미지와 비교되며, 노이즈 없는 이미지는 시간 평균을 통해서도 만들 수 있음). 제곱평균제곱근 진폭 및 신호 대 잡음비를 계산합니다.
- EasyImage::.RmsNoise는 지정된 이미지를 레퍼런스 이미지와 비교함으로써 노이즈의 제곱평균제곱근 진폭을 계산합니다. 이 함수는 플렉시블 마스크와 입력 마스크 인수를 지원합니다. 또한 BW8, BW16, C24 소스 이미지를 지원합니다.
레퍼런스 이미지는 노이즈가 없거나(노이즈 소스를 억제하여 확보), 지정된 이미지와 동일한 분포의 노이즈에 영향을 받는 것일 수 있습니다. - EasyImage::.SignalNoiseRatio는 지정된 이미지를 레퍼런스 이미지와 비교하여 dB단위의 신호대 잡음비를 계산합니다. 이 함수는 플렉시블 마스크와 입력 마스크 인수를 지원합니다. 또한 BW8, BW16, C24 소스 이미지를 지원합니다.
레퍼런스 이미지는 노이즈가 없거나(노이즈 소스를 억제하여 확보), 지정된 이미지와 동일한 분포의 노이즈에 영향을 받는 것일 수 있습니다.
신호 진폭은 제곱 픽셀 회색조 값의 합계입니다.
노이즈 진폭은 지정된 이미지와 레퍼런스 이미지의 픽셀 회색조 값 사이의 제곱 차의 합계입니다.