انواع نویز در پردازش تصویر چیست؟

معرفی نویزها در پردازش تصاویر

قبل از معرفی نویزها در پردازش تصویر، لازم است که دوستان با اصطلاحی به نام Geometric Enhancement آشنا شوند.

Geometric Enhancement :

معمولا در پروسه هایی استفاده می شوند که هدف ما بارزسازی های تصویر است. به عنوان مثال شما فرض کنید، تصویری همانند فیلم های قدیمی در اختیار داریم و می خواهیم در این تصویر که از فیلم های قدیمی استخراج شده، پدیده های متمایز را، متمایز تر کنیم.

در واقع به فرآیندهایی که در هنگام بارزسازی تصاویر از اطلاعات مجاورتی پیکسل ها استفاده می شود، Geometric Enhancement              می گویند.

کاربرد Geometric Enhancement :

• باعث می شوند که ما بتوانیم لبه ها را بارز و فاحش ببینیم، در واقع کیفیت بصری مرزها را می توانیم افزایش دهیم.
• حذف نویز، مستلزم استفاده از Geometric Enhancement می باشد.

معرفی نویزها در پردازش تصاویر :

نویز : پدیده ای است که در تصاویر اتفاق می افتد.

نویز به پدیده یا اتفاقی گفته می شود که یک سیگنال واقعی را (سیگنال مورد انتظار) تغییر می دهد و چیزی غیر از سیگنال مورد نظر ما ثبت می کند و در هر سنسوری وجود دارد. مثل اثرات لرزش تصویر، وجود برفک در تصویر و …

عمده نویزها دارای یک ماهیت اتفاقی می باشند، در واقع از قاعده خاصی تبعیت نمی کنند، ولی ماهیت برخی دیگر از نویزها قابل پیش بینی می باشد.

دسته بندی نویزها در پردازش تصویر :

قبل از اینکه به دسته بندی نویزها بپردازیم لازم است که به توضیحات ذیل توجه شود :

عمدتا ماهیت نویزها جمع شونده می باشد، به طوریکه نویز با جمع جبری به سیگنال اضافه می شود، البته خود نویز ممکن است مقادیر مثبت یا منفی داشته باشد، ولی به صورت جمع جبری به سیگنال اضافه می شود. این نوع نویزها، نویزهای عمومی هستند. ما با این نویزها آشنا هستیم، شما در سرشکنی هم در اصل نویزها را کاهش می دادید، فرض ما بر این بود که یک سیگنال، با یک نویز ترکیب شده است و هدف ما کاهش این نویزها بود.

پیشنهاد ما:

آموزش تفسیر عکس هوایی و ماهواره ای

دسته بندی نویزها :

نویز uniform) white) :

از جنس نویزهای جمع شونده بوده، اما نکته ای که وجود دارد این است که تابع توزیع نویز uniform می باشد.

برای توضیح واضح تر موضوع :

اگر ما بخواهیم احتمال رخ دادن نویز را در یک تابع توزیع احتمال ترسیم کنیم، به طوریکه یک محور نویز و یک محور احتمال نویز در نظر گرفته شود و کل دامنه تغییرات درجه خاکستری را بین (۱۲۸+ و ۱۲۸-) درنظر بگیریم، احتمال رخ دادن هریک از نویزها برابر است، به عبارت دیگر همان قدر که احتمال دارد نویزی با اندازه ۱۲۸- ظاهر شود، می تواند نویزی با اندازه صفر نیر تولید شود.

نویز Gaussian (گوسی) :

نویز گوسی در پردازش تصویر  دارای ماهیت جمع شونده بوده، اما تابع توزیع احتمال آن ها Gaussian می باشد.

نویزهای کوچکتر احتمال بیشتر و نویزهای بزرگتر احتمال کمتری برای رخ دادن دارند.

پیشنهاد ما:

قدرت تفکیک تصاویر ( رزولوشن )،انواع قدرت تفکیک

نویز speckle (خال خالی) :

نویزهای بسیار پیچیده ای هستند، زیرا ماهیت آن ها به جای جمع شونده، ضرب شونده بوده، در واقع در سیگنال ضرب می شوند. به طوریکه اگر صفر باشند سیگنال را از بین می برند. این دسته از نویزها بیشتر در تصاویر راداری اتفاق می افتند.

نمی توان از مدل های رایج آماری برای حذف این دسته از نویزها استفاده کرد.

نویز salt and pepper (نمک و فلفل) :

عمدتا در فرآیند انتقال اطلاعات رخ می دهند.

احتمال رخ دادن این نویز فقط در دو مقدار بوده، یا صفر یا ۲۵۵ (تصویر ۸ بیتی)، یا یک سیگنال را نابود می کند (صفر می کند)، یا یک سیگنال را کاملا یک می کند و چیزی بین آن وجود ندارد. (مقدار نویز را با مقدار سیگنال جایگزین می کند)

نویز periodic (متناوب) :

نویزهایی هستند که تکرار می شوند (متناوب اند) و روند سیستماتیکی دارند.

در پایان لازم است که به توضیحات ذیل توجه شود :

نویزهای جمع شونده به راحتی قابل حذف شدن هستند. البته در Geometric Enhancement نویزهایی همچون نمک و فلفل هم به راحتی حذف می شوند، اما حذف کردن نویزهای متناوب با استفاده از روش های  Geometric Enhancement به سختی امکان پذیر است.

برای حذف کردن نویزهای متناوب معمولا استفاده از فضای فرکانس پیشنهاد می شود.