像素 - 什么是图像噪声？

想象一下这样的情景：™又工作了一天，回到了家。Youâuro™期待着坐下来，放松一下，在Youtube上花几个小时，这是当之无愧的。你找到一个你想看的视频，提示它，并注意到-欧元“几乎立即-欧元”，有些事情是不对劲的-欧洲™。你看到的不是晶莹剔透的视频，而是完全不同的东西：一帧又一帧颗粒状的、低于标准杆的镜头。

如果您不熟悉视频制作的机制，那么您不知道问题出在哪里，只知道您以前遇到过这个问题。™™不知道问题出在哪里，只知道您以前遇到过™。

另一方面，如果你是一名电影制作人、后期制片人或计算机视觉专家，你确切地知道你在看的是什么？™™是一名电影制作人、后期制片人或计算机视觉专家。你也知道，没有什么比噪音更能破坏视频了。这让™看起来很不舒服，而且会分散观众的注意力。而且它不仅破坏了观看体验，而且还需要大量不必要的比特来压缩、编码和传输，这对底线是不利的。

了解其原因以及如何最好地消除它是创建身临其境的专业品质视频体验的关键。

什么是图像噪声？是什么引起的？

在非技术术语中，图像噪声由您试图捕捉的镜头中亮度或颜色信息的随机变化组成。它最有可能出现在弱光条件下和/或使用小型传感器拍摄时。机制很简单：你越是试图用Gain和ISO来补偿弱光设置，结果就会产生越多的噪音。random variations of brightness or color

相机传感器主要有两种：CCD(电荷耦合器件)和CMOS(有源像素传感器)。尽管CMOS在消费者和专业设备中的应用正在加速，但今天大多数数码相机仍然使用更传统的CCD传感器。本文主要关注它们。

CCD传感器由一个电容网络组成，类似于像素。当图像投射到镜头上时，每个电容器都会积累一个与该位置的光线强度成正比的电荷。这些电荷然后被编译并倾倒到充电电容器中，电容器将它们转换成一系列电压。电压依次被采样、数字化、存储和处理，以产生最终图像。在这个过程的每个阶段都会产生噪音。某些情况会导致比其他情况更多的噪音。下面列出了最常见的根本原因：root causes

• 弱光设置：在光线充足的环境中，光线足以压倒传感器噪声产生的不良数据。另一方面，弱光条件会导致产生比光线数据更多的噪波数据，从而导致非常明显的噪波级别。
• 高灵敏度模式：在数码摄影中，高灵敏度是CCD放大其测量数据的结果。但是这种放大并不区分光数据和噪声数据(™)，“意味着两者都是放大的”，这就是为什么这些模式通常会产生更明显的噪声。
• 小型传感器：将CCD视为光子敏感元件的表面积。这些元素越小“，要么是因为您想要高分辨率，要么是因为您要求CCD较小(例如，在移动设备或网络摄像头中)”在曝光期间，每个像素积累的光子就越少。每个像素的光子越少，意味着每个像素的噪声越多，因为信号需要放大更多才能读出电荷。
• 推断：有时，来自相机外部的信号(例如来自宇宙辐射或强无线电信号)会干扰和影响最终镜头中的噪声量。

不同种类的噪音

所有上述因素都会导致不同种类的噪声，每种噪声都有特定的数学和视觉特征来识别它。different kinds of noise

• 高斯噪声：这是在采集过程中产生的。由于照明水平和自身温度，传感器或CCD会产生固有噪声。除此之外，连接到传感器的电子电路也会注入其自身水平的电子电路噪声。
• 散粒噪声：也称为光子散粒噪声，这是由于CCD在任何给定的曝光级别感测到的光子数量的变化造成的。它与在相机内产生光子和将光子转换为电子所固有的量子过程有关。
• 盐和胡椒噪声：通过明亮区域中的暗像素和暗区中的浅像素可以立即识别，这种类型的噪声是将视频从模拟转换为数字或像素解释中的其他错误(如失效的传感器元件)的结果。
• 量化噪声：在图像处理的上下文中，量化是通过将一系列值压缩成单个整数值或较小的代表性样本集来实现的。量化噪声通常由该过程中的舍入误差引起。
• 胶片颗粒：这是在使用胶片素材拍摄的素材上产生的随机物理纹理，发生这种情况是因为处理过的摄影赛璐璐含有小的金属银粒子。由于显而易见的原因，它不会自然地出现在数字素材上，但可以在后期处理中添加，以实现胶片库存上拍摄的素材的标志性外观。Pixopâuro™的胶片颗粒过滤就是这样做的。
• 各向异性噪声：当对传感器读数进行采样或量化时会出现这种情况。它使更精细的细节混合在一起，创建不存在的图案，和/或将直线解释为锯齿状。
• 周期性噪声：这是一种干扰噪声，表示它来自摄像机外部。当自然或人造信号干扰记录的信号，并且通常表现为覆盖在原始图像上的类似重复图案的东西时，就会发生这种情况。

什么是去噪？

考虑到太多的噪音不利于愉快的观看，图像和视频制作中的去噪被用作一种技术，将镜头从颗粒状转变为晶莹剔透，以提高观众的™体验质量。有几种技术，每一种都应用不同的数学和统计模型。它们大致分为经典的去噪方法(空域方法)、变换技术和依赖于机器学习和卷积神经网络(CNN)的方法。

对于视频，我们想要提取和保存的所需信号是积累在CCD像素中的光子，而我们要消除的噪声是由前面提出的一个或多个原因引起的颜色和发光的不希望看到的波动，无论是在每一帧内还是在一帧和下一帧之间。

好的降噪技术是一种有效地抑制均匀区域中的噪声；保留边缘和其他图像特征(如精细细节和纹理)并提供视觉上自然体验的技术。good noise reduction technique

然而，考虑到噪声、边缘和纹理都是高频元素的事实，简单地应用滤波器来消除这些频率可以去除噪声以及需要保留的所需方面。一些主要挑战包括：major challenges

• 确保平坦的区域保持平坦
• 确保边缘受到保护而不会模糊
• 确保纹理得到保留
• 确保不会生成新的工件

经典去噪

空域方法的目的是根据原始图像中像素与图像块之间的相关性，通过计算每个像素的灰度值来去除噪声。像素的灰度值定义为其亮度，最小值为0，最大值取决于图像的数字化深度。对于8位深度，此最大值为255。grey value

空域方法又可分为空域滤波方法和变分去噪方法。

空间域滤波是基于噪声占据频谱较高区域的原理。然后可以使用均值滤波、维纳滤波或加权中值滤波等滤波器来分离和减去该频率。然而，如前所述，这种方法的缺点是可能模糊和软化其他高频元素，如边缘和纹理，这是不希望出现的结果。

另一方面，变分去噪方法是基于这样的原理，即具有过多和可能是虚假细节(即噪声)的信号具有与频率相关但与频率不同的高总变化量。随之而来的是，减少总变化量(欧元)，“在它与原始信号(欧元)接近匹配的情况下”将降低过度的噪音，同时保留边缘等细节。Variational denoising methods total variation

变换技术

与空间方法不同，在空间方法中，去噪是在实际图像上执行的，变换技术，顾名思义，首先是通过执行一组称为变换的数学运算，将给定的图像转换到另一个域(˜™)。domain

然后，他们通过考虑实际图像与不希望的噪声之间的差异，对变换后的图像执行去噪。根据对图像执行的变换的类型，变换技术可分为数据自适应和非数据自适应。data-adaptive and non-data adaptive

这些技术的缺点是，它们通常在计算能力方面要求更高，而空间域技术更快、更直接。另一方面，变换技术在某些情况下可能非常有效，因此这是一个经典的速度与视觉质量折衷的案例(™)。

机器学习技术

虽然上述去噪方法能很好地去除图像和视频中的噪声，但它们都很耗时，而且存在计算量大等缺点。对于那些只想要对镜头进行去噪，而没有受益于这些技术背后的技术知识的人来说，这意味着它们通常需要对具有陡峭学习曲线的软件程序进行广泛的手动调整。深度学习方法(通常涉及卷积神经网络)就是为了解决这个问题而创建的。

机器学习用于去噪使用复杂的算法，这些算法在一组包含退化-干净图像对的数千个图像上进行训练。然后设置算法以识别映射函数，该映射函数是在将输入映射到目标域中的输出并产生数据集方面一致的未知底层函数。简而言之，这意味着算法试图学习两组图像之间的关系，一旦学习，将允许它们自动将其应用于类似的噪音图像或视频，以产生去噪版本。unknown underlying function

Pixopâuro™的消噪器就是基于这一原则。使用三个视频帧(前一帧、当前帧和下一帧)作为输入逐帧处理视频。然后使用我们预先训练的神经网络模型通过推理产生增强的框架。下图说明了该过程：Pixop’s Denoiser

不管怎么说，为什么要去噪音呢？

自从我们最早的祖先在洞穴边上刻画棍形人物以来，我们对记录、处理和保存生活快照的渴望推动了我们大部分的创造性产出。这似乎是作为人类意味着什么的一个基本部分。随着每天捕获的数字图像和视频数量的不断增长，这一点在今天和当时都是正确的。

但现实是嘈杂的，任何记录信息的努力都必然会遇到记录错误信息的问题。我们™在我们转向的每个方向都被信号轰炸：宇宙辐射从太空打在我们身上；放射性衰变的气泡，像沼气一样，慢慢渗透到空气中；亚原子粒子乒乓作响的混乱世界，远远看不到我们的感知能力。

鉴于这一切，挑选和保存所需的信息具有史诗般的比例，考虑的因素远远超过美学或节省带宽的需要。

毕竟，人类一直渴望向世界呈现最好的自己和我们创造的东西：将裂缝贴上纸，打磨粗糙的边缘，仔细策划和磨练任何我们认为适合永久记录的东西。最近，技术的民主化给了我们每个人讲述我们故事的机会。这是唯一公平的，我们被给予适当的工具去做这件事(™)。

去噪恰好就是这些工具之一。这是专家们花了数年时间才完善的东西，它的应用范围从医学成像到天文学，再到你最近拍摄的那段视频，结果并不完全像你所希望的那样。尽管去噪永远不会完全解决–˜-™–鉴于其本质是一个不确定的问题(即有无限多的解决方案)，科学界和研究人员每年都在开发新的更好的去噪技术。

CNN支持的方法论、机器学习和人工智能的兴起意味着比以往任何时候都更多的人可以使用去噪技术和软件程序。从希望对几十年的胶片进行去噪的大型媒体集团，到有几个视频需要完善的业余爱好者，都有针对每个人的解决方案–EUROURE™。

那么为什么不利用一下呢？你“欧元”和你的故事“欧元”都值得。

最初发表于https://www.pixop.com.https://www.pixop.com