МЕТОДЫ УСТРАНЕНИЯ ШУМОВ НА ИЗОБРАЖЕНИЯХ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.932.2

МЕТОДЫ УСТРАНЕНИЯ ШУМОВ НА ИЗОБРАЖЕНИЯХ

В. Б. Стецюк Научный руководитель - А. В. Пятаева

Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: demi-lada@mail.ru

Изображения, полученные в реальных условиях съемки, могут содержать шумы, снижающие их качество. Шумоподавление направлено на их устранение с наименьшими потерями качества изображения для улучшения дальнейших результатов исследования.

Ключевые слова: шумоподавление, шум, изображение, методы обработки изображений. SINGLE IMAGE NOISE REMOVAL METHODS

V. B. Stetsyuk Scientific Supervisor - A. V. Pyataeva

Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation Е-mail:demi-lada@mail.ru

Images taken in real-world shooting conditions may contain noise that reduces their quality. Noise reduction is aimed at eliminating noise with the least loss of image quality to improve further research results.

Keywords: noise removal, noise, single image, image processing methods

Проблема шумоподавления является одной из самых актуальных и распространенных проблем в области обработки как статичных изображений, так и видеоизображений. Шумоподавление играет важную роль при сжатии видеопоследовательностей и изображений [1]. Сжатие основано на пространственной корреляции значений пикселов, а в случае видео - еще и временной корреляции (на сходстве последовательно идущих кадров между собой). Вследствие этого при сжатии сильный шум может быть принят за детали изображения, а также при сжатии видеоизображений наличие шума приводит к увеличению межкадровой разницы, понижая, таким образом, степень сжатия, и отрицательно влияет на точность работы алгоритма компенсации движения [2].

Шум в видеопоследовательности можно условно разделить на пространственный и временной. Временным шумом называют визуальный эффект, возникающий в видео из-за случайного или коррелированного изменения пространственного шума от кадра к кадру. Соответственно, фильтры шумоподавления также делятся на пространственные и временные: первые производят усреднение пикселей по каждому отдельному кадру (изображению), а вторые - между несколькими последовательно идущими кадрами. На практике обычно используется сочетание пространственного и временного методов шумоподавления. Если в алгоритме шумоподавления применить вначале пространственный фильтр, то после этого временное шумоподавление становится более эффективным вследствие более точной работы процедуры обнаружения движения. Временной фильтр, как правило, работает более бережно: в случае применения его в первую очередь, он понизит общий уровень шума и предотвратит излишнее размытие, которым характеризуется любой пространственный фильтр.

Секция «Программные средства и информационные технологии»

Основной проблемой при временном шумоподавлении является эффект размытия движения, возникающий при попытке усреднить пикселы вдоль границ движущихся объектов. Для устранения этой проблемы во временные методы часто встраивают алгоритм компенсации движения. Данный метод имеет свои недостатки: во-первых, это значительно понижает скорость работы фильтра, а во-вторых, неточное нахождение блоков приводит к появлению артефактов.

В пространственном же шумоподавлении можно выделить следующие базовые подходы:

1. Линейное усреднение пикселов - фильтр, усредняющий значения пикселов в пространственной окрестности. Для каждого пиксела анализируется соседняя область. В качестве нового значения центрального пиксела берется среднее арифметическое всех тех его соседей, значение которых отличается от значения центрального не более чем на некоторый порог.

2. Медианная фильтрация - стандартный метод подавления импульсного шума. Для каждого пиксела в некотором его окружении ищется медианное значение согласно формуле (1) и присваивается этому пикселу.

med = argmin £ | f - fs \ (1)

f fj iW

где W - множество пикселов, среди которых ищется медиана, fi и f j - значения яркостей рассматриваемых пикселов.

3. Математическая морфология - метод, осуществляемый с использованием двух основных морфологических операций [3, 4]: сужения (erosion) и расширения (dilation), а также их комбинаций - закрытия (closing) и раскрытия (opening). Раскрытие (сначала сужение, потом расширение) убирает выступы на границах объектов, а закрытие (сначала расширение, потом сужение) заполняет отверстия внутри и на границах.

4. Гауссовское размытие - это свертка изображения с функцией (2)

Е (х, у) = Ае - (2)

где параметр 5 задает степень размытия, а параметр А обеспечивает нормировку. Поскольку данный фильтр сепарабелен, то есть представим в виде Е (х, у) = / (х) • /2 (у), то свертку можно производить последовательно по строкам и по столбцам, что приводит к значительному ускорению работы метода при больших размерах фильтра. Вблизи границ (контуров на изображении) данный фильтр применять нельзя, так как это приводит к их размытию. Как следствие вдоль границ остается зашумленный контур.

5. Методы на основе вейвлет-преобразования - данные методы, как и метод главных компонент, применяется в основном для обработки статичных изображений. Вейвлет-преобразование -это инструмент многомасштабного анализа. Применительно к области шумоподавления оно позволяет удалять шум с изображения, не затрагивая значительно границы и детали. Также оно позволяет эффективно подавлять шумы со спектрами, отличными от белого. Обычное прямое одномерное дискретное вейвлет-преобразование (ДВП) - это итерационное применение низкочастотного и высокочастотного фильтров с последующим удалением каждого второго элемента (прореживанием) к низкочастотному сигналу, получаемому на выходе. В результате низкочастотной фильтрации получается приближение исходного сигнала, в результате высокочастотной -детализирующая информация об исходном сигнале, а полученные значения высокочастотного сигнала называются вейвлет-коэффициентами [5]. Прямое преобразование называется анализом, а обратное - синтезом. Пара фильтров, участвующих в преобразовании - вейвлетным базисом.

6. Метод главных компонент - данный подход заключается в нахождении таких базисных векторов исследуемого многомерного пространства, которые бы наилучшим образом отражали расположение некоторых исходных данных в этом пространстве (характеризовали эти данные) [6].

7. Анизотропная диффузия - при данном подходе яркость каждого пиксела интерпретируется как значение температуры в данной точке изображения, таким образом, все изображение представляется в виде карты температур. Шумоподавление производится путем выравнивания температур (фактически, интенсивностей пикселов) с помощью моделирования процесса теплоперено-са согласно выражению (3):

X2 + V2

It = c-M,

(3)

где с - коэффициент теплопроводности, зависящий от градиента интенсивности изображения согласно выражению (4), А/ - разность яркостей («температур») двух пикселов.

Проблема шумоподавления на изображениях хорошо изучена. Существует множество различных методов устранения шума. Каждый алгоритм шумоподавления имеет определенную область применения, которая зависит от вида и характерных особенностей входных данных, от требований к выходному изображению, от объемов вычислений и скорости работы, предъявляемой к применяемому алгоритму. Для каждой конкретной задачи нужно подбирать алгоритм, отвечающий необходимым требованиям.

1. A.J. Hussain, Ali Al-Fayadh, Naeem Radi. Image compression techniques: a survey in lossless and lossy algorithms. : Neurocomputing, 2018/ Vol. 300. Pp. 44-69.

2. G. de Haan. Progress in motion estimation for video format conversion. : IEEE Transactions on Consumer Electronics, 2000. Vol. 46. No. 3. Pp. 449-450.

3. A conditionally invariant mathematical morphological framework for color images. / Lei T., Zhang Y., Wang Y. h gp. // Information science. 2017. Vol. 387. Pp. 34-52.

4. C.A. Rishikeshan, H. Ramesh. An automated mathematical morphology driven algorithm for water body extraction from remotely sensed images. : ISPRS Journal of Photogrammetry and Remote Sensing, 2018. Vol. 146. Pp. 11-21.

5. An improved wavelet-based image coder for embedded greyscale and colour image compression / Brahimi T., Laouir F., Boubchir L. h gp. // AEU - International Journal of Electronics and Communications. 2017. Vol. 73. Pp. 183-192.

6. Two-stage image denoising by principal component analysis with local pixel grouping / Zhang L., Dong W., Zhang D. h gp. // Pattern Recognition. 2010. Vol. 43. Is. 4. Pp. 1531-1549.

(4)

Библиографические ссылки

© Стецюк В. Б., 2019