Welche Domäne zum Entrauschen von additiven und multiplikativen Geräuschen verwendet wird?


7

Ich möchte wissen, was der Unterschied zwischen additivem Rauschen und multiplikativem Rauschen ist. In welchem ​​Bereich werden diese Geräusche behandelt, um sie zu entfernen?

Ich interessiere mich besonders für Bilddatensätze

Werden bei Satellitenbildern unterschiedliche Domänen verwendet, bei denen das Rauschen aufgrund der Reflexion von Frequenzen statistisch unabhängig ist?

Antworten:


6

Ich möchte wissen, was der Unterschied zwischen additivem Rauschen und multiplikativem Rauschen ist. In welchem ​​Bereich werden diese Geräusche behandelt, um sie zu entfernen?

Additives Rauschen und multiplikatives Rauschen sind nur Modelle dafür, wie Rauschen unsere Daten korrumpiert.

Ein sehr verbreitetes Modell ist das additive Rauschmodell, bei dem wir unseren "wahren" Datenvektor haben s[n]], (die wir feststellen wollen), durch einen Rauschvektor verfälscht, v[n]]. Was uns gegeben wird, istx[n]], wo:

x[n]]=s[n]]+v[n]]

Dies wird als "additives" Rauschmodell bezeichnet, da, wie Sie sehen können, Rauschen zu unserem wahren Signal hinzugefügt wird, was uns gibtx[n]]. Es gibt viele Möglichkeiten, wie wir dieses Rauschen in einem additiven Modell entfernen können, z. B. durch Filtern (dies ist eine Form der Mittelwertbildung, wenn Sie möchten). Dies ist eine sehr häufige Art von Rauschmodell. Wenn ich spreche und Sie über mich sprechen, kann Ihre Stimme als Additiv zu meiner Stimme modelliert werden. Ihre Stimme wäre additives "Rauschen", das meiner Stimme hinzugefügt wird, was in diesem vergeblichen Beispiel das "wahre" Signal ist (obwohl dies in einem hitzigen Streit zwischen zwei Personen bestritten würde). In einem objektiveren Beispiel kann das thermische Rauschen von der Elektronik eines Mikrofons auch als additives Rauschen modelliert werden, das einem empfangenen Sprachsignal hinzugefügt wird. Viele Dinge können als additive Arten von Geräuschen modelliert werden.

Multiplikatives Rauschen ist dagegen immer noch ein Modell, aber in diesem Modell werden unsere wahren Datenproben mit Rauschproben multipliziert , wie folgt:

x[n]]=s[n]]v[n]]

Eine übliche Methode, um multiplikatives Rauschen zu entfernen, besteht darin, es tatsächlich in ein additives Modell umzuwandeln und dann alles anzuwenden, was wir aus dem Bereich der additiven Rauschreduzierung wissen. Wir können dies leicht tun, indem wir den Logarithmus des Signals nehmen, filtern und dann die logarithmische Transformation umkehren. So können wir tun:

x[n]]=s[n]]v[n]]Log(x[n]])=Log(s[n]]v[n]])=Log(s[n]])+Log(v[n]])

An dieser Stelle haben wir noch einmal ein additives Modell. Jetzt können wir wie gewohnt filtern, um sie zu entfernen oder zu reduzierenLog(v[n]])und dann einfach nehmen Log- -1 des Ergebnisses, was eine Schätzung von ergibt s[n]], unser wahres Signal.

Ich interessiere mich besonders für Bilddatensätze

Ein Beispiel für multiplikatives Rauschen sind Beleuchtungsunterschiede zwischen Bildern, die auf die oben beschriebene Weise gelöst werden. Die ungleichmäßige Beleuchtung über ein Bild kann als pixelweise Multiplikation des Bildes durch eine Beleuchtungsmaske modelliert werden. Dies wird übrigens auch als homomorphe Filterung bezeichnet. Immer wenn Sie ein fehlerhaftes Phänomen als Multiplikation Ihres sauberen Datensignals modellieren können, können Sie dieses multiplikative Modell verwenden.


4

Die Antwort von user4619 ist ziemlich gut. Ich habe einige zusätzliche Kommentare.

Die wahrscheinlich häufigste Quelle für additives Rauschen ist thermisches Rauschen. Externe Quellen werden jedoch häufig als additives Rauschen modelliert. Rauschen ist normalerweise rein zufällig, kann jedoch abhängig von Ihrer Definition von Rauschen auch deterministische Signale darstellen.

Im Fall des additiven Rauschens können Sie den Signalpegel erhöhen und das Signal-Rausch-Verhältnis (SNR) verbessern. Bei der multiplikativen Rauscherhöhung erhält die Signal- (gewünschte) Signalleistung nichts in Bezug auf die Signalleistung, da die Rauschleistung proportional zur Signalleistung ist.

Einige Beispiele für multiplikatives Rauschen:

  1. In Radarbildern wird Speckle-Rauschen häufig als multiplikativ modelliert
  2. Phasenrauschen in A / D-Wandlern. Phasenrauschen beeinflusst das Timing der tatsächlichen Probenerfassung und erzeugt Timing-Jitter
  3. In Sonarsystemen ist Nachhall ein multiplikatives Problem. Das Erhöhen des Schallpegels der Quelle führt auch zu einem erhöhten Nachhallpegel

Additives Rauschen wird normalerweise durch Betrachten linearer Transformationen in einen Raum behandelt, in dem das Signal und das Rauschen getrennt sind. Dies kann im Frequenzbereich, im Wavelet-Bereich oder in einem durch Eigenvektoren definierten Unterraum sein (dies sind nur einige Beispiele). Sobald Sie diesen Bereich gefunden haben, wird das Rauschen durch einen einfachen Filtervorgang entfernt.

Multiplikatives Rauschen kann manchmal auf die gleiche Weise behandelt werden, hängt jedoch davon ab. Zum Beispiel - im Fall von Speckle-Rauschen in Radarbildern funktionieren normale Filter (Bandpass, Tiefpass, Hochpass) nicht sehr gut - Medianfilter funktionieren tendenziell besser (es gibt jedoch viele andere Ansätze). Beachten Sie, dass der Medianfilter nicht linear ist - er verwendet Auftragsstatistiken.

Für multiplikatives Rauschen betrachten Sie möglicherweise eine nichtlineare Transformation (siehe die erwähnte log () -Operation user4619) und dann einige lineare / nichtlineare Operationen, oder Sie versuchen einfach eine nichtlineare Operation, z. B. den Medianfilter.


1
  1. Bildrauschen: Die Hochfrequenzkomponente des Bildes wird als Rauschen bezeichnet. Mit anderen Worten kann Rauschen als abrupte Änderung der Intensitätswerte des Bildpixels definiert werden. Diese zufällige Variation im Bild wird als Rauschen bezeichnet.
  2. Rauschen wirkt sich negativ auf das Bild aus.
  3. Dies verschlechtert die Bildqualität, wodurch es schwierig wird, das Bild zu interpretieren.

Es gibt zwei Arten von Rauschmodellen: a) Additives Rauschmodell: 1. Additives Rauschen ist das unerwünschte abrupte Signal, das einem echten Signal hinzugefügt wird. 2. Das additive Rauschen Weitere Informationen finden Sie auf dieser Website unter https://www.gofastresearch.com/2020/04/what-are-additive-and-multiplicative.html

Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.