Wie bestimme ich, ob ich musterfreies Rauschen habe?

Für die Mikroskopie testen wir häufig Kameras. Da meine Anwendungen ein sehr geringes Signal-Rausch-Verhältnis beinhalten, wird es wichtig, dass das Rauschen frei von Korrelationen und Mustern ist, da nur die lokale Korrelation das Signal wirklich vom Hintergrund unterscheidet.

Um das Rauschen zu testen, nehme ich normalerweise eine Reihe von ~ 100 dunklen Bildern auf, dh Bilder, bei denen kein externes Licht auf die Kamera fällt, ermittle das feste Kameramuster durch Zeitmittelung und subtrahiere es von der Reihe.

Ich habe Muster im Rauschen beobachtet, indem ich einfach die Standardabweichung für jedes Pixel durch die Zeit genommen und das resultierende Bild (wobei z. B. verschiedene Zeilen / Spalten der Kamera unterschiedliche Rauschstandardabweichungen aufwiesen) sowie zeilen- und spaltenweise betrachtet habe Kreuzkorrelation (wobei ich bei einer Interleaved-Kamera bemerkte, dass das Rauschen zwischen jeder zweiten Zeile korreliert war).

Der erste dieser Tests ist nur qualitativ und der zweite gibt mir nur (relativ) globale Korrelationen. Gibt es bessere (und schnellere) Möglichkeiten, um festzustellen, ob das Rauschen der Kamera eine Korrelation oder ein dynamisches Muster aufweist?

noise camera

— Jonas
quelle

Dunkle Rahmen sind nützlich, um die ungleichmäßige Reaktion bei fehlender Eingabe zu bestimmen. Es scheint jedoch, dass Sie bei diesen Tests die ungleichmäßige Reaktion auf tatsächliche Eingaben ignorieren. Sollten Sie nicht auch eine Reihe von gleichmäßig beleuchteten Rahmen erwerben?

— MSalters

Die Autokorrelation wird häufig verwendet, um zu versuchen, ein Signal im Rauschen zu finden. Dies kann entlang einer einzelnen Spalte / Zeile oder von Frame zu Frame erfolgen (für zeitlich veränderliches Rauschen). Aber ich bezweifle, dass es einfacher wäre als die anderen Schemata.

— Daniel R Hicks

Wenn ich Sie wäre, würde ich einfach eine große Anzahl von No-Signalen nehmen, bei denen Sie kein echtes Signal messen. Durchlaufen Sie die von Ihnen verwendeten Identifikationsalgorithmen und prüfen Sie, ob Sie etwas sehen. Wenn Sie dies tun, müssen Sie sich um Korrelationen kümmern.

Ich denke, was Sie vielleicht vermissen, ist, dass Korrelation nicht immer eine falsche Erkennung bedeutet, besonders wenn Sie einen robusten Algorithmus für diese Art von Rauschen haben.

— PearsonArtPhoto
quelle

Sie haben Recht damit, dass nicht alle Muster signifikant schlecht sind. Es muss jedoch nicht unbedingt zu einer falschen Erkennung führen, es kann für einige Messungen schon schlimm genug sein, wenn die Korrelation zu offensichtlichen Signalverschiebungen führt. Wenn ich die Wahl habe, kaufe ich mir lieber eine gut konzipierte Kamera, als Workarounds in der Software implementieren zu müssen.

— Jonas