Làm thế nào để khử video?

Tiếng ồn video là ngẫu nhiên và không tương quan trong thời gian. Tôi cho rằng, phương pháp tốt nhất là sử dụng wavelet DeNoise trong trường hợp này, phải không? Nếu có, sóng con được thực hiện cho video như thế nào? Có một cái gì đó để xem xét để áp dụng tính toán cho toàn bộ chuỗi hình ảnh?

Xây dựng về giải quyết tạm thời:

Tôi không có nhiều thông tin cụ thể cho bạn, nhưng tôi đang rút ra từ ý tưởng "khử răng cưa tạm thời".

Về cơ bản, nếu một máy ảnh đứng yên, bạn có thể trung bình các giá trị pixel trên N khung hình cuối cùng, có thể sử dụng trung bình hài hoặc một cái gì đó tương tự để giúp lọc các xung đột. Kết quả sẽ là một hình ảnh sạch hơn, ít nhiễu hơn, chính xác hơn.

Nhưng không phải tất cả các máy ảnh (hoặc vật thể!) Đều đứng yên, vậy thì sao? Chà, nếu bạn có một số cách xác định vị trí của pixel này thì khung hình này khớp với pixel trên các khung N trước đó, bạn có thể lấy trung bình chúng theo cùng một cách. Nếu một pixel hiện tại không có pixel phù hợp trước đó (do thứ gì đó trước đây có thể nhìn thấy được), bạn chỉ hiển thị giá trị hiện tại thô.

Các trò chơi sử dụng điều này để khử răng cưa bằng cách mô phỏng siêu mẫu theo thời gian, nhưng chúng có lợi ích của các vectơ chuyển động pixel cũng như ma trận máy ảnh hiện tại và trước đây, vì vậy trong trường hợp của bạn khó khăn hơn nhiều!

Một kỹ thuật khá cơ bản nhưng hiệu quả là lọc trung bình . Đối với video, bạn có thể áp dụng tạm thời (spatio) bằng cách thay thế giá trị của từng pixel trong mỗi khung hình bằng giá trị trung bình của các giá trị của pixel (và các hàng xóm của nó) trong các khung hiện tại và N trước và sau.

Một tính năng hay của lọc trung vị là nó bảo toàn các cạnh tuyến tính (và, khi được sử dụng tạm thời, các cạnh di chuyển với tốc độ ổn định). Tuy nhiên, nó có xu hướng ăn mòn các góc nhọn và các đường gờ hẹp (và, theo thời gian, các tính năng di chuyển nhanh hẹp). Khi được sử dụng quá mức, lọc trung bình không gian có xu hướng tạo ra vẻ ngoài "dẻo" quá mức, trong khi lọc trung bình quá mức thậm chí có thể làm cho các vật thể nhỏ, chuyển động nhanh biến mất hoàn toàn. ( Đôi khi đây được coi là một tính năng. )

Có thể tinh chỉnh và cải thiện khả năng lọc trung bình hơn nữa bằng các kỹ thuật tiên tiến như theo dõi chuyển động và phát hiện ngưỡng, nhưng chúng cũng giới thiệu thêm một lớp phức tạp và do đó có thêm cơ hội cho các tạo tác không mong muốn nếu áp dụng bất cẩn. Đối với nhiều mục đích, một bộ lọc trung bình đơn giản có kích thước và sức mạnh vừa phải thường là tất cả những gì bạn thực sự cần.

Trong năm 2009, dường như đã có sự phát triển của một thuật toán phát hiện chuyển động phân cấp và so sánh được đề xuất trong bài báo này:

Phát hiện chuyển động: thuật toán nhanh và mạnh cho các hệ thống nhúng

Họ đã xoay sở để giảm tiếng ồn, như bạn có thể thấy trong hình ảnh cuối cùng của bài báo. Có vẻ như đó là "xử lý hậu hình thái" loại bỏ các pixel độc lập (phần 2.4 Thuật toán phân cấp mới ). Có lẽ một kỹ thuật tương tự có thể được áp dụng để khử nhiễu video.