Tên miền nào được sử dụng để khử nhiễu tiếng ồn phụ gia và nhân

Tôi muốn biết sự khác biệt giữa tiếng ồn phụ gia, tiếng ồn nhân lên .. Trong những miền nào những tiếng ồn này được xử lý để loại bỏ?

Tôi quan tâm đặc biệt đến tập dữ liệu hình ảnh

Có các miền khác nhau được sử dụng trong trường hợp hình ảnh vệ tinh trong đó nhiễu do sự phản xạ của tần số là độc lập thống kê?

Tôi muốn biết sự khác biệt giữa tiếng ồn phụ gia, tiếng ồn nhân lên .. Trong những miền nào những tiếng ồn này được xử lý để loại bỏ?

Tiếng ồn phụ gia và tiếng ồn nhân lên chỉ là mô hình về cách nhiễu làm hỏng dữ liệu của chúng tôi.

Một mô hình rất phổ biến là mô hình nhiễu phụ gia, trong đó chúng ta có vectơ dữ liệu 'true' , (mà chúng ta đang cố gắng xác định), bị hỏng bởi vectơ nhiễu, . Những gì chúng ta được đưa ra, là , trong đó:$s[n]$$v[n]$$x[n]$

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

Đây được gọi là mô hình nhiễu 'phụ gia', vì như bạn có thể thấy, nhiễu được thêm vào tín hiệu thực của chúng ta, cho chúng ta$x[n]$. Có nhiều cách để chúng ta có thể loại bỏ nhiễu này trong mô hình phụ gia, chẳng hạn như lọc, (đây là một hình thức tính trung bình nếu bạn muốn). Đây là một loại mô hình tiếng ồn rất phổ biến. Nếu tôi đang nói và bạn đang nói chuyện với tôi, giọng nói của bạn có thể được mô phỏng như là phụ gia cho giọng nói của tôi. Giọng nói của bạn sẽ là 'tiếng ồn', được thêm vào giọng nói của tôi, trong ví dụ vô ích này là tín hiệu 'đúng', (mặc dù điều này sẽ bị tranh cãi trong cuộc tranh cãi nảy lửa giữa hai người). Trong một ví dụ khách quan hơn, tiếng ồn nhiệt từ thiết bị điện tử của micrô cũng có thể được mô hình thành tiếng ồn phụ gia, được thêm vào tín hiệu giọng nói mà nó đã nhận được. Nhiều thứ có thể được mô hình hóa thành các loại tiếng ồn phụ gia.

Mặt khác, nhiễu nhân cũng là một mô hình, nhưng trong mô hình này, các mẫu dữ liệu thực của chúng tôi đang được nhân với các mẫu nhiễu, như vậy:

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

Một cách phổ biến để loại bỏ nhiễu nhân là thực sự biến nó thành mô hình phụ gia, sau đó áp dụng mọi thứ chúng ta biết từ trường giảm nhiễu phụ gia. Chúng ta có thể thực hiện điều này một cách dễ dàng thông qua việc lấy logarit của tín hiệu, lọc, sau đó biến đổi nhật ký nghịch đảo. Do đó chúng ta có thể làm:

$$x[n] = s[n]v[n] \implies \log(x[n]) = \log(s[n]v[n]) = \log(s[n]) + \log(v[n])$$

Tại thời điểm này, chúng tôi có một mô hình phụ gia một lần nữa. Bây giờ, chúng ta có thể lọc như bình thường, để xóa hoặc giảm , và sau đó chỉ cần lấy kết quả, mang lại ước tính , tín hiệu thực sự của chúng tôi .$\log(v[n])$$\log^{-1}$$s[n]$

Tôi quan tâm đặc biệt đến tập dữ liệu hình ảnh

Một ví dụ về nhiễu nhân là sự khác biệt về độ rọi giữa các hình ảnh, được giải quyết theo cách trên. Sự chiếu sáng không đồng đều trên một hình ảnh có thể được mô hình hóa như một phép nhân pixel của pixel bằng một mặt nạ chiếu sáng. Nhân tiện, đây còn được gọi là lọc đồng hình. Bất cứ khi nào bạn có thể mô hình hóa một hiện tượng hỏng khi nhân tín hiệu dữ liệu sạch của mình, bạn có thể sử dụng mô hình nhân này.

Câu trả lời được đưa ra bởi user4619 là khá tốt. Tôi có một số ý kiến ​​thêm.

Có lẽ nguồn nhiễu phụ gia phổ biến nhất là nhiễu nhiệt, nhưng các nguồn bên ngoài thường được mô hình hóa là nhiễu phụ gia - thông thường tiếng ồn có nghĩa là hoàn toàn ngẫu nhiên, nhưng tùy theo định nghĩa của bạn về tiếng ồn, nó cũng có thể biểu thị các tín hiệu xác định.

Trong trường hợp nhiễu phụ gia, bạn có thể tăng mức tín hiệu và cải thiện Tỷ lệ tín hiệu / nhiễu (SNR). Trong nhiễu nhân tăng, công suất tín hiệu (mong muốn) sẽ giúp bạn có được bất cứ điều gì về công suất tín hiệu vì công suất nhiễu tỷ lệ thuận với công suất tín hiệu.

Một số ví dụ về nhiễu nhân:

1. Trong hình ảnh radar, nhiễu hạt thường được mô hình hóa như là nhân
2. Nhiễu pha trong bộ chuyển đổi A / D. Nhiễu pha ảnh hưởng đến thời gian thu mẫu thực tế và tạo ra jitter thời gian
3. Trong hệ thống Sonar Reverberation là một vấn đề nhân. Việc tăng mức âm thanh của nguồn cũng dẫn đến tăng mức độ vang

Nhiễu cộng gộp thường được xử lý bằng cách xem xét các phép biến đổi tuyến tính thành một không gian trong đó tín hiệu và nhiễu được tách ra. Điều này có thể là trong miền tần số, miền sóng con hoặc không gian con được xác định bởi các hàm riêng (Đây chỉ là một số ví dụ). Khi bạn đã tìm thấy không gian này, tiếng ồn được loại bỏ bằng thao tác lọc đơn giản.

Tiếng ồn nhân đôi khi có thể được xử lý theo cách tương tự, nhưng nó phụ thuộc. Ví dụ: trong trường hợp nhiễu hạt trong các bộ lọc thông thường của hình ảnh radar (băng thông, thông thấp, thông cao) không hoạt động tốt - các bộ lọc trung bình có xu hướng hoạt động tốt hơn (mặc dù có rất nhiều cách tiếp cận khác). Lưu ý rằng bộ lọc trung vị là phi tuyến tính - nó sử dụng số liệu thống kê đơn hàng.

Vì vậy, đối với nhiễu nhân, bạn có thể xem xét một biến đổi phi tuyến tính (xem thao tác log () do người dùng đã đề cập) và sau đó một số thao tác tuyến tính / phi tuyến tính, hoặc bạn có thể thử một hoạt động phi tuyến tính, ví dụ như bộ lọc trung vị.

1. Nhiễu hình ảnh: Thành phần tần số cao của hình ảnh được gọi là nhiễu. Nói cách khác, nhiễu có thể được định nghĩa là sự thay đổi đột ngột về giá trị cường độ của pixel ảnh. Sự thay đổi ngẫu nhiên trong hình ảnh này được gọi là nhiễu.
2. Nhiễu có ảnh hưởng xấu đến hình ảnh.
3. Nó làm giảm chất lượng của hình ảnh do đó trở nên khó diễn giải hình ảnh.

Có hai loại mô hình nhiễu: a) Mô hình nhiễu phụ gia: 1. Nhiễu cộng là tín hiệu đột ngột không mong muốn được thêm vào một số tín hiệu chính hãng. 2. Tiếng ồn phụ gia Để biết thêm chi tiết, vui lòng truy cập trang web này https://www.gofastresearch.com/2020/04/what-are-additive-and-multiplicative.html