Линейная нормализация стека изображений (данные?) До усреднения? - PullRequest
3 голосов
/ 17 июня 2011

Я пишу приложение, которое усредняет / объединяет / укладывает ряд экспозиций. Это обычно используется для уменьшения шума в результирующем изображении.

Однако, похоже, для оптимизации среднего значения / стека выдержки обычно сначала нормализуются. Кажется, что этот процесс присваивает веса каждому из воздействий, а затем приступает к их объединению. Я предполагаю, что процесс вычисляет общую интенсивность каждого изображения, так как цель состоит в том, чтобы согласовать интенсивности всех изображений в стопке.

Мой вопрос: как я могу включить алгоритм, который позволит мне нормализовать серию изображений? Я думаю, что вопрос можно обобщить, задав вместо этого вопрос «Как я могу нормализовать серию чтений?»

Контур в моей голове выглядит следующим образом:

  • Вычислить среднее значение эталонного изображения.
  • Разделить среднее значение каждого кадра в среднем из опорного кадра.
  • Результатом каждого деления является вес для каждого кадра.
  • Масштаб / Умножьте каждый пиксель в кадре на вес, найденный для этого конкретного кадра.

Кажется ли это кому-нибудь понятным? Я пытался гуглить в течение последнего часа, но ничего не нашел. Также взяли индексы различных книг по обработке изображений на Amazon, но это тоже ничего не дало.

1 Ответ

2 голосов
/ 19 июля 2011

Каждая интеграция состоит из сигнала и различного шума - некоторые не зависят от времени (например, смещение или шум считывания ПЗС), некоторые зависят от времени (например, темновой ток), а некоторые являются случайными (шум выстрела).Цель состоит в том, чтобы удалить шум и оставить сигнал.Таким образом, вы должны сначала вычесть «фиксированные» источники, используя темные кадры (которые будут включать темновой ток, считывание и смещение), оставляя сигнал плюс выстрел.Сигнал масштабируется как время воздействия потока, шум от выстрела - как квадратный корень из сигнала

http://en.wikipedia.org/wiki/Shot_noise

, поэтому в целом ваш сигнал / шум масштабируется как квадратный корень из времени интегрирования (при условии, что вашИнтеграции достаточно короткие, чтобы они не были насыщенными).Таким образом, добавляя кадры, вы просто увеличиваете время экспозиции и, следовательно, соотношение сигнал / шум.Вам не нужно нормализовать в первую очередь.

Чтобы усложнить ситуацию, также присутствует переходный негауссовский шум (например, попадания космических лучей).Есть много методов, чтобы справиться с ними, но распространенным является «сигма-отсечение», где у вас есть дополнительный проход для вычисления среднего и стандартного отклонения каждого пикселя, а затем отбрасывать выбросы, которые являются многими стандартными отклонениями от среднего.Реальный сигнал покажет гауссовские колебания вокруг среднего значения, тогда как переходные процессы покажут большое отклонение в одном кадре стека.Может быть, это то, что вы думаете?

...