跳至內容

噪音降低

維基百科,自由的百科全書

噪音降低,又稱降噪,是指從信號中去除噪音或雜訊成分。無論是類比或是數位訊號,只要有信號的存在,都會受到噪音的影響。其中,又以聲音和圖像的降噪技術最貼近生活需求(如:耳機的降噪功能、圖像的雜訊去除)。

噪音介紹

噪音可以是有規律頻率分佈的隨機噪音(如:白噪音),或者由機器與設備,或是演算法引進的噪音,後者會跟着頻率有所浮動。以下舉幾個噪音的常見例子:

  • 在電子系統中,主要的噪音為電子受熱運動,而產生的熱擾動雜訊(詹森–奈基斯特雜訊),又因為其聲音類似風聲而被稱為Hiss。熱擾動雜訊可以經由輸出訊號的增減來建立出規律,藉此消除此噪音干擾。
  • 在聲音訊號中,又分為低頻的雜音(稱為Hum)、像風聲的雜音(稱為Hiss)以及高頻的雜音(稱為Buzz),各有不同的成因。舉例來說,若以音箱為設備發出的三種雜音來看,Hum可能來自接地線的問題,要檢查電源是否反向、周邊器材與電器的連接;Hiss則可能是因為音箱中的真空管老舊而產生的問題;Buzz則可能是由於遭到其他訊號干擾,需要做Shielding才能排除問題。
  • 在攝影底片與磁帶的雜訊,多是來自材質本身的顆粒結構(Film Grain頁面存檔備份,存於互聯網檔案館))問題。在攝影底片中,底片中顆粒的大小決定了底片的靈敏度,靈敏度較高的底片具有較大的顆粒大小。而在磁帶中,磁性粒子的顆粒越大,媒介就越容易產生噪音。使用更大面積的底片或磁帶,有機會降低噪音到可接受的水平。

常見需降噪之應用領域及其降噪方式

以下透過介紹幾個常見的噪音種類,以及其解決方式進行探討

地震數據採集

在地震數據採集中,由於無感的地震訊號十分微弱,增強信號對於地震成像、震源反推與整個地震活動的詮釋都極為重要。其中,在探勘石油與天然氣時,可以利用此技術降噪,提高油氣勘探的成功率。由於真實信號在背景的隨機噪音中相對難以辨認,在分析訊號時常常被忽略,最終導致重建地震事件時,判斷出錯誤的不連續性和瑕疵。因此,通過減弱隨機噪音來增強有用信號,並保留地震剖面的邊緣特性,可以降低地震事件分析的錯誤率,以及對油氣檢測誤判的風險。

聲音雜訊

聲音雜訊是指在音訊中,存在的額外聲音成分。這些聲音成分可能是來自環境噪聲、設備噪聲、信號傳輸中的干擾或其他外部干擾源。聲音雜訊可以對音訊品質和清晰度產生負面影響,降低聆聽體驗和語音辨識的準確性。

常見的降噪方式有四種,為單端預錄[1](Single-Ended Pre-Recording)、單端嘶聲降噪(Single-Ended Hiss Reduction)和編解碼器(Codec)或雙端系統(Dual-Ended Noise Reduction System)。

在單端預錄中,聲音雜訊在錄製過程中會同時記錄下來,並在後續的處理中,使用降噪演算法進行處理。其目標是從錄製好的音訊中,去除或減少噪聲成分,以提高聲音的清晰度和質量。
單端嘶聲降噪,會針對如嘶聲(Hiss)一般的噪音,進行降噪。常用於音訊錄製和播放設備中。此類雜訊通常是由設備自身的電子元件,或信號傳輸中的干擾引起的高頻噪聲。此時演算法會專注於去除或減少嘶聲噪聲的成分,以提高音訊的品質和清晰度。這些算法通常基於信號處理和統計分析技術(如:頻遇濾波、自適應濾波與頻譜修復)
表面噪音是指由於磁帶、唱片或其他媒介的表面有瑕疵或損害,因而引起的噪音現象。單端表面噪音減少即是針對此問題作處理。經常應用在播放唱片時,解決刮痕、爆音和表面非線性問題。像是相位線性自動降噪(Phase Linear Autocorrelator Noise Reduction),和動態範圍恢復系統(Dynamic Range Recovery System)這樣的單端動態範圍擴展器,可以減少舊錄音中的各種噪音。
雙端系統會透過同時分析訊號的來源端,以及接收端兩方向的訊號,進行降噪的處理。系統首先會取得來源端的噪音,做為參考訊號並建立模型,描述此噪音的統計與頻譜特性。接着,系統會使用這些參考信號對收端進行降噪處理,以此改善信號的清晰度及其品質。

影像雜訊

無論是傳統底片相機,或是數碼相機拍攝出來的照片,都會有噪音(或稱雜訊)的存在,而雜訊有許多不同的來源。雜訊會影響觀感問題,為了美觀,或後續進入市場、運用在電腦視覺的領域,都會需要降低雜訊。以下分別介紹雜訊種類與降噪方式。

常見雜訊種類

椒鹽雜訊,圖像中會有隨機出現的白點和黑點,故稱之。也稱為脈衝雜訊,是影像中常見的一種噪音類型。椒鹽雜訊的成因可能是影像訊號受到突如其來的強烈干擾而產生、模數轉換器或位元傳輸錯誤等。常用的去除這種雜訊的有效手段為中值濾波器、偽中值濾波器與異常檢測
高斯雜訊,其雜訊的概率密度函數與正態分佈(高斯分佈)相同,故稱之。在圖像中,每個像素值有概率偏離原本的值,偏離的部分稱為失真。此時建立一個直方圖,以發生的頻率為橫軸、像素值失真的量為縱軸,會呈現出雜訊的分佈狀態,若相似於正態分佈,便稱之為高斯雜訊。
由於中心極限定理指出,多次實驗結果,或說不同雜訊的總和,皆會趨近於高斯分佈,因此以高斯雜訊作為模型是很不錯的選擇。
  • 高感光度雜訊(High ISO noise)
人類的感光又分為明度以及色度。高感光度雜訊,也分為明度雜訊(Luminance Noise)和色彩雜訊(Chroma Noise)。明度雜訊通常是圖像中的灰階雜質,讓圖像看起來不構平滑;而色彩雜訊則是指圖像中純色部份,出現雜色的情況,通常是紅色或綠色的雜訊。

常見雜訊抑制方式

  • 高感光度雜訊抑制
在真實世界中的影像,主要是亮度(明度;Luminance)的變化主導空間頻率中的細節資訊,色調變化(色度;Chroma)影響較少。因此,在降低明度雜訊時,相對於色彩雜訊的降噪,可能會更容易損失細節。
此外,大多數人認為,色彩雜訊在影像中造成的不適感遠大於明度雜訊;與顆粒狀的明度雜訊相比,色彩雜訊會產生數位感與不自然感。因此,大多數降噪演算法會將圖像細節分為色度和明度組件,並對色度進行更多的降噪處理。
濾波器是十分常見的影像降噪方式,如:低通濾波器平滑濾波器。降噪中會使用濾波器作為遮罩(mask),將圖片與遮罩做卷積 運算(convolution),便能除去雜訊。舉例來說,高斯遮罩便是由高斯函數所組成,與每一個像素進行卷積,使每個像素的值與鄰近像素的值接近,藉此達到平滑濾波的效果。
然而,由於多數平滑濾波器是取自身與附近鄰居的平均值,作為本身像素的值,因此往往會使圖像變得模糊,也因此線性濾波器在實際降噪上很少使用,但仍能為非線性濾波器的基礎。
非線性濾波器基於線性濾波器的基礎,針對特殊情況進行改善與調整,適當設計過後可以良好保留圖形細節,以下以中值濾波器作為例子。
中值濾波器為非線性的數位濾波器,其作法是將遮罩包含的數據,由小至大排列並取出中位數,以中位數取代中心數據。若今天雜訊的中心數值遠大於鄰近像素(如:數值差異大的點狀雜訊),因為數值差距太大,取均值時會把雜訊帶入真實數值中,所以線性平滑濾波器的效果會變得很差。這時改使用中值濾波器降噪,則可改善。
  • 小波降噪
小波降噪為建立在小波轉換 多解析基礎上的方法,傳統降噪方式是假定信號與噪音在不同的頻帶進行分析,然而,實際上噪音的頻率往往分佈在整個頻率軸上。小波轉換有去除信號相關性以及集中信號能量的功能,因此,小波轉換能夠將信號集中到某些頻帶,再給予其他頻帶的小波系數較小的權重,以此達到降噪的功能。其中,又以小波閾值去噪最為常用。
小波閾值降噪會先設置一個臨界閾值,若小波系數小於閾值,責任為此系數來自噪音;若大於閾值,則認定此系數來自信號。保留系數,然後再利用處理後的小波系數,重新還原出去除雜訊後的影像。相比以往的其他降噪方法,小波變換在低信雜比情況下的降噪效果較好,降噪後的信號識別率較高,同時小波降噪方法對時變信號和突變信號的降噪效果尤其明顯。

相關參見

音訊

影像