跳转到内容

噪音降低

维基百科,自由的百科全书

噪音降低,又称降噪,是指从信号中去除噪音或噪声成分。无论是类比或是数码信号,只要有信号的存在,都会受到噪音的影响。其中,又以声音和图像的降噪技术最贴近生活需求(如:耳机的降噪功能、图像的噪声去除)。

噪音介绍

噪音可以是有规律频率分布的随机噪音(如:白噪音),或者由机器与设备,或是算法引进的噪音,后者会跟着频率有所浮动。以下举几个噪音的常见例子:

  • 在电子系统中,主要的噪音为电子受热运动,而产生的热扰动噪声(詹森–奈基斯特噪声),又因为其声音类似风声而被称为Hiss。热扰动噪声可以经由输出讯号的增减来建立出规律,借此消除此噪音干扰。
  • 在声音讯号中,又分为低频的杂音(称为Hum)、像风声的杂音(称为Hiss)以及高频的杂音(称为Buzz),各有不同的成因。举例来说,若以音箱为设备发出的三种杂音来看,Hum可能来自接地线的问题,要检查电源是否反向、周边器材与电器的连接;Hiss则可能是因为音箱中的真空管老旧而产生的问题;Buzz则可能是由于遭到其他讯号干扰,需要做Shielding才能排除问题。
  • 在摄影底片与磁带的噪声,多是来自材质本身的颗粒结构(Film Grain页面存档备份,存于互联网档案馆))问题。在摄影底片中,底片中颗粒的大小决定了底片的灵敏度,灵敏度较高的底片具有较大的颗粒大小。而在磁带中,磁性粒子的颗粒越大,媒介就越容易产生噪音。使用更大面积的底片或磁带,有机会降低噪音到可接受的水平。

常见需降噪之应用领域及其降噪方式

以下透过介绍几个常见的噪音种类,以及其解决方式进行探讨

地震数据采集

在地震数据采集中,由于无感的地震讯号十分微弱,增强信号对于地震成像、震源反推与整个地震活动的诠释都极为重要。其中,在探勘石油与天然气时,可以利用此技术降噪,提高油气勘探的成功率。由于真实信号在背景的随机噪音中相对难以辨认,在分析讯号时常常被忽略,最终导致重建地震事件时,判断出错误的不连续性和瑕疵。因此,通过减弱随机噪音来增强有用信号,并保留地震剖面的边缘特性,可以降低地震事件分析的错误率,以及对油气检测误判的风险。

声音噪声

声音噪声是指在音讯中,存在的额外声音成分。这些声音成分可能是来自环境噪声、设备噪声、信号传输中的干扰或其他外部干扰源。声音噪声可以对音讯品质和清晰度产生负面影响,降低聆听体验和语音辨识的准确性。

常见的降噪方式有四种,为单端预录[1](Single-Ended Pre-Recording)、单端嘶声降噪(Single-Ended Hiss Reduction)和编解码器(Codec)或双端系统(Dual-Ended Noise Reduction System)。

在单端预录中,声音噪声在录制过程中会同时记录下来,并在后续的处理中,使用降噪算法进行处理。其目标是从录制好的音讯中,去除或减少噪声成分,以提高声音的清晰度和质量。
单端嘶声降噪,会针对如嘶声(Hiss)一般的噪音,进行降噪。常用于音讯录制和播放设备中。此类噪声通常是由设备自身的电子元件,或信号传输中的干扰引起的高频噪声。此时算法会专注于去除或减少嘶声噪声的成分,以提高音讯的品质和清晰度。这些算法通常基于信号处理和统计分析技术(如:频遇滤波、自适应滤波与频谱修复)
表面噪音是指由于磁带、唱片或其他媒介的表面有瑕疵或损害,因而引起的噪音现象。单端表面噪音减少即是针对此问题作处理。经常应用在播放唱片时,解决刮痕、爆音和表面非线性问题。像是相位线性自动降噪(Phase Linear Autocorrelator Noise Reduction),和动态范围恢复系统(Dynamic Range Recovery System)这样的单端动态范围扩展器,可以减少旧录音中的各种噪音。
双端系统会透过同时分析讯号的来源端,以及接收端两方向的讯号,进行降噪的处理。系统首先会取得来源端的噪音,做为参考讯号并建立模型,描述此噪音的统计与频谱特性。接着,系统会使用这些参考信号对收端进行降噪处理,以此改善信号的清晰度及其品质。

影像噪声

无论是传统底片相机,或是数码相机拍摄出来的照片,都会有噪音(或称噪声)的存在,而噪声有许多不同的来源。噪声会影响观感问题,为了美观,或后续进入市场、运用在电脑视觉的领域,都会需要降低噪声。以下分别介绍噪声种类与降噪方式。

常见噪声种类

椒盐噪声,图像中会有随机出现的白点和黑点,故称之。也称为脉冲噪声,是影像中常见的一种噪音类型。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、模数转换器或位元传输错误等。常用的去除这种噪声的有效手段为中值滤波器、伪中值滤波器与异常检测
高斯噪声,其噪声的几率密度函数与常态分布(高斯分布)相同,故称之。在图像中,每个像素值有几率偏离原本的值,偏离的部分称为失真。此时建立一个直方图,以发生的频率为横轴、像素值失真的量为纵轴,会呈现出噪声的分布状态,若相似于常态分布,便称之为高斯噪声。
由于中心极限定理指出,多次实验结果,或说不同噪声的总和,皆会趋近于高斯分布,因此以高斯噪声作为模型是很不错的选择。
  • 高感光度噪声(High ISO noise)
人类的感光又分为明度以及色度。高感光度噪声,也分为明度噪声(Luminance Noise)和色彩噪声(Chroma Noise)。明度噪声通常是图像中的灰阶杂质,让图像看起来不构平滑;而色彩噪声则是指图像中纯色部分,出现杂色的情况,通常是红色或绿色的噪声。

常见噪声抑制方式

  • 高感光度噪声抑制
在真实世界中的影像,主要是亮度(明度;Luminance)的变化主导空间频率中的细节资讯,色调变化(色度;Chroma)影响较少。因此,在降低明度噪声时,相对于色彩噪声的降噪,可能会更容易损失细节。
此外,大多数人认为,色彩噪声在影像中造成的不适感远大于明度噪声;与颗粒状的明度噪声相比,色彩噪声会产生数位感与不自然感。因此,大多数降噪算法会将图像细节分为色度和明度组件,并对色度进行更多的降噪处理。
滤波器是十分常见的影像降噪方式,如:低通滤波器平滑滤波器。降噪中会使用滤波器作为遮罩(mask),将图片与遮罩做卷积 运算(convolution),便能除去噪声。举例来说,高斯遮罩便是由高斯函数所组成,与每一个像素进行卷积,使每个像素的值与邻近像素的值接近,借此达到平滑滤波的效果。
然而,由于多数平滑滤波器是取自身与附近邻居的平均值,作为本身像素的值,因此往往会使图像变得模糊,也因此线性滤波器在实际降噪上很少使用,但仍能为非线性滤波器的基础。
非线性滤波器基于线性滤波器的基础,针对特殊情况进行改善与调整,适当设计过后可以良好保留图形细节,以下以中值滤波器作为例子。
中值滤波器为非线性的数位滤波器,其作法是将遮罩包含的数据,由小至大排列并取出中位数,以中位数取代中心数据。若今天噪声的中心数值远大于邻近像素(如:数值差异大的点状噪声),因为数值差距太大,取均值时会把噪声带入真实数值中,所以线性平滑滤波器的效果会变得很差。这时改使用中值滤波器降噪,则可改善。
  • 小波降噪
小波降噪为建立在小波转换 多解析基础上的方法,传统降噪方式是假定信号与噪音在不同的频带进行分析,然而,实际上噪音的频率往往分布在整个频率轴上。小波转换有去除信号相关性以及集中信号能量的功能,因此,小波转换能够将信号集中到某些频带,再给予其他频带的小波系数较小的权重,以此达到降噪的功能。其中,又以小波阈值去噪最为常用。
小波阈值降噪会先设置一个临界阈值,若小波系数小于阈值,责任为此系数来自噪音;若大于阈值,则认定此系数来自信号。保留系数,然后再利用处理后的小波系数,重新还原出去除噪声后的影像。相比以往的其他降噪方法,小波变换在低信杂比情况下的降噪效果较好,降噪后的信号识别率较高,同时小波降噪方法对时变信号和突变信号的降噪效果尤其明显。

相关参见

音讯

影像