denoisingtekniikat

Denoisingtekniikat ovat signaaleista ja kuvista aiheutuvan kohinan poistamiseen tai vähentämiseen tarkoitettuja menetelmiä. Niiden tavoitteena on säilyttää signaalin tai kuvan olennaiset rakenteet ja yksityiskohdat samalla kun häiriö pienennetään. Kohinatyypit vaihtelevat sovelluksesta riippuen ja ne voivat olla muun muassa additive white Gaussian noise, Poisson-kohina tai impulsiivinen kohina. Denoisingia käytetään laajalti kuvankäsittelyssä ja videonkäsittelyssä, äänisignaalien laadun parantamisessa sekä lääketieteellisissä, tähtitieteellisissä ja teollisuuden sovelluksissa.

Klassiset denoisingmenetelmät voidaan jakaa lineaarisiin ja epälineaarisiin lähestymistapoihin sekä algoritmisiin perinteisiin kuten suodattimet ja transformaatioihin perustuvat mallit. Esimerkkejä ovat Wiener-suodatin, medianisuodatus sekä epälineaariset menetelmät kuten total variation -puhdistus. Wavelet-karsinta ja karsintatekniikat ovat suosittuja signaalin eri skaalojen erottelussa. Non-local means ja BM3D hyödyntävät toistuvia rakenteita kuvassa ja ovat tehokkaita erityisesti luonnollisten kuvien kohinan poistossa. Myös yksinkertaiset bilateraalisuodattimet ovat yleisiä, kun halutaan säilyttää reunat.

Nykyiset ja tutkimuspainotteiset lähestymistavat sisältävät syväoppimiseen perustuvat denoiserit, jotka koulutetaan suurilla parillisilla (kohina, puhdas) aineistoilla. Tunnettuja malleja ovat DnCNN, FFDNet ja erilaiset U-net-tyyppiset verkot sekä blind-spot- ja itseensä kohdistuvan oppimisen menetelmät (esim. Noise2Noise, Noise2Void). Viime aikoina myös denoosointia hyödyntäviä diffusion- ja diffusion-tyyppisiä malleja on tutkittu.

Arviointi perustuvi mittareita ovat PSNR ja SSIM, sekä visuaalisen laadun arviointi. Käytännön valinnat kohtaan vaihtelevat kohinan mallin, halutun yksityiskohtaisuuden ja käytettävissä olevan laskennan mukaan. Denosointitekniikat ovat keskeisiä työkaluja sekä reaaliaikaisessa sovelluksissa että korkealaatuisen signaalin ja kuvan tuottamisessa.