当我们对多个具有噪声的图像进行堆叠时,假设我们有
N
N
N个图像,每个图像的像素值表示为
I
i
(
x
,
y
)
I_i(x, y)
Ii(x,y),其中
i
=
1
,
2
,
.
.
.
,
N
i = 1, 2, ..., N
i=1,2,...,N,
(
x
,
y
)
(x, y)
(x,y) 表示图像的坐标。
对于堆叠后的图像
I
stacked
(
x
,
y
)
I_{\text{stacked}}(x, y)
Istacked(x,y)的像素值,我们可以简单地通过对相同位置的像素值进行平均操作来计算:
I
stacked
(
x
,
y
)
=
1
N
∑
i
=
1
N
I
i
(
x
,
y
)
I_{\text{stacked}}(x, y) = \frac{1}{N} \sum_{i=1}^{N} I_i(x, y)
Istacked(x,y)=N1i=1∑NIi(x,y)
现在,让我们考虑噪声的性质。假设噪声是随机的,并且在每个像素位置上独立地加到每个图像中。如果噪声是这种性质,它在叠加后将会平均为零。
为了更清晰地理解这一点,让我们用随机变量来表示像素的值。假设
X
i
(
x
,
y
)
X_i(x, y)
Xi(x,y)是第
i
i
i 个图像在位置
(
x
,
y
)
(x, y)
(x,y) 上的像素值,$ N(x, y)$ 是噪声的随机变量。那么:
I
i
(
x
,
y
)
=
X
i
(
x
,
y
)
+
N
(
x
,
y
)
I_i(x, y) = X_i(x, y) + N(x, y)
Ii(x,y)=Xi(x,y)+N(x,y)其中
N
(
x
,
y
)
N(x,y)
N(x,y)是独立同分布的随机变量。
现在,我们考虑堆叠后的图像的像素值:
I
stacked
(
x
,
y
)
=
1
N
∑
i
=
1
N
I
i
(
x
,
y
)
=
1
N
∑
i
=
1
N
(
X
i
(
x
,
y
)
+
N
(
x
,
y
)
)
=
1
N
∑
i
=
1
N
X
i
(
x
,
y
)
+
1
N
∑
i
=
1
N
N
(
x
,
y
)
\begin{align*} I_{\text{stacked}}(x, y) &= \frac{1}{N} \sum_{i=1}^{N} I_i(x, y) \\ &= \frac{1}{N} \sum_{i=1}^{N} (X_i(x, y) + N(x, y)) \\ &= \frac{1}{N} \sum_{i=1}^{N} X_i(x, y) + \frac{1}{N} \sum_{i=1}^{N} N(x, y) \end{align*}
Istacked(x,y)=N1i=1∑NIi(x,y)=N1i=1∑N(Xi(x,y)+N(x,y))=N1i=1∑NXi(x,y)+N1i=1∑NN(x,y)
由于
N
(
x
,
y
)
N(x, y)
N(x,y)是独立同分布的随机变量,其期望值为零,所以:
1
N
∑
i
=
1
N
N
(
x
,
y
)
=
0
\frac{1}{N} \sum_{i=1}^{N} N(x, y) = 0
N1i=1∑NN(x,y)=0
因此,我们得到:
I
stacked
(
x
,
y
)
=
1
N
∑
i
=
1
N
X
i
(
x
,
y
)
I_{\text{stacked}}(x, y) = \frac{1}{N} \sum_{i=1}^{N} X_i(x, y)
Istacked(x,y)=N1i=1∑NXi(x,y)
也就是说,堆叠后的图像的像素值仅由信号
X
i
(
x
,
y
)
X_i(x, y)
Xi(x,y) 组成,而没有噪声的贡献。
这就是堆栈去噪的数学原理,通过将多个图像叠加起来并取平均,可以消除噪声并提高信噪比。
堆栈去噪的数学原理
最新推荐文章于 2024-10-14 09:08:48 发布