测量时间噪声

Introduction

时间噪声是一种随机噪声，它随图像独立变化，与模式固定的噪声（模式固定的噪声保持不变，但由于其强度通常远低于时间噪声，因此可能难以测量）形成对比。时间噪声可以通过Colorcheck和Stepchart进行分析，并且在Imatest 5.1中已添加到Color/Tone Interactive和Color/Tone Fixed 模式中。

它可以通过两种方法计算。

1. 两个相同的测试图表图像之间的差异（ Imatest推荐的方法），以及

2. 基于ISO 15739 的方法，它是通过计算N 张相同图像（ N ≥ 8）的平均值与每张单独图像之间的像素差异来计算的。

在这篇文章中，我们将比较这两种方法，并说明为什么方法 1 更可取。

（1）双图像差分法。

在任意模块中，读取两张图像。此时会显示右侧的窗口。选择“读取两个文件以测量时间噪声”单选按钮。

读取这两个文件并计算它们的差值（以消除固定模式噪声）。由于这些图像是独立的，噪声功率会叠加。对于_独立的图像I1和I2 _，时间噪声为

在 Multicharts 和 Multitest 中，时间噪声在噪声分析图 1-3（简单噪声、S/N 和 SNR (dB)）中显示为虚线。

（2）多图像法。

参考ISO 15739标准 6.2.4、6.2.5 节和附录 A.1.4。可在Multicharts和Multitest中使用。目前我们使用简单噪声（尚未采用场景参考噪声）。至少选择 4 个文件。在多图像文件列表窗口（如上图所示）中，选择“读取 n 个文件以获取时间噪声” 。时间噪声是针对N 个文件中每个像素j （在以下公式中分别标记为i ）计算的。

后一种表达式用于实际计算，因为只有两个数组，需要保存。由于N是一个相对较小的数字（最小值为 4，建议至少为 8），因此必须使用维基百科标准差页面中“恒等式和数学性质”部分的样本标准差公式以及 ISO 15739 中的公式 (13) 对其进行校正：

当仅需确定时间噪声的幅值时，我们推荐使用差分法（1）。方法（2）需要更多图像（建议N≥8 ），它可以同时计算固定模式噪声和噪声图像。

要使用任一方法计算时间噪声，请读取相应数量的文件（2 个或 ≥4 个），然后在多图像设置框中按下相应的单选按钮。

两种方法的结果

我们使用 Panasonic Lumix LX5 相机（一款中等质量的小传感器相机，现在已经上市好几年了）拍摄的相同 Colorchecker 图像对这两种方法进行了比较。

差异法（1）（两个文件）

以下是两个文件的 Multicharts 结果。

多文件法（2）（至少4个文件）

以下是使用 4 个、8 个和 16 个文件运行的结果（SNR (dB)）。 对于 4 个文件，时间信噪比（细虚线）略优于标准噪声。对于 8 个文件，时间信噪比略低；对于 16 个文件，时间信噪比则略低。 对于 8 个文件和 16 个文件，结果与 2 个文件的结果更接近（尽管 8 个文件和 16 个文件之间的差异非常小）。 结论：我们推荐使用双文件（差分）方法，因为它准确且速度相对较快。多文件方法采集和分析图像的速度较慢——至少需要 8 张图像，所以何必费这个劲呢（除非你需要计算固定模式噪声）？

时间噪声图像

正如我们在基于 EMVA 1288 的平面场统计中所讨论的，时间噪声σ _diff ( j ) （定义于每个像素j ）可以显示为图像。为了使图像具有足够的显示质量，所需的样本数比方法 (2)（上文）要多。方法 (2) 用于计算图像块中的平均时间噪声，而计算图像所需的样本数远低于显示图像。32 是一个合理的最小样本数。100 或 128 则更好。

尽管时间噪声的测量方法与 EMVA 1288 相同，但两者之间存在一个重要的区别。可以使用任意图像（测试图表、自然场景等），而不仅仅是平场图像。这有助于深入了解图像处理在图像上的行为——这对于双边滤波图像尤为重要，因为在双边滤波图像中，图像处理（以及噪声）会随图像表面变化。

为了获得时间噪声图像，需要对多幅图像（通常至少 32 幅）进行信号平均。这可以通过合并多个图像文件或直接读取（如果可用，则效率更高）来实现。噪声图像的获取方法详见此处。建议使用Flatfield Interactive来显示时间噪声图像。我们回顾一下关键要点。

	点击下方任意图片即可查看完整尺寸。
要直接采集数据，请确保相机和设备管理器已设置为正确捕获目标图像。必须关闭预览才能进行调整。当设备管理器中的图像正确后，单击“保存”。
在Flatfield 交互式窗口中，将信号平均设置为一个较大的数字（此处为 128 次读取），并选中“计算图像^2 以进行平均” 。 由于Flatfield Interactive中的操作顺序，您可能需要先读取图像（在您拥有正确的设置之前），然后进行设置，然后再重新读取。 阅读时，您可能需要裁剪图像，以便更轻松地查看感兴趣的特定区域。
这是原图（已裁剪）。 由于L = 128 次平均使 SNR（信噪比）提高了 21 dB（3*log 2 ( L )），因此该图像几乎没有噪声。
这是自动调亮后的噪声图像。这能很好地展现噪声，但缺乏定量信息。 正如预期的那样，噪声在图表的尖锐边缘附近最大，在平滑区域最小。 注册商标的白色部分没有噪点，因为它完全饱和（纯白色）。
这是以伪彩色显示的噪声图像，右侧是数值标尺。
最后，这是放大后的伪彩色图像。可以清晰地看到中低质量JPEG压缩特有的8×8像素JPEG伪影。

相关页面：

• 基于 EMVA-1288 的 Flatfield 统计数据

• Flatfield 应用，第一部分

• 使用 Flatfield，第二部分