測量時間噪音

Introduction

時間噪聲是一種隨機噪聲，它隨影像獨立變化，與模式固定的噪聲（模式固定的噪聲保持不變，但由於其強度通常遠低於時間噪聲，因此可能難以測量）形成對比。時間雜訊可以透過Colorcheck和Stepchart進行分析，並且在Imatest 5.1中已加入Color/Tone Interactive和Color/Tone Fixed 模式中。

它可以透過兩種方法計算。

1. 兩個相同的測試圖表圖像之間的差異（ Imatest推薦的方法），以及

2. 基於ISO 15739 的方法，它是透過計算N 張相同影像（ N ≥ 8）的平均值與每張單獨影像之間的像素差異來計算的。

在這篇文章中，我們將比較這兩種方法，並說明為什麼方法 1 更可取。

（1）雙影像差分法。

在任意模組中，讀取兩張影像。此時會顯示右側的視窗。選擇“讀取兩個檔案以測量時間雜訊”單選按鈕。

讀取這兩個檔案並計算它們的差值（以消除固定模式雜訊）。由於這些影像是獨立的，雜訊功率會疊加。對於_獨立的影像I1和I2 _，時間雜訊為

在 Multicharts 和 Multitest 中，時間雜訊在雜訊分析圖 1-3（簡單雜訊、S/N 和 SNR (dB)）中顯示為虛線。

（2）多圖像法。

參考ISO 15739標準 6.2.4、6.2.5 節和附錄 A.1.4。可在Multicharts和Multitest中使用。目前我們使用簡單噪音（尚未採用場景參考噪音）。至少選擇 4 個檔案。在多影像檔案清單視窗（如上圖所示）中，選擇「讀取 n 個檔案以取得時間雜訊」 。時間雜訊是針對N 個檔案中每個像素j （在以下公式中分別標記為i ）計算的。

後一種表達式用於實際計算，因為只有兩個數組，需要保存。由於N是一個相對較小的數字（最小值為 4，建議至少為 8），因此必須使用維基百科標準差頁面中「恆等式和數學性質」部分的樣本標準差公式以及 ISO 15739 中的公式 (13) 對其進行校正：

當僅需確定時間雜訊的振幅時，我們建議使用差分法（1）。方法（2）需要更多影像（建議N≥8 ），它可以同時計算固定模式雜訊和雜訊影像。

若要使用任一方法計算時間噪聲，請讀取對應數量的檔案（2 個或 ≥4 個），然後在多重影像設定框中按下對應的單選按鈕。

兩種方法的結果

我們使用 Panasonic Lumix LX5 相機（一款中等品質的小感光元件相機，現在已經上市好幾年了）拍攝的相同 Colorchecker 影像對這兩種方法進行了比較。

差異法（1）（兩份文件）

以下是兩個檔案的 Multicharts 結果。

多文件法（2）（至少4個文件）

以下是使用 4 個、8 個和 16 個檔案運行的結果（SNR (dB)）。 對於 4 個文件，時間訊號雜訊比（細虛線）略優於標準雜訊。對於 8 個文件，時間訊號雜訊比略低；對於 16 個文件，時間訊號雜訊比則略低。 對於 8 個文件和 16 個文件，結果與 2 個文件的結果更接近（儘管 8 個文件和 16 個文件之間的差異非常小）。 結論：我們建議使用雙檔案（差分）方法，因為它準確且速度相對較快。多檔案方法擷取和分析影像的速度較慢－至少需要 8 張影像，所以何必費這個勁呢（除非你需要計算固定模式雜訊）？

時域雜訊影像

正如我們在基於 EMVA 1288 的平面場統計中所討論的，時間雜訊σ _diff ( j ) （定義於每個像素j ）可以顯示為影像。為了使影像具有足夠的顯示質量，所需的樣本數比方法 (2)（上文）要多。方法 (2) 用於計算影像區塊中的平均時間噪聲，而計算影像所需的樣本數遠低於顯示影像。 32 是一個合理的最小樣本數。 100 或 128 則更好。

儘管時間雜訊的測量方法與 EMVA 1288 相同，但兩者之間存在一個重要的差異。可以使用任意影像（測試圖表、自然場景等），而不僅僅是平場影像。這有助於深入了解影像處理在影像上的行為—這對於雙邊濾波影像尤其重要，因為在雙邊濾波影像中，影像處理（以及雜訊）會隨影像表面變化。

為了獲得時間雜訊影像，需要對多幅影像（通常至少 32 幅）進行訊號平均。這可以透過合併多個影像檔案或直接讀取（如果可用，則效率更高）來實現。雜訊影像的取得方法詳見此處。建議使用Flatfield Interactive來顯示時間雜訊影像。讓我們回顧一下關鍵要點。

	點擊下方任一圖片即可查看完整尺寸。
若要直接擷取數據，請確保相機和裝置管理員已設定為正確擷取目標影像。必須關閉預覽才能進行調整。當裝置管理員中的影像正確後，按一下「儲存」。
在Flatfield 互動式視窗中，將訊號平均設定為一個較大的數字（此處為 128 次讀取），並選取「計算影像^2 以進行平均」 。 由於Flatfield Interactive中的操作順序，您可能需要先讀取影像（在您擁有正確的設定之前），然後進行設置，然後再重新讀取。 閱讀時，您可能需要裁剪圖像，以便更輕鬆地查看感興趣的特定區域。
這是原圖（已裁切）。 由於L = 128 次平均使 SNR（訊號雜訊比）提高了 21 dB（3*log 2 ( L )），因此此影像幾乎沒有雜訊。
這是自動調亮後的雜訊影像。這能很好地展現噪聲，但缺乏定量資訊。 正如預期的那樣，噪聲在圖表的尖銳邊緣附近最大，在平滑區域最小。 註冊商標的白色部分沒有雜訊，因為它完全飽和（純白色）。
這是以偽彩色顯示的雜訊影像，右側是數值標尺。
最後，這是放大後的偽彩色影像。可以清晰地看到中低品質JPEG壓縮特有的8×8像素JPEG偽影。

相關頁面：

• 基於 EMVA-1288 的 Flatfield 統計數據

• Flatfield 應用，第一部分

• 使用 Flatfield，第二部分