噪音降低
本條目存在以下問題，請協助改善本條目或在討論頁針對議題發表看法。
|
噪音降低，又稱降噪，是指從信號中去除噪音或雜訊成分。無論是類比或是數位訊號，只要有信號的存在，都會受到噪音的影響。其中，又以聲音和圖像的降噪技術最貼近生活需求（如：耳機的降噪功能、圖像的雜訊去除）。
噪音介紹 编辑
噪音可以是有規律頻率分布的隨機噪音（如：白噪音），或者由機器與設備，或是演算法引進的噪音，後者會跟著頻率有所浮動。以下舉幾個噪音的常見例子：
- 在電子系統中，主要的噪音為電子受熱運動，而產生的熱擾動雜訊（詹森–奈基斯特雜訊），又因為其聲音類似風聲而被稱為Hiss。熱擾動雜訊可以經由輸出訊號的增減來建立出規律，藉此消除此噪音干擾。
- 在聲音訊號中，又分為低頻的雜音（稱為Hum）、像風聲的雜音（稱為Hiss）以及高頻的雜音（稱為Buzz），各有不同的成因。舉例來說，若以音箱為設備發出的三種雜音來看，Hum可能來自接地線的問題，要檢查電源是否反向、周邊器材與電器的連接；Hiss則可能是因為音箱中的真空管老舊而產生的問題；Buzz則可能是由於遭到其他訊號干擾，需要做Shielding才能排除問題。
- 在攝影底片與磁帶的雜訊，多是來自材質本身的顆粒結構（Film Grain （页面存档备份，存于互联网档案馆））問題。在攝影底片中，底片中顆粒的大小決定了底片的靈敏度，靈敏度較高的底片具有較大的顆粒大小。而在磁帶中，磁性粒子的顆粒越大，媒介就越容易產生噪音。使用更大面積的底片或磁帶，有機會降低噪音到可接受的水平。
常見需降噪之應用領域及其降噪方式 编辑
以下透過介紹幾個常見的噪音種類，以及其解決方式進行探討
地震數據採集 编辑
在地震數據採集中，由於無感的地震訊號十分微弱，增強信號對於地震成像、震源反推與整個地震活動的詮釋都極為重要。其中，在探勘石油與天然氣時，可以利用此技術降噪，提高油氣勘探的成功率。由於真實信號在背景的隨機噪音中相對難以辨認，在分析訊號時常常被忽略，最終導致重建地震事件時，判斷出錯誤的不連續性和瑕疵。因此，通過減弱隨機噪音來增強有用信號，並保留地震剖面的邊緣特性，可以降低地震事件分析的錯誤率，以及對油氣檢測誤判的風險。
聲音雜訊 编辑
聲音雜訊是指在音訊中，存在的額外聲音成分。這些聲音成分可能是來自環境噪聲、設備噪聲、信號傳輸中的干擾或其他外部干擾源。聲音雜訊可以對音訊品質和清晰度產生負面影響，降低聆聽體驗和語音辨識的準確性。
常見的降噪方式有四種，為單端預錄[1]（Single-Ended Pre-Recording）、單端嘶聲降噪（Single-Ended Hiss Reduction）和編解碼器（Codec）或雙端系統（Dual-Ended Noise Reduction System）。
- 在單端預錄中，聲音雜訊在錄製過程中會同時記錄下來，並在後續的處理中，使用降噪演算法進行處理。其目標是從錄製好的音訊中，去除或減少噪聲成分，以提高聲音的清晰度和質量。
- 單端嘶聲降噪，會針對如嘶聲（Hiss）一般的噪音，進行降噪。常用於音訊錄製和播放設備中。此類雜訊通常是由設備自身的電子元件，或信號傳輸中的干擾引起的高頻噪聲。此時演算法會專注於去除或減少嘶聲噪聲的成分，以提高音訊的品質和清晰度。這些算法通常基於信號處理和統計分析技術（如：頻遇濾波、自適應濾波與頻譜修復）
- 表面噪音是指由於磁帶、唱片或其他媒介的表面有瑕疵或損害，因而引起的噪音現象。單端表面噪音減少即是針對此問題作處理。經常應用在播放唱片時，解決刮痕、爆音和表面非線性問題。像是相位線性自動降噪（Phase Linear Autocorrelator Noise Reduction），和動態範圍恢復系統（Dynamic Range Recovery System）這樣的單端動態範圍擴展器，可以減少舊錄音中的各種噪音。
- 雙端系統會透過同時分析訊號的來源端，以及接收端兩方向的訊號，進行降噪的處理。系統首先會取得來源端的噪音，做為參考訊號並建立模型，描述此噪音的統計與頻譜特性。接著，系統會使用這些參考信號對收端進行降噪處理，以此改善信號的清晰度及其品質。
影像雜訊 编辑
無論是傳統底片相機，或是數位相機拍攝出來的照片，都會有噪音（或稱雜訊）的存在，而雜訊有許多不同的來源。雜訊會影響觀感問題，為了美觀，或後續進入市場、運用在電腦視覺的領域，都會需要降低雜訊。以下分別介紹雜訊種類與降噪方式。
常見雜訊種類 编辑
- 椒鹽雜訊（Salt and pepper noise）
- 椒鹽雜訊，圖像中會有隨機出現的白點和黑點，故稱之。也稱為脈衝雜訊，是影像中常見的一種噪音類型。椒鹽雜訊的成因可能是影像訊號受到突如其來的強烈干擾而產生、模數轉換器或位元傳輸錯誤等。常用的去除這種雜訊的有效手段為中值濾波器、偽中值濾波器與異常檢測。
- 高斯雜訊（Gaussian noise）
- 高斯雜訊，其雜訊的機率密度函數與常態分布（高斯分布）相同，故稱之。在圖像中，每個像素值有機率偏離原本的值，偏離的部分稱為失真。此時建立一個直方圖，以發生的頻率為橫軸、像素值失真的量為縱軸，會呈現出雜訊的分布狀態，若相似於常態分布，便稱之為高斯雜訊。
- 由於中心極限定理指出，多次實驗結果，或說不同雜訊的總和，皆會趨近於高斯分布，因此以高斯雜訊作為模型是很不錯的選擇。
- 高感光度雜訊（High ISO noise）
- 人類的感光又分為明度以及色度。高感光度雜訊，也分為明度雜訊（Luminance Noise）和色彩雜訊（Chroma Noise）。明度雜訊通常是圖像中的灰階雜質，讓圖像看起來不構平滑；而色彩雜訊則是指圖像中純色部份，出現雜色的情況，通常是紅色或綠色的雜訊。
常見雜訊抑制方式 编辑
- 高感光度雜訊抑制
- 此外，大多數人認為，色彩雜訊在影像中造成的不適感遠大於明度雜訊；與顆粒狀的明度雜訊相比，色彩雜訊會產生數位感與不自然感。因此，大多數降噪演算法會將圖像細節分為色度和明度組件，並對色度進行更多的降噪處理。
- 濾波器是十分常見的影像降噪方式，如：低通濾波器與平滑濾波器。降噪中會使用濾波器作為遮罩（mask），將圖片與遮罩做卷積 運算（convolution），便能除去雜訊。舉例來說，高斯遮罩便是由高斯函數所組成，與每一個像素進行卷積，使每個像素的值與鄰近像素的值接近，藉此達到平滑濾波的效果。
- 然而，由於多數平滑濾波器是取自身與附近鄰居的平均值，作為本身像素的值，因此往往會使圖像變得模糊，也因此線性濾波器在實際降噪上很少使用，但仍能為非線性濾波器的基礎。
- 非線性濾波器
- 非線性濾波器基於線性濾波器的基礎，針對特殊情況進行改善與調整，適當設計過後可以良好保留圖形細節，以下以中值濾波器作為例子。
- 中值濾波器為非線性的數位濾波器，其作法是將遮罩包含的數據，由小至大排列並取出中位數，以中位數取代中心數據。若今天雜訊的中心數值遠大於鄰近像素（如：數值差異大的點狀雜訊），因為數值差距太大，取均值時會把雜訊帶入真實數值中，所以線性平滑濾波器的效果會變得很差。這時改使用中值濾波器降噪，則可改善。
- 小波降噪
- 小波降噪為建立在小波轉換 多解析基礎上的方法，傳統降噪方式是假定信號與噪音在不同的頻帶進行分析，然而，實際上噪音的頻率往往分布在整個頻率軸上。小波轉換有去除信號相關性以及集中信號能量的功能，因此，小波轉換能夠將信號集中到某些頻帶，再給予其他頻帶的小波係數較小的權重，以此達到降噪的功能。其中，又以小波閾值去噪最為常用。
- 小波閾值降噪會先設置一個臨界閾值，若小波係數小於閾值，責任為此係數來自噪音；若大於閾值，則認定此係數來自信號。保留係數，然後再利用處理後的小波係數，重新還原出去除雜訊後的影像。相比以往的其他降噪方法，小波變換在低信雜比情況下的降噪效果較好，降噪後的信號識別率較高，同時小波降噪方法對時變信號和突變信號的降噪效果尤其明顯。
相關參見 编辑
音訊
影像