ノイズ低減

ノイズ低減は、信号からノイズを除去するプロセスです。ノイズ低減技術は、オーディオと画像に存在します。ノイズ低減アルゴリズムは、ある程度信号を歪ませる可能性があります。ノイズ除去は、コモンモード除去比のように、不要な信号成分を必要な信号成分から分離する回路の能力です。

アナログとデジタルの両方を含むすべての信号処理デバイスには、ノイズの影響を受けやすい特性があります。ノイズは、均一な周波数分布を持つランダムなノイズ (ホワイト ノイズ) の場合もあれば、デバイスのメカニズムまたは信号処理アルゴリズムによって発生する周波数依存のノイズの場合もあります。

電子システムにおける主なノイズは、熱による電子のランダムな動きによって発生するヒスノイズです。これらの電子の動きによって出力信号が急速に増加したり減少したりするため、検出可能なノイズが発生します。

写真フィルムや磁気テープの場合、媒体の粒子構造によりノイズ（可視および可聴の両方）が発生します。写真フィルムでは、フィルムの粒子のサイズによってフィルムの感度が決まり、粒子のサイズが大きいフィルムほど感度が高くなります。磁気テープでは、磁性粒子（通常は酸化鉄またはマグネタイト）の粒子が大きいほど、媒体がノイズを発生しやすくなります。これを補正するために、フィルムまたは磁気テープの面積を大きくして、ノイズを許容レベルまで下げることができます。

ノイズ低減アルゴリズムは、信号を多かれ少なかれ変化させる傾向があります。信号の変化を避けるために、ローカル信号ノイズ直交化アルゴリズムを使用することができます。^[1]

地震データ内の信号の増幅は、地震画像化^[2]、[3]、逆解析^{[4] 、 [5]}、解釈^[6]に特に重要であり、それによって石油・ガス探査の成功率が大幅に向上します。^{[7] [8] [9]}周囲のランダムノイズに埋もれた有用な信号は無視されることが多く、そのため最終的な移行画像で地震イベントの不連続やアーティファクトが偽装される可能性があります。ランダムノイズを減衰させることで地震プロファイルのエッジ特性を維持しながら有用な信号を強化すると、解釈の難しさや石油・ガス探査の誤解を招くリスクを軽減できます。

ノイズ低減の例

Audacityを使用して、 0 dB、5 dB、12 dB、30 dB の低減、150 Hzの周波数スムージング、0.15 秒のアタック/ディケイ時間でノイズを低減した例。

---

このファイルの再生に問題がありますか?メディアヘルプを参照してください。

テープ ヒスは、アナログ テープ録音のパフォーマンスを制限する問題です。これは、記録媒体に吹き付けられる磁気乳剤の粒子サイズと質感、およびテープ ヘッド間の相対的なテープ速度に関係しています。

ノイズ低減には、シングルエンド事前録音、シングルエンドヒス低減、シングルエンド表面ノイズ低減、コーデックまたはデュアルエンドシステムの4種類があります。シングルエンド事前録音システム（Dolby HX Proなど）は、録音時に記録媒体に作用します。シングルエンドヒス低減システム（DNL ^[10]やDNRなど）は、録音プロセスの前後やライブ放送アプリケーションなど、発生したノイズを低減します。シングルエンド表面ノイズ低減（CEDARや以前のSAE 5000A、Burwen TNE 7000、Packburn 101/323/323A/323AAおよび325 ^{[11]など）は、}レコードの再生時に、傷、ポップノイズ、表面の非線形性に対処するために使用されます。位相線形オートコレレータ ノイズ低減およびダイナミック レンジ回復システム (モデル 1000 および 4000) などのシングルエンド ダイナミック レンジエクスパンダーは、古い録音からのさまざまなノイズを低減できます。デュアルエンド システム (ドルビー ノイズ低減システムまたはdbxなど) では、録音中にプリエンファシス プロセスが適用され、再生中にデエンファシス プロセスが適用されます。

現代のデジタル サウンド録音では、テープ ヒスを気にする必要がないため、アナログ スタイルのノイズ低減システムは必要ありません。ただし、興味深いのは、ディザシステムは信号にノイズを追加して品質を向上させるという点です。

デュアルエンドコンパンダーノイズ低減システムでは、録音時にプリエンファシス プロセスが適用され、再生時にデエンファシス プロセスが適用されます。システムには、ドルビーラボラトリーズのプロフェッショナルシステムであるドルビーA ^[10]とドルビーSR、dbxのdbx Professionalとdbx Type I、ドナルド・オルダスのEMT NoiseBX、^[12]バーウェン・ノイズ・エリミネーター [it]、^{[13] [14] [15]}テレフンケンのtelcom c4  [de] ^[10]、MXRイノベーションズのMXR ^{[16] 、}そして消費者向けシステムであるドルビーNR、ドルビーB、^[10]ドルビーCとドルビーS、dbx Type II、^[10]テレフンケンのHigh Com ^[10]とナカミチのHigh-Com II、東芝（Aurex AD-4）のadres  [ja]、^{[10] [17]} JVCのANRS  [ja] ^{[10] [17]}とSuper ANRSが含まれます。^{[10] [17]}フィッシャー/サンヨーのスーパーD、^{[18] [10] [17]} SNRS、^[17]ハンガリー/東ドイツのEx-Koシステム。^{[19] [17]}

一部のコンパンダーシステムでは、圧縮はプロのメディア制作時に行われ、リスナーによってのみ拡張が適用されます。たとえば、ビニール録音に使用されるdbxディスク、High-Com II、CX 20 ^[17]、UCや、 FMラジオ放送に使用される Dolby FM、High Com FM、FMXなどのシステムです。

最初に広く使われたオーディオノイズ低減技術は、 1966 年にレイ・ドルビーによって開発されました。プロの使用を目的としたドルビー タイプ A は、4 つの帯域の周波数の振幅が録音 (エンコード) 中に増加し、再生 (デコード) 中に比例して減少するエンコード/デコード システムでした。特に、オーディオ信号の静かな部分を録音する場合、1 kHz を超える周波数がブーストされます。これにより、テープ上の信号対雑音比が、最初の信号音量に応じて最大 10 dB 増加する効果がありました。再生されると、デコーダーはプロセスを逆にして、ノイズ レベルを最大 10 dB 削減しました。

ドルビー B システム (ヘンリー・クロスと共同開発) は、消費者向け製品向けに設計されたシングルバンド システムです。ドルビー B システムはドルビー A ほど効果的ではありませんが、デコーダーのない再生システムでも聴けるという利点があります。

テレフンケンの ハイコム集積回路U401BRは、ほぼドルビーB互換のコンパンダーとしても使用できます。 ^[20]後期世代のハイコムテープデッキのさまざまな機種では、ドルビーBをエミュレートするD NRエクスパンダー機能は再生時だけでなく、非公式の機能として録音時にも機能しました。

dbxは、 Dbx社の創設者であるDavid E. Blackmerによって開発された競合するアナログノイズ低減システムでした。 ^[21]これは、ノイズが発生しやすい高周波数をブーストし、信号全体を2:1コンパンダーに通したルート平均二乗（RMS）エンコード/デコードアルゴリズムを使用しました。dbxは可聴帯域全体で動作し、Dolby Bとは異なりデコーダなしでは使用できませんでした。ただし、最大30dBのノイズ低減を実現できました。

アナログビデオ録画では、輝度部分 (ダイレクト カラー システムの複合ビデオ信号) に周波数変調が使用され、テープが飽和レベルに維持されるため、オーディオ スタイルのノイズ低減は不要です。

ダイナミックノイズリミッター（DNL ）は、もともと1971年にフィリップスがカセットデッキ用に導入したオーディオノイズ低減システムです。^[10] その回路も単一チップに基づいています。^{[22] [23]}

これは、長距離電話のノイズレベルを低減するために、ナショナルセミコンダクターによってダイナミックノイズリダクション（DNR）にさらに開発されました。^{[24] 1981年に初めて販売されたDNRは、はるかに一般的な}ドルビーノイズリダクションシステムとよく混同されます。^[25]

ドルビーやdbxのタイプIおよびタイプIIのノイズ低減システムとは異なり、DNLとDNRは再生専用の信号処理システムであり、ソース素材を最初にエンコードする必要はありません。磁気テープ録音やFMラジオ放送を含むあらゆるオーディオ信号からバックグラウンドノイズを除去するために使用でき、ノイズを最大10dB低減できます。^[26]また、DNRを適用する前に使用して、DNRが他のノイズ低減システムのミストラックを引き起こすのを防ぐことを条件に、他のノイズ低減システムと組み合わせて使用​​することもできます。^[27]

DNRが最初に広く採用されたのは、1984年に米国GM車に搭載されたGM デルコの カーステレオシステムでした。 ^{[28]また、1980年代には}チェロキーXJなどのジープ車の純正カーステレオにも使用されました。今日では、DNR、DNL、および同様のシステムは、マイクロフォンシステムのノイズ低減システムとして最も一般的に使用されています。^[29]

2 番目のクラスのアルゴリズムは、局所的な特性を持ち、しばしば時間周波数フィルタと呼ばれるいくつかの線形または非線形フィルタを使用して、時間周波数領域で動作します。^{[30] [ページ必要]}したがって、この時間周波数領域で動作するスペクトル編集ツールを使用してノイズを除去することもできます。これにより、近くの信号エネルギーに影響を与えずに局所的な変更が可能になります。これは、ペイント プログラムで絵を描くのと同じように手動で行うことができます。別の方法は、ノイズをフィルタリングするための動的しきい値を定義することです。これは、やはり局所的な時間周波数領域に関して、局所信号から得られます。しきい値より下のものはすべてフィルタリングされ、音声の部分音や必要なノイズなど、しきい値より上のものはすべてそのままになります。領域は通常、信号の瞬間周波数の位置によって定義されます。^[31]これは、保持される信号エネルギーのほとんどがその周囲に集中しているためです。

さらに別のアプローチは、アマチュア無線トランシーバーやCB 無線トランシーバーなどによく見られる自動ノイズ リミッターとノイズ ブランカーです。前述のフィルターは両方とも、トランシーバー自体に応じて、個別に使用することも、同時に組み合わせて使用​​することもできます。

ほとんどのデジタル オーディオ ワークステーション(DAW) とオーディオ編集ソフトウェアには、1 つ以上のノイズ低減機能が備わっています。

デジタルカメラや従来のフィルムカメラで撮影した画像には、さまざまなソースからのノイズが混入します。これらの画像をさらに使用するには、美観上の目的、またはコンピュータービジョンなどの実用的な目的のために、ノイズを低減する必要が生じることがよくあります。

ソルトアンドペッパーノイズ（まばらな明暗の乱れ）^{[32]はインパルスノイズ[33]} とも呼ばれ、画像内のピクセルの色や強度が周囲のピクセルと大きく異なります。ノイズのあるピクセルの値は周囲のピクセルの色とは無関係であるという特徴があります。画像を見ると、暗い点と白い点が混じっているため、ソルトアンドペッパーノイズと呼ばれます。通常、このタイプのノイズは少数の画像ピクセルにしか影響しません。一般的なノイズ源としては、カメラ内部のほこりの粒子や、CCD素子の過熱や故障などが挙げられます。

ガウスノイズ^[34]では、画像内の各ピクセルは、（通常は）わずかな量だけ元の値から変化します。ヒストグラムは、ピクセル値の歪みの量とその発生頻度をプロットしたもので、ノイズの正規分布を示します。他の分布も可能ですが、異なるノイズの合計はガウス分布に近づく傾向があるという 中心極限定理により、ガウス（正規）分布は通常、良いモデルです。

どちらの場合でも、異なるピクセルのノイズは相関している場合も無相関の場合もあり、多くの場合、異なるピクセルのノイズ値は独立しており、同一に分布しているため無相関であるとモデル化されます。

画像処理には多くのノイズ低減アルゴリズムがあります。^[35]ノイズ低減アルゴリズムを選択する際には、いくつかの要素を考慮する必要があります。

• 利用可能なコンピュータのパワーと時間: デジタルカメラは、小さなオンボードCPUを使用して、ほんの一瞬でノイズ低減を適用する必要がありますが、デスクトップコンピュータには、はるかに多くのパワーと時間があります。
• より多くのノイズを除去できるのであれば、実際のディテールの一部を犠牲にすることが許容されるかどうか（画像の変化がノイズであるかどうかをどれだけ積極的に判断するか）
• ノイズの特性と画像の詳細を把握し、より適切な判断を下せるようにする

実際の写真では、最も高い空間周波数の詳細は、色相の変化 (彩度の詳細) ではなく、明るさの変化 (輝度の詳細) から構成されます。ほとんどの写真のノイズ低減アルゴリズムは、画像の詳細を彩度と輝度のコンポーネントに分割し、前者にさらにノイズ低減を適用するか、ユーザーが彩度と輝度のノイズ低減を個別に制御できるようにします。

ノイズを除去する方法の 1 つは、ローパス フィルターまたはスムージング操作を表すマスクを使用して元の画像を畳み込むことです。たとえば、ガウス マスクは、ガウス関数によって決定される要素で構成されます。この畳み込みにより、各ピクセルの値が隣接するピクセルの値とより調和するようになります。一般に、スムージング フィルターは、各ピクセルをそのピクセル自体と隣接するピクセルの平均値または加重平均に設定します。ガウス フィルターは、重みの可能なセットの 1 つにすぎません。

スムージング フィルターは、周囲のピクセル強度値よりも大幅に高いか低いピクセル強度値が領域全体に広がるため、画像がぼやける傾向があります。このぼやけのため、線形フィルターは実際にはノイズ低減にほとんど使用されません。 ^{[引用が必要]}ただし、非線形ノイズ低減フィルターの基礎としてよく使用されます。

ノイズを除去する別の方法は、熱方程式に似た平滑化偏微分方程式の下で画像を展開することです。これは異方性拡散と呼ばれます。空間的に一定の拡散係数では、これは熱方程式または線形ガウスフィルタリングと同等ですが、エッジを検出するように設計された拡散係数を使用すると、画像のエッジをぼかすことなくノイズを除去できます。

ノイズを除去するもう 1 つの方法は、画像内のすべてのピクセルの非局所的な平均化に基づいています。特に、ピクセルの重み付けの量は、そのピクセルを中心とする小さなパッチと、ノイズ除去されるピクセルを中心とする小さなパッチとの類似度に基づいています。

メジアンフィルターは非線形フィルターの一例であり、適切に設計されていれば、画像の詳細を保持するのに非常に優れています。メジアン フィルターを実行するには、次の手順を実行します。

1. 画像の各ピクセルを考慮する
2. 隣接するピクセルを強度に基づいて並べ替える
3. ピクセルの元の値をリストの中央値に置き換えます

メジアンフィルタはランク選択（RS）フィルタであり、ランク条件付きランク選択（RCRS）フィルタのファミリーの中でも特に厳しいメンバーです。^[36]このファミリーのはるかに穏やかなメンバー、例えば、ピクセルの値が近傍の外側にある場合に最も近い近傍の値を選択し、それ以外の場合は変更しないフィルタは、特に写真アプリケーションでは好まれることがあります。

中央値およびその他の RCRS フィルターは、画像からごま塩ノイズを除去するのに適しており、エッジのぼやけも比較的少ないため、コンピューター ビジョン アプリケーションでよく使用されます。

画像ノイズ除去アルゴリズムの主な目的は、ウェーブレットフィルタバンクを使用してノイズ低減^[37]と特徴保存^{[38]の両方を達成することです。 [39]}この文脈では、ウェーブレットベースの方法が特に重要です。ウェーブレット領域では、ノイズは係数全体に均一に分散していますが、画像情報のほとんどはいくつかの大きな係数に集中しています。^[40]そのため、最初のウェーブレットベースのノイズ除去方法は、詳細サブバンド係数のしきい値設定に基づいていました。^{[41] [ページが必要]}しかし、ほとんどのウェーブレットしきい値設定方法には、選択したしきい値が異なるスケールと方向での信号とノイズ成分の特定の分布と一致しない可能性があるという欠点があります。

これらの欠点に対処するために、ベイズ理論に基づく非線形推定器が開発されました。ベイズの枠組みでは、信号とノイズ成分の正確な統計的記述を採用すれば、ノイズ除去アルゴリズムはノイズ低減と特徴保存の両方を達成できることが認識されています。^[40]

画像のノイズ除去のための統計的手法も存在します。ガウス ノイズの場合、グレースケール画像内のピクセルを自動正規分布としてモデル化できます。この場合、各ピクセルの実際のグレースケール値は、平均が隣接するピクセルの平均グレースケール値と指定された分散に等しくなるように正規分布します。

番目のピクセルに隣接するピクセルを表すとします。すると、番目のノードにおけるグレースケール強度の条件付き分布（スケール上）は次のようになります。 ${\displaystyle \delta _{i}}$${\displaystyle i}$${\displaystyle [0,1]}$${\displaystyle i}$

${\displaystyle \mathbb {P} {\big (}x(i)=c\mid x(j)\,\forall j\in \delta _{i}{\big )}\propto \exp \left({-{\frac {\beta }{2\lambda }}\sum _{j\in \delta _{i}}{\big (}c-x(j){\big )}^{2}}\right)}$

選択されたパラメータと分散に対して。自己正規モデルを使用するノイズ除去の1つの方法は、画像データをベイズ事前分布として使用し、自己正規密度を尤度関数として使用し、結果として得られる事後分布はノイズ除去画像として平均またはモードを提供します。^{[42] [43]}${\displaystyle \beta \geq 0}$${\displaystyle \lambda }$

ブロックマッチングアルゴリズムは、同じサイズの重なり合ったマクロブロックの類似した画像フラグメントをグループ化するために適用できます。類似したマクロブロックのスタックは変換領域で一緒にフィルタリングされ、各画像フラグメントは最終的に重なり合ったピクセルの加重平均を使用して元の場所に復元されます。^[44]

収縮フィールドはランダムフィールドベースの機械学習技術であり、ブロックマッチングや3Dフィルタリングに匹敵するパフォーマンスをもたらしますが、計算オーバーヘッドがはるかに低いため、組み込みシステム内で直接実行できます。^[45]

^{ノイズ低減[46]}や画像修復タスクを達成するために、さまざまな深層学習アプローチが提案されている。Deep Image Priorは畳み込みニューラルネットワークを活用したそのような技術の1つであり、事前のトレーニングデータを必要としないという点で注目に値する。^[47]

ほとんどの汎用画像および写真編集ソフトウェアには、1 つ以上のノイズ低減機能 (中央値、ぼかし、斑点除去など) が備わっています。

• フィルタ（信号処理）
• 信号サブスペース

• 防音を含む建築音響
• クリック削除
• コーデックリスニングテスト
• ノイズブランカー
• ノイズプリント
• ノイズキャンセリングヘッドフォン
• サウンドマスキング

• ダークフレーム減算
• デジタル画像処理
• トータルバリエーションノイズ除去
• ビデオノイズ除去

• ぼかし除去

• ノイズ除去チュートリアルの最近の傾向
• 写真のノイズ低減