{"id":686,"date":"2018-08-07T22:00:00","date_gmt":"2018-08-07T22:00:00","guid":{"rendered":"https:\/\/framos.com\/articles\/vision-insights-beurteilen-und-beseitigen-von-bildrauschen\/"},"modified":"2024-04-24T21:20:25","modified_gmt":"2024-04-24T21:20:25","slug":"vision-insights-beurteilen-und-beseitigen-von-bildrauschen","status":"publish","type":"articles","link":"https:\/\/framos.com\/de\/fachartikel\/vision-insights-beurteilen-und-beseitigen-von-bildrauschen\/","title":{"rendered":"Vision Insights: Beurteilen und Beseitigen von Bildrauschen"},"content":{"rendered":"

Bildrauschen – Freund oder Feind? Seit der Erfindung elektronischer Sensoren in der Bildverarbeitung haben sich Ingenieure wiederholt diese Frage gestellt.<\/h3>\n

Verrauschte Bilder in Vision-Systemen sind aus Nutzersicht zweifelsohne keine guten Bilder, und dieses Problem wird durch die hohe Empfindlichkeit des menschlichen Auges verst\u00e4rkt. Auch f\u00fcr Algorithmen f\u00fchrt Rauschen zu einer erschwerten und weniger exakten Analyse. F\u00fcr einen Kamerahersteller dagegen enth\u00e4lt das Rauschen eine F\u00fclle von Informationen \u00fcber den Sensor und die zugrunde liegende Elektronik. Das Rauschen ist der beste Freund des Entwicklers. Eine sorgf\u00e4ltige Auswertung des Bildrauschens f\u00fchrt zum bestm\u00f6glichen Kameradesign und mittelbar auch zum bestm\u00f6glichen Bild f\u00fcr einen bestimmten Sensor.<\/p><\/blockquote>\n

Bildrauschen kann zahlreiche verschiedene Ursachen haben. Einige von ihnen sind auf das Sensordesign zur\u00fcckzuf\u00fchren, andere auf weitere in der Kamera enthaltene elektronische Komponenten. Einige Ursachen lassen sich vermeiden, andere nicht. Viele lassen sich jedoch korrigieren. Der Artikel zeigt die g\u00e4ngigsten Quellen f\u00fcr Rauschen und beschreibt mit welchen Methoden sie sich gegebenenfalls vermeiden lassen. Rauschen kann prinzipiell in zwei Arten unterschieden werden: \u00c3\u2013rtliches Rauschen wie das Fixed Pattern Noise und zuf\u00e4lliges bzw. zeitliche Rauschen von Quellen, die sich von Bild zu Bild \u00e4ndern k\u00f6nnen.<\/p>\n

1. Fixed Pattern Noise<\/h2>\n

Fixed Pattern Noise ist ein \u00f6rtliches Rauschen, was bedeutet, dass es bei jedem Bild an derselben Stelle auftritt. Aus Benutzersicht ist diese Form des Rauschens extrem st\u00f6rend, da das menschliche Gehirn sehr empfindlich auf visuelle Muster reagiert. Wird das Bild mit einem Algorithmus analysiert, l\u00e4sst sich diese Form des Rauschens allerdings leicht korrigieren.<\/p>\n

1.1 Dunkelstromrauschen<\/strong>
\nDie Ladungsgenerierung ist eine charakteristische Eigenschaft von Halbleitern und Bildsensoren. Aufgrund leichter Fertigungsdifferenzen variiert der in den einzelnen Pixeln erzeugte Dunkelstrom etwas, wodurch ein bestimmtes Rauschmuster entsteht. Dieses Muster kann korrigiert werden, indem ein Dunkelreferenzbild von den erfassten Bildern subtrahiert wird. Das Dunkelreferenzbild muss f\u00fcr verschiedene Temperaturen aufgenommen werden, da die Ladungserzeugung temperaturabh\u00e4ngig ist. Somit wird die Dark Signal Non-Uniformity (DSNU) korrigiert, nicht aber ihr Rauschen. Da die Ladungsgenerierung einer Poisson-Verteilung folgt, entspricht das mit ihr einhergehende Rauschen der Quadratwurzel des Dunkelstromwertes.<\/p>\n

1.2 Column-FPN<\/strong>
\nBei CMOS-Sensoren verwenden die Pixel jeder Spalte denselben Analog-Digital-Wandler (ADC). Die Unterschiede zwischen diesen Schaltungen, die haupts\u00e4chlich in unterschiedlichen Offsets bestehen, f\u00fchren zu leichten Differenzen zwischen den Werten benachbarter Pixelspalten. Allerdings wird eine Abweichung um nur ein Prozent bereits als sehr stark wahrgenommen im Bild. Um den Offset der einzelnen Spalte zu bestimmen und zu kompensieren und so ein homogenes Bild zu erhalten, kommen verschiedene Methoden zum Einsatz. \u00c3\u0153blicherweise wird hierbei der Wert der sogenannten optisch schwarzen Pixel (black pixels) verwendet, die sich am oberen Spaltenrand befinden und vor Licht gesch\u00fctzt sind.<\/p>\n

1.3 Defekte<\/strong>
\nWie bereits erw\u00e4hnt wurde, sind die Fertigungsprozesse nicht 100% gleichm\u00e4\u00dfig. Defekte in Form verunreinigter Atome oder Ver\u00e4nderungen der Kristallstruktur des Halbleitermaterials k\u00f6nnen vorkommen. Diese Defekte f\u00fchren zu \u00fcberm\u00e4\u00dfigen Ladungen oder deren Ableitung und tragen so zu dem \u00f6rtlichen Rauschen bei. Diese Defekte werden in der Regel durch einen Algorithmus korrigiert, der die Werte der betroffenen Pixel durch den Mittelwert benachbarter Pixel ersetzt.<\/p>\n

1.4 Photo Response Non-Uniformity (PRNU)<\/strong>
\nDiese Art von Rauschen hat ihren Ursprung in der Struktur der Pixel. Aufgrund von Unw\u00e4gbarkeiten bei der Herstellung sind Pixel nur nahezu identisch, die Signalausgabe kann durch kleine Abweichungen leicht schwanken. Da jedes Pixel eine lineare Reaktion auf die Beleuchtungsst\u00e4rke aufweist, bleiben auch die Unterschiede zwischen den Pixelsignalen konstant. Somit ist es m\u00f6glich, einen Algorithmus zu entwickeln, der die Abweichungen korrigiert. Nahe der S\u00e4ttigungskapazit\u00e4t weichen die Pixel \u00fcblicherweise von der Linearit\u00e4t ab und ein solcher Algorithmus schl\u00e4gt fehl. Aber die Sensorhersteller konfigurieren ihre Sensoren zumeist so, dass die absoluten S\u00e4ttigungskapazit\u00e4t der Pixel nicht erreicht wird.<\/p>\n

2. Random noise<\/h2>\n

Wie es der Name bereits sagt, tritt das Random Noise oder tempor\u00e4res Rauschen unvorhergesehen auf. Aus Benutzersicht wird diese Form des Rauschens als nicht so st\u00f6rend wahrgenommen wie das Fixed Pattern Noise, da unser Gehirn bei der Auswertung von Bildern dagegen nicht so empfindlich ist. F\u00fcr einen Bildverarbeitungsalgorithmus kann diese Art des Rauschens jedoch problematisch sein, da es sich nur schwer von feinen Texturen unterscheiden l\u00e4sst. Aus technischer Sicht stellt die Unvorhersehbarkeit in der Tat ein Problem dar und macht aktive Kompensationsmechanismen erforderlich. Eine der einfachsten Methoden besteht darin, den Durchschnittswert einer Reihe von Bildern zu bilden.<\/p>\n

2.1 Photon-Shot-Noise<\/strong>
\nPhotonen treffen nicht gleichm\u00e4\u00dfig auf den Sensor auf, sondern gem\u00e4\u00df einer Poisson-Verteilung. Das Photon-Shot-Noise entspricht der Quadratwurzel der Anzahl der von einem Pixel detektierten Photonen. Diese Art des Rauschens l\u00e4sst sich nicht korrigieren. Wenn jedoch die Lichtst\u00e4rke und die Quanteneffizienz des Pixels bekannt sind, l\u00e4sst sich das Rauschen recht gut absch\u00e4tzen.<\/p>\n

2.2 Reset-Rauschen<\/strong>
\nIn einer Photodiode akkumulierte Ladungen werden mithilfe eines Kondensators in eine Spannung umgewandelt. Nach jedem Umwandlungszyklus muss der Kondensator auf eine bestimmte Referenzspannung zur\u00fcckgesetzt werden. Bei diesem Prozess gibt es eine gewisse von der Temperatur und dem Kapazit\u00e4tswert abh\u00e4ngige Unsicherheit. Daher wird dieses Rauschen auch als kTC-Rauschen bezeichnet. Diese Form des Rauschens wird \u00fcblicherweise mit der sogenannten Correlated Double Sampling (CDS)-Methode korrigiert, was bedeutet, dass der Spannungswert des Kondensators unmittelbar nach dem Zur\u00fccksetzen gelesen und dieser Wert als Offset des letzten Wertes angesehen wird. CDS ist bei CMOS-Sensoren direkt im Schaltkreis implementiert, w\u00e4hrend bei CCD-Sensoren eine speziell integrierte Schaltung diese Aufgabe \u00fcbernimmt.<\/p>\n

2.3 Quantisierungsrauschen<\/strong>
\nDer Analog-Digital-Wandler (ADC) eines Bildsensors wandelt ein analoges in ein digitales Signal um. Bei dieser Umwandlung gehen einige Informationen verloren, da ein bestimmter Bereich von analogen Werten einem digitalen Schritt entspricht. Das hierdurch erzeugte Rauschen entspricht dem analogen Wert dividiert mit\u00e2\u02c6\u0161Bittiefe ADC. Diese Art von Rauschen l\u00e4sst sich nicht korrigieren.<\/p>\n

Der Einfluss des Rauschens auf die Sensorperformance <\/strong><\/h3>\n

Das Rauschen eines Sensors beeinflusst ma\u00dfgeblich dessen Empfindlichkeit und damit die Bildqualit\u00e4t. Ein Sensor ist umso empfindlicher, je h\u00f6her seine Quanteneffizienz, das bedeutet wie viel Signal von einem Photon erzeugt wird, und je niedriger sein Rauschen ist. Auch die maximal erreichbare Dynamik, also der Unterschied zwischen maximal und minimalem Signalwert, wird immer durch einen gewissen Rauschanteil gemindert. Durch eine einfache Manipulation des Signals, beispielsweise durch Erh\u00f6hung des Gains, k\u00f6nnen zwar dunkel erscheinende Bereiche sichtbar gemacht werden, jedoch wird durch die Multiplikation mit einem festen Wert auch das Rauschen in gleicher Weise verst\u00e4rkt, sodass die Bildqualit\u00e4t oft sinkt.<\/p>\n

Ein in der Praxis typischerweise verwendeter Parameter um die Qualit\u00e4t eines Sensors zu bestimmen ist das Signal-to-Noise-Ratio (SNR), also das Verh\u00e4ltnis von Signalwert zu Rauschwert. F\u00fcr Bildsensoren wird hier das Verh\u00e4ltnis des digitalen Grauwertes abz\u00fcglich des Dunkelwertes als Signal und die Standardabweichung des digitalen Grauwertes als Rauschwert ins Verh\u00e4ltnis gesetzt.<\/p>\n

In einem idealen Sensor mit Quantenausbeute eins und ohne Dunkelrauschen ist das SNR die Wurzel der Bestrahlungsst\u00e4rke (in der Einheit Anzahl der Photonen pro Pixel). Besser kann kein realer Sensor sein. Bei guten Lichtverh\u00e4ltnissen kann ein realer Sensor sehr nahe an diesen Wert herankommen, bei wenig Licht, d.h. kleinen Signalen wird das SNR deutlich vom Dunkelrauschen gemindert.<\/p>\n","protected":false},"excerpt":{"rendered":"

Verrauschte Bilder in Vision-Systemen sind aus Nutzersicht zweifelsohne keine guten Bilder, und dieses Problem wird durch die hohe Empfindlichkeit des menschlichen Auges verst\u00e4rkt. Auch f\u00fcr Algorithmen f\u00fchrt Rauschen zu einer erschwerten und weniger exakten Analyse. F\u00fcr einen Kamerahersteller dagegen enth\u00e4lt das Rauschen eine F\u00fclle von Informationen \u00fcber den Sensor und die zugrunde liegende Elektronik. Das Rauschen ist der beste Freund des Entwicklers. Eine sorgf\u00e4ltige Auswertung des Bildrauschens f\u00fchrt zum bestm\u00f6glichen Kameradesign und mittelbar auch zum bestm\u00f6glichen Bild f\u00fcr einen bestimmten Sensor.<\/p>\n","protected":false},"author":6,"featured_media":687,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false},"article-category":[],"article-tag":[],"class_list":["post-686","articles","type-articles","status-publish","format-standard","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles\/686","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/articles"}],"about":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/types\/articles"}],"author":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/comments?post=686"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media\/687"}],"wp:attachment":[{"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/media?parent=686"}],"wp:term":[{"taxonomy":"article-category","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-category?post=686"},{"taxonomy":"article-tag","embeddable":true,"href":"https:\/\/framos.com\/de\/wp-json\/wp\/v2\/article-tag?post=686"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}