stringtranslate.com

Reducción de ruido

La reducción de ruido es el proceso de eliminar el ruido de una señal . Existen técnicas de reducción de ruido para audio e imágenes. Los algoritmos de reducción de ruido pueden distorsionar la señal hasta cierto punto. El rechazo de ruido es la capacidad de un circuito de aislar un componente de señal no deseado del componente de señal deseado, como ocurre con la relación de rechazo de modo común .

Todos los dispositivos de procesamiento de señales , tanto analógicos como digitales , tienen características que los hacen susceptibles al ruido. El ruido puede ser aleatorio con una distribución de frecuencia uniforme ( ruido blanco ) o ruido dependiente de la frecuencia introducido por el mecanismo de un dispositivo o algoritmos de procesamiento de señales .

En los sistemas electrónicos , un tipo importante de ruido es el silbido creado por el movimiento aleatorio de los electrones debido a la agitación térmica. Estos electrones agitados se suman y restan rápidamente de la señal de salida y, por lo tanto, crean un ruido detectable .

En el caso de la película fotográfica y la cinta magnética , el ruido (tanto visible como audible) se introduce debido a la estructura de grano del medio. En la película fotográfica, el tamaño de los granos de la película determina la sensibilidad de la película; las películas más sensibles tienen granos de mayor tamaño. En la cinta magnética, cuanto más grandes sean los granos de las partículas magnéticas (generalmente óxido férrico o magnetita ), más propenso es el medio al ruido. Para compensar esto, se pueden utilizar áreas más grandes de película o cinta magnética para reducir el ruido a un nivel aceptable.

En general

Los algoritmos de reducción de ruido tienden a alterar las señales en mayor o menor grado. El algoritmo de ortogonalización de señal y ruido local se puede utilizar para evitar cambios en las señales. [1]

Las técnicas de reducción de ruido en el procesamiento de señales digitales (DSP) son esenciales para mejorar la calidad de las señales en diversas aplicaciones, como el procesamiento de audio, las telecomunicaciones y la ingeniería biomédica. El ruido, que es una variación aleatoria no deseada de las señales, puede degradar la claridad y la precisión de las señales. El DSP ofrece una gama de algoritmos para reducir el ruido y, al mismo tiempo, preservar la integridad de la señal original.

Sustracción espectral

La sustracción espectral es una de las técnicas de reducción de ruido más simples y más utilizadas, especialmente en el procesamiento del habla. Funciona estimando el espectro de potencia del ruido durante los períodos de silencio y restando este espectro de ruido de la señal ruidosa. Esta técnica supone que el ruido es aditivo y relativamente estacionario. Si bien es eficaz, la sustracción espectral puede introducir "ruido musical", un tipo de ruido artificial, si la estimación del espectro de ruido es inexacta.

Aplicaciones: Se utiliza principalmente en el procesamiento de señales de audio, incluida la telefonía móvil y los audífonos.

Ventajas: Fácil de implementar y computacionalmente eficiente.

Limitaciones: Tiende a funcionar mal en presencia de ruido no estacionario y puede introducir artefactos.

Filtrado adaptativo

Los filtros adaptativos son muy eficaces en situaciones en las que el ruido es impredecible o no estacionario. En el filtrado adaptativo, los parámetros del filtro se ajustan continuamente para minimizar la diferencia entre la señal deseada y la salida real. Los algoritmos de mínimos cuadrados medios (LMS) y mínimos cuadrados recursivos (RLS) se utilizan habitualmente para la cancelación adaptativa del ruido.

Aplicaciones: Se utiliza en auriculares con cancelación activa de ruido, dispositivos biomédicos (por ejemplo, procesamiento de EEG y ECG) y comunicaciones.

Ventajas: Puede adaptarse a entornos de ruido cambiantes en tiempo real.

Limitaciones: Requisitos computacionales más elevados, lo que puede suponer un desafío para aplicaciones en tiempo real en dispositivos de bajo consumo.

Filtrado de Viena

El filtrado de Wiener es un método estadístico de reducción de ruido que minimiza el error cuadrático medio entre la señal deseada y la salida real. Esta técnica se basa en el conocimiento de los espectros de potencia de la señal y del ruido, y puede proporcionar una reducción de ruido óptima si estos espectros se calculan con precisión.

Aplicaciones: Se aplica frecuentemente en procesamiento de imágenes, restauración de audio y radar.

Ventajas: Proporciona una reducción de ruido óptima para ruidos estacionarios.

Limitaciones: Requiere estimaciones precisas de las estadísticas de señal y ruido, lo que puede no ser siempre factible en aplicaciones del mundo real.

Filtrado de Kalman

El filtrado de Kalman es un algoritmo recursivo que estima el estado de un sistema dinámico a partir de una serie de mediciones ruidosas. Si bien se utiliza normalmente para el seguimiento y la predicción, también se aplica a la reducción de ruido, especialmente para señales que se pueden modelar como variables en el tiempo. El filtrado de Kalman es particularmente eficaz en aplicaciones en las que la señal es dinámica y las características del ruido varían con el tiempo.

Aplicaciones: Se utiliza en mejora de voz, radar y sistemas de control.

Ventajas: Proporciona un rendimiento excelente para señales que varían en el tiempo con ruido no estacionario.

Limitaciones: Requiere un modelo matemático de la dinámica del sistema, que puede ser complejo de diseñar para ciertas aplicaciones.

Eliminación de ruido basada en wavelets

La eliminación de ruido basada en wavelets (o umbralización de wavelets) descompone la señal en diferentes componentes de frecuencia mediante una transformada de wavelets y luego elimina el ruido mediante la umbralización de los coeficientes de wavelets. Este método es eficaz para señales con transitorios bruscos, como las señales biomédicas, porque las transformadas de wavelets pueden proporcionar información tanto de tiempo como de frecuencia.

Aplicaciones: Se utiliza comúnmente en procesamiento de imágenes, eliminación de ruido de señales de ECG y EEG y procesamiento de audio.

Ventajas: Conserva las características nítidas de la señal y ofrece flexibilidad en el manejo de ruido no estacionario.

Limitaciones: La elección de la base wavelet y los parámetros de umbral afectan significativamente el rendimiento, por lo que se requiere un ajuste cuidadoso.

No local significa eliminación de ruido

La técnica de reducción de ruido no local (NLM) es una técnica avanzada de reducción de ruido que utiliza redundancia en la señal promediando parches similares en toda la señal o imagen. Si bien es más exigente desde el punto de vista computacional, la NLM es muy eficaz para eliminar el ruido de las imágenes y las señales de audio sin desenfocarlas.

Aplicaciones: Se aplica principalmente en la eliminación de ruido de imágenes, especialmente en imágenes médicas y fotografía.

Ventajas: Conserva los detalles y los bordes en las imágenes.

Limitaciones: Computacionalmente intensivo, a menudo requiere aceleración de hardware o aproximaciones para aplicaciones en tiempo real.

En exploración sísmica

La amplificación de las señales en los datos sísmicos es especialmente crucial para la obtención de imágenes sísmicas , [2] [3] la inversión [4] [5] y la interpretación [6] , mejorando así en gran medida la tasa de éxito en la exploración de petróleo y gas. [7] [8] [9] La señal útil que se difumina en el ruido aleatorio ambiental a menudo se descuida y, por lo tanto, puede causar una discontinuidad falsa de los eventos sísmicos y artefactos en la imagen migrada final. La mejora de la señal útil al tiempo que se preservan las propiedades de los bordes de los perfiles sísmicos mediante la atenuación del ruido aleatorio puede ayudar a reducir las dificultades de interpretación y los riesgos engañosos para la detección de petróleo y gas.

En audio

Ejemplo de reducción de ruido
Ejemplo de reducción de ruido utilizando Audacity con reducción de 0 dB , 5 dB, 12 dB y 30 dB, suavizado de frecuencia de 150 Hz y tiempo de ataque/decaimiento de 0,15 segundos.
¿Tiene problemas para reproducir este archivo? Consulte la ayuda multimedia .

El ruido de la cinta es un problema que limita el rendimiento en la grabación de cintas analógicas . Esto está relacionado con el tamaño de las partículas y la textura que se utilizan en la emulsión magnética que se rocía sobre el medio de grabación, y también con la velocidad relativa de la cinta a través de los cabezales de la cinta .

Existen cuatro tipos de reducción de ruido: pregrabación de un solo extremo, reducción de silbido de un solo extremo, reducción de ruido de superficie de un solo extremo y sistemas de códec o de doble extremo. Los sistemas de pregrabación de un solo extremo (como Dolby HX Pro ), funcionan para afectar el medio de grabación en el momento de la grabación. Los sistemas de reducción de silbido de un solo extremo (como DNL [10] o DNR) funcionan para reducir el ruido a medida que se produce, incluso antes y después del proceso de grabación, así como para aplicaciones de transmisión en vivo. La reducción de ruido de superficie de un solo extremo (como CEDAR y el anterior SAE 5000A, Burwen TNE 7000 y Packburn 101/323/323A/323AA y 325 [11] ) se aplica a la reproducción de discos fonográficos para abordar rayones, estallidos y no linealidades de la superficie. Los expansores de rango dinámico de un solo extremo , como el sistema de recuperación de rango dinámico y reducción de ruido con autocorrelador lineal de fase (modelos 1000 y 4000), pueden reducir diversos ruidos de grabaciones antiguas. Los sistemas de doble extremo (como el sistema de reducción de ruido Dolby o dbx ) tienen un proceso de preénfasis aplicado durante la grabación y luego un proceso de deénfasis aplicado durante la reproducción.

Las grabaciones de sonido digitales modernas ya no tienen que preocuparse por el ruido de la cinta, por lo que los sistemas de reducción de ruido de estilo analógico no son necesarios. Sin embargo, un cambio interesante es que los sistemas de tramado en realidad agregan ruido a una señal para mejorar su calidad.

Sistemas de reducción de ruido basados ​​en compander

Los sistemas de reducción de ruido con compresor de doble extremo tienen un proceso de preénfasis aplicado durante la grabación y luego un proceso de desénfasis aplicado durante la reproducción. Los sistemas incluyen los sistemas profesionales Dolby A [10] y Dolby SR de Dolby Laboratories , dbx Professional y dbx Type I de dbx , EMT NoiseBX de Donald Aldous , [12] Burwen Noise Eliminator  [it] , [13] [14] [15] Telcom c4 de Telefunken  [de] [10] y MXR Innovations [16], así como los sistemas de consumo Dolby NR , Dolby B , [10] Dolby C y Dolby S , dbx Type II , [10] High Com de Telefunken [10] y High-Com II de Nakamichi , adres  [ja] (Aurex AD-4) de Toshiba , [10] [17] ANRS  [ja] de JVC [10] [17] y Super ANRS , [10] [17] Super D de Fisher / Sanyo , [18] [10] [17] SNRS , [17] y el sistema Ex-Ko húngaro/alemán del este . [19] [17]

En algunos sistemas de compansor, la compresión se aplica durante la producción de medios profesionales y solo la expansión la aplica el oyente; por ejemplo, sistemas como dbx disc , High-Com II , CX 20 [17] y UC utilizados para grabaciones de vinilo y Dolby FM , High Com FM y FMX utilizados en la transmisión de radio FM.

La primera técnica de reducción de ruido de audio ampliamente utilizada fue desarrollada por Ray Dolby en 1966. Destinado al uso profesional, Dolby Type A era un sistema de codificación/descodificación en el que la amplitud de las frecuencias en cuatro bandas se incrementaba durante la grabación (codificación) y luego se reducía proporcionalmente durante la reproducción (decodificación). En particular, al grabar partes silenciosas de una señal de audio, se potenciaban las frecuencias superiores a 1 kHz. Esto tenía el efecto de aumentar la relación señal/ruido en la cinta hasta 10 dB, dependiendo del volumen inicial de la señal. Cuando se reproducía, el decodificador invertía el proceso, reduciendo el nivel de ruido hasta en 10 dB.

El sistema Dolby B (desarrollado en colaboración con Henry Kloss ) era un sistema de banda única diseñado para productos de consumo. El sistema Dolby B, si bien no era tan eficaz como el Dolby A, tenía la ventaja de poder seguir siendo escuchable en sistemas de reproducción sin decodificador.

El circuito integrado U401BR de Telefunken High Com también podría utilizarse para funcionar como un compresor-expansor compatible principalmente con Dolby B. [20] En varias grabadoras de cinta High Com de última generación, la funcionalidad del expansor D NR que emulaba Dolby-B funcionaba no solo para la reproducción, sino, como característica no documentada, también durante la grabación.

dbx era un sistema de reducción de ruido analógico desarrollado por David E. Blackmer , fundador de Dbx, Inc. [21] Utilizaba un algoritmo de codificación/decodificación de raíz cuadrada media (RMS) con las frecuencias altas propensas al ruido potenciadas y toda la señal alimentada a través de un compresor-expansor 2:1. dbx operaba en todo el ancho de banda audible y, a diferencia de Dolby B, no se podía utilizar sin un decodificador. Sin embargo, podía lograr hasta 30 dB de reducción de ruido.

Dado que las grabaciones de video analógico utilizan modulación de frecuencia para la parte de luminancia (señal de video compuesta en sistemas de color directo), lo que mantiene la cinta en el nivel de saturación, la reducción de ruido estilo audio es innecesaria.

Limitador de ruido dinámico y reducción de ruido dinámico

El limitador dinámico de ruido ( DNL ) es un sistema de reducción de ruido de audio introducido originalmente por Philips en 1971 para su uso en reproductores de casetes . [10] Su circuito también se basa en un solo chip . [22] [23]

National Semiconductor lo desarrolló aún más como reducción dinámica de ruido ( DNR ) para reducir los niveles de ruido en telefonía de larga distancia . [24] Vendido por primera vez en 1981, el DNR se confunde frecuentemente con el sistema de reducción de ruido Dolby mucho más común . [25]

A diferencia de los sistemas de reducción de ruido de tipo I y tipo II de Dolby y dbx , los DNL y DNR son sistemas de procesamiento de señales que solo se utilizan para la reproducción y que no requieren que el material de origen se codifique primero. Se pueden utilizar para eliminar el ruido de fondo de cualquier señal de audio, incluidas grabaciones en cinta magnética y emisiones de radio FM , reduciendo el ruido hasta en 10 dB. [26] También se pueden utilizar junto con otros sistemas de reducción de ruido, siempre que se utilicen antes de aplicar DNR para evitar que el DNR provoque un error de seguimiento del otro sistema de reducción de ruido. [27]

Una de las primeras aplicaciones generalizadas del DNR fue en los sistemas estéreo para automóviles GM Delco en los automóviles GM estadounidenses introducidos en 1984. [28] También se utilizó en estéreos de fábrica en vehículos Jeep en la década de 1980, como el Cherokee XJ . Hoy en día, los sistemas DNR, DNL y similares se encuentran más comúnmente como un sistema de reducción de ruido en sistemas de micrófonos. [29]

Otros enfoques

Una segunda clase de algoritmos trabaja en el dominio de tiempo-frecuencia usando algunos filtros lineales o no lineales que tienen características locales y a menudo se llaman filtros de tiempo-frecuencia . [30] [ página necesaria ] Por lo tanto, el ruido también se puede eliminar mediante el uso de herramientas de edición espectral, que funcionan en este dominio de tiempo-frecuencia, lo que permite modificaciones locales sin afectar la energía de la señal cercana. Esto se puede hacer manualmente, como en un programa de pintura que dibuja imágenes. Otra forma es definir un umbral dinámico para filtrar el ruido, que se deriva de la señal local, nuevamente con respecto a una región de tiempo-frecuencia local. Todo lo que esté por debajo del umbral se filtrará, todo lo que esté por encima del umbral, como los parciales de una voz o el ruido deseado , permanecerá intacto. La región generalmente se define por la ubicación de la frecuencia instantánea de la señal, [31] ya que la mayor parte de la energía de la señal que se debe preservar se concentra en ella.

Otro enfoque es el limitador de ruido automático y el supresor de ruido que se encuentran comúnmente en los transceptores de radio HAM , transceptores de radio CB , etc. Ambos filtros mencionados anteriormente se pueden utilizar por separado o en conjunto entre sí al mismo tiempo, dependiendo del transceptor en sí.

Programas de software

La mayoría de las estaciones de trabajo de audio digital (DAW) y el software de edición de audio tienen una o más funciones de reducción de ruido.

En imágenes

Las imágenes tomadas con cámaras digitales o cámaras de película convencionales captarán ruido de diversas fuentes. El uso posterior de estas imágenes requerirá a menudo que se reduzca el ruido, ya sea por motivos estéticos o por motivos prácticos, como la visión artificial .

Tipos

En el ruido de sal y pimienta (perturbaciones dispersas de luz y oscuridad), [32] también conocido como ruido impulsivo, [33] los píxeles de la imagen son muy diferentes en color o intensidad de los píxeles circundantes; la característica definitoria es que el valor de un píxel ruidoso no guarda relación con el color de los píxeles circundantes. Cuando se ve, la imagen contiene puntos oscuros y blancos, de ahí el término ruido de sal y pimienta. Generalmente, este tipo de ruido solo afectará a una pequeña cantidad de píxeles de la imagen. Las fuentes típicas incluyen motas de polvo dentro de la cámara y elementos CCD sobrecalentados o defectuosos.

En el ruido gaussiano , [34] cada píxel de la imagen cambiará de su valor original en una cantidad (normalmente) pequeña. Un histograma, un gráfico de la cantidad de distorsión de un valor de píxel frente a la frecuencia con la que se produce, muestra una distribución normal del ruido. Aunque son posibles otras distribuciones, la distribución gaussiana (normal) suele ser un buen modelo, debido al teorema del límite central que dice que la suma de diferentes ruidos tiende a aproximarse a una distribución gaussiana.

En cualquier caso, el ruido en diferentes píxeles puede estar correlacionado o no correlacionado; en muchos casos, los valores de ruido en diferentes píxeles se modelan como independientes e idénticamente distribuidos y, por lo tanto, no correlacionados.

Eliminación

Compensaciones

Existen muchos algoritmos de reducción de ruido en el procesamiento de imágenes. [35] Al seleccionar un algoritmo de reducción de ruido, se deben sopesar varios factores:

Separación de ruido de croma y luminancia

En las fotografías del mundo real, el detalle de mayor frecuencia espacial consiste principalmente en variaciones de brillo ( detalle de luminancia ) en lugar de variaciones de tono ( detalle de croma ). La mayoría de los algoritmos de reducción de ruido fotográfico dividen el detalle de la imagen en componentes de croma y luminancia y aplican más reducción de ruido a los primeros o permiten al usuario controlar la reducción de ruido de croma y luminancia por separado.

Filtros de suavizado lineal

Un método para eliminar el ruido es convolucionar la imagen original con una máscara que representa un filtro de paso bajo o una operación de suavizado. Por ejemplo, la máscara gaussiana comprende elementos determinados por una función gaussiana . Esta convolución hace que el valor de cada píxel esté más en armonía con los valores de sus vecinos. En general, un filtro de suavizado establece cada píxel en el valor promedio, o un promedio ponderado, de sí mismo y sus vecinos cercanos; el filtro gaussiano es solo un posible conjunto de pesos.

Los filtros de suavizado tienden a desenfocar una imagen porque los valores de intensidad de píxeles que son significativamente más altos o más bajos que los del entorno circundante se difuminan en el área. Debido a este desenfoque, los filtros lineales rara vez se utilizan en la práctica para la reducción de ruido; [ cita requerida ] sin embargo, se utilizan a menudo como base para los filtros de reducción de ruido no lineal.

Difusión anisotrópica

Otro método para eliminar el ruido es hacer evolucionar la imagen bajo una ecuación diferencial parcial de suavizado similar a la ecuación del calor , que se denomina difusión anisotrópica . Con un coeficiente de difusión constante en el espacio, esto es equivalente a la ecuación del calor o al filtrado gaussiano lineal , pero con un coeficiente de difusión diseñado para detectar bordes, el ruido se puede eliminar sin desenfocar los bordes de la imagen.

Medios no locales

Otro método para eliminar el ruido se basa en un promedio no local de todos los píxeles de una imagen. En particular, la cantidad de ponderación de un píxel se basa en el grado de similitud entre un pequeño parche centrado en ese píxel y el pequeño parche centrado en el píxel que se está eliminando.

Filtros no lineales

Un filtro de mediana es un ejemplo de filtro no lineal y, si está diseñado correctamente, es muy bueno para preservar los detalles de la imagen. Para ejecutar un filtro de mediana:

  1. Considera cada píxel de la imagen
  2. Ordena los píxeles vecinos en función de sus intensidades.
  3. Reemplace el valor original del píxel con el valor medio de la lista

Un filtro mediano es un filtro de selección de rango (RS), un miembro particularmente severo de la familia de filtros de selección de rango condicionado por rango (RCRS); [36] un miembro mucho más suave de esa familia, por ejemplo uno que selecciona el más cercano de los valores vecinos cuando el valor de un píxel es externo en su vecindad, y lo deja sin cambios en el resto de los casos, a veces se prefiere, especialmente en aplicaciones fotográficas.

Los filtros RCRS medianos y otros son buenos para eliminar el ruido de sal y pimienta de una imagen, y también causan relativamente poco desenfoque de los bordes, por lo que se utilizan a menudo en aplicaciones de visión por computadora.

Transformada wavelet

El objetivo principal de un algoritmo de eliminación de ruido de imagen es lograr tanto la reducción de ruido [37] como la preservación de características [38] utilizando los bancos de filtros wavelet. [39] En este contexto, los métodos basados ​​en wavelets son de particular interés. En el dominio wavelet, el ruido se distribuye uniformemente a lo largo de los coeficientes mientras que la mayor parte de la información de la imagen se concentra en unos pocos grandes. [40] Por lo tanto, los primeros métodos de eliminación de ruido basados ​​en wavelets se basaron en el umbralizado de los coeficientes de subbanda de detalle. [41] [ página necesaria ] Sin embargo, la mayoría de los métodos de umbralizado de wavelets sufren el inconveniente de que el umbral elegido puede no coincidir con la distribución específica de los componentes de señal y ruido en diferentes escalas y orientaciones.

Para abordar estas desventajas, se han desarrollado estimadores no lineales basados ​​en la teoría bayesiana. En el marco bayesiano, se ha reconocido que un algoritmo de eliminación de ruido exitoso puede lograr tanto la reducción de ruido como la preservación de características si emplea una descripción estadística precisa de los componentes de señal y ruido. [40]

Métodos estadísticos

También existen métodos estadísticos para la eliminación de ruido de imágenes. En el caso del ruido gaussiano , se pueden modelar los píxeles de una imagen en escala de grises como distribuidos de forma autonormal, donde el valor real de la escala de grises de cada píxel se distribuye normalmente con una media igual al valor promedio de la escala de grises de los píxeles vecinos y una varianza dada.

Denotemos los píxeles adyacentes al píxel n.°, entonces la distribución condicional de la intensidad de la escala de grises (en una escala) en el nodo n.° es:

para un parámetro y varianza elegidos . Un método de eliminación de ruido que utiliza el modelo autonormal utiliza los datos de la imagen como una distribución previa bayesiana y la densidad autonormal como una función de probabilidad, y la distribución posterior resultante ofrece una media o moda como una imagen eliminada de ruido. [42] [43]

Algoritmos de coincidencia de bloques

Se puede aplicar un algoritmo de coincidencia de bloques para agrupar fragmentos de imágenes similares de macrobloques superpuestos de tamaño idéntico. Luego, las pilas de macrobloques similares se filtran juntas en el dominio de transformación y cada fragmento de imagen finalmente se restaura a su ubicación original utilizando un promedio ponderado de los píxeles superpuestos. [44]

Campo aleatorio

Los campos de contracción son una técnica de aprendizaje automático basada en campos aleatorios que ofrece un rendimiento comparable al de la coincidencia de bloques y el filtrado 3D , pero requiere una sobrecarga computacional mucho menor, de modo que se puede realizar directamente dentro de sistemas integrados . [45]

Aprendizaje profundo

Se han propuesto varios enfoques de aprendizaje profundo para lograr la reducción de ruido [46] y tareas de restauración de imágenes similares . La técnica Deep Image Prior es una de esas técnicas que utiliza redes neuronales convolucionales y se destaca porque no requiere datos de entrenamiento previos. [47]

Software

La mayoría del software de edición de imágenes y fotografías de uso general tendrá una o más funciones de reducción de ruido (media, desenfoque , eliminación de manchas, etc.).

Véase también

Problemas generales de ruido

Audio

Imágenes y vídeos

Problemas similares

Referencias

  1. ^ Chen, Yangkang; Fomel, Sergey (noviembre-diciembre de 2015). "Atenuación aleatoria de ruido mediante ortogonalización de señal y ruido local". Geofísica . 80 (6): WD1–WD9. Código Bibliográfico :2015Geop...80D...1C. doi :10.1190/GEO2014-0227.1. S2CID  120440599.
  2. ^ Xue, Zhiguang; Chen, Yangkang; Fomel, Sergey; Sun, Junzhe (2016). "Imágenes sísmicas de datos incompletos y datos de fuentes simultáneas utilizando migración temporal inversa de mínimos cuadrados con regularización de modelado". Geofísica . 81 (1): S11–S20. Código Bibliográfico :2016Geop...81S..11X. doi : 10.1190/geo2014-0524.1 .
  3. ^ Chen, Yangkang; Yuan, Jiang; Zu, Shaohuan; Qu, Shan; Gan, Shuwei (2015). "Imágenes sísmicas de datos de fuentes simultáneas utilizando migración temporal inversa de mínimos cuadrados restringidos". Journal of Applied Geophysics . 114 : 32–35. Bibcode :2015JAG...114...32C. doi :10.1016/j.jappgeo.2015.01.004.
  4. ^ Chen, Yangkang; Chen, Hanming; Xiang, Kui; Chen, Xiaohong (2017). "Interpolación de registros de pozos guiada por estructura geológica para inversión de forma de onda completa de alta fidelidad". Geophysical Journal International . 209 (1): 21–31. Bibcode :2016GeoJI.207.1313C. doi : 10.1093/gji/ggw343 .
  5. ^ Gan, Shuwei; Wang, Shoudong; Chen, Yangkang; Qu, Shan; Zu, Shaohuan (2016). "Análisis de velocidad de datos de fuentes simultáneas utilizando semblanza de alta resolución: cómo hacer frente al fuerte ruido". Geophysical Journal International . 204 (2): 768–779. Bibcode :2016GeoJI.204..768G. doi : 10.1093/gji/ggv484 .
  6. ^ Chen, Yangkang (2017). "Sondeo de las características kársticas del subsuelo mediante descomposición tiempo-frecuencia". Interpretación . 4 (4): T533–T542. doi :10.1190/INT-2016-0030.1.
  7. ^ Huang, Weilin; Wang, Runqiu; Chen, Yangkang; Li, Huijian; Gan, Shuwei (2016). "Análisis de espectro singular multicanal amortiguado para atenuación de ruido aleatorio 3D". Geofísica . 81 (4): V261–V270. Código Bibliográfico :2016Geop...81V.261H. doi :10.1190/geo2015-0264.1.
  8. ^ Chen, Yangkang (2016). "Filtrado estructural separado por inclinación utilizando la transformada de seislet y el filtro de inclinación basado en descomposición de modos empíricos adaptativos". Revista Geofísica Internacional . 206 (1): 457–469. Código Bibliográfico :2016GeoJI.206..457C. doi : 10.1093/gji/ggw165 .
  9. ^ Chen, Yangkang; Ma, Jianwei; Fomel, Sergey (2016). "Diccionario de doble escasez para atenuación de ruido sísmico". Geofísica . 81 (4): V261–V270. Bibcode :2016Geop...81V.193C. doi :10.1190/geo2014-0525.1.
  10. ^ abcdefghijk "High Com - el último sistema de reducción de ruido / Reducción de ruido - el silencio es oro" (PDF) . elektor (Reino Unido) – electrónica actualizada para laboratorio y ocio . Vol. 1981, núm. 70. Febrero de 1981. págs. 2-04–2-09. Archivado (PDF) desde el original el 2 de julio de 2020 . Consultado el 2 de julio de 2020 .(6 páginas)
  11. ^ Manual del propietario del supresor de ruido de audio modelo 325 (PDF) . Rev. 15-1. Syracuse, Nueva York, EE. UU.: Packburn electronics inc. Archivado (PDF) del original el 2021-05-05 . Consultado el 2021-05-16 .(6+36 páginas)
  12. ^ R., C. (1965). "Kompander verbessert Magnettonkopie". Mentor de radio (en alemán). 1965 (4): 301–303.
  13. ^ Burwen, Richard S. (febrero de 1971). "Un filtro de ruido dinámico". Revista de la Sociedad de Ingeniería de Audio . 19 (1).
  14. ^ Burwen, Richard S. (junio de 1971). «Rango dinámico de 110 dB para cinta» (PDF) . Audio : 49–50. Archivado (PDF) desde el original el 13 de noviembre de 2017. Consultado el 13 de noviembre de 2017 .
  15. ^ Burwen, Richard S. (diciembre de 1971). "Diseño de un sistema eliminador de ruido". Revista de la Sociedad de Ingeniería de Audio . 19 (11): 906–911.
  16. ^ Lambert, Mel (septiembre de 1978). «MXR Compander». Sound International . Archivado desde el original el 28 de octubre de 2020. Consultado el 25 de abril de 2021 .
  17. ^ abcdefg Bergmann, Heinz (1982). "Verfahren zur Rauschminderung bei der Tonsignalverarbeitung" (PDF) . radio fernsehen elektronik (rfe) (en alemán). vol. 31, núm. 11. Berlín, Alemania: VEB Verlag Technik  [de] . págs. 731–736 [731]. ISSN  0033-7900. Archivado (PDF) desde el original el 5 de mayo de 2021 . Consultado el 5 de mayo de 2021 . pag. 731: ExKo Breitband-Kompander Aufnahme/Wiedergabe 9 dB Tonband(NB. Falta la página 736 en el PDF vinculado.)
  18. ^ Haase, Hans-Joachim (agosto de 1980). Escrito en Aschau, Alemania. "Rauschunterdrückung: Kampf dem Rauschen". Systeme und Konzepte. Funk-Technik - Fachzeitschrift für Funk-Elektroniker und Radio-Fernseh-Techniker - Offizielles Mitteilungsblatt der Bundesfachgruppe Radio- und Fernsehtechnik (en alemán). vol. 35, núm. 8. Heidelberg, Alemania: Dr. Alfred Hüthig Verlag GmbH  [de] . Págs. W293–W296, W298, W300 [W298, W300]. ISSN  0016-2825. Archivado desde el original el 16 de mayo de 2021 . Recuperado el 25 de abril de 2021 .
  19. ^ "Stereo Automat MK42 R-Player Budapesti Rádiótechnikai Gyár B". Archivado desde el original el 26 de abril de 2021 . Consultado el 25 de abril de 2021 .
  20. ^ HIGH COM - Compander de banda ancha HIGH COM que utiliza el circuito integrado U401BR (PDF) (Información sobre semiconductores 2.80). AEG-Telefunken . Archivado (PDF) desde el original el 2016-04-16 . Consultado el 2016-04-16 .
  21. ^ Hoffman, Frank W. (2004). Enciclopedia de sonido grabado . Vol. 1 (edición revisada). Taylor & Francis .
  22. ^ "Reducción de ruido". Audiotools.com. 10 de noviembre de 2013. Archivado desde el original el 13 de mayo de 2008. Consultado el 14 de enero de 2009 .
  23. ^ "Limitador dinámico de ruido de Philips". Archivado desde el original el 5 de noviembre de 2008. Consultado el 14 de enero de 2009 .
  24. ^ "Reducción dinámica de ruido". ComPol Inc. Archivado desde el original el 21 de noviembre de 2009. Consultado el 14 de enero de 2009 .
  25. ^ "Historia". Archivado desde el original el 27 de septiembre de 2007. Consultado el 14 de enero de 2009 .
  26. ^ "Sistema de reducción de ruido dinámico LM1894 DNR". Archivado desde el original el 20 de diciembre de 2008. Consultado el 14 de enero de 2009 .
  27. ^ "Términos de audio". Archivado desde el original el 20 de diciembre de 2008. Consultado el 14 de enero de 2009 .
  28. ^ Gunyo, Ed. "Evolución del Riviera - 1983, 20º aniversario". Asociación de Propietarios del Riviera. Archivado desde el original el 2008-07-05 . Consultado el 2009-01-14 .(NB. Publicado originalmente en The Riview , vol. 21, núm. 6, septiembre/octubre de 2005.)
  29. ^ http://www.hellodirect.com/catalog/Product.jhtml?PRODID=11127&CATID=15295 [ enlace roto ]
  30. ^ Boashash, B., ed. (2003). Análisis y procesamiento de señales de tiempo-frecuencia: una referencia completa . Oxford: Elsevier Science . ISBN 978-0-08-044335-5.
  31. ^ Boashash, B. (abril de 1992). "Estimación e interpretación de la frecuencia instantánea de una señal. Parte I: Fundamentos". Actas del IEEE . 80 (4): 519–538. doi :10.1109/5.135376.
  32. ^ Banerjee, Shounak; Sarkar, Debarpito; Chatterjee, Debraj; Chowdhuri, Sunanda Roy (25 de junio de 2021). "Eliminación de ruido de sal y pimienta de alta densidad de imágenes en color mediante la introducción de un nuevo filtro mejorado". Conferencia internacional sobre tecnologías inteligentes (CONIT) de 2021. Hubli, India: IEEE. págs. 1–6. doi :10.1109/CONIT51480.2021.9498402. ISBN 978-1-7281-8583-5. S2CID  236920367. Archivado desde el original el 10 de agosto de 2021. Consultado el 9 de febrero de 2023 .
  33. ^ Orazaev, Anzor; Lyakhov, Pavel; Baboshina, Valentina; Kalita, Diana (26 de enero de 2023). "Sistema de red neuronal para reconocer imágenes afectadas por ruido de impulso de valor aleatorio". Applied Sciences . 13 (3): 1585. doi : 10.3390/app13031585 . ISSN  2076-3417.
  34. ^ Dong, Suge; Dong, Chunxiao; Li, Zishuang; Ge, Mingtao (15 de julio de 2022). "Método de eliminación de ruido gaussiano basado en la transformada wavelet empírica y la prueba de hipótesis". 2022 3.ª Conferencia internacional sobre big data, inteligencia artificial e ingeniería de Internet de las cosas (ICBAIE) . Xi'an, China: IEEE. págs. 24–27. doi :10.1109/ICBAIE56435.2022.9985814. ISBN . 978-1-6654-5160-4. S2CID  254999960. Archivado desde el original el 25 de diciembre de 2022. Consultado el 9 de febrero de 2023 .
  35. ^ Mehdi Mafi, Harold Martin, Jean Andrian, Armando Barreto, Mercedes Cabrerizo, Malek Adjouadi, "Un estudio exhaustivo sobre filtros de eliminación de ruido gaussianos y de impulso para imágenes digitales", Procesamiento de señales, vol. 157, págs. 236–260, 2019.
  36. ^ Liu, Puyin; Li, Hongxing (2004). "Redes neuronales difusas: teoría y aplicaciones". En Casasent, David P. (ed.). Robots inteligentes y visión artificial XIII: Algoritmos y visión artificial . Vol. 2353. World Scientific. págs. 303–325. Código Bibliográfico : 1994SPIE.2353..303G. doi : 10.1117/12.188903. ISBN : 978-0-822-2-8. 978-981-238-786-8.S2CID62705333  .​
  37. ^ Chervyakov, NI; Lyakhov, PA; Nagornov, NN (1 de noviembre de 2018). "Ruido de cuantificación de filtros de transformada wavelet discreta multinivel en el procesamiento de imágenes". Optoelectrónica, instrumentación y procesamiento de datos . 54 (6): 608–616. Bibcode :2018OIDP...54..608C. doi :10.3103/S8756699018060092. ISSN  1934-7944. S2CID  128173262.
  38. ^ Craciun, G.; Jiang, Ming; Thompson, D.; Machiraju, R. (marzo de 2005). "Diseño de wavelets de dominio espacial para la preservación de características en conjuntos de datos computacionales". IEEE Transactions on Visualization and Computer Graphics . 11 (2): 149–159. doi :10.1109/TVCG.2005.35. ISSN  1941-0506. PMID  15747638. S2CID  1715622. Archivado desde el original el 21 de abril de 2021 . Consultado el 21 de abril de 2021 .
  39. ^ Gajitzki, Paul; Isar, Dorina; Simu, Călin (noviembre de 2018). "Bancos de filtros basados ​​en wavelets para análisis de espectro en tiempo real". Simposio internacional sobre electrónica y telecomunicaciones (ISETC) de 2018. págs. 1–4. doi :10.1109/ISETC.2018.8583929. ISBN 978-1-5386-5925-0. S2CID  56599099. Archivado desde el original el 21 de abril de 2021. Consultado el 21 de abril de 2021 .
  40. ^ ab Forouzanfar, M.; Abrishami-Moghaddam, H.; Ghadimi, S. (julio de 2008). "Método bayesiano multiescala localmente adaptativo para la eliminación de ruido de imágenes basado en distribuciones gaussianas inversas normales bivariadas". Revista internacional de wavelets, multiresolución y procesamiento de la información . 6 (4): 653–664. doi :10.1142/S0219691308002562. S2CID  31201648.
  41. ^ Mallat, S. (1998). Un recorrido wavelet por el procesamiento de señales . Londres: Academic Press .
  42. ^ Besag, Julian (1986). "Sobre el análisis estadístico de imágenes sucias" (PDF) . Revista de la Royal Statistical Society. Serie B (Metodológica) . 48 (3): 259–302. doi :10.1111/j.2517-6161.1986.tb01412.x. JSTOR  2345426. Archivado (PDF) desde el original el 29 de agosto de 2017 . Consultado el 24 de septiembre de 2019 .
  43. ^ Seyyedi, Saeed (2018). "Incorporación de una técnica de reducción de ruido en la tomografía tensorial de rayos X". IEEE Transactions on Computational Imaging . 4 (1): 137–146. doi :10.1109/TCI.2018.2794740. JSTOR  17574903. S2CID  46793582.
  44. ^ Dabov, Kostadin; Foi, Alessandro; Katkovnik, Vladimir; Egiazarian, Karen (16 de julio de 2007). "Eliminación de ruido de imágenes mediante filtrado colaborativo de dominio de transformación 3D disperso". IEEE Transactions on Image Processing . 16 (8): 2080–2095. Bibcode :2007ITIP...16.2080D. CiteSeerX 10.1.1.219.5398 . doi :10.1109/TIP.2007.901238. PMID  17688213. S2CID  1475121. 
  45. ^ Schmidt, Uwe; Roth, Stefan (2014). Campos de contracción para una restauración eficaz de imágenes (PDF) . Visión artificial y reconocimiento de patrones (CVPR), Conferencia IEEE de 2014. Columbus, OH, EE. UU.: IEEE. doi :10.1109/CVPR.2014.349. ISBN 978-1-4799-5118-5. Archivado (PDF) del original el 2 de enero de 2018. Consultado el 3 de enero de 2018 .
  46. ^ Dietz, Henry (2022). "Un algoritmo mejorado de mejora de imágenes sin procesar que utiliza un modelo estadístico para el error de valor de píxel". Imágenes electrónicas . 34 (14): 1–6. doi : 10.2352/EI.2022.34.14.COIMG-151 . AI Image Denoiser es mucho más agresivo, ya que mejora significativamente los detalles, pero también aplica un suavizado intenso. DxO PureRAW, que mejora directamente la imagen sin procesar mediante aprendizaje profundo entrenado en "millones de imágenes analizadas por DxO durante 15 años", fue fácilmente el más eficaz de los muchos denoisers probados.
  47. ^ Ulyanov, Dmitry; Vedaldi, Andrea; Lempitsky, Victor (30 de noviembre de 2017). "Deep Image Prior". arXiv : 1711.10925v2 [Visión y reconocimiento de patrones Visión por computadora y reconocimiento de patrones].

Enlaces externos