Гауссовский шум

Гауссовский шум — это статистический шум, имеющий плотность вероятности, равную плотности вероятности нормального распределения, также известного как Гауссовское.[1][2] Другими словами, значения, которые может принимать такой шум, имеют гауссовское распределение. Назван в честь Карла Гаусса.

Плотность вероятности гауссовской случайной величины равна

где отображает серый уровень,  — среднее значение и  — стандартное отклонение.[3]

Частным случаем является белый гауссовский шум, тогда значения в любой момент времени являются независимыми и одинаково распределенными случайными величинами (а значит, вместе они не коррелируют). При тестировании и моделировании каналов связи, Гауссовский шум используется как аддитивный белый шум, чтобы генерировать аддитивный белый гауссовский шум.

В телекоммуникациях на каналы связи может влиять широкополосный гауссовский шум, исходящий из разных естественных источников, таких как термальные вибрации атомов в проводниках (тепловой шум или шум Джонсона-Найквиста), дробовой шум, радиация чёрного тела с земли или других тёплых объектов, и из таких небесных источников как Солнце.

Гауссовский шум и цифровые изображения

Основные источники Гауссовского шума в цифровых изображениях появляются при получении сенсорного шума, вызванного плохим освещением и/или высокой температурой.[3] При обработке цифровых изображений Гауссовский шум может быть снижен используя фильтр, хотя при размывании изображения, может получиться нежелаемый результат — туманные границы и детали изображения, которые также соответствуют блокированным высоким частотам. Для снижения шума используют такие техники фильтрации, как шумопонижение, конволюция, медианный фильтр.[1][4]

См. также

Примечания

  1. Tudor Barbu. Variational Image Denoising Approach with Diffusion Porous Media Flow (англ.) // Abstract and Applied Analysis : journal. — 2013. Vol. 2013. P. 8. doi:10.1155/2013/856876.
  2. Barry Truax.: Handbook for Acoustic Ecology (недоступная ссылка). Cambridge Street Publishing. Дата обращения: 5 августа 2012. Архивировано 10 октября 2017 года.
  3. Philippe Cattin. Image Restoration: Introduction to Signal and Image Processing. MIAC, University of Basel (24 апреля 2012). Дата обращения: 11 октября 2013.
  4. Robert Fisher, Simon Perkins, Ashley Walker, Erik Wolfart. Image Synthesis — Noise Generation. Дата обращения: 11 октября 2013.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.