Para evaluar cómo influyen las diferentes características del ruido –tras las transformaciones de color– en los coeficientes de ondícula (wavelet) ruidosos, debemos analizar dicho ruido en dos imágenes –con y sin transformaciones de color–.
Ruido en el campo de la transformada de ondícula
Las siguientes gráficas muestran los resultados de este ejercicio. En la (a) podemos ver cómo quedaría la imagen de la ciudad simulada por ordenador –que hemos empleado a lo largo de toda la serie– sin transformaciones de color. En (b) incluimos las transformaciones de color. La comparación entre ambas demuestra que la inclusión de las transformaciones de color implica una relación no lineal entre el ruido de entrada –en los datos de RAW– y el ruido en el campo de la transformada de ondícula –de los coeficientes de ondícula de la imagen transformada y válida para emitir en pantallas–.
Hemos usado dos imágenes, una gris y la de la ciudad. Denominamos imagen gris a aquel tipo de imagen con contenido homogéneo y un nivel de señal fijo. En ella, la curva es casi lineal (d) ya que las transformaciones de color no cambian de forma abrupta. Se puede calcular bien –de forma aproximada– por medio de una transformación lineal alrededor del nivel de la señal fijado. No obstante, los resultados muestran una pendiente más pronunciada hacia los niveles sigma superiores.
Esta falta de linealidad se puede entender como consecuencia de la presencia valores muy ruidosos alejados del valor de la señal –donde la aproximación lineal de las transformaciones de color no se sostiene–. En ese punto, la ganancia es más alta que en en nivel promediado de la señal y, por lo tanto, los valores contienen mayor ruido del previsto basándose en una aproximación lineal a dicho nivel. El empleo de una aproximación que se sostenga en las zonas homogéneas es suficiente para obtener una imagen visualmente agradable, ya que el ruido es menos visible en las zonas con textura.
Sin embargo, esta máxima sólo es válida si el ruido tiende a ser mayor de lo esperado –basándose en la aproximación– en regiones estructuradas o bordes, porque esto implica reducir la fortaleza de la reducción de ruido que requiere la verdadera varianza –por lo general más fina en áreas estructuradas y que no causa artefactos–. Como el nivel de ruido depende de la señal, es posible que no se cumpla esta condición. En tal caso, podrían producirse artefactos en la reducción de ruido que deteriorarían la calidad de imagen. En conclusión, es preferible aplicar los algoritmos de reducción de ruido o bien en los datos del sensor o en los del debayerizado lineal.
A estas alturas, sabemos que el ruido de los datos de cámara no es gaussiano. Con cada paso del procesado, el ruido se distancia más del modelo del AWGN que se asume normalmente. Para averiguar cuál es el auténtico impacto que tiene la diferencia entre el modelo tradicional de ruido independiente y el ruido real de cámara, es necesario evaluar su efecto en la reducción de ruido. Las dos preguntas esenciales que nos planteamos son:
- ¿Cómo influyen las características del ruido en el rendimiento de los algoritmos de última generación?
- ¿En qué campo es preferible aplicar la reducción de ruido? ¿En el lineal, en el de la LogC o en el de la imagen válida para pantallas?
Reducción de ruido en imágenes que contienen un ruido más realista
Para responder a la cuestión inicial, aplicamos dos métodos punteros a la imagen de la ciudad. Primero, a la manera tradicional –agregando el AWGN directamente en el campo de la imagen válida para pantallas–. Luego, de una forma más realista y parecida a como lo hace una cámara. Se añade el ruido que depende de la señal –basándose en la varianza y la distribución– a los datos Bayer y, a continuación, se procesa la imagen hasta llegar al campo de la imagen válida para pantallas. Además, generamos diferentes versiones para averiguar qué propiedades del ruido de cámara tienen mayor impacto en la efectividad de su reducción –por ejemplo, la dependencia de la señal o el debayerizado–.
En la tabla superior podemos ver los resultados de la relación señal a ruido de pico (PSNR) de las distintas alternativas. Comparamos el ruido de cámara –dependiente de la señal que se ha añadido en el campo lineal– con el ruido gaussiano –agregado al campo de la imagen válida para pantallas–. La varianza del ruido gaussiano se ha establecido para obtener imágenes que proporcionen una impresión visual similar en una pantalla.
Procesamos los fotogramas de dos maneras: sin debayerizado (RGB) y con él (deb). La versión RGB sólo es posible porque contamos con los valores de referencia RGB completos generados por ordenador. En las imágenes RAW reales no es posible omitir el debayerizado. Todas esas versiones han pasado por una reducción de ruido. O bien en el campo lineal o en el de la imagen válida para pantallas. Utilizamos dos algoritmos de última generación: BLS-GSM y BM3D. Se han escogido los parámetros para obtener los resultados más agradables visualmente. Se ha calculado la PSNR de cada fotograma y se ha realizado el promedio de más de 20 fotogramas.
Aunque la PSNR de la secuencia ruidosa es más elevada tras el debayerizado que sin realizarlo –a excepción de los resultados de PSNR similares en el caso poco realista del AWGN debayerizado en el campo de la imagen válida para pantallas– los resultados de ls reducción de ruido sobre los datos ruidosos debayerizados no muestran una PSNR más alta.
El algoritmo BM3D muestra unas PSNR significativamente más bajas cuando se aplica tras el debayerizado. El algoritmo BLS-GSM también lo hace en los datos debayerizados si se compara con el AWGN. En lo que respecta al ruido dependiente de la señal, la PSNR no es más baja, pero la ganancia de 5 dB de ganancia en la PSNR para el ruido no correlacionado desciende a 3,5 dB para el ruido debayerizado. Es decir, que es más difícil reducir el ruido correlacionado espacialmente como consecuencia del debayerizado.
Seguidamente, comparamos la efectividad de la reducción de ruido en el AWGN y en el ruido dependiente de la señal. El algoritmo BM3D parece ser bastante robusto en el caso del ruido dependiente de la señal. Implica una mejora de la PSNR de más de 10 dB, tanto para el AWGN constante como para el ruido dependiente de la señal no correlacionado. El algoritmo BLS-GSM, que muestra una mejora de 9 dB para el AWGN, proporciona una efectividad inferior en la PSNR para el ruido dependiente de la señal –5 dB– y es, por tanto, menos robusto que el BM3D. Podemos concluir que el efecto depende aquí del algoritmo.
ADA3-HW (izq.) Algoritmo de segunda generación de las ALEXA.
ADA5e-HW (centro) Algoritmo de debayerizado para las ALEXA y AMIRA.
ADA5-SW (dcha.) Algoritmo de debayerizado empleado en al software ARRIRAW Converter y en el SDK de ARRI.
© Philippe Ros, AFC.
Por último, comparamos el ruido realista de cámara –incluyendo tanto la dependencia de la señal como el debayerizado– con el modelo común del AWGN. La PSNR para la versión del AWGN es de 46,33, que se corresponde con una mejora de más de 10 dB –o de 9 dB en el caso del algoritmo BLS-GSM–. Con ambos algoritmos, el ruido realista de cámara sólo se puede reducir en unos 4 dB. Estos resultados –basados en la imagen de la ciudad– indican que a la pregunta de sí los algoritmos existentes muestran diferente efectividad se puede responder con un sí rotundo. Los algoritmos de reducción de ruido muestran, en efecto, resultados muy diferentes en los datos que incluyen las características del ruido de cámara.