Suche
Generic filters

Vision Insights: Beurteilen und Beseitigen von Bildrauschen

Vision Insights: Beurteilen und Beseitigen von Bildrauschen

Bildrauschen – Freund oder Feind? Seit der Erfindung elektronischer Sensoren in der Bildverarbeitung haben sich Ingenieure wiederholt diese Frage gestellt.

Verrauschte Bilder in Vision-Systemen sind aus Nutzersicht zweifelsohne keine guten Bilder, und dieses Problem wird durch die hohe Empfindlichkeit des menschlichen Auges verstärkt. Auch für Algorithmen führt Rauschen zu einer erschwerten und weniger exakten Analyse. Für einen Kamerahersteller dagegen enthält das Rauschen eine Fülle von Informationen über den Sensor und die zugrunde liegende Elektronik. Das Rauschen ist der beste Freund des Entwicklers. Eine sorgfältige Auswertung des Bildrauschens führt zum bestmöglichen Kameradesign und mittelbar auch zum bestmöglichen Bild für einen bestimmten Sensor.

Bildrauschen kann zahlreiche verschiedene Ursachen haben. Einige von ihnen sind auf das Sensordesign zurückzuführen, 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 gängigsten Quellen für Rauschen und beschreibt mit welchen Methoden sie sich gegebenenfalls vermeiden lassen. Rauschen kann prinzipiell in zwei Arten unterschieden werden: Örtliches Rauschen wie das Fixed Pattern Noise und zufälliges bzw. zeitliche Rauschen von Quellen, die sich von Bild zu Bild ändern können.

1. Fixed Pattern Noise

Fixed Pattern Noise ist ein örtliches Rauschen, was bedeutet, dass es bei jedem Bild an derselben Stelle auftritt. Aus Benutzersicht ist diese Form des Rauschens extrem störend, da das menschliche Gehirn sehr empfindlich auf visuelle Muster reagiert. Wird das Bild mit einem Algorithmus analysiert, lässt sich diese Form des Rauschens allerdings leicht korrigieren.

1.1 Dunkelstromrauschen
Die 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 für verschiedene Temperaturen aufgenommen werden, da die Ladungserzeugung temperaturabhängig 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.

1.2 Column-FPN
Bei CMOS-Sensoren verwenden die Pixel jeder Spalte denselben Analog-Digital-Wandler (ADC). Die Unterschiede zwischen diesen Schaltungen, die hauptsächlich in unterschiedlichen Offsets bestehen, führen 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. Üblicherweise wird hierbei der Wert der sogenannten optisch schwarzen Pixel (black pixels) verwendet, die sich am oberen Spaltenrand befinden und vor Licht geschützt sind.

1.3 Defekte
Wie bereits erwähnt wurde, sind die Fertigungsprozesse nicht 100% gleichmäßig. Defekte in Form verunreinigter Atome oder Veränderungen der Kristallstruktur des Halbleitermaterials können vorkommen. Diese Defekte führen zu übermäßigen Ladungen oder deren Ableitung und tragen so zu dem örtlichen Rauschen bei. Diese Defekte werden in der Regel durch einen Algorithmus korrigiert, der die Werte der betroffenen Pixel durch den Mittelwert benachbarter Pixel ersetzt.

1.4 Photo Response Non-Uniformity (PRNU)
Diese Art von Rauschen hat ihren Ursprung in der Struktur der Pixel. Aufgrund von Unwägbarkeiten bei der Herstellung sind Pixel nur nahezu identisch, die Signalausgabe kann durch kleine Abweichungen leicht schwanken. Da jedes Pixel eine lineare Reaktion auf die Beleuchtungsstärke aufweist, bleiben auch die Unterschiede zwischen den Pixelsignalen konstant. Somit ist es möglich, einen Algorithmus zu entwickeln, der die Abweichungen korrigiert. Nahe der Sättigungskapazität weichen die Pixel üblicherweise von der Linearität ab und ein solcher Algorithmus schlägt fehl. Aber die Sensorhersteller konfigurieren ihre Sensoren zumeist so, dass die absoluten Sättigungskapazität der Pixel nicht erreicht wird.

2. Random noise

Wie es der Name bereits sagt, tritt das Random Noise oder temporäres Rauschen unvorhergesehen auf. Aus Benutzersicht wird diese Form des Rauschens als nicht so störend wahrgenommen wie das Fixed Pattern Noise, da unser Gehirn bei der Auswertung von Bildern dagegen nicht so empfindlich ist. Für einen Bildverarbeitungsalgorithmus kann diese Art des Rauschens jedoch problematisch sein, da es sich nur schwer von feinen Texturen unterscheiden lässt. 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.

2.1 Photon-Shot-Noise
Photonen treffen nicht gleichmäßig auf den Sensor auf, sondern gemäß einer Poisson-Verteilung. Das Photon-Shot-Noise entspricht der Quadratwurzel der Anzahl der von einem Pixel detektierten Photonen. Diese Art des Rauschens lässt sich nicht korrigieren. Wenn jedoch die Lichtstärke und die Quanteneffizienz des Pixels bekannt sind, lässt sich das Rauschen recht gut abschätzen.

2.2 Reset-Rauschen
In einer Photodiode akkumulierte Ladungen werden mithilfe eines Kondensators in eine Spannung umgewandelt. Nach jedem Umwandlungszyklus muss der Kondensator auf eine bestimmte Referenzspannung zurückgesetzt werden. Bei diesem Prozess gibt es eine gewisse von der Temperatur und dem Kapazitätswert abhängige Unsicherheit. Daher wird dieses Rauschen auch als kTC-Rauschen bezeichnet. Diese Form des Rauschens wird üblicherweise mit der sogenannten Correlated Double Sampling (CDS)-Methode korrigiert, was bedeutet, dass der Spannungswert des Kondensators unmittelbar nach dem Zurücksetzen gelesen und dieser Wert als Offset des letzten Wertes angesehen wird. CDS ist bei CMOS-Sensoren direkt im Schaltkreis implementiert, während bei CCD-Sensoren eine speziell integrierte Schaltung diese Aufgabe übernimmt.

2.3 Quantisierungsrauschen
Der 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 √Bittiefe ADC. Diese Art von Rauschen lässt sich nicht korrigieren.

Der Einfluss des Rauschens auf die Sensorperformance

Das Rauschen eines Sensors beeinflusst maßgeblich dessen Empfindlichkeit und damit die Bildqualität. Ein Sensor ist umso empfindlicher, je höher 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 Erhöhung des Gains, können zwar dunkel erscheinende Bereiche sichtbar gemacht werden, jedoch wird durch die Multiplikation mit einem festen Wert auch das Rauschen in gleicher Weise verstärkt, sodass die Bildqualität oft sinkt.

Ein in der Praxis typischerweise verwendeter Parameter um die Qualität eines Sensors zu bestimmen ist das Signal-to-Noise-Ratio (SNR), also das Verhältnis von Signalwert zu Rauschwert. Für Bildsensoren wird hier das Verhältnis des digitalen Grauwertes abzüglich des Dunkelwertes als Signal und die Standardabweichung des digitalen Grauwertes als Rauschwert ins Verhältnis gesetzt.

In einem idealen Sensor mit Quantenausbeute eins und ohne Dunkelrauschen ist das SNR die Wurzel der Bestrahlungsstärke (in der Einheit Anzahl der Photonen pro Pixel). Besser kann kein realer Sensor sein. Bei guten Lichtverhältnissen kann ein realer Sensor sehr nahe an diesen Wert herankommen, bei wenig Licht, d.h. kleinen Signalen wird das SNR deutlich vom Dunkelrauschen gemindert.

Bleiben Sie auf dem Laufenden mit FRAMOS. Melden Sie sich für unseren monatlichen Newsletter an

Contact Us

Salutation*
First Name*
Last Name*
Job Title*
Company*
Email*
Country*
State
State*
State*
What FRAMOS product or service would you like to know more about?*
By submitting the request, your data will be processed to get in contact with you and answer your questions. For more information about the processing of your data, please take a look at our  privacy policy.
Search
Generic filters

Contact Us

Salutation*
First Name*
Last Name*
Job Title*
Company*
Email*
Country*
State
State*
State*
By submitting the request, your data will be processed to get in contact with you and answer your questions. For more information about the processing of your data, please take a look at our  privacy policy.

Kontaktieren Sie uns

Anrede*
Vorname*
Nachname*
Jobtitel*
Unternehmen*
E-Mail*
Land*
Bundesland
Bundesland*
Bundesland*
Nachrichten
Mit dem Absenden der Anfrage werden Ihre Daten verarbeitet, um mit Ihnen in Kontakt zu treten und Ihre Fragen zu beantworten. Weitere Informationen zur Verarbeitung Ihrer Daten finden Sie in unserer Datenschutzerklärung
Search
Generic filters

Kontaktieren Sie uns

Anrede*
Vorname*
Nachname*
Job Titel*
Unternehmen*
E-Mail*
Land*
Bundesland
Bundesland*
Bundesland*
Nachricht*
Mit dem Absenden der Anfrage werden Ihre Daten verarbeitet, um mit Ihnen in Kontakt zu treten und Ihre Fragen zu beantworten. Weitere Informationen zur Verarbeitung Ihrer Daten finden Sie in unserer Datenschutzerklärung