חדשות הצילוםביקורת מצלמותמאמרים על צילוםפורום צילום d-spot.co.il  

השוואת תוכנות הסרת רעש – דצמבר 2008

מאת:

רעש הינו אחד הפרמטרים שדוחפים את תעשיית הצילום קדימה אולי יותר מכל מונח שגור בפי הצלמים אחר.
אין איש שיווק שלא גוער במהנדסי החברה על כך שהמתחרה נותן רמת רגישות גבוהה יותר עם פחות רעש.

אבל עדיין, אחרי כל המאמצים של חברות הצילום לעיתים אנו מקבלים תוצר שהינו רועש לטעמינו או שאנו מעדיפים לעבוד עם קבצי RAW ולבצע את תהליך הסרת הרעש עצמאית. לשם כך קיימות בשוק מספר אלטרנטיבות להסרת רעש. כל התוכנות הללו מסירות רעש על תמונת Bit Map, כלומר לאחר תהליך ה- Demosaicing. גישה זו מעמידה אתגר רב לאלגוריתם, שכן תהליך ה- Demosaicing למעשה גורם "לזליגת" רעש בין הפיקסלים כך שנקודת ההתחלה לתוכנות אלו היא לא אופטימלית בלשון המעטה.

קיבצנו את 3 תוכנות הסרת הרעש המוכרות (ה"טריו") לכל מי שמעט מכיר את הנושא בעולם הצילום ותוכנה חדשה בעולם הצפוף הזה, ה"אנדרדוג".

יש לציין שסקירה זו לא תיגמר ב"נוק אאוט". אנו בוחנים תהליך ש"פשרה" היא הדגל העיקרי שמתנוסס מעליו. לרוב מדובר בפרטים אל מול רעש אך מלבד זאת לעיתים מדובר בגישה ועל כל אחד לבחור את המתאימה לו ביותר. בחירה זו היא סובייקטיבית ביותר.

מהו רעש?

בעבר נגענו בנושא הרעש בהקשר של טווח דינמי. כעת הרעש מקבל אופי מעט שונה (נראה לעין ולא מתחבא מאחורי נוסחאות סטטיסטיות), אך למעשה מדובר באותו "גורם בעייתי" בדיוק. רעש הינו גורם אי הדיוק בדגימה.
לרוב קל לנו לזהות רעש כקבוצת פיקסלים (או פיקסל בודד) שצבעו / בהירותו אינה תואמת את הסביבה שלו.

Noise Demonstration

דוגמה לרעש על משטח אחיד

כלומר לרעש בתמונה יש השלכות פסיכולוגיות רבות. שכן אנו, כבני אדם, לא רואים רעש דרך עיננו (למרות שרעש קיים בתמונה שהעיניים קולטות) ולכן יש לנו ציפייה לתמונה חלקה ולמשטחים אחידים.

הרעש הנצפה בתמונה מקורו ב-2 גורמים עיקריים:

  1. רעש קריאה (מערכת) – כלל הרעשים האינרטיים במערכת הכוללים את הרעשים התרמיים, רעשי הקריאה מהחיישן ותהליך הקוואנטיזציה. רעש זה בכלליות הינו אקראי וקבוע בכל תהליך "דגימה" של המצלמה (מעט מידע מופיע במדידה שביצענו על ה- Canon 50D ובמאמר על "טווח דינמי").
  2. רעש פוטוני – רעש אינרטי בתהליך דגימה של אור ומקורו באופיו הקוואנטי של האור. רעש זה הינו בעל התפלגות פואסונית וגודלו פרופורציוני לכמות הפוטונים שפגעו בחיישן (שורש כמות הפוטונים שנאספו).

סך הרעש בתמונה מחושב כך:

Total Noise = (Read Noise2 + Shot Noise2)1/2

מבלי להיכנס לעומקם של דברים (זאת נשאיר למאמר עתידי שיעסוק בתופעת הרעש) מאופיים של הרעשים נוכל להסיק מספר מסקנות שחשוב כי יובנו:

  1. מאחר ורעש הקריאה קבוע בכל דגימה ללא קשר לאופי החשיפה ואילו הרעש הפוטוני פרופורציוני לכמות הפוטונים (כלומר בעל מתאם לאופי החשיפה) הרי שכאשר כמות הפוטונים קטנה מאוד (חשיפה בתנאי אור קשים, איזורים כהים) הרי שהרעש הדומיננטי הינו רעש הקריאה.
  2. מאותן סיבות שצויינו בסעיף הקודם, הרי שבאיזורים הבהירים, הרעש הפוטוני הינו הדומיננטי.
  3. גודל הפיקסל מיטיב עם הרעש הפוטוני (כלומר, פיקסל גדול יותר באותו פרק זמן "אוסף" יותר פוטונים ולכן "מכיל" פחות רעש פוטוני) מאידך לפרמטר הגודל אין משמעות רבה בהתמודדות עם רעש קריאה. כלומר, עיקר האתגר של האלגוריתמים הללו הינו התמודדות עם רעש שאופיו אקראי יחסית באיזורים כהים ובחשיפות לא אופטימליות.

כפי שכל אחד יודע, הרעש הולך וגדל ככל שקיבענו רגישות גבוהה יותר וסיפקנו פחות "אור" למצלמה. שכן עיננו רגישות לא רק לכמות הרעש, אלא ליחס שנקרא SNR, ומבטא את היחס בין האות הנקלט לרעש ה"רוכב" עליו.

כיצד מסירים רעש?

לאחר שקיבלנו מושג כללי על מהו רעש בתמונה וגורמיו, אנו צריכים לפתח אסטרטגיה בסיסית כיצד מסירים אותו. הנחת המוצא צריכה להיות שרעש קל מאוד להסיר. אלגוריתם מיצוע פשוט שיופעל שוב ושוב יסיר רעש במדידה אובייקטיבית תמימה (SNR לדוגמה) כמו הטובים שבאלגוריתמים. האתגר הוא מדידה של רמת הרעש אל מול הפרטים הממשיים.

כפי שניתן להבין מהמסקנות, האתגר העומד מול התוכנות הללו הינו רעש אקראי בעיקרו. וזאת מבלי שיש להם גישה למידע על המערכת (כמו שיש ליצרן המצלמה / חיישנים לדוגמה). ולכן הגישה שלהם כוללנית ועוסקת ממש בלימוד "עצמי" של אופי התמונה והסצנה שצולמה.
הגישות לתהליך הסרת רעש כיום שונות והכלים המתמטיים מגוונים ומתוחכמים. הכלים כוללים ניתוחים סטטיסטיים, ניתוח במישורים של תדר (התמרות פורייה / לפלס ובשנים האחרונות שימוש ב- Wavelets) ו/או עבודה במישור התמונה (סגמנטציה, אינטרפולציה ועוד). לרוב נעשה שימוש במספר כלים יחדיו בהתבסס על היתרון היחסי של כל אחד מהם על מנת לקבל סינרגיה בין יכולתיהם. המשותף לכל תהליך הם הקביעות וההנחות בתחילתו המסווגות ומאבחנות מהו רעש ומהו מידע "איכותי מספיק" על מנת שלא יעבור כל שינוי. לשם הפשטות נתאר תהליך גנרי שמבוצע במישור התמונה, כלומר על הפיקסלים עצמם כפי שאנו רואים אותם.

בכלליות תהליך הסרת רעש יכול להיות מתואר כך:

  1. הנחות יסוד (מודל של תמונה ללא רעש):
    • השתנות בהירות – בהירות אחידה בכל הכיוונים בעלת השתנות איטית על גבי משטחים. שונות נמוכה בערך הבהירות.
    • השתנות צבע – הצבע אחיד בכל הכיוונים על פני משטח וההשתנות שלו איטית. שונות נמוכה בערך הצבע.
    • שפות – שינוי קיצוני בערכים בכיוון הניצב (נגזרת נורמלית גדולה) ושינוי מתון בכיוון המשיק (נגזרת משיקית קטנה).
  2. זיהוי משטח וקצוותיו – תהליך מתמטי. משטח יוגדר כתחום בו ערכי הפיקסלים דומים יחסית (ומתמטית, נגזרת עם שיפוע מתון / תחום עם שונות קטנה). הניתוח לזיהוי משטח יכול להתבצע בערוץ מסויים (לרוב ערוץ הבהירות, שם נמצא מירב המידע על "הטקסטורה"). כמובן שניתן לבצע ניתוח מתקדם שנעזר בשינויים בכמה ערוצים במקביל (לדוגמה, המשטח מואר אחיד אך הצבע שונה לחלוטין). זהו התהליך העיקרי בהסרת הרעש ואולי הקשה מכל.
  3. ניתוח סטטיסטי – יבוצע ניתוח סטטיסטי שעיקרו קביעת אופי המשטח ומהי אסטרטגיית ניקוי הרעשים האופטימלית עבורו. לרוב מדובר בבחירת משטח בעל בהירות אחידה וחישוב של סטיית התקן לקביעת סדר גודל הרעש ומשם כל נתון על הרעש כפרמטר של בהירות, תדירות המשטח וכו' ואולי אף סוג ההתפלגות.
  4. הפעלת אלגוריתם ניקוי הרעשים – אלגוריתם שבמהותו הוא סטטיסטי. לרוב מדובר במספר אלגוריתמים שונים בהתאמה לאופי המשטח והערוץ (בערוצי בהירות האלגוריתם יהיה "עדין" יותר כדי לשמר פרטים). לטיפול מיוחד יזכו שפות בין משטחים (יש כאלה אפילו המעדיפים לא להסיר רעש כלל בשפות). מטרת האלגוריתם הינו קירוב של התמונה למודל כפי שהוא מוגדר על ידי הנחות היסוד.
  5. גימור – לרוב, יצרן ישאף לתת אופי יייחודי לתוצר שלו. נושא זה בעיקר מפותח בקרב היצרנים הגדולים.

אילוסטרציה של תהליך הסרת רעש גנרי - שימוש במסנן גאוסי

כפי שציינו, לכל שיטה יתרונותיה וחסרונותיה. לדוגמה, תהליך זיהוי של משטחים ושפות יכול להיעשות בקלות על ידי מסננים במישור התדר. לשם הפשטות, תדרים יתוארו כקצבי שינוי. שפות הינן שינוי חד בין משטחים ולכן הן מתוארות על ידי תדרים גבוהים.

לקחתי חלק אחר מתמונת הייחוס שלנו אשר מאופיינת בשפות רבות. נראה איך בעזרת מסנן High Pass (כשמו כן הוא, מעביר תדרים גבוהים ו"קוצץ" תדרים נמוכים) אנו מאתרים בקלות יחסית גבולות בין משטחים:

Edge Detection Using HPF
תמונה מקורית התמונה לאחר High Pass Filter

באם הצלחנו לתת מודל סטטיסטי לרעש (למשל התפלגות פואסונית היכן שהרעש הפוטוני דומיננטי) הרי שנוכל להשתמש בכלים סטטיסטיים לחיזוי המידע. לדוגמה משערך אופטימלי.

לבסוף, יש לזכור, תמונה ללא רעש כלל נראית לא טבעית (עד כדי כך שיש מודלים ליצירת רעש בגרפיקה ממוחשבת על מנת ליצור ריאליזם).

כפי שראינו מגוון הכלים והשיטות רבים. אך לבסוף נמדדים במבחן אחד, התוצאה.

כיצד בחנו?

קיבצנו 4 תוכנות הסרת רעשים מהמיטב שקיים ובגרסתן העדכנית ביותר.

פנינו לכל חברה לקבלת מידע על התוכנה שלהם והגרסא העדכנית ביותר.

השתמשנו בתמונת ייחוס שצולמה במצלמת Nikon D300. התמונה צולמה כקובץ RAW ועובדה לידי קובץ TIFF על ידי שימוש ב- DCRAW גרסא 8.88 ללא כל הסרת רעש.

תסריט פיתוח התמונה ב- DCRAW:

dcrawms -w +M -o 1 -W -T -v Photo.nef

בנינו מבחן אובייקטיבי שמתבסס על מדידת SNR וכן בחרנו נקודות מפתח בתמונה לבחינת יכולת התוכנה בעמידה באתגרי זיהוי משטחים, שפות והסרת רעש.

כל תוכנה הופעלה בברירת המחדל שלה (מבחינת קביעת עוצמות ניקוי רעש וחידוד ושאר פרמטרי השליטה). פרופיל הרעש נעשה תוך כדי שימוש בתהליך האוטומטי של התוכנה (לרוב על המשתמש לתחום איזורים בעלי בהירות קבועה או שהתוכנה עושה זאת בעצמה). יש להניח כי בטיפול ידני אינטנסיבי ניתן יהיה להגיע לתוצאות טובות יותר (יש להניח כי לא תמיד הפרופיל הסטטיסטי שקבעה התוכנה לרעש תואם את מה שהעיניים רואות) בטח ובטח לעיניו הסובייקטיביות של כל אחד מכם, הקוראים. מאידך הנחה זו נכונה לכל התוכנות שנסקרות ולכן אנו מעריכים כי התוצאות לא יהיו שונות מהותית (מבחינת איכות האלגוריתם) שכן מדובר בתהליך של פשרה.

את ההחלטה הסופית, שעיקרה סובייקטיבית אנו משאירים בידכם.

הצגת המתחרים:

Imagenomic Noiseware

Imagenomic Noiseware הינה אחת מהתוכנות הוותיקות והמוכרות בתחום.

החברה מתגאה ביכולות יצירת פרופיל רעש אוטומטיות לגמרי של התוכנה ומציידת אותה בשלל סיסמאות שיווקיות לאלגוריתמים מתוחכמים שמבטיחים מקסימום הסרת רעש במינימום פגיעה בפרטים.

ממשק המשתמש אינטואיטיבי ומחולק ל-3 איזורים עיקריים (יש ללחוץ על התמונה):

Imagenomic Noiseware GUI

Imagenomic Noiseware - ממשק משתמש

התוכנה מאפשרת שליטה בכלל פרמטרי ניקוי הרעש. ישנה הפרדה בין ניקוי רעש בערוצי הצבע והבהירות וכן יכולת לקבוע את עוצמת ניקוי הרעש לפי תדרים, רמות בהירות או צבעים. לתוכנה גם אלגוריתם חידוד אינטגרלי.

לשם המבחן השתמשנו ביכולות הניתוח פרופיל האוטומטי של התוכנה ובהגדרות ברירת המחדל.

גרסאת התוכנה בה השתמשנו הינה 4.1.1.

ABSoft Neat Image

ABSoft Neat Image מהווה שם מוכר לפחות כמו Noiseware ונחשבת למוערכת מאוד בתחום.

לטענת החברה בחלק משלב ניקוי הרעשים יש שימוש בשיטות סטטיסטיות מתקדמות, זיהוי תמונה, התאמת תבניות וכדומה.

החברה מציידת את התוכנה ביכולת להשתמש בפרופילים (שיוצרו על ידי משתמשים) אשר בנויים באופן ספציפי לסוג המצלמה ובכך אופטימליים לשימוש. התוכנה אף מציינת את איכות הפרופיל במדדים של איכות והתאמה.

ממשק המשתמש של התוכנה מעט פחות ידידותי למשתמש (לטעמי). ישנה חלוקה לתתי תפריטים והיכולת שליטה על פרמטרי ניקוי הרעש היא רק ברמת התדרים:

Neat Image GUI

ABSoft Neat Image - ממשק משתמש

החברה מציעה כלי אנליזה ואיבחון מתקדמים בשלב הגדרת פרמטרי הסרת הרעש כגון צפייה באפקט הסרת הרעש בתדרים שונים ובערוצים שונים. גם ל- Neat Image כלי חידוד אינטגרלי (כבוי בהגדרות ברירת המחדל).

לשם המבחן הגדרנו לתוכנה איזור אחיד (כרטיס 18% אפור בתחתית התמונה) והיא בנתה פרופיל על פי איזור זה. יש לציין שמבחינת דירוג האיכות, פרופיל זה זכה לציון גבוה יותר מכל פרופיל ידני אחר שקיים ברשת (90%). סרגלי הסרת הרעש הושארו על ברירות המחדל שלהם מלבד סרגל החידוד (בברירת המחדל הוא כבוי ולשם המבחן הודלק בערוץ הבהירות בלבד בהגדרות ברירת המחדל שלו).

גרסאת התוכנה בה השתמשנו הינה 6.0.

Picture Code Noise Ninja

Picture Code Noise Ninja היא השלישית בטריו המוכר של עולם הסרת הרעשים.

על פי החברה המוצר משתמש באלגוריתמים מבוססי Wavelets שהם האופנה החדשה בעולם עיבוד התמונה. לטענת החברה בניגוד לאלגוריתמים מבוססי Wavelets דור ראשון אשר סבלו מתופעת "דימום" של צבעים ואופי פלסטי של התוצר הרי שהמוצר שלה "בוגר" ו"בשל" ומפיק את המיטב שהמתמטיקה הזו מציעה.

גם תוכנה זו תומכת בפרופילים שהוכנו מבעוד מועד. או בבניית פרופיל ידני.

ממשק המשתמש פשוט ואינטואיטיבי. למשתמש מעט מאוד שליטה והחלוקה היא למעשה רק בין ניקוי רעשים בערוצי הצבע והבהירות בעוצמות שונות לבחירת המשתמש:

Noise Ninja - ממשק משתמש

Noise Ninja - ממשק משתמש

גם תוכנה זו מזכה את המשתמש ביכולת חידוד.

תוספת מעניינת ליכולות התוכנה היא יצירת מיסוך על אפקט ניקוי הרעשים עוד בממשק הסרת הרעש. נשמע טוב אך לטעמי עדיף שיבוצע על ידי יכולות המיסוך של Photoshop.

לשם המבחן השתמשנו ביכולת יצירת פרופיל רעש אוטומטי של התוכנה והוספנו את איזור הכרטיס האפור למדידות. ביטלנו את מצב Turbo לשם קבלת איכות הסרת רעש הטובה ביותר.
כל שאר הפרמטרים נקבעו בברירות המחדל שלהן.

גרסאת התוכנה בה השתמשנו הינה 2.20.

Topaz Denoise

Topaz Denoise היא השחקן החדש שעושה גלים בפורומים השונים ברחבי הרשת.

החברה, Topaz Labs, זכתה להכרה בעיקר בגלל כלי אחר שלה, Topaz Adjust שמייצר אפקטים מעניינים (בסגנון Lucis Art / HDR). זו חברה שמייצרת המון אלגוריתמים של עיבוד תמונה ווידאו. גם היא טוענת לשליטה מוחלטת ביכולות שמאפשרת המתמטיקה של Wavelets ובכך משמרת יותר פרטים תוך הסרה אגרסיבית של רעש.

ממשק המשתמש ספרטני ככל שניתן, מאוד מיושן ופשוט בעיצובו. אולי אפילו מעין מסר של החברה (כך מעוצבים כל מוצריה), "אנחנו מתעסקים במתמטיקה ולא בממשק משתמש". ישנם 2 לשוניות בתוכם סרגלי הפרמטרים לקביעת רמות הסרת הרעש והחידוד:

Topaz Denoise - ממשק משתמש - לשונית ראשית

Topaz Denoise - ממשק משתמש - לשונית ראשית

Topaz Denoise - ממשק משתמש - לשונית מתקדמת

Topaz Denoise - ממשק משתמש - לשונית מתקדמת

התוכנה הינה האיטית, בפער משמעותי, משאר התוכנות במבחן (בעיקר במצב עיבוד איכותי ביותר).

לתוכנה אין שום כלי יצירת פרופילים ולכן הקדשנו זמן מועט (שלא עולה על 3 דקות, ע"מ לא ליצור יתרון מלאכותי ולהעריך את הזמן הממוצע אותו יקדיש משתמש) לקביעת "נוסחה" אופטימלית (וסובייקטיבית מאוד).

הפרמטרים אשר נבחרו:

  1. Main Tab:
    • Noise Suppression – 0.75.
    • Blur Reduction – 0.1.
  2. Advanced Tab:
    • Mode – Best.
    • Color Noise – 0.1.
    • JPEG Fixer – 0.
    • Smoothness – 0.
    • Add Grain – 0.05.

גרסאת התוכנה בה השתמשנו הינה 2.1.

עמודים: 1 2 3

תגים: , , , , , , , , , ,