Was versteht man unter Rauschunterdrückung?

Bei der Rauschunterdrückung handelt es sich um das Entfernen von Rauschen oder unerwünschten Artefakten aus Signalen und Bildern. Dies ist ein wichtiger Schritt bei den meisten Audio-, Bild- und Videoverarbeitungsgeräten, da sie während der Übertragung, des Empfangs, der Verarbeitung, der Speicherung oder der Konvertierung von Signalen rauschanfällig sind. Rauschen kann sich nachteilig auf nachfolgende Signalverarbeitungsaufgaben wie Signalwiederherstellung, -analyse und -Tracking auswirken.

Das Ziel bei der Rauschunterdrückung besteht darin, die ursprünglichen Informationen des Signals bestmöglich beizubehalten und dabei Rauscheffekte auf ein Minimum zu reduzieren. So ist es beispielsweise beim Entfernen von Verzerrungen und Unschärfe aus Bildern wichtig, optische Details wie Kanten, Ecken, Farben und Texturen beizubehalten.

Sie können MATLAB^® und Simulink^® zur Implementierung häufig verwendeter Rauschunterdrückungstechniken verwenden:

1. Filterbasierte Rauschunterdrückung: Entwickeln, analysieren und implementieren Sie Filter für die Rauschunterdrückung.
   • Bilder filtern
     • Filter zum Entrauschen von Bildern
       • Lineare Filter (Mittelungs- oder Gauß-Filter), Mittelungsfilter, adaptive Filter
     • Bildmodifikationen und -verbesserungen
       • Glätten, Schärfen und Kantenschärfung
   • Signalfilterung
     • Analoge und digitale Filter verwenden
       • FIR- und IIR-Implementierungen von Tiefpass-, Hochpass- und Bandstoppfiltern
     • Unerwünschte Spitzen, Trends und Ausreißer aus Signalen entfernen
       • Gleitende Mittelwerte, gleitende Mediane, Savitzky-Golay- und Hampel-Filter
     • Verzögerungen und Phasenverzerrungen entfernen
       • Nullphasenfilterung
2. Wavelet-basierte Rauschunterdrückung: Wavelets lokalisieren Merkmale im Zeit-Frequenz-Bereich und in verschiedenen Maßstäben, mit denen wichtige Signal- oder Bildmerkmale erhalten bleiben können, die durch andere Rauschunterdrückungstechniken entfernt oder geglättet werden.
   • Signale und Bilder mit Wavelets entrauschen
     • Zerlegen, Schwellenwertbestimmung für Detailkoeffizienten und Rekonstruktion
   • Ungleichmäßig abgetastete Daten glätten
3. Deep-Learning-basierte Rauschunterdrückung: Sie können Deep-Learning-Netze zur Entwicklung moderner Methoden zur Rauschunterdrückung von Audio, Bildern oder Videosignalen einsetzen. Diese Methoden sind zwar rechenintensiver, erzielen allerdings auch die beste Trennung von Signalen und Rauschen. Für den Einstieg können Sie mit dem Deep Learning Toolbox™-Add-on für MATLAB:
   • Neuronale Netze für die Rauschunterdrückung vortrainieren
     • Diese lassen sich schnell und einfach implementieren und erzielen schnell Ergebnisse, bieten allerdings wenig Anpassungsmöglichkeiten.
   • Neuronale Netze für die Rauschunterdrückung anpassen
     • Diese bieten mehr Flexibilität sowie die Möglichkeit, Ihr eigenes Netz mithilfe vorgegebener Schichten oder ein vollständig benutzerdefiniertes neuronales Netz für bestimmte Arten von Bildern oder Signalen zu trainieren.