Za każdym razem, gdy robimy zdjęcie, skanujemy pacjenta lub przesyłamy obrazy ze satelity, równoważymy jakość obrazu, zajętość pamięci i czas. W artykule przedstawiono nowy sposób oczyszczania zaszumionych obrazów zarejestrowanych w silnie skompresowanej formie, co pozwala uzyskać wyraźniejsze obrazy z mniejszej liczby pomiarów. Ma to znaczenie od lepszych zdjęć smartfonem przy słabym świetle po bezpieczniejsze skany medyczne wykonane przy niższej dawce promieniowania.
Dlaczego oszczędne podejście nadal może wyglądać dobrze
Tradycyjne aparaty i skanery działają według prostej zasady: zbierać znacznie więcej informacji, niż może być potrzebne, aby niczego nie pominąć. Dopiero później obraz jest kompresowany, by zaoszczędzić miejsce. Kompresyjne próbkowanie przewraca tę logikę do góry nogami. Zamiast najpierw rejestrować każdy piksel, wykonuje starannie dobrany, mniejszy zestaw połączonych pomiarów, które wciąż zawierają większość istotnych informacji wizualnych. W teorii pozwala to zrekonstruować ostry obraz z zaskakująco niewielu danych. W praktyce jednak szum podczas rejestracji i złe wybory dotyczące sposobu pobierania pomiarów mogą prowadzić do rozmytych detali, blokowych artefaktów i utraty drobnej struktury, zwłaszcza w wymagających zastosowaniach, takich jak obrazowanie medyczne.
Podział obrazu na inteligentne małe kawałki Figure 1.
Autorzy proponują trzyetapową ramę działania, która operuje na małych kwadratowych łatkach, czyli blokach obrazu, zamiast na całej scenie naraz. Każdy blok jest najpierw przekształcany w formę, w której większość znaczącej treści kondensuje się do zwartego zestawu współczynników, podczas gdy drobne detale i tekstury zostają wyodrębnione. Te współczynniki są następnie przemieszczane wzdłuż ścieżki w kształcie zygzaka, która naturalnie ustawia szerokie, gładkie partie obrazu na początku, a drobne, ostre wariacje później. To porządkowanie ma znaczenie, ponieważ zapewnia, że podczas kompresji najważniejsze wizualnie elementy trafiają na przód kolejki, nawet jeśli przechowywana jest tylko część danych.
Lepsze skróty przez dane
Gdy każdy blok zostanie uporządkowany, przechodzi przez matematyczne narzędzie zwane macierzą pomiarową, które określa, w jaki sposób wiele oryginalnych wartości jest mieszanych do mniejszego zbioru pomiarów. Zamiast polegać na ogólnym, losowym wyborze, badacze dostrajają tę macierz tak, aby była szczególnie dobrze dopasowana do typów obrazów, które chcą odtworzyć. Robią to, rozwiązując problem optymalizacyjny, który przekształca macierz aż jej wewnętrzne wzorce ułatwią odróżnienie istotnej struktury od szumu. Popularna procedura rekonstrukcji następnie używa tych skompresowanych pomiarów do przybliżenia oryginalnego bloku, kierując się założeniem, że tylko stosunkowo niewielka liczba ukrytych cech jest naprawdę potrzebna do jego opisania.
Wypolerowanie pozostałego szumu Figure 2.
Nawet po starannej kompresji i rekonstrukcji pozostają pewne szumy i drobne artefakty. Aby sobie z nimi poradzić, etap końcowy stosuje nowoczesną technikę odszumiania znaną jako metoda Split Bregman. Podejście to traktuje obraz jak powierzchnię i delikatnie wygładza drobne fluktuacje, zachowując jednocześnie ostrość krawędzi i granic anatomicznych. Poprzez wielokrotne rozdzielanie problemu na prostsze podkroki, metoda zbiega szybko i stabilnie. Wynikiem jest obraz po odszumianiu, w którym zredukowano ziarnistość, ale zachowano kluczowe linie i tekstury — na przykład granice tkanek w badaniu lub krawędzie w krajobrazie.
Od testowych zdjęć po skany medyczne
Zespół przetestował swoją ramę zarówno na codziennych zdjęciach, jak i obrazach medycznych, takich jak skany CT i zdjęcia rentgenowskie. Celowo zanieczyścili oryginały różnymi poziomami sztucznego szumu i zasymulowali scenariusze, w których zebrano tylko 20% do 50% zwykłych danych. W tych warunkach porównali swoją metodę z systemem pomijającym krok zygzaka i używającym standardowego podejścia pomiarowego. Korzystając ze standardowych miar jakości oceniających ostrość, podobieństwo do oryginału i ogólny błąd, ich metoda konsekwentnie generowała czystsze i wierniejsze obrazy. Dotyczyło to zarówno znanych zdjęć testowych, jak i klinicznie istotnych skanów płuc, kolan, rąk i klatki piersiowej.
Czystsze obrazy przy mniejszym narażeniu
W gruncie rzeczy badanie pokazuje, że można inteligentnie zaprojektować zarówno sposób zbierania danych obrazowych, jak i późniejsze usuwanie szumów, aby uzyskać więcej przy mniejszym nakładzie. Łącząc przetwarzanie blokowe, porządkowanie w zygzak, zoptymalizowany sposób wykonywania skompresowanych pomiarów oraz silny etap końcowego oczyszczania, proponowana rama poprawia czytelność obrazu przy ograniczeniach danych i szumu. Dla pacjentów może to pewnego dnia przełożyć się na skany wysokiej jakości wykonane z mniejszej liczby projekcji rentgenowskich, a więc niższe dawki promieniowania; dla systemów obrazowania w ogóle wskazuje drogę ku przyszłości, w której ostre obrazy nie będą już wymagać ogromnych ilości danych.
Cytowanie: Thomas, E.N., Theeda, P. & Praveen, T. Block compressive sensing-based image denoising framework using optimized sensing matrix and split Bregman algorithm.
Sci Rep16, 9485 (2026). https://doi.org/10.1038/s41598-026-38785-0
Słowa kluczowe: kompresyjne próbkowanie, usuwanie szumów z obrazów, obrazowanie medyczne, rekonstrukcja obrazu, przetwarzanie sygnałów
