2.4.4 Шум квантования

Шум квантования - это стохастический эффект, связанный с квантовой неопределенностью. Квантовая неопределенность проявляется в том, что при измерении некоторой физической величины, например, энергии, происходит колебание значений измеряемой характеристики вокруг среднего значения. Это колебание и является шумом квантования. Стохастический эффект - это эффект, который проявляется в стохастических системах, то есть системах, которые развиваются с использованием случайных процессов. Стохастические эффекты включают такие явления, как шум и случайные колебания в системах, которые в противном случае могут быть описаны детерминированными уравнениями.

Детерминированные уравнения - это уравнения, в которых решение определяется исключительно известными начальными условиями и параметрами уравнения, без случайных факторов или внешних воздействий. 

Шум квантования возникает во всех квантовых системах, включая электронные устройства, лазеры и квантовые компьютеры. Он ограничивает точность измерения квантовых величин и может стать причиной ошибок в квантовых вычислениях.

Шум квантования на изображениях связан с дискретизацией яркости пикселей изображения и является одним из видов аддитивного шума.

Зависит от выбранного шага квантования и самого сигнала. Шум квантования может приводить, например, к появлению ложных контуров вокруг объектов или убирать слабо контрастные детали на изображении. Такой шум не устраняется. Приближенно шум квантования можно описать распределением Пуассона:

где — вероятность того, что событие произойдет определенное число раз за определенный период, e - число Эйлера, основное значение которого равно 2,72, µ — среднее количество вхождений за определенный период, x! - факториал числа событий, для которых определяется вероятность.

Рисунок 2.11 - Изображение с квантованием на уровне 4

Рисунок 2.12 – Сравнение исходного изображения и изображения с шумом квантования со значением 12

Разработанный мной шум квантования представлен в приложении Г.

2.4.5 Применение рассмотренных ранее шумов

Изображение после наложения всех рассмотренных ранее шумов:

Рисунок 2.13 – Сравнение исходного изображения бабочки и итоговое зашумленное изображение со всеми рассмотренными ранее фильтрами

Рисунок 2.14 – Сравнение исходного изображения ночного города и итоговое зашумленное изображение со всеми рассмотренными ранее фильтрами

Применение зашумленных изображений для тестирования на точность распознавания объектов на изображении нейросетью является одним из ключевых методов оценки работы алгоритмов компьютерного зрения. Зашумленные изображения могут имитировать условия реальной жизни, такие как различные уровни освещения, плохое качество фотографий, различные затенения, искажения и другие аналогичные факторы, которые могут негативно сказаться на точности распознавания объектов на изображениях.

Применение зашумленных изображений позволяет эффективно оценить работу нейросети на реальных данных и предусмотреть различные возможные сценарии для дальнейшей оптимизации ее работы. Одним из примеров зашумленных изображений может быть добавление случайных точек, пятен, шумов или медианных фильтров для создания более сложных сценариев.

Таким образом, использование зашумленных изображений для тестирования на точность распознавания объектов на изображении является очень важным методом для оценки работы нейросетей и повышения их эффективности в реальных условиях.