algorithm - 在平均之前线性归一化图像堆栈(数据？)？

Question

我正在编写一个应用程序来平均/组合/堆叠一系列曝光。这通常用于减少生成图像中的噪声。

然而，似乎要优化平均/堆叠，通常首先对曝光进行归一化。似乎这个过程为每个曝光分配了权重，然后继续将它们组合起来。我猜测该过程会计算每张图像的整体强度，因为目的是匹配堆栈中所有图像的强度。

我的问题是，我如何结合一种算法来对一系列图像进行归一化处理？我想这个问题可以通过问“我怎样才能使一系列读数正常化？”来概括。

我脑子里的一个轮廓是这样的:

• 计算引用图像的平均值。
• 将每个帧的平均值除以引用帧的平均值。
• 每次划分的结果就是每一帧的权重。
• 用为该特定帧找到的权重缩放/乘以帧中的每个像素。

这似乎对任何人都有意义吗？在过去的一个小时里，我试图用谷歌搜索，但没有找到任何东西。还查看了亚马逊上各种图像处理书籍的索引，但也没有找到任何东西。

Answer 1

每个积分都包含信号和各种噪声 - 有些是时间无关的(例如偏置或 CCD 读出噪声)，有些是时间相关的(例如暗电流)，有些是随机的(散粒噪声)。目的是去除噪声，留下信号。因此，您首先会使用暗帧(包括暗电流、读数和偏置)减去“固定”源，留下信号和散粒噪声。信号比例为通量乘以曝光时间，散粒噪声为信号的平方根

http://en.wikipedia.org/wiki/Shot_noise

因此总体而言，您的信号/噪声比例为积分时间的平方根(假设您的积分时间足够短，不会饱和)。因此，通过添加帧，您只是增加了曝光时间，从而增加了信噪比。你不需要先规范化。

使事情复杂化的是，还存在 transient 非高斯噪声(例如宇宙射线撞击)。处理这些问题的技术有很多，但一种常见的方法是“sigma-clipping”，您可以通过额外的传递来计算每个像素的均值和标准差，然后拒绝与均值相差许多标准差的异常值。真实信号将显示围绕平均值的高斯波动，而 transient 信号将在堆栈的一帧中显示大偏差。也许这就是你的想法？