25.9.2011Kaikissa mittausjärjestelmissä – langattomasta tiedonsiirrosta digitaaliseen valokuvaukseen – signaali-kohinasuhde (SNR) on perustavanlaatuinen laadun mittari. Olitpa sitten analysoimassa kaukoputkikuvia, parantamassa mikrofonitallenteita tai vianmäärityksessä langattomassa yhteydessä, SNR kertoo, kuinka paljon hyödyllistä tietoa erottuu ei-toivotusta taustamelusta.
Signaali-kohinasuhteen laskeminen oikein ei kuitenkaan ole aina yksinkertaista. Järjestelmästä riippuen on ehkä otettava huomioon lisätekijöitä, kuten pimeävirta, lukukohina tai pikselien pakkaaminen. Tämä opas käy läpi teorian, keskeiset kaavat, yleiset virheet, sovellukset ja käytännön tavat parantaa signaali-kohinasuhdetta varmistaen, että voit soveltaa sitä tarkasti monenlaisissa konteksteissa.
Mikä on signaali-kohinasuhde (SNR)?
Ytimessään signaali-kohinasuhde mittaa halutun signaalin voimakkuuden ja sitä peittävän taustamelun välistä suhdetta.
● Signaali = merkityksellinen tieto (esim. ääni puhelussa, tähti kaukoputken kuvassa).
● Kohina = satunnaisia, ei-toivottuja vaihteluita, jotka vääristävät tai peittävät signaalin (esim. staattinen kohina, anturikohina, sähköiset häiriöt).
Matemaattisesti signaali-kohinasuhde määritellään seuraavasti:
Koska nämä suhteet voivat vaihdella useiden suuruusluokkien välillä, signaali-kohinasuhde (SNR) ilmaistaan yleensä desibeleinä (dB):
● Korkea signaali-kohinasuhde (esim. 40 dB): signaali on hallitseva, mikä johtaa selkeään ja luotettavaan tietoon.
● Alhainen signaali-kohinasuhde (esim. 5 dB): kohina peittää signaalin yli ja vaikeuttaa tulkintaa.
Signaali-kohinasuhteen laskeminen
Signaali-kohinasuhteen laskeminen voidaan suorittaa eri tarkkuuksilla riippuen siitä, mitä kohinalähteitä lasketaan. Tässä osiossa esitellään kaksi muotoa: toinen, joka ottaa huomioon pimeän virran, ja toinen, joka olettaa, että se voidaan jättää huomiotta.
Huomautus: Itsenäisten kohina-arvojen yhteenlasku edellyttää niiden yhteenlaskua kvadratuurissa. Jokainen kohinalähde korotetaan neliöön, summataan ja kokonaissummasta otetaan neliöjuuri.
Signaali-kohinasuhde pimeällä virralla
Seuraavaa yhtälöä käytetään tilanteissa, joissa pimeävirtakohina on niin suuri, että se on sisällytettävä:
Tässä on termien määritelmä:
Signaali (e-): Tämä on kiinnostava signaali fotoelektroneissa, josta on vähennetty pimeävirtasignaali
Kokonaissignaali (e-) on kiinnostuksen kohteena olevan pikselin fotoelektronien lukumäärä – ei siis pikselin arvo harmaasävyinä. Signaalin (e-) toinen esiintymä yhtälön pohjalla on fotonilaukauksen kohina.
Pimeä virta (DC):Kyseisen pikselin tummavirran arvo.
t: Valotusaika sekunteina
σr:Lue kohina kameratilassa.
Signaali-kohinasuhde merkityksettömälle tummalle virralle
Lyhyiden (< 1 sekunnin) valotusaikojen ja jäähdytettyjen, tehokkaiden kameroiden ansiosta pimeävirtakohina on yleensä selvästi lukukohinan alapuolella, ja se voidaan turvallisesti jättää huomiotta.
Termit ovat jälleen edellä määritellyn mukaiset, sillä poikkeuksella, että pimeävirtasignaalia ei tarvitse laskea ja vähentää signaalista, koska sen tulisi olla nolla.
Näiden kaavojen rajoitukset ja puuttuvat termit
Vastakkaiset kaavat antavat oikeat vastaukset vain CCD:lle jaCMOS-kameratEMCCD ja tehostetut laitteet tuovat mukanaan lisää kohinalähteitä, joten näitä yhtälöitä ei voida käyttää. Täydellisemmän signaali-kohinasuhdeyhtälön, joka ottaa huomioon nämä ja muut vaikutuksen, saamiseksi.
Toinen kohinatermi, jota käytetään (tai käytetään) yleisesti signaali-kohinasuhdetta koskevissa yhtälöissä, on valovasteen epätasaisuus (PRNU), jota joskus kutsutaan myös "kiinteän kuvion kohinaksi" (FPN). Tämä edustaa vahvistuksen ja signaalivasteen epätasaisuutta anturissa, ja jos signaali on riittävän suuri, siitä voi tulla hallitseva suurilla signaaleilla, mikä vähentää signaali-kohinasuhdetta.
Vaikka varhaisissa kameroissa PRNU oli niin merkittävä, että se oli tarpeen sisällyttää, useimmat nykyaikaiset kamerattieteelliset kameratniiden PRNU on riittävän alhainen, jotta niiden osuus on selvästi fotonilaukauksen kohinan osuutta pienempi, varsinkin sisäänrakennettujen korjausten jälkeen. Siksi se nykyään yleensä jätetään huomiotta signaali-kohina-laskelmissa. PRNU on kuitenkin edelleen tärkeä joillekin kameroille ja sovelluksille, ja se sisältyy edistyneempään signaali-kohina-yhtälöön täydellisyyden vuoksi. Tämä tarkoittaa, että annetut yhtälöt ovat hyödyllisiä useimmille CCD/CMOS-järjestelmille, mutta niitä ei pitäisi pitää yleisesti sovellettavina.
Signaali-kohina-suhteen laskennassa esiintyvät kohinatyypit
Signaali-kohinasuhteen laskeminen ei ole pelkästään signaalin vertaamista yhteen kohina-arvoon. Käytännössä useat toisistaan riippumattomat kohinalähteet vaikuttavat tulokseen, ja niiden ymmärtäminen on olennaista.
Laukausääni
● Alkuperä: fotonien tai elektronien tilastollinen saapuminen.
● Skaalautuu signaalin neliöjuuren kanssa.
● Hallitseva fotonirajoitteisessa kuvantamisessa (tähtitiede, fluoresenssimikroskopia).
Lämpökohina
● Sitä kutsutaan myös Johnson–Nyquist-kohinaksi, ja se syntyy elektronien liikkeestä vastuksissa.
● Kasvaa lämpötilan ja kaistanleveyden myötä.
● Tärkeä elektroniikassa ja langattomassa viestinnässä.
Pimeän virran kohina
● Pimeävirran satunnainen vaihtelu sensoreissa.
● Merkittävämpi pitkillä valotusajoilla tai lämpöilmaisimilla.
● Vähentää jäähdyttämällä anturia.
Lue kohina
● Vahvistimista ja analogia-digitaalimuunnoksesta tuleva kohina.
● Kiinteä lukemaa kohden, joten se on kriittistä heikkosignaalisissa tiloissa.
Kvantisointikohina
● Otetaan käyttöön digitalisoimalla (pyöristämällä diskreeteille tasoille).
● Tärkeää matalan bittisyvyyden järjestelmissä (esim. 8-bittinen ääni).
Ympäristö-/järjestelmämelu
● Sähkömagneettinen häiriö (EMI), ylikuuluminen, virransyötön ripple.
● Voi olla hallitseva, jos suojaus/maadoitus on huono.
Ymmärtämällä, mikä näistä on hallitseva, voit valita oikean kaavan ja lieventämismenetelmän.
Yleisiä virheitä signaali-kohinasuhteen laskennassa
Kuvantamisessa signaali-kohinasuhteen arvioimiseksi on helppo löytää monia "oikotiemenetelmiä". Nämä ovat yleensä joko vähemmän monimutkaisia kuin vastakkaiset yhtälöt, tai mahdollistavat helpomman johtamisen kuvasta itsestään sen sijaan, että ne vaatisivat tietoa kameran parametreista, kuten lukukohinasta, tai molempia. Valitettavasti on todennäköistä, että jokainen näistä menetelmistä on virheellinen ja johtaa vääristyneisiin ja hyödyttömiin tuloksiin. On erittäin suositeltavaa käyttää vastakkaisia yhtälöitä (tai niiden edistyneempää versiota) kaikissa tapauksissa.
Joitakin yleisimpiä vääriä oikopolkuja ovat:
1. Signaalin voimakkuuden ja taustan intensiteetin vertailu harmaasävyillä. Tässä lähestymistavassa yritetään arvioida kameran herkkyyttä, signaalin voimakkuutta tai signaali-kohinasuhdetta vertaamalla huippuintensiteettiä taustan intensiteettiin. Tämä lähestymistapa on erittäin virheellinen, koska kameran siirtymän vaikutus voi mielivaltaisesti asettaa taustan intensiteetin, vahvistus voi mielivaltaisesti asettaa signaalin intensiteetin, eikä kohinan osuutta signaalissa tai taustalla oteta huomioon.
2. Signaalihuippujen jakaminen taustapikselien alueen keskihajonnalla. Tai huippuarvojen vertaaminen viivaprofiilin paljastamaan taustan visuaaliseen kohinaan. Olettaen, että siirtymä vähennetään oikein arvoista ennen jakamista, merkittävin vaara tässä lähestymistavassa on taustavalon läsnäolo. Mikä tahansa taustavalo hallitsee tyypillisesti taustapikselien kohinaa. Lisäksi kiinnostuksen kohteena olevan signaalin kohinaa, kuten laukauksen kohinaa, ei itse asiassa oteta lainkaan huomioon.
3. Kiinnostavien pikseleiden keskimääräisen signaalin ja pikseliarvojen keskihajonnan vertailu: Huippusignaalin muutoksen vertaaminen tai tarkkailu vierekkäisten pikseleiden tai peräkkäisten ruutujen välillä on lähempänä oikeaa menetelmää kuin muut oikotiet, mutta se ei todennäköisesti vältä muita arvoja vääristäviä tekijöitä, kuten signaalin muutoksia, jotka eivät johdu kohinasta. Tämä menetelmä voi myös olla epätarkka vertailun alhaisen pikselimäärän vuoksi. Myöskään offset-arvon vähentämistä ei pidä unohtaa.
4. Signaali-kohinasuhteen laskeminen muuntamatta fotoelektronien intensiteettiyksiköiksi tai poistamatta offsetia: Koska fotonilaukauksen kohina on tyypillisesti suurin kohinalähde ja sen mittaus edellyttää kameran offsetin ja vahvistuksen tuntemusta, ei ole mahdollista välttää laskemista takaisin fotoelektroneihin SNR-laskelmia varten.
5. Signaali-kohinasuhteen arviointi silmämääräisesti: Vaikka joissakin olosuhteissa signaali-kohinasuhteen arviointi tai vertailu silmämääräisesti voi olla hyödyllistä, siihen liittyy myös odottamattomia sudenkuoppia. Signaali-kohinasuhteen arviointi korkeissa pikseleissä voi olla vaikeampaa kuin matalampiarvoisissa tai taustapikseleissä. Myös hienovaraisemmat vaikutukset voivat vaikuttaa asiaan: Esimerkiksi eri tietokoneen näytöt voivat tuottaa kuvia hyvin erilaisella kontrastilla. Lisäksi kuvien näyttäminen eri zoomaustasoilla ohjelmistossa voi vaikuttaa merkittävästi kohinan visuaaliseen ulkoasuun. Tämä on erityisen ongelmallista, jos yritetään vertailla kameroita, joilla on erikokoisia objektitilan pikseleitä. Lopuksi taustavalon läsnäolo voi mitätöidä kaikki yritykset arvioida signaali-kohinasuhdetta visuaalisesti.
SNR:n sovellukset
Signaali-kohinasuhde (SNR) on yleismaailmallinen mittari, jolla on laaja sovellusalue:
● Ääni- ja musiikkitallennus: Määrittää tallenteiden selkeyden, dynamiikka-alueen ja tarkkuuden.
● Langaton tiedonsiirto: Signaali-kohinasuhde (SNR) liittyy suoraan bittivirhesuhteisiin (BER) ja tiedonsiirtonopeuteen.
● Tieteellinen kuvantaminen: Tähtitieteessä himmeiden tähtien havaitseminen taustataivaan hehkua vasten vaatii korkeaa signaali-kohinasuhdetta.
● Lääketieteelliset laitteet: EKG-, MRI- ja TT-kuvaukset perustuvat korkeaan signaali-kohinasuhteeseen signaalien erottamiseksi fysiologisesta kohinasta.
● Kamerat ja valokuvaus: Sekä kuluttajakamerat että tieteelliset CMOS-kennot käyttävät signaali-kohinasuhdetta (SNR) suorituskyvyn vertailuun hämärässä.
Signaali-kohinasuhteen parantaminen
Koska signaali-kohinasuhde on niin kriittinen mittari, sen parantamiseen panostetaan merkittävästi. Strategioihin kuuluvat:
Laitteistolähestymistavat
● Käytä parempia sensoreita, joilla on pienempi pimeävirta.
● Käytä suojausta ja maadoitusta sähkömagneettisten häiriöiden vähentämiseksi.
● Jäähdytä ilmaisimia lämpökohinan vaimentamiseksi.
Ohjelmistolähestymistavat
● Käytä digitaalisia suodattimia ei-toivottujen taajuuksien poistamiseksi.
● Käytä useiden kehysten keskiarvoistamista.
● Käytä kohinanvaimennusalgoritmeja kuvantamisessa tai äänenkäsittelyssä.
Pikselin ryhmittely ja sen vaikutus signaali-kohinasuhteeseen
Sidonnan vaikutus signaali-kohinasuhteeseen riippuu kameratekniikasta ja anturin käyttäytymisestä, koska sidottujen ja sidoimattomien kameroiden kohinaominaisuudet voivat vaihdella merkittävästi.
CCD-kamerat voivat summata vierekkäisten pikseleiden varauksen "sirulla". Lukemiskohinaa esiintyy vain kerran, vaikka jokaisen pikselin pimeävirtasignaali summataan myös.
Useimmat CMOS-kamerat käyttävät sirun ulkopuolista binningiä, eli arvot ensin mitataan (ja lukukohina lisätään) ja sitten summataan digitaalisesti. Tällaisten summausten lukukohina kasvaa kertomalla summattujen pikselien lukumäärän neliöjuurella, eli kertoimella 2, kun käytetään 2x2-binningiä.
Koska antureiden kohinakäyttäytyminen voi olla monimutkaista, kvantitatiivisissa sovelluksissa on suositeltavaa mitata kameran offset, vahvistus ja lukukohina binned-tilassa ja käyttää näitä arvoja signaali-kohinasuhdeyhtälössä.
Johtopäätös
Signaali-kohinasuhde (SNR) on yksi tärkeimmistä mittareista tieteessä, tekniikassa ja teknologiassa. SNR on mittaus- ja viestintäjärjestelmien laadun perusta, aina puheluiden selkeyden määrittelystä kaukaisten galaksien havaitsemisen mahdollistamiseen. SNR:n hallitseminen ei ole pelkästään kaavojen ulkoa opettelua – se on oletusten, rajoitusten ja tosielämän kompromissien ymmärtämistä. Tästä näkökulmasta insinöörit ja tutkijat voivat tehdä luotettavampia mittauksia ja suunnitella järjestelmiä, jotka tuottavat merkityksellisiä tietoja jopa meluisissa olosuhteissa.
Haluatko oppia lisää? Tutustu aiheeseen liittyviin artikkeleihin:
Tucsen Photonics Co., Ltd. Kaikki oikeudet pidätetään. Mainitse lähde lainatessasi:www.tucsen.com
