¿Algún software elimina el ruido de los archivos sin formato antes de la demostración?

darktable tiene un módulo de "eliminación de ruido sin procesar" que reduce el ruido antes del paso de demostración. En la práctica, rara vez es mejor que los otros módulos que funcionan en la imagen de demostración.

La mayoría de las opciones de reducción de ruido en el software de desarrollo en bruto funcionan entre el paso de demostración y el afilado.

A excepción de la sustracción de fotogramas oscuros , que ayuda a eliminar el ruido de patrón (no aleatorio), no se realiza ninguna reducción de ruido en el nivel demostrado previamente. Simplemente hay demasiadas variables que se interponen entre los datos sin procesar de sensel y una imagen renderizada. Sin embargo, hay un par de algoritmos de demostración (LMMSE e IGV) que están optimizados para manejar datos ruidosos, y muchos algoritmos también tienen una configuración para la reducción de colores falsos.

La demostración y la reducción de ruido deben realizarse simultáneamente. Es mejor usar el programa DCRaw para extraer los datos de píxeles sin procesar y luego abordar el problema de reconstruir la imagen desde los primeros principios en lugar de usar los algoritmos estándar que no producirán la mejor reconstrucción posible de la imagen.

En tal tratamiento de primer principio, enmarca el problema como el llamado problema inverso en el que calcula la imagen más probable dada la información incompleta en forma de datos del sensor. Luego, debe crear un modelo basado en mediciones que proporcione la probabilidad P(Y|X) de obtener datos del sensor Y dado que los datos de la imagen real son X. Una vez que tenga un buen modelo para esta función, querrá encontrar la probabilidad P(X|Y) para la probabilidad de que la imagen sea X dado que los datos del sensor son Y. La relación entre los dos viene dada por el teorema de Bayes e involucra la probabilidad previa P(X) para la imagen. Este anterior se puede describir usando un modelo simple apropiado para el caso en cuestión.

Si elige sus modelos lo suficientemente simples, por ejemplo, ruido gaussiano, anteriores gaussianos, con solo correlaciones locales (por ejemplo, solo correlaciones entre los vecinos más cercanos y los más cercanos), entonces el modelo será exactamente solucionable. Entonces es posible escribir la imagen X que maximiza P(X|Y) en forma de píxel, la solución para el valor de píxel óptimo en algún punto se da como una suma ponderada sobre los datos del sensor. Dichos modelos son demasiado simplistas para producir muy buenos resultados, pero ya son bastante buenos en comparación con lo que ofrecen los procesadores en bruto.

Por ejemplo, he implementado un filtro de ruido simple que se basa en definir P(X) sobre la base de cómo las desviaciones de mínimos cuadrados del polinomio de tercer grado se ajustan a bloques de 6 por 6. Entonces, dada una imagen arbitraria definida por valores de píxeles p_{n,m}, córtela en bloques de 6 por 6 y escriba la expresión formal de la suma de todas las desviaciones por mínimos cuadrados al ajustar los polinomios a cada uno de los bloques en términos de p_{n,m}. La expresión S que obtienes es una función cuadrática de todos los p_{n,m}. Entonces asumo que la probabilidad P(X) es proporcional a exp(-a S) donde a es algún parámetro que puede ser arreglado más tarde. Debido a que S es una expresión cuadrática, es un modelo gaussiano y se puede resolver exactamente (al imponer condiciones de contorno periódicas, la invariancia traslacional le permite resolver el modelo usando transformadas de Fourier).

El resultado es entonces un filtro que termina por reducir el promedio de ruido sobre los píxeles vecinos, pero lo hace usando pesos tanto positivos como negativos. La razón por la que se ingresa el peso negativo es para deshacer los efectos de desenfoque que obtendría si todos los pesos fueran positivos (es similar a cómo funciona la máscara de desenfoque usando pesos negativos). Pero esto sale de las matemáticas, no pones nada aquí sobre una base ad hoc, aparte de tu suposición de la P(X) anterior y un modelo de ruido.

Pero puede hacerlo mucho mejor escribiendo modelos realistas ajustados a cualquier escena que esté fotografiando y la nitidez. La imagen que maximiza P(X|Y) no tendrá una solución analítica, pero luego puede resolverla usando métodos numéricos que involucran aproximaciones sucesivas que mejoran cada vez más.

Eche un vistazo a DxO Optics Pro, su función de eliminación de ruido DxO PRIME funciona exclusivamente en fotos RAW, y es como magia negra :).

Principales inconvenientes:

• Solo para cámaras compatibles, la mayoría de las DSLR son compatibles; sin DNG.
• Tiempo de procesamiento, incluso para una sola imagen de 12 MP

La versión anterior, como Optics Pro 9 o 10, ahora es gratuita.