A New Robust Scheme for Salt and Pepper Noise Filtering Using Fuzzy Cellular Automata

Immagina che la tua foto digitale preferita sia come la cima di una montagna incontaminata e coperta di neve. È bellissima, nitida e ricca di dettagli. Ma poi, una improvvisa bufera di neve colpisce la scena, facendo cadere pezzetti casuali neri e bianchi su tutto il paesaggio. Nel mondo dell'imaging digitale, questo viene chiamato "rumore sale e pepe" (salt and pepper noise). È l'equivalente digitale di un glitch della fotocamera, un errore di memoria o un intoppo nella trasmissione che trasforma un'immagine perfetta in un caos di interferenze. Mentre alcuni filtri agiscono come una pesante pala da neve, che spazza via il rumore ma appiattisce anche le delicate creste e le valli della montagna (sfocando l'immagine), gli scienziati cercano da tempo uno strumento che possa prelevare i granelli uno per uno senza disturbare la scena. È qui che entra in gioco il campo dell'elaborazione delle immagini, utilizzando astuzie matematiche ingegnose per ripristinare la chiarezza. Due degli strumenti più affascinanti in questa cassetta degli attrezzi sono gli "Automi Cellulari" e la "Logica Fuzzy". Pensa agli Automi Cellulari come a una griglia di piccoli, obbedienti vicini che prestano attenzione solo alle persone che stanno immediatamente accanto a loro per decidere cosa fare. La "Logica Fuzzy" è l'arte di prendere decisioni quando le cose non sono strettamente bianche o nere, ma si trovano in una zona grigia intermedia. Combinando queste idee, i ricercatori sperano di creare un sistema abbastanza intelligente da sapere esattamente quali pixel siano il "rumore" e quali siano l' "immagine", anche quando il rumore è travolgente.

In questo articolo, Mohammad Mehdi Piroozmandan introduce un nuovo schema robusto progettato specificamente per affrontare questo problema del rumore sale e pepe utilizzando una combinazione di tre algoritmi appena sviluppati. Il metodo funziona come un'operazione investigativa in due fasi. Prima, deve trovare i colpevoli (i pixel rumorosi), e in secondo luogo, deve sistemarli senza rovinare il resto della scena.

La prima fase riguarda tutta la rilevazione e utilizza un processo in due fasi per garantire che non venga perso alcun rumore. Il primo passaggio è una scansione rapida: l'algoritmo esamina un piccolo vicinato 3x3 intorno a ogni pixel e calcola i valori di luminosità massima, minima e media. Se un pixel è sospettosamente luminoso (come il sale) o scuro (come il pepe) rispetto ai suoi vicini, viene segnalato. Tuttavia, l'autore sa che a volte il rumore è subdolo e potrebbe sembrare un pixel normale, quindi viene aggiunto un secondo passaggio più rigoroso. Questo passaggio utilizza i principi degli Automi Cellulari e qualcosa chiamato "distanza di Hamming" — un modo per misurare quanto siano diversi due insiemi di numeri. Re-valuta i pixel che il primo passaggio ha mancato, controllando se i loro vicini si comportano in modo strano. Se i vicini sono troppo diversi, il pixel viene confermato come rumore.

Una volta identificati i pixel rumorosi, inizia la seconda fase: il ripristino. Invece di sostituire semplicemente il pixel errato con una semplice media dei suoi vicini (il che spesso sfoca l'immagine), questo nuovo metodo utilizza l' "Automa Cellulare Fuzzy" e un concetto chiamato "similitudine di Jaccard". Immagina che il pixel centrale sia un pezzo di un puzzle che è rotto. L'algoritmo osserva quattro diversi schemi di sei pixel circostanti (come diversi gruppi di vicini) e chiede: "Quale gruppo assomiglia di più all'immagine originale, intatta?". Utilizza la misura di similitudine di Jaccard per confrontare questi gruppi, chiedendo essenzialmente quanto abbiano in comune. L'algoritmo utilizza poi questi confronti fuzzy per calcolare un nuovo valore perfetto per il pixel rotto, "guarendo" efficacemente l'immagine pur mantenendo i bordi netti e i dettagli fini intatti.

L'articolo presenta risultati sperimentali per dimostrare quanto bene funzioni questo nuovo schema. L'autore ha testato il metodo su varie immagini standard, come "Barbara", "Boat" e "Bridge", corrompendole con rumore sale e pepe a livelli che vanno dal 15% fino a un livello molto pesante del 90%. I risultati sono stati misurati utilizzando quattro diverse schede di punteggio: PSNR (Rapporto Segnale-Picco di Rumore), SSIM (Indice di Similarità Strutturale), NCC (Correlazione Incrociata Normalizzata) e IEF (Fattore di Miglioramento dell'Immagine). In queste simulazioni, il metodo proposto ha superato costantemente le tecniche esistenti, inclusi i rilevatori a Reti Neurali e vari filtri mediani. Ad esempio, su un'immagine di 256x256 pixel con il 90% di rumore, il metodo proposto ha ottenuto un PSNR di 34,4, mentre altri metodi come NNANFIS hanno ottenuto punteggi significativamente più bassi, pari a 24,4. I risultati visivi hanno anche mostrato che questo metodo è stato migliore nel preservare i bordi nitidi delle immagini, mentre altri filtri tendevano a lasciare l'immagine dall'aspetto sfocato o ancora punteggiato di rumore.

Inoltre, l'articolo evidenzia che questo metodo non è solo accurato, ma anche efficiente. Nei test che misurano il tempo di elaborazione su immagini 512x512 con il 60% di rumore, il metodo proposto ha impiegato circa 68 secondi per ripristinare l'immagine "Barbara", che è stato più veloce dei 106 secondi impiegati dal filtro MDBUTM e dei 170 secondi del metodo di A. Selmani. L'autore conclude che, poiché il metodo si basa su regole locali (come i vicini degli automi cellulari), è altamente parallelizzabile, il che significa che potrebbe essere reso ancora più veloce se eseguito su hardware progettato per fare molte cose contemporaneamente. Sebbene l'articolo si concentri su immagini in scala di grigi e tipi specifici di rumore, l'autore suggerisce che questo approccio potrebbe essere una soluzione promettente per compiti di elaborazione delle immagini del mondo reale dove la conservazione dei dettagli è cruciale, e il lavoro futuro potrebbe esplorare l'applicazione di queste idee a immagini a colori o altri tipi di rumore.