دوربین های مداربسته اعم از دوربین مداربسته شبکه یا دوربین های بر بستر آنالوگ (که اخیرا تصاویر خروجی با کیفیت اچ دی و یا بالاتر تولید می کنند) دارای مشخصات و پارامترهایی هستند که روند به صورت پیشرفت و پایداری برخی از این المان ها ادامه دار می باشد. یکی از این پارانترها که اتفاقا تاثیر بسیار زیادی در خروجی تصاویر دوربین های مداربسته در شب را داراست، مشخصه NR) Noise Reduction) یا کاهش نویز دوربین مداربسته است. منظور از نویز دراینجا برفک هایی است که به سبب کم بودن نور محیط یا عوامل خارجی دیگر توسط دوربین در خروجی تولید می گردد.
نمود این نویز را می توانید به راحتی توسط دوربین عکاسی تلفن همراه و در صورتی که از گوشی های کمی قدیمی تر استفاده کنید به وضوح ببینید و اگر دوربین و پردازشگر آن متعلق به نسل های پیشین باشد، حتی پارا از نویز و برفک فراتر گذاشته و چیزی به جز یک نمایشگر سیاه قابل مشاهده نیست! DNR یا Digital Noise Reduction یک قابلیت در دوربین است که به صورت دیجیتالی سعی در برطرف کردن نویزهای تولید شده در محیط کم نور را دارد. نمونه پیشرفته‌تر آن ۳D-DNR است که با استفاده از آن می توان نویزهای موجود در تصاویر را به صورت موثرتر فیلتر نمود. در عمل این روند فیلتر کردن توسط تراشه و پردازشگر دوربین مدار بسته و با استفاده از الگوریتم های پردازش تصویری خاصی صورت می پذیرد.
انواع نویز ها
برای تصاویر می توان دو نوع نویز مهم تر را درنظر گرفت که می تواند بر خروجی تصویر دوربین مداربسته اثر گذار باشند. یکی نویز فلفل نمکی و دیگری نویز گاوسی.
نویز فلفل نمکی وقتی که سنسور تصویر دوربین مداربسته داغ می‌شود و یا توسط ذرات گرد و غباری که پس از مدتی می تواند به درون دوربین نفوذ کند، ایجاد می‌شود. این نوع نویزها به صورت تصادفی رخ داده و هیچ رابطه‌ای با پیکسل‌های تصویر اطرافش ندارد و به صورت پیوسته به‌شکل نقاط سیاه و سفید در تصویر خودنمایی می کنند. نمونه دیگر نویز تولیدی نیز نویز گاوسی (نویز گوسی) است که توسط یک تداخل تصادفی که ریشه در حرکت الکتریسیته مدارهای دوربین دارد، تولید می شود. این نویز باعث می‌شود رنگ پیکسل‌های تصویر تولیدی دوربین با رنگ تصویر محیط واقعی کمی فرق کند که درنتیجه تار و کدر به نظر رسیدن تصویر خروجی را به دنبال خواهد داشت.
DNR یا کاهش دیجیتالی نویز
مشخصه DNR دوربین مداربسته از تکنیک کاهش نویز موقتی استفاده می‌کند. در این تکنیک هر فریم با فریم مجاور مورد مقایسه قرار می گیرد و هر نقطه ی نامتعارف را که با فریم کناری اختلاف فاحشی داشته باشد حذف می‌گردد. با این روش، از طریق مقایسه و تلفیق فریم‌ها نویز کلی تصویر را کاهش می توان کاهش داد. معمولا تکنولوژی سنتی DNR نویزها و اطلاعات ناخواسته‌ای که در جلوی تصویر باشد را از بین می‌برد. این بدین معنی است که فقط اشیا جلویی تصویر در دوربین مدار بسته مورد پردازش قرار گرفته و بر روی کاهش نویز آن ها کار می‌شود و این درحالی است که اشیا موجود در پس زمینه تصویر، پردازش نشده باقی می‌مانند. به عنوان نمونه یک پارکینگ را درشب تصور کنید. ماشین‌ها و افرادی که در مقابل دوربین هستند پردازش شده و نویزهای آن ها حذف می‌شود، ولی اشیا موجود در پس زمینه بدون پردازش باقی می مانند.
تفاوت ۳D DNR چیست؟
۳D DNR یا کاهش نویز سه بعدی، تکنولوژی DNR سنتی را یک مرحله فراتر می‌برد. نه تنها ۳DDNR روش سنتی کاهش نویز فریم به فریم را انجام می‌دهد، بلکه کاهش نویز نقطه‌ای را هم هم در این روند کاهشی شاهد هستیم. کاهش نویز نقطه‌ای هر پیکسل را با پیکسل مجاورش مورد مقایسه قرار می‌دهد و نویزهای ناخواسته پیدا شده داخل فریم را نیز ازبین می‌برد. با این تکنولوژی کل تصویر مورد پردازش قرار می گیرد و عکسی باکیفیت و واضح در خروجی تولید می شود.
مزایای ۳D DNR
۳D DNR دارای مزایا و قابلیت های بیشتری نسبت به DNR اولیه است که در زیر به برخی از آن ها اشاره شده است:
- ۳D DNR سیگنال‌های واضح‌تری نسبت به DNR اولیه تولید می‌کند که این اشغال فضای کمتر هارد دیسک را به دنبال دارد و درنتیجه امکان ذخیره اطلاعات بیشتری را روی هارد دیسک فراهم می آورد.
- دوربین‌های مداربسته استفاده کننده از تکنولوژی ۳D-DNR، تصاویری با وضوح بالا و شفاف تری را ارائه می‌کنند فلذا تشخیص چهره با این دوربین ها راحت‌تر خواهد بود.
- مشخصه کاهش نویز ۳D DNR دوربین، تشخیص نویز تصویر در حرکت واقعی را برای دوربین میسر می سازد که در واقع با این اقدام، DVR بطور بسیار کارآمدتر عمل می تواند عمل تشخیص حرکت را بخصوص در محیطی که نور کم است، انجام دهد.
مطالب مرتبط:
.
دوربین مداربسته با سنسور CCD بهتر است یا CMOS؟
تکنولوژی STARVIS در دوربین مداربسته چیست؟
مقایسه پردازشگرهای DVR و NVR (Hisilicon، Grain Media و… )
نحوه از بین بردن نویز دوربین مداربسته ۴
چگونه دی وی آر (AHD DVR) 1080P را از ۱۰۸۰N تشخیص دهیم؟
.
.
.
.
.