Nikon D200. какие преимущества перед D70?

Цитата:

от:OlegV
Цитата:

от:Andrey Loukianov

Ну я же писал что есть ШП в байеровском канале, причем зачастую адаптивное - там где есть детали (edges) шум практически не убирается, чтобы не мылить, там где деталей нет предполагается однородная область и шумоподавление более агрессивно.

Подробнее

Это вы про цифромыло или большие матрицы? И почему тогда этого не видно в RAW файле?

Подробнее

Как это должно быть видно? тут и я и другие люди прежде чем делать такие выводы предлагают сначала сравнить вашу корреляцию на RAW данных перед шумодавом и после шумодава. Если найдете что шумодав существенно влияет на вашу корреляцию (ее ведь тоже можно считать как угодно), только тогда можете утверждать что шумодава нет.

И причем здесь большие матрицы илли маленькие? На больших шумы меньше, но там и требования повыше....

Цитата:

от: Andrey Loukianov

Как это должно быть видно?

Рассуждения предельно просты:

1. шумодав дает мыло
2. п.1 распространяется и на шум
3. мыло - это корреляции между соседними ячейками, значит шумодав, который уменьшает детализацию, обнаруживает себя по нестатистическим корреляциям шума соседних ячеек.

Фффсе, объяснять сил больше нет .. Иду пить йяд

Цитата:

от: OlegV
Цитата:

от:Andrey Loukianov

Как это должно быть видно?

Рассуждения предельно просты:

1. шумодав дает мыло
2. п.1 распространяется и на шум
3. мыло - это корреляции между соседними ячейками, значит шумодав, который уменьшает детализацию, обнаруживает себя по нестатистическим корреляциям шума соседних ячеек.

Фффсе, объяснять сил больше нет .. Иду пить йяд

Подробнее

Я уже тоже задолбался объяснять.
1) Если хотите сказать что у вас между соседними ячейками нулевая корреляция, то я в это просто не верю.
2) Если корреляция не нулевая, то как вы определите какую долю там внес шумодав а какую долю другие факторы?

Вывод: ваши выводы ничем не подкреплены.

Чтобы больше не объяснять очевидные вещи буду говорить языком фактов

Вот скрипт на Матлабе

img = 140 * ones(1,110);
img = img + normrnd(0,5,1,110);

var_img = var(img)
x = [ img(1:98)' img(2:99)' img(3:100)' ];
r = corrcoef(x)

nrimg = zeros(1,100);
for i = 6:105
arr = mean(img((i-5):(i+5)));
nrimg(i-5) = arr + 0.9*(img(i) - arr);
end
var_nrimg = var(nrimg)


xx = [ nrimg(1:98)' nrimg(2:99)' nrimg(3:100)' ];
rr = corrcoef(xx)


Сначала создает массив из 110 значений, добавляем туда нормально распределенный шум

Потом немного давим шум самым примитивным способом:
Берем среднюю по 10 соседним значениям (влево-вправо по 5) и уменьшаем локальное значение шума относительно среднего на 10%. Чтобы на заморачиваться с крайними значениями я формирую массив с подавленным шумом размером 100.

В обоих случаях считаю дисперсию и корреляцию между 3-мя соседними значениями.

Для каждого запуска скрипта они могут быть разные - сами понимаете случайные числа. Но нам важны дисперсия и корреляция до и после нашего наипримитивнейшего шумодава.

Вот результаты.

var_img =

19.8771


r =

1.0000 0.0019 -0.1143
0.0019 1.0000 0.0002
-0.1143 0.0002 1.0000


var_nrimg =

16.9874


rr =

1.0000 -0.0071 -0.1011
-0.0071 1.0000 0.0004
-0.1011 0.0004 1.0000


Видим, что уровень шума уменьшился. Ну и смотрите на корреляцию.....

Надеюсь дальше объяснять не надо. Ищите стену и яд.