Nhiễu gaussian là gì? Các bài nghiên cứu khoa học liên quan

Định nghĩa nhiễu Gaussian

Nhiễu Gaussian, hay còn gọi là nhiễu phân phối chuẩn, là một dạng nhiễu ngẫu nhiên thường xuất hiện trong các hệ thống truyền thông, đo lường và xử lý ảnh. Đây là loại nhiễu mà giá trị của nó tuân theo phân phối chuẩn một chiều, với mật độ xác suất đối xứng quanh giá trị trung bình. Trong nhiều mô hình, nhiễu Gaussian được giả định là nhiễu cộng độc lập với tín hiệu và có kỳ vọng bằng 0.

Phân phối xác suất của nhiễu Gaussian được mô tả bởi hàm mật độ xác suất:

$p(x) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left(-\frac{(x - \mu)^2}{2\sigma^2}\right)$

Trong đó:

• $\mu$: giá trị trung bình (mean)
• $\sigma^2$: phương sai (variance)

Khi $\mu = 0$, nhiễu được gọi là "zero-mean Gaussian noise", là dạng phổ biến nhất được sử dụng trong các mô hình kỹ thuật.

Đặc điểm thống kê

Nhiễu Gaussian có những đặc trưng thống kê nổi bật khiến nó trở thành một mô hình nhiễu chuẩn trong kỹ thuật số. Phân phối của nó là liên tục, đối xứng và có hình chuông đặc trưng. Phần lớn xác suất tập trung gần giá trị trung bình, và xác suất giảm dần theo khoảng cách từ trung tâm. Đây là cơ sở cho các phương pháp phân tích dựa trên lý thuyết xác suất cổ điển.

Một số đặc điểm chính của nhiễu Gaussian:

• Phân phối đối xứng quanh trung bình $\mu$
• Hàm mật độ xác suất liên tục, giá trị xác suất cao nhất tại $x = \mu$
• Giá trị nhiễu có thể là bất kỳ số thực nào
• Kỳ vọng bằng $\mu$, phương sai là $\sigma^2$, độ lệch chuẩn là $\sigma$

Ngoài ra, theo định lý trung tâm giới hạn (Central Limit Theorem), tổng của nhiều biến ngẫu nhiên độc lập bất kỳ có phân phối giới hạn là phân phối chuẩn. Điều này lý giải vì sao nhiễu trong tự nhiên thường được mô hình bằng Gaussian – do nó phản ánh tổng hợp của nhiều nguồn nhiễu nhỏ khác nhau.

Nguồn gốc vật lý và nguyên nhân phát sinh

Nhiễu Gaussian xuất hiện trong thực tế từ nhiều cơ chế vật lý và kỹ thuật. Trong các linh kiện điện tử, chuyển động nhiệt của electron trong dây dẫn tạo ra nhiễu Johnson–Nyquist, có phân phối gần chuẩn và là nguồn nhiễu nền chủ yếu trong các mạch khuếch đại. Trong cảm biến ảnh như CMOS và CCD, dao động lượng tử và nhiễu photon trong quá trình chuyển đổi tín hiệu ánh sáng cũng tạo nên nhiễu Gaussian.

Trong hệ thống truyền thông, nhiễu Gaussian mô tả nhiễu nền đến từ nhiều nguồn khác nhau như nhiễu thiết bị, tán xạ không khí, nhiễu điện từ từ môi trường hoặc tín hiệu từ các hệ thống khác. Dạng mô hình phổ biến nhất là kênh nhiễu cộng trắng Gaussian (AWGN – Additive White Gaussian Noise).

Các nguyên nhân phát sinh phổ biến:

Nguyên nhân	Môi trường	Đặc điểm nhiễu
Dao động nhiệt	Linh kiện điện tử	Nhiễu nền liên tục, thường có $\mu = 0$
Sai số đo lường	Cảm biến số	Nhiễu cộng ngẫu nhiên theo Gaussian
Nhiễu photon	Máy ảnh, kính hiển vi	Kết hợp giữa Poisson và Gaussian

Mô hình hóa nhiễu Gaussian trong xử lý tín hiệu

Trong xử lý tín hiệu, mô hình có nhiễu Gaussian được thể hiện theo dạng:

$y(t) = s(t) + n(t)$

Với:

• $y(t)$: tín hiệu thu nhận
• $s(t)$: tín hiệu gốc (không nhiễu)
• $n(t) \sim \mathcal{N}(0, \sigma^2)$: nhiễu Gaussian trung bình 0, phương sai $\sigma^2$

Mô hình cộng tuyến tính như trên giúp đơn giản hóa xử lý thống kê, cho phép ứng dụng các công cụ phân tích như bộ lọc Kalman, bộ lọc Wiener và các thuật toán ước lượng tối ưu. Trong kỹ thuật số, giả định Gaussian thường là điều kiện cơ bản cho việc thiết kế bộ lọc hoặc hệ thống phát hiện tín hiệu.

Ví dụ về kỹ thuật xử lý tín hiệu với nhiễu Gaussian:

• Lọc Wiener: Ước lượng tuyến tính tối ưu với tín hiệu bị nhiễu Gaussian
• Lọc Kalman: Dự đoán và hiệu chỉnh tín hiệu động trong hệ thống nhiễu Gaussian
• MLE (Maximum Likelihood Estimation): Xác định tham số tín hiệu cực đại hóa xác suất quan sát

Ứng dụng trong xử lý ảnh

Trong lĩnh vực xử lý ảnh kỹ thuật số, nhiễu Gaussian là loại nhiễu phổ biến nhất được sử dụng để mô phỏng sai số thu nhận từ cảm biến và điều kiện ánh sáng không lý tưởng. Việc đưa mô hình nhiễu Gaussian vào giúp kiểm thử độ bền của các thuật toán lọc, nén, nhận dạng ảnh hoặc truyền ảnh qua mạng.

Hàm nhiễu Gaussian thường được thêm vào ảnh gốc theo mô hình: $I' = I + n, \quad n \sim \mathcal{N}(0, \sigma^2)$ Trong đó $I$ là ảnh gốc, $I'$ là ảnh có nhiễu, $n$ là ma trận nhiễu Gaussian với phân phối chuẩn trung tâm. Hệ số $\sigma$ càng lớn thì ảnh càng mờ và mất chi tiết.

Một số phương pháp lọc nhiễu hiệu quả với Gaussian:

• Lọc Gaussian: làm mịn ảnh bằng nhân tích chập với mặt nạ phân phối chuẩn
• Lọc trung bình: loại bỏ nhiễu bằng cách thay mỗi điểm ảnh bằng giá trị trung bình lân cận
• Lọc Wiener: tối ưu hóa tỉ lệ tín hiệu–nhiễu cục bộ
• Non-Local Means (NLM): lấy mẫu tương tự từ vùng ảnh khác để khử nhiễu
• Denoising Autoencoder, DnCNN: các mô hình học sâu huấn luyện trên ảnh bị nhiễu Gaussian

Tham khảo: IPOL – Gaussian Image Denoising

Mô hình kênh Gaussian trong truyền thông

Trong hệ thống truyền thông, mô hình nhiễu cộng trắng Gaussian (AWGN – Additive White Gaussian Noise) là nền tảng để đánh giá hiệu suất mã hóa và truyền tín hiệu. Đây là mô hình trong đó tín hiệu truyền bị cộng thêm nhiễu Gaussian có phổ phẳng trong miền tần số và không có tương quan theo thời gian.

Phương trình mô tả kênh: $r(t) = x(t) + n(t), \quad n(t) \sim \mathcal{N}(0, N_0/2)$ Trong đó $x(t)$ là tín hiệu đầu vào, $r(t)$ là tín hiệu nhận được, và $n(t)$ là nhiễu Gaussian. Giá trị $N_0$ là mật độ công suất nhiễu trên mỗi Hz.

Từ mô hình này, giới hạn Shannon cho dung lượng kênh AWGN được xác định bởi: $C = B \log_2 \left(1 + \frac{S}{N} \right)$ Với:

• $C$: dung lượng kênh (bps)
• $B$: băng thông của kênh (Hz)
• $S/N$: tỷ số công suất tín hiệu trên nhiễu (SNR)

Công thức này cho biết tốc độ truyền dữ liệu tối đa mà không gây lỗi, với giả định sử dụng mã hóa lý tưởng.

So sánh với các loại nhiễu khác

Nhiễu Gaussian là loại phổ biến nhất do đặc tính toán học thuận tiện, nhưng không phải là mô hình duy nhất. Trong thực tế, các hệ thống kỹ thuật có thể gặp nhiều loại nhiễu khác với các đặc điểm khác biệt, tùy thuộc vào nguồn phát sinh và ứng dụng cụ thể.

Bảng so sánh một số loại nhiễu:

Loại nhiễu	Phân bố	Môi trường xuất hiện	Đặc trưng
Gaussian	Chuẩn	Tín hiệu analog, ảnh số, truyền thông	Liên tục, đối xứng, giá trị thực
Poisson	Rời rạc	Hình ảnh photon, thiết bị đo ánh sáng yếu	Biến thiên theo cường độ tín hiệu
Salt-and-pepper	Nhị phân cực trị	Lỗi bit trong ảnh, cảm biến bị lỗi	Giá trị 0 hoặc 255 ngẫu nhiên
Speckle	Nhân ngẫu nhiên	Ảnh radar, ảnh siêu âm	Dạng nhiễu nhân theo biên độ

Phát sinh nhiễu Gaussian trong học máy

Trong học máy, đặc biệt là học sâu, nhiễu Gaussian được sử dụng như một công cụ regularization nhằm tránh overfitting. Việc thêm nhiễu Gaussian vào đầu vào hoặc các lớp mạng nơ-ron giúp mô hình học được các đặc trưng tổng quát và giảm độ nhạy với nhiễu nhỏ trong dữ liệu thực tế.

Một số ứng dụng điển hình:

• Gaussian Noise Layer: thêm nhiễu Gaussian trong các mô hình CNN để tăng tính khái quát
• Denoising Autoencoder: học cách khôi phục đầu vào sạch từ phiên bản bị nhiễu Gaussian
• Bayesian Neural Networks: mô hình hóa bất định bằng cách thêm nhiễu vào trọng số mạng
• Gaussian Process Regression (GPR): mô hình hóa phân phối đầu ra có nhiễu Gaussian

Xem thêm: Scikit-learn – Gaussian Process Regression

Hạn chế và giả định khi sử dụng

Mặc dù nhiễu Gaussian là một giả định phổ biến và hữu ích, nhưng trong nhiều ứng dụng thực tế, mô hình này không còn chính xác. Ví dụ, trong ảnh thiên văn hoặc y tế, nhiễu thường có đặc tính Poisson do số lượng photon nhỏ. Trong ảnh radar, nhiễu là loại speckle nhân chứ không phải cộng.

Ngoài ra, giả định nhiễu có phân phối đối xứng và độc lập thời gian có thể không phù hợp với các hệ thống có tương quan tần số hoặc nhiễu hệ thống phi tuyến. Do đó, việc đánh giá mô hình nhiễu phù hợp là bước quan trọng trước khi triển khai thuật toán xử lý.

Một số hạn chế chính:

• Nhiễu Gaussian không mô hình tốt nhiễu cực trị (outlier)
• Không phù hợp khi nhiễu phụ thuộc vào tín hiệu (ví dụ Poisson)
• Không mô tả được nhiễu phi tuyến hoặc có tương quan

Tài liệu tham khảo

1. Proakis, J.G. & Salehi, M. (2007). Digital Communications. McGraw-Hill.
2. Gonzalez, R.C. & Woods, R.E. (2018). Digital Image Processing. Pearson.
3. MathWorks Documentation. Gaussian Noise in Image Processing
4. IPOL Journal. Image Denoising with Gaussian Noise
5. Stanford EE379C. EE379C Course Notes on Signal Models
6. Scikit-learn Documentation. Gaussian Processes