In videosorveglianza il rumore d’immagine pesa più di quanto sembri. Degrada la qualità visiva, mette in difficoltà le analitiche e gonfia il bitrate. La riduzione del rumore AI di Wisenet 9, il SoC di ultima generazione di Hanwha Vision, affronta il problema alla radice. Combina un’architettura a doppia NPU con la pipeline ISP tradizionale. Vediamo come funziona questa tecnologia e quali vantaggi porta ai progetti.
Il limite della riduzione del rumore convenzionale
Gli ISP tradizionali applicano filtri temporali (TNF) e spaziali (BNF) basati su assunzioni generali sul rumore. Funzionano, ma hanno un limite strutturale. Quando si aumentano saturazione, luminosità o nitidezza, il rumore residuo viene amplificato insieme al segnale.
Il problema pesa soprattutto in low light e in controluce estremo. L’immagine grezza del sensore è molto scura e l’ISP la schiarisce con un digital gain. Se il rumore sopravvive al primo denoising, il gain lo amplifica. Il risultato è un video granuloso, poco leggibile e costoso da codificare e archiviare.
Dual-NPU: enhancement e analytics su percorsi separati
Il tratto distintivo di Wisenet 9 sono due Neural Processing Unit indipendenti, con compiti distinti.
La prima NPU gestisce il miglioramento d’immagine, in primo luogo l’AI noise reduction. La seconda è dedicata alle analitiche: object detection, re-identification (Re-ID) ed estrazione di attributi. Le due unità lavorano senza scambio diretto di informazioni. Di conseguenza il denoising non sottrae risorse alle analitiche, e viceversa.
Il vantaggio non si ferma qui. L’NPU dedicata alle analitiche riceve un’immagine già pulita. La detection in condizioni di scarsa luminosità diventa quindi più affidabile rispetto a un’analisi su immagini elaborate in modo convenzionale. Per chi progetta sistemi di sicurezza questo significa meno incertezza proprio quando serve di più.
AI-NR e filtri tradizionali: un approccio ibrido
Wisenet 9 non scarta la riduzione del rumore classica. Integra l’AI-NR direttamente nella pipeline dell’ISP, dopo white balance e motion detection e prima dell’image enhancement. Il filtraggio temporale e spaziale continua a gestire i pattern di rumore generici. L’AI-NR interviene invece sulle caratteristiche specifiche di ogni sensore.
Training per sensore e per gain
Il modello è addestrato sul rumore di ciascun sensore e dei suoi livelli di gain, confrontando immagini a diversi guadagni (da 6 dB fino al massimo) con una ground truth pulita. Grazie a questo training il sistema giudica ogni singolo pixel e lo classifica come rumoroso o pulito.
Intervento pixel per pixel
Un pixel pulito resta intatto. Un pixel rumoroso viene sostituito con dati ricavati dai pixel adiacenti o dai frame precedenti. Questo approccio selettivo evita le “allucinazioni” tipiche dei denoiser più aggressivi, cioè pattern o distorsioni artificiali che alterano l’aspetto degli oggetti. In ambito investigativo e forense la fedeltà dell’immagine è un requisito critico.
Bitrate e storage: il beneficio per l’infrastruttura
Il rumore è un dato casuale e ridondante, che i codec faticano a comprimere. Un’immagine più pulita richiede quindi meno bit. La riduzione del bitrate libera capacità di storage, banda di rete ed efficienza operativa.
Per un System Integrator questo si traduce in scelte di dimensionamento concrete: capacità degli NVR, retention, banda sulle dorsali, carico sul VMS. Su impianti con molte telecamere, anche piccoli risparmi per stream si moltiplicano. Inoltre, un’immagine pulita permette di spingere colori e nitidezza senza pagare il prezzo del rumore, con un’immagine vivida a bitrate contenuto.
Dove fa la differenza
I benefici si concentrano negli scenari in cui il segnale è debole e la richiesta di dettaglio è alta:
- aree esterne con illuminazione scarsa o discontinua, come parcheggi, perimetri e infrastrutture;
- ingressi e varchi con forte controluce;
- siti con vincoli di banda o di storage, dove ogni Mbps ha un costo.
Dalla scheda tecnica al progetto
Wisenet 9 cambia l’equazione tra qualità d’immagine, affidabilità delle analitiche e costi infrastrutturali. Sfruttarla al meglio richiede però la scelta dei modelli giusti, la configurazione degli stream e un corretto dimensionamento dell’infrastruttura. Il team di Trans Audio Video affianca progettisti, System Integrator ed enti pubblici in ogni fase, dalla selezione delle telecamere Hanwha Vision al supporto tecnico personalizzato. Contatta TAV Security per ricevere una consulenza dedicata o per valutare insieme la soluzione più adatta al tuo prossimo progetto.
