الوصف
وصف
رابط الورق:
http://www.sciencedirect.com/science/article/pii/S0952197609001377
نظرًا لعيوب أنظمة الحصول على الصور وقنوات الإرسال ، غالبًا ما تتلف الصور بسبب الضوضاء. يؤدي هذا التدهور إلى انخفاض كبير في جودة الصورة ثم يجعل من الصعب أداء مهام الرؤية عالية المستوى مثل التعرف أو إعادة البناء ثلاثي الأبعاد أو تفسير المشهد. إن تقليل التشويش في الصورة مهم ، ليس فقط بسبب التطبيقات الواضحة التي تخدمها. نظرًا لكونه أبسط مشكلة عكسية ممكنة ، فإنه يوفر منصة ملائمة يمكن من خلالها تقييم أفكار وتقنيات معالجة الصور. في معظم الحالات ، يتم نمذجة هذا الفساد بشكل عام بواسطة ضوضاء عشوائية بيضاء غاوسية مضافة صفرية المتوسط.
على مدى العقد الماضي ، يوجد الكثير من طرق تقليل الضوضاء للصور ، والتي نشأت من تخصصات مختلفة مثل نظرية الاحتمالات ، والإحصاءات ، والمعادلات التفاضلية الجزئية ، والترشيح الخطي وغير الخطي ، والتحليل الطيفي والمتعدد الحلقات (Liu et al. ، 2008). تعتمد كل هذه الطرق على بعض الافتراضات الصريحة أو الضمنية حول الإشارة الحقيقية (الخالية من الضوضاء) من أجل فصلها بشكل صحيح عن الضوضاء العشوائية. على وجه الخصوص ، تفترض طرق تقليل الضوضاء في مجال التحويل عادةً أنه يمكن تقريب الإشارة الحقيقية بشكل جيد من خلال مجموعة خطية من عناصر أساسية قليلة (Dabov et al. ، 2007). أي أن الإشارة ممثلة بشكل ضئيل في مجال التحويل. ومن ثم ، من خلال الحفاظ على عدد قليل من معاملات التحويل عالية الحجم التي تنقل في الغالب طاقة الإشارة الحقيقية وتتجاهل الباقي ، والتي ترجع أساسًا إلى الضوضاء ، يمكن تقدير الإشارة الحقيقية بشكل فعال. يعتمد تباين التمثيل على كل من خصائص التحويل والإشارة الحقيقية.
كود الإخراج:
peaksnr قبل = 23.659551097946633
snr قبل = 13.786858445526661
peaksnr بعد = 27.636168606872697
snr بعد = 17.763475954452726
القيم السابقة = 0.221353701319673
القيم بعد = 0.459691527385873
إدخال الصورة:
صورة صاخبة:
صورة الإخراج:
references :
Bao, Q.Z., Gao, J.H., Chen, W.C., 2008. Local adaptive shrinkage threshold denoising using curvelet coefficients. Electronics Letters 14 (4), 277–278.
Balster, E.J., Zheng, Y.F., Ewing, R.L., 2005. Feature-based wavelet shrinkage algorithm for image denoising. IEEE Transactions on Image Processing 14 (12), 2024–2039.
Cheng, H., Tang, W., 2008. A robust denoising for medical ultrasound image based on SVR estimation in wavelet domain. In: Second International Conference on Bioinformatics and Biomedical Engineering (ICBBE), 16–18 May 2008, pp. 2624–2627.
Cheng, H., Tian, J.W., Liu, J., Yu, Q.Z., 2004. Wavelet domain image denoising via support vector regression. Electronics Letters 40 (23), 1479–1480.
Chen, G.Y., Ke´ gl, B., 2007. Image denoising with complex ridgelets. Pattern Recognition 40 (2), 578–585.
Cunha, A.L., Zhou, J., Do, M.N, 2006. The nonsubsampled contourlet transform: theory, design, and applications. IEEE Transactions on Image Processing 15 (10), 3089–3101.
Choi, H., Baraniuk, R.G., 2004. Multiple wavelet basis image denoising using Besovball projections. IEEE Signal Processing Letter 11 (9), 717–720.
Dabov, K., Foi, A., Katkovnik, V., Egiazarian, K., 2007. Image denoising by sparse 3-D transform-domain collaborative filtering. IEEE Transactions on Image Proces- sing 16 (8), 2080–2095.
Li, Dalong, 2008. Support vector regression based image denoising. Image and Vision Computing doi:10.1016/j.imavis.2008.06.006.
Eslami, R., Radha., H., 2007. A new family of nonredundant transforms using hybrid wavelets and directional filter banks. IEEE Transactions on Image Processing 16 (4), 1152–1167.
Li, D., Mersereau, R., Simske, S., 2007. Blind image deconvolution through support vector regression. IEEE Transactions on Neural Networks 18 (3), 931–935.
Luisier, F., Blu, T., Unser., M., 2007. A new SURE approach to image denoising: interscale orthonormal wavelet thresholding. IEEE Transactions on Image Processing 16 (3), 593–606.
Liu, C., Szeliski, R., Kang, S.B., 2008. Automatic estimation and removal of noise from a single image. IEEE Transactions on Pattern Analysis and Machine Intelligence 30 (2), 299–314.
Mallat, S., LePennec, E., 2005. Sparse geometric image representation with bandelets. IEEE Transactions on Image Processing 14 (4), 423–438.
Motwani, M.C., Gadiya, MC., 2004. Survey of image denoising technique. In: Proceedings of Global
Signal Processing Expo and Conference, Santa Clara, CA, 27 September 2004.
Pizurica, A., Philips, W., 2006. Estimating the probability of the presence of a signal of interest in multiresolution single-and multiband image denoising. IEEE Transactions on Image Processing 15 (3), 645–665.
Portilla, J., Strela, V., Wainwright, M.J., Simoncelli, E.P., 2003. Image denoising using scale mixtures of gaussians in the wavelet domain. IEEE Transactions on Image Processing 12 (11), 1338–1351.
Singh, R., Vatsa, M., Noore., A., 2008. SVM based adaptive biometric image enhancement using quality assessment. Speech, Audio, Image and Biomedical Signal Processing using Neural Networks 83, 351–371.
Scheunders, P., 2004. Wavelet thresholding of multivalued images. IEEE Transac- tions on Image Processing 13 (4), 475–483.
Vapnik, Vladimir.N., 1998. In: Statistical Learning Theory. John Wiley & Sons, New York.
Yan, F., Cheng, L., Peng., S., 2008. A new interscale and intrascale orthonormal wavelet thresholding for SURE-based image denoising. IEEE Transactions on Signal Processing Letters 15, 139–142.
Zhang, S.M., Chen, Y., 2006. Image denosing based on wavelet support vector regression. Machine Graphics & Vision International Journal 15 (3), 673–680.
Zhu, B., Wang, H.Z., Huang, L.L., 2008. An improved adaptive image denoising method based on multi-wavelet transform. ISECS International Colloquium on Computing, Communication, Control, and Management, 142–146.
Local features in image processing
المراجعات
لا توجد مراجعات بعد.