حذف نویز تصویر کور پیکسل محلی SVD

حذف نویز تصویر کور پیکسل محلی SVD – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

www.irantarjomeh.com

ارتقای حذف نویز تصویر کور با استفاده از گروه بندی پیکسل محلی با SVD

چکیده

حذف نویز تصویر بدون بهره گیری از ایده های مرتبط با نویز، در مقایسه با اکتساب اطلاعات کافی در این خصوص، کاری طاقت فرسا به شمار می آید. این مقاله یک تکنیک جدید را برای حذف نویز تصویر کور با استفاده از SVD و گروه بندی پیکسل محلی ارائه می نماید. این تکنیک با بهره گیری از نویز فلفل نمکی و نویز گاوسی برای تصاویر محدوده خاکستری و همچنین تصاویر رنگی مورد کنترل و بررسی قرار گرفته و با الگوریتم نوین LPGPCA نیز مقایسه گردیده است. بر این مبنا مشخص شده است که تکنیک پیشنهادی نتایج بهتری را در مقایسه با معیارهای عینی ارائه می نماید.

کلمات کلیدی: حذف نویز تصویر، SVD، LPGPCA، LPG، ترمیم تصویر

حذف نویز تصویر کور پیکسل محلی SVD

۱- مقدمه

ترمیم تصویر به عنوان فرآیند نوسازی تصویر اولیه و حذف پیکسل ها و تصاویر تنزل یافته به شمار می آید. غالب مواقع، در طی فرآیند ترمیم تصویر ممکن است شاهد بروز تنزل در تصویر باشیم که به عنوان یک امر نامطلوب و در عین حال اجتناب ناپذیر به شمار می آید. در صورتی که شرایط تصویربرداری نامطلوب و مشکل باشد، به طور مثال تصویربرداری در وسیله نقلیه در حال حرکت، یا تصویربرداری از ستارگان، سیارات، ماهواره ها یا قمرهای مصنوعی و غیره مخصوصا به هنگامی که با اغتشاشات اتمسفری و جوی، با قابلیت تاثیر گذاری بر روی کیفیت تصویر، روبرو می باشیم فرآیند احیا و نوسازی تصویر با چالش بیشتری روبرو خواهد شد. بر این مبنا با توجه به تصویر مشاهده شده نمونه y، مسئله ترمیم تصویر (IR) را می توان به شرح ذیل فرمول بندی نمود:

این مقاله نسبت به ارائه یک تکنیک نویززدایی یا حذف نویز تصویر نوین بر مبنای گروه بندی پیکسل محلی و تجزیه SVD اقدام می نماید. این تکنیک در مقایسه با تکنیک حذف نویز مشابه با LPGPCA می باشد. تکنیک مبتنی بر SVD بر مبنای ویژگی های انباشتگی یا تراکم در مرجع [۱۵] مورد بحث قرار گرفته است.

حذف نویز تصویر کور پیکسل محلی SVD

۲- بررسی اجمالی LPGPCA

در فرآیند حذف نویز تصویر با استفاده از گروه بندی پیکسل محلی و با بکارگیری تحلیل جزء اصلی [۱۴] مراحل اصلی به شرح ذیل در نظر گرفته می شوند:

• گروه بندی پیکسل محلی

۲) تبدیل PCA و حذف نویز

• تبدیل PCA معکوس

LPG-PCA از یک پنجره متحرک جهت محاسبه آمار محلی استفاده می نماید که با توجه به آن ماتریس تغییر شکل PCA محلی ارزیابی می گردد. این الگوریتم دارای دو مرحله می باشد، که در مرحله اول یک برآورد اولیه از تصویر از طریق حذف غالب نویزها اعمال می گردد و مرحله دوم متعاقباً قابلیت پالایش خروجی مرحله اول را خواهد داشت [۱۴].

مراحل شامل شده در محاسبه PCA به شرح ذیل می باشند:

• کسر ویژگی های میانی

• محاسبه ماتریس کوواریانس

• محاسبه بردار ویژه و مقادیر ویژه

• تکثیر بردار ویژه و تصویر

نویز با استفاده از تکنیک برآورد خطای مربع میانگین کمینه خطی (LMMSE) از بین می رود. ضریب انقباض با مقادیر کوواریانس ضرب گردیده و مقادیر میانگین به ویژگی های مرتبط جهت حاصل آوردن داده های بدون نویز اضافه می شود.

حذف نویز تصویر کور پیکسل محلی SVD

۳- روش LPG –SVD پیشنهادی

در روش پیشنهادی به جای PCA، تجزیه SVD برای حذف نویز تصویر استفاده می شود. راهکار گروه بندی پیکسل محلی و پالایش در مرحله دوم مشابه با LPG_PCA می باشد [۱۴].

پاراگراف ها ارائه شده در این مورد صرفاً بر حسب عناوین، زیرعناوین، تصاویر و فرمول ها تفکیک می گردند. بخش هدینگ یا عناوین مرتبط با تصویر بر حسب تعداد مشخص، ویژگی مربوط به ضخامت و همچنین ۱۰ pt آرایش می یابد. در اینجا ویژگی های متعاقب ارائه شده است.

۳ـ۱٫ گروه بندی پیکسل محلی

از آنجایی که تصویر مشاهده شده دارای نویز می باشد، چنین موردی را به صورت X_v=X+V در نظر می گیریم. به منظور حذف نویز از X_v با استفاده از SVD، نمونه های آموزش دیده با اندازه های (L x L) انتخاب گردیده و متعاقباً یک بلوک متغیر با اندازه (K x K) انتخاب می شود، (K < L). مجموع نمونه های آزمایشی (L – K +1)² مورد استفاده قرار می گیرند. از بین این نمونه های آزمایشی (L – K +1)²، انتخاب و گروه بندی نمونه های آموزشی که مشابه با بلوک مرکزی K x K هستند به عنوان یک ویژگی ضروری تلقی می شود. بنابراین کلیه مؤلفه های (L – K +1)² از المان های بلوک K x K استخراج شده و متعاقباً با ویژگی های آستانه ای از قبل مشخص شده منطبق می گردند [۱۴]. بر این مبنا برخی از بردارهای نمونه برای محاسبات آتی انتخاب می شوند.

۳ـ۲٫ الگوریتم مبتنی بر SVD

مراحل الگوریتم مبتنی بر SVD به شرح ذیل می باشد:

۱) کسر از میانگین

۲) محاسبه SVD به عنوان A= U∑V، این مورد شامل محاسبه مقادیر ویژه و بردارهای ویژه AA^T (U) و A^TA (V) می باشد، مقادیر واحد برابر با S به عنوان جذر مقادیر ویژه از AA^T یا A^TA تلقی می شوند.

۳) ضرب یا تکثیر مقادیر واحد و تصویر مرتبط

۴) استفاده از محاسبه وزن جهت کاهش نویز در تصویر

۳ـ۳٫ پالایش در مرحله ۲

مرحله دو دارای رویه ای همانند مرحله یک می باشد، به استثنای پارامتر سطح نویز. در این مرحله وزن با استفاده از تفاضل بین تصویر نویزدار اولیه و خروجی مرحله یک مشخص می شود. از آنجایی که نویز در مرحله اول به طور قابل توجهی کاهش یافته است، دقت LPG در مرحله دوم ارتقاء یافته و بنابراین نتیجه حذف نویز نهایی کاملاً مطلوب می باشد [۱۴].

حذف نویز تصویر کور پیکسل محلی SVD

۴- نتایج

این الگوریتم ها بر روی دو تصویر مقیاس خاکستری و دو تصویر رنگی با استفاده از نویز گاوسی و نویز فلفل نمکی مورد بررسی قرار گرفته اند. بر این مبنا مشخص شده است که نتایج هر دوی روش ها برای نویز گاوسی مشابه هستند، اما روش گزارش شده نتیجه بهتری را برای نویز فلفل نمکی به هنگام مقایسه با معیار هدف PSNR و SSIM ارائه می نماید [۱۶]. به عنوان یک نتیجه مورد بررسی در این زمینه، تصاویر برای یک مورد مقیاس خاکستری و یک مورد تصویر رنگی ارائه شده اند. نتایج عینی برای کلیه تصاویر ارائه گردیده اند.

حذف نویز تصویر کور پیکسل محلی SVD

۵- نتیجه گیری

این مقاله ارائه دهنده یک تکنیک نوین برای حذف نویز تصویر با استفاده از SVD با توجه به تجزیه به جای PCA می باشد. بر این مبنا مشاهده شده است که روش پیشنهادی قابلیت ارتقای نتایج روش موجود با استفاده از نویز فلفل نمکی را داشته و به علاوه قابلیت ارائه نتیجه یکسانی با استفاده از نویز گاوسی برای تصاویر محدوده خاکستری و رنگی را فراهم می آورد. نتایج با استفاده از معیارهای عینی psnr و ssim مقایسه شده اند.