درونیابی و حذف همزمان نویز فلفل نمکی تصاویر دیجیتال با استفاده از تبدیل ویولت مختلط

محورهای موضوعی : انرژی های تجدیدپذیر

شیرین صالحی ¹ (کارشناس ارشد/دانشگاه آزاد اسلامی واحد نجف آباد)
همایون مهدوی نسب ² (استادیار/دانشگاه آزاد اسلامی واحد نجف آباد)
حسین پورقاسم ³ (استادیار/دانشگاه آزاد اسلامی واحد نجف آباد)

تاریخ دریافت : 1389/02/03 تاریخ پذیرش : 1390/12/03 تاریخ انتشار : 1391/03/12

کلید واژه: درونیابی تصویر, نویز فلفل نمکی, تبدیل ویولت مختلط,

چکیده مقاله :

اکثر روش‌های درونیابی تصویر موجود، تصویر را بدون نویز فرض می‌کنند. حال آنکه این فرضیه در عمل معتبر نیست. روش متداول برای درونیابی تصاویر نویزدار حذف یا کاهش نویز در قدم اول و سپس درونیابی تصویر فاقد نویز است. فرآیند حذف نویز ممکن است بسیاری از جزئیات تصویر را هموار ‌کند و همچنین آثار نامطلوب ناشی از آن مانند تاری و بلوکی شدن، در مرحله درونیابی تقویت نیز می‌شوند. در این مقاله، الگوریتمی همزمان برای درونیابی و حذف نویز فلفل نمکی تصاویر با استفاده از تبدیل ویولت مختلط دو درختی و شبکه‌های عصبی پیشرو ارائه شده است. در این الگوریتم زیرباندهای ویولت متناظر با تصویر با رزولوشن بالا و بدون نویز توسط پرسپترون چند لایه از روی تصویر با رزولوشن پایین نویزدار تخمین زده می‌شوند. سپس تصویر رزولوشن بالای فاقد نویز با اعمال عکس تبدیل ویولت مختلط بر روی زیرباندهای تخمین زده شده بازیابی می‌گردد. با بهره‌گیری از مزایای تبدیل ویولت مختلط مانند تقریبا تغییرناپذیر بودن نسبت به جابجایی و جهت دار بودن، تخمین انجام شده توسط شبکه‌های عصبی با دقت بالایی صورت می‌پذیرد. بنابر نتایج آزمایش‌های انجام شده، الگوریتم پیشنهادی در مقایسه با سایر روش‌های درونیابی و حذف نویز، از لحاظ کمی و کیفی عملکرد بهتری داشته و قادر به حفظ جزئیات تصویر است.

چکیده انگلیسی:

Most of the existing image resolution enhancement algorithms assume that the image is clean and noise free, but this assumption is not practically valid. One strategy for interpolation of noisy images is to denoise the image first and then interpolate the denoised image. However, this strategy does not lead to satisfying results because denoising may smooth image details and also other artifacts such as blurring and blocking introduced due to image denoising will be amplified in the following interpolation stage. Thus, in this paper we propose a joint salt and pepper noise removal and resolution enhancement algorithm using dual-tree complex wavelet transform and feedforward neural networks. In this algorithm, the wavelet subbands corresponding to noise free high resolution image are estimated from noisy low resolution image by multi-layer perceptron (MLP). Therefore the noise free high resolution image is obtained by complex wavelet reconstruction of the estimated subbands. Takeing advantages of complex wavelet transform such as nearly shift invariance and directional selectivity the subband estimation by neural networks is done with high accuracy. As it is verified in the experimental results, the proposed algorithm has better performance both subjectively and objectively and is able to maintain the image fine structures well.