حذف نویز با استفاده از ضرایب زیر تصویر تقریب در بسته‌های ویولت
محورهای موضوعی : انرژی های تجدیدپذیرزهرا وهابی 1 , فرشاد الماس‌گنج 2
1 - کارشناسی ارشد /دانشگاه صنعتی امیرکبیر
2 - استادیار /دانشگاه صنعتی امیرکبیر
کلید واژه: بهینه‌سازی, حذف نویز, بسته‌های ویولت, زیرتصویر تقریب,
چکیده مقاله :
در این تحقیق فیلتر جدیدی برای بهینه‌سازی تصویر در حوزه‌ی زمان فرکانس ارائه می‌شود. آستانه‌گذاری سخت و نرم1 از قدیمی‌ترین و معمول‌ترین روش‌ها در کاهش نویز می‌باشند. براساس این روش‌ها، با اعمال تبدیل‌های گوناگون بر سیگنال، ضرایب کوچک دنباله‌ها متعلق به نویز فرض شده و حذف می‌گردد. سپس از ضرایب باقیمانده، تصویر بازسازی می‌شود. در مطالعات اخیر، استفاده از ویولت به عنوان تبدیلی در حوزه‌ی زمان-فرکانس، برای محاسبه‌ی ضرایب وحذف نویز مطرح شده است. برخی از ضرایب این تبدیل نسبت به نویز تاثیر کمتری پذیرفته و کارایی آنها به عنوان مبنایی برای تخمین تصویر اصلی، به کمک دیگر زیر تصاویر، نشان داده شده است. در این مقاله ایده‌ی استفاده از زیر تصویر تخمین تبدیل ویولت، به زیر تصاویر حاصل از تبدیل بسته‌های ویولت تعمیم داده شده است. به این ترتیب، با حذف برخی از ضرایب تبدیل ویولت، بر اساس تصویر تقریب حاصل از تبدیل بسته‌های ویولت دو بعدی، می‌توان تصویر بهتری به دست آورد. در واقع برای ایجاد تصویر اصلی، از زیر تصاویر با نویز کمتر استفاده می‌کنیم. در مقایسه باروش‌های متداول آستانه‌گذاری سخت و نرم، روش پیشنهادی عملکرد بهتری نشان می‌دهد. هم چنین، از محاسن دیگر این روش امکان فشرده سازی تصویر به حجمی برابر یک چهارم تصویراصلی، به همراه سه پارامتر اسکالر می‌باشد، که برای کاربردهایی از قبیل مخابره‌ی تصاویر یا ذخیره‌سازی بسیار مفید است. افزایش کنتراست تصاویر به میزان قابل توجه، از مزایای دیگر این روش می‌باشد. روش پیشنهادی بر روی 100 تصویر از پایگاه داده LIVE آزمایش گردید. روش آستانه‌گذاری نرم حدود 1.12% نسبت به روش آستانه‌گذاری سخت، روش POAC حدود 1.94% نسبت به آستانه‌گذاری نرم و روش POAC با بسته‌های ویولت حدود 1.48% نسبت به روش POAC بهترعمل می‌کند. با روش پیشنهادی بسته‌های ویولت به صورت میانگین حدود 2.17% افزایش PSNR خواهیم داشت.
In this paper we propose a new approach in the wavelet domain for image denoising. In recent researches wavelet transform has introduced a time-Frequency transform for computing wavelet coefficient and eliminating noise. Some coefficients have effected smaller than the other's from noise, so they can be use reconstruct images with other subbands. We have developed Approximation image to estimate better denoised image. Naturally noiseless subimage introduced image with lower noise. Beside denoising we obtain a bigger compression rate. Increasing image contrast is another advantage of this method. Experimental results demonstrate that our approach compares favorably to more typical methods of denoising and compression in wavelet domain.100 images of LIVE Dataset were tested, comparing signal to noise ratios (SNR),soft thresholding was %1.12 better than hard thresholding, POAC was %1.94 better than soft thresholding and POAC with wavelet packet was %1.48 better than POAC.
_||_