تشخیص لبه های دقیق در تصاویر نویزی با استفاده از الگوریتم شیرلت و آستانه گذاری BayesShrink

در این مقاله روشی مبتنی بر تبدیل شیرلت برای حذف نویز و استخراج لبه های دقیق در تصاویر دیجیتال ارائه شده است. با بهره گیری از ویژگی های چند مقیاسی و جهت پذیری، شیرلت تصویر به ضرایب فرکانسی در مقیاس ها و جهات مختلف تجزیه می شود. سپس با استفاده از روش آماری BayesShrink آستانه بهینه برای هر زیرباند محاسبه شده و ضرایب نویزی حذف می گردند. نتایج آزمایش روی تصویر باربارا نشان می دهد که مقدار PSNR برابر با ۲۴.۸ دسی بل و SSIM برابر با ۰.۸۴ حاصل شده که نشان دهنده حفظ ساختارهای منحنی و جزئیات تصویر است. این رویکرد برای شناسایی و آنالیز لبه ها بسیار رقابتی است و جزئیات بیشتری از تصویر را ارائه می دهد. این روش در مقایسه با الگوریتم های کلاسیک مانند سوبل و ویولت عملکرد بهتری در حذف نویز و بازسازی لبه ها دارد. لذا سعی بر آن داریم تا آنجا که ممکن است لبه های واقعی و خالی از نویز را شناسایی کنیم. تمامی روش های مطرح شده و الگوریتم هایی که تا الان برای شناسایی لبه به کار رفته اند تا حدودی توانسته بودند لبه یابی دقیق انجام دهند ولی الگوریتم شیرلت با یک نمایش چند بعدی چند جهته توانسته است درصد و سرعت و دقت لبه شناسایی شده در تصویر را نسبت به روش های قبلی بالا برده و نسبت نویز به سیگنال را نسبت به روش های قبلی کاهش دهد. در نتیجه لبه های شناسایی شده با نسبت نویز به سیگنال کمتر در واقع لبه واقعی هستند.

کلیدواژه ها:

تبدیل ، شیرلت ، تحلیل ، چند مقیاسی ، سوبل ، آستانه بهینه ، روش آماری BayesShrink