حذف نویز از تصاویر رزونانس مغناطیسی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 583

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELEMECHCONF03_0818

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

یک گام مهم برای افزایش کیفیت و بهبود عملکرد پردازش های موردنیاز در تجزیه و تحلیل تصاویر، حذف نویز می باشد. مسئله مهم در بازیابی تصویر، حذف نویز با حفظ یکپارچگی اطلاعات موجود در تصویر مربوطه می باشد. روش ارائه شده در این مقاله براساس نوعی فیلتر بهینه شده میانگین گیر غیرمحلی در تصویر سه بعدی می باشد. فیلتر غیرمحلی از افزونگی اطلاعات در تصویر مورد بررسی برای حذف نویز استفاده می کند. در حال حاضر از عملکرد فیلتر غیرمحلی برای تصاویر دو بعدی استفاده می شود. یکی از ابعاد مهم گسترش روش حذف نویز، برای تصاویر س بعدی، کاهش بار محاسباتی است. برای غلبه بر این مشکل، یک روش بهینه به منظور کاهش پیچیدگی محاسباتی مطرح می شود. این روش زمان محاسباتی را کاهش داده و در عین حال عملکرد فیلتر غیر محلی را نیز حفظ می کند. در ادامه نسخه کاملاً خودکار و بهنیه فیلتر غیرمحلی معرفی می شود. عملکردهای این فیلتر غیر محلی عبارتند از : الف) تنظیم خودکار پارامتر هموار ب) انتخاب مناسب ترین وکسل پ) پیاده سازی بلوکی ت) محاسبات موازی. اعتبارسنجی کمی بر روی مجموعه داده های مصنوعی تولیده شده با دیتاست BrainWeb انجام می شود. نتایج شبیه سازی مقاله نشان می دهد که فیلتر غیرمحلی بهینه شده، از نظر دقت و زمان محاسبه بهتر از فیلترهای کلاسیک غیرمحلی ( مانند روش حذف نویز کلاسیک انتشار ناهمسانگرد و فرآیند کمینه سازی مجموع تغییرات )عمل می کند. در نهایت، نتایج کیفی بر روی داده های واقعی ارائه شده است.

نویسندگان

فهیمه عزیزی

دانشجوی کارشناسی ارشد گروه مهندسی برق مخابرات، دانشکده فنی مهندسی، دانشگاه آزاد کازرون، کازرون، ایران

علی رفیعی

استادیار گروه مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه آزاد کازرون، کازرون، ایران

امید مهدیار

استادیار گروه مهندسی برق مخابرات، دانشکده فنی مهندسی، دانشگاه آزاد کازرون، کازرون، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • MRI 4Anه 3. Hosein M. Golshan, Reza P.R. Hasanzadeh, Shahrokh ...
  • Samsonov A, Johnson C. Noi se-Adaptive Nonlinear Diffusion Filtering of ...
  • Ryan Wen Liu, Lin Shi, Wenhua Huang, Jing Xu, Simon ...
  • L. Rudin, S. Osher, and E. Fatemi, .Nonlinear total variation ...
  • estimation in single and Noiseء 5. Aja-Fernandez S, Tristan-Vega A, ...
  • A. Zijdenbos, R. Forghani, and A. Evans, .Automatic .pipeline. analysis ...
  • Wong A, Mishra AK. Quasi-Monte Carlo estimation approach for denoising ...
  • Buades A, Coll B, Morel JM. Nonlocal Image and Movie ...
  • D. Tschumperl e, _ Curvature-pres erving regularization of multi-valued images ...
  • Brox T, Kleinschmid O, Cremers D. Efficient nonlocal _ for ...
  • P. Saint-Marc, J.-S. Chen, and G. Medioni, .Adaptive smoothing: a ...
  • , no. 6, pp. 514.529, June 1991. ...
  • D. Donoho and I. Johnstone, .Ideal spatial adaptation by wavelet ...
  • D. Donoho, .De-noising by S O ft-thresholding , _ IEEE ...
  • J. Portilla and E Simoncelli, .Image restoration using Gaussian scale ...
  • C. Tomasi and R. Manduchi, .Bilateral filtering for gray and ...
  • S. Smith and J. Brady, .SUSAN.A New Approach to Low ...
  • M. Elad, .On the origin of the bilateral filter and ...
  • J. van de Weijer and R. Van den Boomgaard, .Local ...
  • T. Chan and H Zhou, .Total variation improved wavelet thresholding ...
  • S. Durand and J. Froment, _ Rec onstruction of wavelet ...
  • S. Lintner and F Malgouyres, .Solving a variational image restoration ...
  • P. Mrazek, J. Weickert, and A. Bruhn, .On robust estimation ...
  • نمایش کامل مراجع