کاهش نویز تصویر با استفاده از آموزش دیکشنری در حوزه تبدیل
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 906
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SPIS02_026
تاریخ نمایه سازی: 10 تیر 1396
چکیده مقاله:
یکی از مسایل مهم در رابطه با تصاویر دیجیتال، بهبود کیفیت تصویر از طریق نویز زدایی است. در سال های اخیر استفاده از نمایش تنک سیگنال ها در کاربردهایی مانند فشرده سازی، نویززدایی و طبقه بندی موردتوجه قرار گرفته است. موفقیت نمایش تنک در این کاربردها به این دلیل است که اکثر سیگنال های طبیعی مانند تصویر و یا گفتار، در نظر گرفتن پایه های مشخص دارای نمایشی تنک هستند. بر این اساس استفاده از روش های نویززدایی مبتنی بر نمایش تنک بر پایه ی دیکشنری منجر به دستیابی به نتایج قابل توجهی شده است و همچنان قابلیت بهبود این روش ها وجود دارد. در این مقاله نویززدایی تصویر از طریق روش کدگذاری تنک و آموزش دیکشنری در حوزه ی تبدیل های چندمقیاسی موجک، کرولت و موجک هدایتگر انجام شده است. روش پیشنهادی در محیط نرم افزاری متلب و با به کارگیری جعبه ابزارهای موجود پیاده سازی گردید. در ادامه، عملکرد الگوریتم موردنظر روی تصاویر با سطوح خاکستری استاندارد موردبررسی قرار گرفت نتایج حاصل، از لحاظ دو معیار ارزیابی کیفیت که به طورمعمول استفاده می شوند بررسی گردید. این دو معیار شامل نسبت نویز به سیگنال ماکزیمم (PSNR) و مشابهت ساختاری (SSIM) می باشد. آزمایش های انجام شده نشان می دهد روش نویززدایی با آموزش دیکشنری و با استفاده از الگوریتم KSVD در حوزه موجک نتایج بهتری نسبت به اعمال این روش در حوزه ی مکان را فراهم می کند. می توان چنین استنباط نمود از آنجا که تبدیل موجک توانایی نمایش سیگنال و تصویر را به صورت تنک دارد، استفاده از این تبدیل در نویز زدایی با روش نمایش تنک و آموزش دیکشنری منجر به بازسازی بهتر تصاویر نویزی می شود.
کلیدواژه ها:
نویسندگان
شیدا افضلی فرد
کارشناس ارشد مهندسی کامپیوتر،گروه کامپیوتر، دانشگاه یزد
محمد قاسم زاده
دانشیار گروه کامپیوتر، دانشگاه یزد، محقق میهمان در دانشگاه پتسدام آلمان
محمد تقی صادقی
استادیار گروه مخابرات، دانشکده مهندسی برق، دانشگاه یزد
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 :