Метод зменшення шуму в зображенні на основі розрідженого представлення та адаптивного словника
- Деталі
- Категорія: IT-технології
- Останнє оновлення: Вівторок, 21 червня 2016, 21:07
- Опубліковано: Вівторок, 21 червня 2016, 21:07
- Перегляди: 3883
Aвторы:
Цуйцзе Чжао, Тяньцзіньський фінансово-економічний університет, м. Тяньцзінь, КНР, Хебейський технічний університет, м. Тяньцзінь, КНР
Вэй Яо, Тяньцзіньський науково-технічний університет, м. Тяньцзінь, КНР
Реферат:
Мета. Цифрові зображення схильні до погіршення якості у процесі комунікації. Дане дослідження зниження шумів у зображеннях направлене на створення нового підходу, заснованого на розрідженому представленні, що дозволить ефективно видаляти шуми з цифрових зображень і покращувати їх якість.
Методика. За допомогою сингулярного розкладання методом k-середніх (K-SVD) проводиться навчання ДКП-словника (дискретного косинусного перетворення) з метою перетворення його в новий словник, кожен елемент якого являє собою лінійну комбінацію з елементів вихідного словника. З точки зору структури, ці два словника значно відрізняються один від одного, що доводить здатність K-SVD алгоритму ефективно покращувати структуру словника.
Результати. На початку був наданий короткий опис і аналіз зменшення шуму в зображеннях, потім розглянуті відповідні алгоритми та методи розрідженого уявлення, засновані на ініціалізації ДКП-словника. Виходячи з наведених теорій і методів, розроблено новий метод зниження шумів у зображеннях на основі K-SVD алгоритму та адаптивного словника.
Наукова новизна. Об’єднавши побудову та оптимізацію повного словника, при навчанні словника, елементи зі зразками зображень розкладалися таким чином, щоб побудувати словник з елементів, що може ефективно описувати різні особливості зображення. За допомогою імітаційного аналізу, цей спосіб усунення шуму може проводити видалення шуму із зображень зі складними деталями та ефективно збільшувати пікове співвідношення сигнал-шум у зображенні.
Практична значимість. Запропоновано метод зниження шумів у зображеннях, заснований на розрідженому представленні. Такий підхід сприяє оновленню словника, вирішує проблему інверсії матриці шляхом ітеративного поновлення кожного рядка матриці. Ще важливіше те, що цей алгоритм також оновлює відповідні коефіцієнти при оновленні елементів у новому словнику та значно знижує складність обчислень.
Список літературы / References
1. Anoop Suraj, A., Francis, M., Kavya, T.S. and Nirmal, T.M., 2014. Discrete wavelet transform based image fusion and denoising in FPGA. Journal of Electrical Systems and Information Technology, vol.1, no.5, pp. 72‒81.
2. Narayanam, R., 2015. Efficient denoising performance of a combined algorithm of translation invariant (TI) wavelets and independent component analysis over TI wavelets for speech-auditory brainstem responses. Procedia Computer Science, vol.54, no.6, pp. 829‒837.
3. Joshi, V., Verma, A.R. and Singh, Y., 2015. Denoising of ECG signal using adaptive filter based on MPSO. Procedia Computer Science, vol.57, no.10, pp. 395‒402.
4. Shakya, D.K., Saxena, R. and Sharma, S.N., 2013. Improved exon prediction with transforms by denoising period-3 measure. Digital Signal Processing, vol.23, no.3, pp. 499‒505.
5. Nasimi, E. and Gabbar, H.A., 2014. Signal denoising methods for fault diagnosis and troubleshooting at CANDU stations. Nuclear Engineering and Design, vol.280, no.12, pp. 481‒492.
6. Nejati, M., Samavi, S. and Shirani, S., 2015. Multi-focus image fusion using dictionary-based sparse representation. Information Fusion, vol.25, no.9, pp. 72‒84.
7. Lasserre, M., Bidon, S., Besson, O. and Le Chevalier, F., 2015. Bayesian sparse Fourier representation of off-grid targets with application to experimental radar data. Signal Processing, vol.111, no.6, pp. 261‒273.
8. Rigas, I., Economou, G. and Fotopoulos, S., 2015. Efficient modeling of visual saliency based on local sparse representation and the use of the Hamming distance. Computer Vision and Image Understanding, vol.134, no.5, pp. 33‒45.
![]() ![]() |
|
![]() ![]() ![]() |
![]() |