Вейвлет-фільтрація шуму в зображеннях, що заснована на злитті порогових функцій

Authors:

Гуолян Сун, Коледж Ронгченг Харбінського університету науки та технології, Вейхай, Китай

Abstract:

Мета. У зв’язку з існуванням характерних постійних девіацій і розривності шумоподавляючої порогової функції вейвлета, у роботі аналізуються можливості нової шумозаглушуючої функції в результаті інтеграції традиційних вейвлетних порогових функцій.

Методика. Шляхом аналізу недоліків м’якої порогової функції та жорсткої порогової функції вейвлета, згідно з характеристикам традиційної порогової функції, а також задуму й процедурі розробки, робота встановлює інтегровану порогову функцію на основі традиційної порогової функції та пропонує схему моделювання, що вилучена з відповідної порогової функції. За допомогою схеми моделювання порогової функції, у роботі аналізуються переваги інтегрованої порогової функції.

Результати. Згідно з результатами, інтегрована порогова функція, встановлена на основі м’якої й жорсткої порогових вейвлетних функцій, об’єднує переваги традиційних порогових функцій, ефективно долаючи розривність жорсткої порогової функції та девіації м’якої порогової функції.

Наукова новизна. У ході дослідження фільтрації шуму вейвлетної порогової функції встановлено, що попередні дослідження використовували традиційні порогові функції для проведення операції прямої деформації, але нехтували перевагами традиційної порогової функції вейвлета. Завдяки характеристикам і ідеям традиційної вейвлетної порогової функції, робота об’єднує традиційні вейвлетні м’яку й жорстку порогові функції, що забезпечує операцію деформації та здібність до самоадаптації.

Практична значимість. Отриманий у роботі результат дозволяє ефективно покращувати здатність фільтрації шумів зображення, що не лише може ефективно видаляти шум, але й також зберігати детальну інформацію зображення, закладаючи міцну основу для поглибленої обробки високоякісного зображення.

Список литературы / References

1. Mo X.Q. and He A., 2014. Engineering Image Processing Based on Adaptive Threshold Median Filtering Algorithm. Software Guide, No. 3, pp. 55–59.

2. Xu S.S., 2015. The Application of Improved Fuzzy C-Means Clustering Algorithm in Image Segmentation. Chang’an University.

3. Liu D.J., 2013. Research on Image Denoising Method in Image Edge Detection.Computer CD Software and Applications, No. 12, pp. 303–303.

4. Sun X.X. and Qu W., 2014. Comparison between Mean Filter and Median Filter Algorithm in Image DenoisingField”. Applied Mechanics & Materials, pp. 4112–4116.

5. Zhang X., Feng X. and Wang W., 2013. Gradient-based Wiener filter for image denoising. Computers & Electrical Engineering, Vol. 39, No. 3, pp. 934–944.

6. Li T.K., Liu H. and Wang, 2013. Self-adaptive Kalman Filter Algorithm Research Based on Wavelet Transform. Ordnance Industry Automation, No. 1, pp. 32–35.

7. Xing W.L. and Zhang B.H., 2014. An Improvement Based on Wavelet Transform Speech Denoising Threshold Function. Advanced Materials Research, pp. 828–832.

8. Hu Y.H., 2015. Compressed Sensing Image Denoising Method and its Application in Wireless Decay Channels. East China Jiaotong University.

03_2016_Guoliang
2016-07-29  1.28 MB  771