ترجمه مقاله حذف نویز تصویر مبتنی بر فیلتر میانگین غیرمحلی و آستانه نویز روش آن - نشریه اشپرینگر

ترجمه مقاله حذف نویز تصویر مبتنی بر فیلتر میانگین غیرمحلی و آستانه نویز روش آن - نشریه اشپرینگر
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
حذف نویز تصویر مبتنی بر فیلتر میانگین غیرمحلی و آستانه نویز روش آن
عنوان انگلیسی
Image denoising based on non-local means filter and its method noise thresholding
صفحات مقاله فارسی
27
صفحات مقاله انگلیسی
17
سال انتشار
2012
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
اشپرینگر - Springer
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
پایگاه
اسکوپوس
ایمپکت فاکتور(IF) مجله
2.410 در سال 2019
شاخص H_index مجله
35 در سال 2020
شاخص SJR مجله
0.478 در سال 2019
شناسه ISSN مجله
1863-1711
شاخص Q یا Quartile (چارک)
Q2 در سال 2019
کد محصول
11189
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر
گرایش های مرتبط با این مقاله
مهندسی نرم افزار
دانشگاه
گروه مهندسی برق و کامپیوتر، دانشگاه کنکوردیا، کانادا
کلمات کلیدی
فیلتر میانگین غیرمحلی، فیلتر دوطرفه، نویز روش، آستانه موجک، BayesShrink، فیلتر دوطرفه چندرزولوشنی، شاخص کیفیت تصویر
کلمات کلیدی انگلیسی
Non-local means filter - Bilateral filter - Method noise - Wavelet thresholding - BayesShrink - Multi-resolution bilateral filter - Image quality index
doi یا شناسه دیجیتال
https://doi.org/10.1007/s11760-012-0389-y
فهرست مطالب
چکیده

1. مقدمه

2. فیلتر میانگین محلی

3. فیلتر میانگین NL و آستانه نویز روش آن

4. نتایج و مباحثات

5. نتیجه گیری

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
11189-IranArze    11189-IranArze1     11189-IranArze2
نمونه چکیده متن اصلی انگلیسی
Abstract

Non-local means filter uses all the possible self-predictions and self-similarities the image can provide to determine the pixel weights for filtering the noisy image, with the assumption that the image contains an extensive amount of self-similarity. As the pixels are highly correlated and the noise is typically independently and identically distributed, averaging of these pixels results in noise suppression thereby yielding a pixel that is similar to its original value. The non-local means filter removes the noise and cleans the edges without losing too many fine structure and details. But as the noise increases, the performance of non-local means filter deteriorates and the denoised image suffers from blurring and loss of image details. This is because the similar local patches used to find the pixel weights contains noisy pixels. In this paper, the blend of non-local means filter and its method noise thresholding using wavelets is proposed for better image denoising. The performance of the proposed method is compared with wavelet thresholding, bilateral filter, non-local means filter and multi-resolution bilateral filter. It is found that performance of proposed method is superior to wavelet thresholding, bilateral filter and non-local means filter and superior/akin to multi-resolution bilateral filter in terms of method noise, visual quality, PSNR and Image Quality Index.

1 Introduction

Many scientific data sets are contaminated by noise because of data acquisition process and/or transmission, which can degrade the signal of interest. A first pre-processing step in analyzing such data sets is denoising, that is, estimating the signal of interest from the available noisy data [1].

Even though denoising has long been a focus of research, there always remains room for improvement, especially in image denoising. For images, noise suppression/reduction is a delicate and a difficult task because there is a tradeoff between noise reduction and preservation of actual image features. If high-frequency noise is to be removed from the corrupted image, the simple spatial filtering may be sufficient, but at the cost of computational complexity involved in performing the convolution. This can be reduced by Frequency-domain methods where convolution is transformed into multiplication of the spectra due to Fourier convolution property. As the noise is spread across all frequencies, the frequency-based denoising methods adopt low-pass filtering to suppress most of high-frequency components in order to denoise the image. However, this is generally not effective as it suppresses both noise and other high-frequency features of the image resulting in an overly smoothed denoised image.

5 Conclusions

In this paper, the amalgamation of NL means filter and its method noise thresholding using wavelet has been proposed. The performance of the proposed methods is compared with WT-based approach, BF, MRBF and NL means filter. Through experiments conducted on standard images, it was found that the proposed method has improved the results of WT approach, BF, NL means filter and MRBF with slight increase in performance in terms of method noise, visual quality, PSNR and IQI. Only in few cases MRBF has shown improved performance when compared to the proposed method.

نمونه چکیده ترجمه متن فارسی
چکیده

فیلترهای میانگین غیرمحلی از تمامی خود پیش بینی ها و خود مشابهت های احتمالی که تصویر می تواند فراهم کند، استفاده می کند تا وزن های پیکسل برای فیلترینگ تصویر نویزدار را تعیین کند، با این فرض که تصویر شامل مقدار عظیمی از خود مشابهتی باشد. چون پیکسل ها به شدت همبسته هستند و نویز نیز معمولا مستقل و به طور دقیق توزیع می شود، میانگین گیری این پیکسل ها منجربه جلوگیری نویز می شود که به موجب آن پیکسلی را ایجاد می کند که مشابه با مقدار اصلی می باشد. فیلتر میانگین غیرمحلی نویز را حذف می کند و لبه ها را بدون از دست دادن ساختارها و جزئیات بسیار ریز تمیز می کند. اما وقتی نویز افزایش می یابد، عملکرد فیلتر میانگین غیرمحلی آسیب می بیند و تصویر حذف نویزشده از مات بودن و از دست دادن جزئیات تصویر رنج می برد. این امر به این دلیل است که بخش های محلی مشابه برای پیداکردن وزن های پیکسل شامل پیکسل های نویزی بکار می رود. در این مقاله، ترکیب فیلتر میانگین غیرمحلی و آستانه نویز روش آن با استفاده از موجک ها برای حذف نویز بهتر تصویر پیشنهاد شده است. عملکرد روش یشنهادی با آستانه موجک، فیلتر دوطرفه، فیلتر میانگین غیرمحلی و فیلتر دوطرفه چند رزولوشن (چندمقیاسی) مقایسه شده است. دریافته شد که عملکرد روش پیشنهادی به لحاظ نویز روش، کیفیت بینایی، PSNR و شاخص کیفیت تصویر، نسبت به آستانه موجک، فیلتر دوطرفه و فیلتر میانگین غیرمحلی بهتر می باشد و نسبت به روش فیلتر دوطرفه چند رزولوشنی نیز بهتر/برابر می باشد.

1. مقدمه

بسیاری از مجموعه داده های علمی به دلیل فرایند اکتساب و/یا انتقال داده ها آلوده به نویز می باشند که سیگنال بهره را تخریب می کند. مرحله اول پیش پردازش در تحلیل چنین مجموعه داده هایی حذف نویز می باشد، که سیگنال بهره را از داده های نویز موجود برآورد می کند [1].

اگرچه حذف نویز تاکنون تمرکز بسیاری از محققان بوده است، اما همواره فضاهایی برای بهبود، به خصوص در حذف نویز تصویر وجود داشته است. برای تصاویر، جلوگیری / کاهش نویز یک وظیفه بسیار ظریف و دشوار می باشد زیرا یک مصالحه بین کاهش نویز و حفظ از ویژگی های تصویر واقعی وجوددارد. اگر نویز با فرکانس بالا می بایست از تصویر آسیب دیده حذف شود، فیلترینگ فضایی ساده کافی خواهدبود اما به قیمت پیچیدگی محاسباتی درگیر در انجام کانولوشن تمام می شود. این امر را می توان با روش های حوزه فرکانسی که درآن کانولوشن به طیف بسیار گسترده ای ناشی از ویژگی کانولوشن فوریه تبدیل می شود، کاهش داد. چون نویز در سراسر فرکانس ها پخش می-شود، روش های حذف نویز مبتنی بر فرکانس به منظور حذف نویز تصویر، فیلترینگ پایین گذر را برای سرکوب بیشتر اجزای فرکانس بالا انتخاب می کنند. با این حال این امر به طور کلی مؤثر نیست زیرا هم نویز و هم دیگر ویژگی های فرکانس بالای تصویر را سرکوب می کند و منجربه تصویر حذف نویزشده بش از حد یکنواخت می شود.

5. نتیجه گیری

در این مقاله، ادغام فیلتر میانگین NL و آستانه نویز روش آن با استفاده از موجک ارائه شده است. عملکرد روش-های پیشنهادی با رویکرد مبتنی بر WT، BF، MRBF و فیلتر میانگین NL مقایسه شد. از طریق آزمایشات انجام شده بر روی تصاویر استاندارد، دریافته شد که روش پیشنهادی نتایج رویکرد WT، BF، میانگین NL و MRBF را با قدری افزایش در عملکرد به لحاظ نویز روش، کیفیت بصری، PSNR و IQI بهبود می بخشد. تنها در چند مورد MRBF عملکرد بهتری را در مقایسه با روش پیشنهادی نشان داد.


بدون دیدگاه