国际先进研究期刊》的研究在电子、电子、仪表工程
菜单ISSN在线(2278 - 8875)打印(2320 - 3765)
ISSN在线(2278 - 8875)打印(2320 - 3765)
Mrs.Seema Deoghare1Aditya Satvekar2,Nitin Bhoye2和Chintan沙2
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
在图像处理技术、噪声是主要部分,降低了图像的质量。噪声图像中会创建一个错误,所以我们必须做出这样的系统,可以减少噪音或消除噪音。在数字图像的几种类型的噪声。为消除这些噪音,我们需要一个过滤器。对于不同的噪声,我们必须使用不同的过滤器。但问题会出现图像含有大量噪声存在时(例:盐和胡椒噪声,高斯噪声)然后我们不能使用这些过滤器。所以我们要做一个通用过滤器/ de-noises图像的算法。在我们提出系统使用“M-Universal隐马尔科夫树”算法提出一种新的图像去噪算法,称为M-uHMT。它是简单而有效的。仿真结果表明,该M-uHMT可以实现先进的图像去噪性能的低计算复杂度。 The proposed algorithm has two major steps: an optimum estimation of the wavelet coefficients based on the uHMT model and an averaging of the de-noised images. Each step contributes to improvement in de-noising performance.
关键字 |
| M-uHMT、小波系数、多种小波变换去噪,沃尔什阿达玛变换。 |
介绍 |
| 我们都知道不同的过滤器,用于检测噪声像椒盐噪声,高斯噪声、泊松噪声。我们也只知道不同的过滤器过滤这些声音。实际上我们没有技术来过滤掉完成数字图像的噪声。所以删除这个问题我们概念化算法/过滤器生产标准的结果。我们要利用M-uHMT算法实现噪声滤波器。这将是一个普遍的过滤器。在这个模型中我们使用离散小波变换来计算图像系数的细节处理。 |
文献调查 |
| 在文献调查我们没有遇到任何系统提供这种灵活性的去噪图像。这是灵感,让我们把这个作为我们的项目。我们很自然地开始在市场搜索可用的系统。 |
| 当扫描我们遇到各种论文相关的图像去噪。我们知道对去噪图像我们只需要使用一个过滤器。例如:去除椒盐噪声,我们必须用中值滤波,去除高斯噪声,我们必须用平均滤波器,消除泊松噪声,我们必须用维纳滤波器,消除散斑噪声,我们必须使用均值滤波。我们也遇到不同的IEEE论文:“有效的图像去噪方法基于一种新的自适应小波包阈值函数”Abdolhossein Fathi和Ahmad Reza Naghsh-Nilchi。它使用小波阈值。“通过稀疏和冗余表示图像去噪在学习词典”由迈克尔·兰德和米甲Aharon。“稀疏的图像去噪的3 d变换域协作”由Kostadin Dabov,亚历山德罗信息自由。我们已经从论文“基于多小波的图像去噪表征和普遍隐马尔科夫树 |
 |
| 基函数的小波变换(WT)小波位于不同的时间。他们得到了使用缩放和平移的尺度函数和小波函数。因此,WT本地化在时间和频率。我们把图像压缩的第二次迭代即DWT2。 |
 |
| 阿达玛变换的系数都是+ 1或- 1。阿达玛变换可以因此减少加法和减法操作(没有除法或乘法)这让我们简单地计算变换。所以速度可能是可取的方面的阿达玛变换。我们正在walsh-Hadamard变换(说)de-correlate小波系数。因此,联合估计的任务(y1, y2)减少到两个人估计问题,很容易解决。De-correlation的小波系数利用沃尔什阿达玛变换(z1 (z2) =什么(y1, y2)。 |
| 在那里, |
 |
| 3)M-uHMT图像去噪模型 |
| 虽然分析,我们结合多个小波交涉普遍隐马尔可夫树(uHMT)和获得一个新的图像去噪算法,我们称之为M-uHMT。它提供了优良的去噪性能的莉娜的形象。uHMT (z1 (z2)估计结果(q1、q2)。 |
| 下面的图展示了该算法识别的图像。它显示了一个使用格子表示了图像。考虑Sj像素和S1, S2…。如果是隐藏的,像素值。在迭代计算的概率。S1 = a1j S2 = a2j….Si = aij。 |
| 像素包含更多的选择概率和复制到那个位置,在此之前对所有像素的图像。数量的迭代显示更多的增强图像的结果。最后计算了峰值信噪比(PSNR)。 |
 |
| 4)逆沃尔什阿达玛变换 |
| 执行逆什么导致de-noised小波系数(v1、v2) = IWHT (q1、q2) |
| 5)逆离散小波变换 |
| 进行逆小波变换结果的两个de-noised图像(s1, s2),最后de-noised给出图像通过两幅图像的平均值(s1, s2)。 |
软件设计 |
 |
结果与讨论 |
| HMT 1 d信号: |
| 图5.5。显示了一个原始多普勒信号作为输入信号。图5.5。b显示了随机噪声添加到输入信号。图5.5。c显示了一个小波转换噪声信号。和图5.5.d。HMT后显示原始多普勒信号。这里使用一维信号,我们观察了噪声对信号的影响和最终de-noised原始图像的输出。 |
 |
 |
 |
 |
| 对2 d DWT信号: |
| 图8显示了DWT二维信号的仿真结果。图5.6。显示了莉娜作为标准输入图像易于加工;图5.6。b显示噪声添加莉娜的形象,在这幅图像中的低过滤显示的最大信息图像。仿真后得到的结果DWT1和DWT2第一和第二迭代在5.6。c和5.6。d分别。 |
 |
最终结果 |
| 图9显示了莉娜作为标准输入图像和噪声添加莉娜的形象。仿真后得到的结果最终de-noised形象。 |
 |
| 从最终结果原始图像和噪声图像的PSNR值是20分贝。观察到的图像从M-uHMT模型在PSNR值是31 db。从这些结果,我们得出的结论是,图像是De-noised下表显示了PSNR (db)结果几个莉娜图像的去噪算法,我们的结果显示31 db的PSNR值的结果表的显示值附近。 |
 |
结论 |
| 我们指定一个HMT模型对于一大类真实世界的图像,不需要任何训练,从而大大简化处理算法,允许实时实现。添加多个小波表示,在图像去噪性能优良,仿真结果表明,该M-uHMT可以实现先进的图像去噪性能的低计算复杂度。 |
引用 |
|
