Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (05.2020) : АЛГОРИТМ СНИЖЕНИЯ ШУМОВ ИЗОБРАЖЕНИЯ НА ОСНОВЕ СГЛАЖИВАНИЯ, ИСПОЛЬЗУЮЩЕГО ОРИЕНТИРОВАННЫЕ МОДЕЛИ

АЛГОРИТМ СНИЖЕНИЯ ШУМОВ ИЗОБРАЖЕНИЯ НА ОСНОВЕ СГЛАЖИВАНИЯ, ИСПОЛЬЗУЮЩЕГО ОРИЕНТИРОВАННЫЕ МОДЕЛИ

УДК 535; 617.7; 628.9

© 2020 г.      Xiaoming Zhao, Yashuo Bai, Xin Liu, Miao Gao, Kun Cheng, Shengcun Ma, Lei Dong

Целью работы является сохранение резкости границ в процессе обработки изображений, снижающем уровень шумов, для улучшения комфортности восприятия картины без уменьшения заметности границ и деталей. В предлагаемом алгоритме при выделении границ направление их ориентации оценивается с использованием ориентированных образцов-моделей. Результаты свертки используются для управления значениями коэффициентов в соответствующих шумоподавляющих фильтрах. Использование такой двухступенчатой процедуры обеспечивает сохранение резкости границ. Однородные области, выделенные на основе локальных значений стандартных отклонений, обрабатываются далее для обеспечения наилучшего визуального восприятия на последовательных этапах предварительной и усредненной фильтрации. Эксперимент подтвердил получение хороших результатов при общем упрощении процедуры обработки изображений, что важно с точки зрения возможностей аппаратного воплощения.

Ключевые слова: снижение шумов изображения, выделение границ, сохранение резкости, гауссова фильтрация. 

 

 

DIRECTIONAL SMOOTHING MODEL-BASED IMAGE DENOISING ALGORITHM

  

© 2020   Xiaoming Zhao, PhD(Physics); Yashuo Bai, postgraduate student; Xin Liu, postgraduate student; Miao Gao, engineer; Kun Cheng, engineer; Shengcun Ma, engineer; Lei Dong, engineer

Xidian University, School of Physics and Optoelectronic Engineering, Xi’an city, China

E-mail: baiyashuo@126.com

Submitted 02.01.2020

DOI:10.17586/1023-5086-2020-87-05-63-76

This study focuses on edge preservation and noise smoothing in the process of denoising. To achieve the two aims, the image has to be processed in such a way that the noise is removed to give people a pleasing vision without reducing the perceptibility of edges and details. In the proposed algorithm, edge orientations are taken into account by using directional templates during edge extraction. The results of convolution would be adopted to control coefficients of the corresponding denoising filter. These two steps play a leading role to guarantee the preservation of edges. Finally, flat regions distinguished from edges and details by local standard deviation would be further operated by incorporating the preliminary filtering result and mean filtering result to make better vision perception. Its great performance with lower complexity is validated by the experiential results, which provides an important opportunity for hardware implementation.

Keywords: image denoising, edge-detecting, edge-preserving, Gaussian Filtering.

OCIS code: 100.2000 

 

References

1.    Lindenbaum M., Fischer M., Bruckstein A. On Gabor's contribution to image enhancement // Pattern Recognition. 1994. V. 27. № 1. P. 1–8.

2.   Tomasi C., Manduchi R. Bilateral filtering for gray and color images // IEEE Sixth Internat. Conf. Computer Vision. 1998. № 98CH. P. 839–846.

3.   Durand F., Dorsey J. Fast bilateral filtering for the display of high-dynamic-range images // ACM TOG. 2002. V. 21. № 3. P. 257–266.

4.   Bae S., Paris S., Durand F. Two-scale tone management for photographic look // ACM TOG. 2006. V. 25. № 3. P. 637–645.

5.   Buades A., Coll B., Morel J.M. A non-local algorithm for image denoising // IEEE Computer Soc. Conf. Computer Vision. 2005. V. 2. № 7. P. 60–65.

6.   Zhang F., Cai N., Wu J., et al. Image denoising method based on a deep convolution neural network // IET Image Proc. 2018. V. 12. № 4. P. 485–493.

7.    Coifman R.R., Donoho D.L. Translation-invariant de-noising // Wavelets & Statistics. 1995. V. 103. № 2. P. 125–150.

8.   Donoho D.L. De-noising by soft-thresholding // IEEE Trans. Information Theory. 2018. V. 41. № 3. P. 613–627.

9.   Donoho D.L., Johnstone I.M. Adapting to unknown smoothness via wavelet shrinkage // J. American Statistical Association. 1995. V. 90. № 432. P. 1200–1224.

10. Chang S.G., Yu B., Vetterli M. Adaptive wavelet thresholding for image denoising and com-pression // IEEE Trans. Image Proc. 2000. V. 9. № 9. P. 1532–1546.

11.  Chipman H.A., Kolaczyk E.D., McCulloch R.E. Adaptive Bayesian wavelet shrinkage // J. American Statistical Association. 1997. V. 92. № 440. P. 1413–1421.

12.  Moulin P., Liu J. Analysis of multiresolution image denoising schemes using generalized Gaussian and complexity priors // IEEE Trans. Information Theory. 1999. V. 45. № 3. P. 909–919.

13.  Romberg J.K., Choi H., Baraniuk R.G. Bayesian tree-structured image modeling using wavelet-domain hidden Markov models // EEE Trans. Image Proc. 2001. V. 10. № 7. P. 1056–1068.

14.  Dabov K., Katkovnik V., Foi A., et al. Image denoising by sparse 3D transformation-domain collaborative filtering // IEEE Internat. Conf. Image Proc. 2007. V. 16. № 7. P. 1–16.

15.  Jain V., Seung H.S. Natural image denoising with convolutional networks // Internat. Conf. Neural Information Proc. Systems. 2008. P. 769–776.

16.  Burger H.C., Schuler C.J., Harmeling S. Image denoising: Can plain neural networks compete with BM3D? // Computer Vision and Pattern Recognition. 2012. V. 157. № 10. P. 2392–2399.

17.  Wang X., Wang L., Tao Q., et al. Deep convolutional architecture for natural image denoising // Internat. Conf. Wireless Communications & Signal Proc. 2015. V. 5. № 53. P. 1–4.

18. Koziarski M., Cyganek B. Deep neural image denoising // Internat. Conf. Computer Vision and Graphics. 2016. P. 163–173.

19.  Lefkimmiatis S. Non-local color image denoising with convolutional neural networks // IEEE Conf. Computer Vision and Pattern Recognition. 2017. P. 5882–5891.

20. Zhang F., Cai N., Wu J., et al. Image denoising method based on a deep convolution neural network // IET Image Proc. 2018. V. 12. № 4. P. 485–493.

21.  Wang Z., Bovik A.C., Sheikh H.R., and Simoncell E.P. Image quality assessment: From error visibility to structural similarity // IEEE Trans. 2004. V. 13. № 4. P. 600–612.

22. Xue W., Zhang L., Mou X., Bovik A. Gradient magnitude similarity deviation: A highly efficient perceptual image quality index // IEEE Trans. Image Proc. 2014. V. 23. № 2. P. 684–695.

23.      Barrett H.H. Objective assessment of image quality: Effects of quantum noise and object variability // JOSA. 1990. V. 7. № 7. P. 1266–1278.

Полный текст