المرشح المثالي المتوسط المستند على خوارزمية الغراب للتحسين
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
يُقترح مرشح متوسط جديد يعتمد على خوارزميات تحسين الغراب (OMF) لتقليل ضوضاء الملح والفلفل العشوائية وتحسين جودة الصور ذات اللون الرمادي والملونة . الفكرة الرئيسية لهذا النهج هي أن أولاً ، تقوم خوارزمية تحسين الأداء بالكشف عن وحدات البكسل الخاصة بالضوضاء ، واستبدالها بقيمة وسيطة مثالية تبعًا لدالة الأداء. أخيرًا ، تم استخدام نسبة القياس القصوى لنسبة الإشارة إلى الضوضاء (PSNR) ، والتشابه الهيكلي والخطأ المربع المطلق والخطأ التربيعي المتوسط لاختبار أداء المرشحات المقترحة (المرشح الوسيط الأصلي والمحسّن) المستخدمة في الكشف عن الضوضاء وإزالتها من الصور. يحقق المحاكاة استنادًا إلى MATLAB R2019b والنتائج الحالية التي تفيد بأن المرشح المتوسط المحسّن مع خوارزمية تحسين الغراب أكثر فعالية من خوارزمية المرشح المتوسط الأصلية ومرشحات لطرق حديثة ؛ أنها تبين أن العملية المقترحة قوية للحد من مشكلة الخطأ وإزالة الضوضاء بسبب مرشح عامل التصفية المتوسط ؛ ستظهر النتائج عن طريق تقليل الخطأ التربيعي المتوسط إلى أدنى أو أقل من (1.5) ، والخطأ المطلق للتساوي (0.22) ,والتشابه الهيكلي اكثر من ( 95%) والحصول على PSNR أكثر من 45dB).) وبنسبة تحسين ( 25%) .
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Gonzalez R C. Digital_Image_Processing. 2nd ed; 2002. 793 p.
Kang C, Wang W. Fuzzy reasoning-based directional median filter design. Signal Process. 2009; 89 (3): 344–351.
Zhu Y, Huang C. An Improved Median Filtering Algorithm for Image Noise Reduction. Phys. Procedia. 2012; 25: 609–616.
Wang Z, Zhang D. Progressive switching median filter for the removal of impulse noise from highly corrupted images. IEEE Trans. Circuits Syst. 1999; 46 (1): 78–80.
Hwang H, Haddad RA. Adaptive median filters: new algorithms and results. IEEE Trans Image Process. 1995; 4 (4): 499–502.
Vijaykumar VR, Ebenezer D. High Density Impulse Noise Removal Using Robust Estimation Based Filter. IAENG Int. J. Comput. Sci. 2008; 35 (3).
Lyakhov PA, Orazaev AR, Chervyakov NI, Kaplun DI. A New Method for Adaptive Median Filtering of Images. In2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus) 2019 Jan 28 (pp. 1197-1201). IEEE.
Uğur E, Gökrem L, Engino S. Different applied median filter in salt and pepper noise. Comput. Electr. Eng. 2018; 70: 789-798.
Jin L, Zhu Z, Song E, Xu X. An effective vector filter for impulse noise reduction based on adaptive quaternion color distance mechanism. Signal Process. 2018; 147: 173–189.
Karthik B, Kumar TK, Vijayaragavan SP, Sriram M. Removal of high density salt and pepper noise in color image through modified cascaded filter.J. Ambient Intell Human Comput. 2020 Feb 1:1-8.
Saleh BJ, Al-Aqbi ATQ, Saedi AYF. A novel biogeography inspired trajectory-following con- troller for national instrument robot. CCIS. 2018; 938: 171–189.
Askarzadeh A. A novel metaheuristic method for solving constrained engineering optimization prob- lems: Crow search algorithm. Comput. Struct. 2016: 169: 1–12.
Ma Z, Wu RH, Feng D. Partition-based vector filtering technique for suppression of noise in digital color images. IEEE Trans. Image Process. 2006; 15 (8): 2324–2342.
Xu J, Wang L, Shi Z. A switching weighted vector median filter based on edge detection. Signal Process. 2014; 98: 359–369.
Guo D, Xiaobo Q, Xiaofeng D, Keshou W, Xuhui Ch. Salt and Pepper Noise Removal with Noise Detection and a Patch-Based Sparse Representation. Adv. Multimedia. 2014: 1-14.
Huang KW, Girsang AS, Wu ZX, Chuang YW. A hybrid crow search algorithm for solving permutation flow shop scheduling problems. Appl. Sci. 2019; 9 (7): 1–15.
MedPix Medical Image Database. https://library.tmc.edu/website/medpix-medical-image-database, 2019.
Gallagher N, Wise G. A Theoretical Analysis of the Properties of Median Filters. IEEE Trans. Acoust, Speech, Signal Process. 1981; 29: 1136-1141.
Pok G, Jyh-Charn L. Decision based median filter improved by predictions. ICIP. 1999; 2: 410-413.
Luo W. An efficient detail-preserving approach for removing impulse noise in images. IEEE Signal Process. Lett. 2006; 13 (7): 413–416.
Lukac R. Adaptive vector median filtering. Pattern Recogn. Lett. 2003; 24 (12):1889–1899.
Lukac R, Smolka B. Application of adaptive center-weighted vector median framework for the enhancement of cdna microarray images. Int J Appl Math Comput Sci. 2003; 13 (3):369–383.
Smolka B, Malik K, Malik D. Adaptive rank weighted switching filter for impulsive noise removal in color images. J Real-Time Image Proc. 2012; 10(2): 289–311.
Chanu, P, Singh KH. A two-stage switching vector median filter based on quaternion for removing impulse noise in color images. Multimed Tools Appl. 2019; 78: 15375–15401.
Wang G, Liu Y, Zhao T. A quaternion-based switching filter for colour image denoising. Signal Process. 2014; 102: 216–225.
Jin L, Zhu Z, Song E, Xu X. An effective vector filter for impulse noise reduction based on adaptive quaternion color distance mechanism. Signal Process. 2018; 147: 173–189.
Esakkirajan S, Veerakumar T, Subramanyam AN, Premchand CH. Removal of high density salt and pepper noise through modified decision based unsymmetric trimmed median filter. IEEE Signal Process. Lett. 2011; 18(5): 287- 290.
Rambabu TG, Kishore KK. Medical image denoising using KPCA with local pixel grouping. In2015 International Conference on Computer Communication and Informatics (ICCCI) 2015 Jan 8 (pp. 1-5). IEEE.
Chanu PR, Singh KM. A Switching vector median filter for impulse noise removal from color images. Proceedings of TENCON. 2017, 5-8th Nov., Penang, Malaysia: 2819–2824.
Jin L, Zhu Z, Xu X, Xiang L. Two-stage quaternion switching vector filter for color impulse noise removal. Sign. Process. 2016; 128:171–185.
Chanu PR, Singh KM. Impulse Noise Removal from Medical Images by Two Stage Quaternion Vector Median Filter. J. Med. Syst. 2018; 42: 197.
Yadav AK, Roy R, Kumar R, Kumar CS, Kumar AP. Algorithm for de-noising of color images based on median filter. In2015 third International Conference on Image Information Processing (ICIIP). 2015 Dec 21 (pp. 428-432). IEEE.