حذف نویز تصاویر با شبکه های عصبی و فیلتر میانی قسمت 2

انواع نویز و نحوه اثر گذاری آن بر تصویر

نویز به اختلالات نامطلوب در سطح شدت روشنایی تصویر گفته می شود، به گونه ای که بر روی کیفیت تصویر اثرات منفی می گذارد. بدین معنی که این تغییرات جزعی از سیگنال اصلی نیستند و موجب افت کیفیت در سیگنال می شوند. نویز می تواند به دلایل مختلف بر روی یک تصویر اضافه شود. انتقال تصویر از یک کانال ارتباطی مخدوش، سوختن پیکسل های حسگر دوربین، عملکرد نامناسب قطعات سخت افزاری، خطا در خانه های حافظه، دیجیتال کردن داده های آنالوگ و بسیاری از موارد دیگر نمونه هایی از دلایل ایجاد نویز بر روی تصویر می باشند. بسته به نوع منبع نویز، انواع مختلفی از نویز بر روی تصاویر ایجاد می شود. اغلب منبع نویز و نوع خطای رخ داده شده در نتیجه نوع نویز مشخص است و لذا می توان مدل و رویکرد های مناسب با همان نوع نویز را بر روی تصاویر اعمال کرد تا تصویری با کیفیت بالاتر بدست آید. در ادامه چندین مورد از انواع نویز رایج در پردازش تصویر مورد بررسی قرار می گیرد.

نویز ضربه ای

نویز ضربه ای با نام های دیگر از جمله نویز باینری و لحظه ای نیز شناخته می شود و دلیل آن تغییرات سریع و ناگهانی در سیگنال تصویر است. این نویز خود به دو نوع نویز فلفل نمکی و نویز ضربه با مقادیر تصادفی تقسیم می شود. در مدل فلفل نمکی، شدت روشنایی تعدادی از پیکسل ها به صورت تصادفی با مقدار کمینه شدت روشنایی(مقدار صفر) و یا شدت بیشینه مقدار روشنایی(مقدار255) جایگزین می شود.و نتیجه آن تصویری خواهد بود که بر روی آن نقاط سفید و مشکی رنگ دیده می شود. در مدل نویز ضربه ای با مقادیر تصادفی، شدت روشنایی پیکسل نویزی شده محدود به مقدار کمینه و بیشینه نیست و میتواند یکی از مقادیر در بازه مشخص شده را اختیار کند. میزان آغشته شدن تصویر با این نویز معمولا با یک درصد که نمایانگر میزان پیکسل های نویزی درصد پیکسل است نشان داده می شود.

نویز گوسی(سفید)

این نویز گاهی با نام نویز سفید نیز شناخته می شود. نویز سفید گوسی معمولا ناشی از وجود حسگر های الکتریکی برای ثبت سیگنال تصویر است و مقادیر آن از یک توزیع گوسی مطابق با رابطه زیر حاصل می شود:

فرمول نویز گوسی

که در این رابطه µ و Ƃ دو پارامتر مدل نویز گوسی هستند که به ترتیب میانگین و واریانس توزیع گوسی می باشند.

نویز متناوب

نویز متناوب در اثر اغتشاشات الکتریکی یا الکترومغناطیسی در طول فرایند ذخیره سازی و انتقال تصویر ایجاد می شود. این نویز دارای یک فرکانس ثابت و هارمونیک های آن است و لذا بهترین راه مقابله با آن استفاده از فیلتر های حوزه فرکانس است. در صورتی که از یک تصویر آغشته به نویز متناوی تبدیل فوریه دو بعدی گرفته شود، نویز به صورت نقاط مزدوج بر روی محیط یک دایره مشخص خواهد بود.

نویز ضرب شونده

نویز ضرب شونده را می توان به صورت حاصل ضرب مقادیر تصادفی در تصویر تعریف کرد و اغلب در تصاویر رادار روزنه ترکیبی، تصاویر سونوگرافی دیده می شود و معروف ترین آن نویز خال است. تاثیر نویز خال و نویز گوسی در تصویر تقریبا مشابه همدیگر است. ولی با توجه با آن که منبع تولید هر کدام متفاوت است از رویکرد های متفاوتی برای کاهش و یا حذف اثرات آن استفاده می شود.

با افزایش کاربرد های پردازش تصویر، روشهای مختلفی برای حذف نویز از تصاویر پیشنهاد شده است. به طور کلی متد های موجود در زمینه حذف نویز را می توان از یک دیدگاه به دو دسته فیلتر گذاری در حوزه مکان و فیلتر گذاری در حوزه تبدیلی دسته بندی کرد.(Ahmadi et al.,2013).در هر دو دسته، توسعه هایی مبتنی بر الگوریتم های مبتنی بر محاسبات نرم و ابزارهای هوشمند مانند سیستم های فازی و شبکه های عصبی و الگوریتم های بهینه سازی همچون الگوریتم ژنتیک دیده می شود.

در ادامه توضیح مختصری از این دسته ها داده می شود و موارد مرتبط با موضوع این پژوهش به تفضیل شرح داده خواهد شد.

فیلتر های حوزه مکان

فیلتر گذاری یکی از عملیات پایه ای و اغلب به عنوان یک پیش پردازش در زمینه پردازش سیگنال به شمار می آید و کاربرد های مختلفی در حذف نویز، بهبود تصویر و لبه یابی دارد. یکی از ابتدایی ترین روش هایی که برای حذف نویز به کار می رود، روشهای مبتنی بر فیلتر های متوسط گیر در حوزه مکان است که به خصوص برای تصاویر با نویز گوسی مورد استفاده قرار می گیرند. اساس عملکرد این روش ها پردازش بر روی هر پیکسل و متوسط گیری روی آن، مقدار متوسط جایگزین مقدار آن پیکسل می شود. متوسط گیری به روش های مختلفی از جمله میانگین حسابی، میانگین هندسی و میانگین همساز انجام می گیرد.

فیلتر میانگین حسابی تغییرات محلی را در تصویر و به طبع آن نویز را کاهش می دهد. اما روش میانگین گیری به این صورت باعث محو شدن تصویر و همچنین تخریب لبه های تصویر می شود که پدیده ای نا مطلوب است و باید تا حد امکان از آن اجتناب شود

فیلتر های حوزه فرکانس

یکی دیگر از فیلتر های حذف نویز استفاده از فیلتر های حوزه فرکانس است. تصویر در حوزه مکان به صورت مجموعه ای از پیکسل ها و مقادیر متناظر آنها معنی پیدا می کند. ولی در حوزه فرکانس تصویر به صورت یک سیگنال با طیفی از فرکانس ها دیده می شود. در فیلتر های حوزه فرکانس، طیف های فرکانسی مشخصی از تصویر مورد پردازش قرار می گیرد. با توجه به این که نویز شامل تغییر های سریع در تصویر است، مولفه های نویز مربوط به مولفه های فرکانسی بالای تبدیل فوریه است. بنابر این باید ار فیلتر های پایین گذر استفاده کرد. این فیلتر ها با تضعیف محدوده مشخصی از مولفه های فرکانس بالای تصویر، نویز را حذف می کنند اما این عمل باعث تخریب لبه های تصویر که جزء مولفه های فرکانس بالا هستند همراه است.

ساده ترین نوع فیلتر پایین گذر، فیلتر پایین گذر ایده آل است که تمام مولفه های فرکانسی بالا که در فاصله بیشتر از فاصله معین D0 از مرکز تبدیل فوریه قرار دارند را حذف می کند. این فیلتر به دلیل مشخصه تیز در حوزه فرکانس دارای اثرات جانبی مثل اضافه شدن موج هایی در تصویر بازیابی شده است.

برای رفع مشکل فیلتر ایده آل، می بایست به جای حذف مولفه های فرکانس بالا و ایجاد ناپیوستگی در طیف فرکانسی، این مولفه ها به صورت پیوسته تضعیف شوند که این کار توسط دو فیلتر Butterworth و فیلتر گوسی انجام می شود.

فیلتر های نظم آماری

از دیگر روش های حذف نویز در تصاویر رقمی استفاده از فیلتر های مبتنی بر نظم آماری است. این فیلتر ها، فیلتر های غیر خطی مکانی هستند که پاسخ آن ها ب رمبنای مرتب کردن مقادیر پیکسل های درون پنجره فیلتر و قرار دادن یکی از عناصر مرتب شده، در پیکسل مرکزی پنجره شکل می گیرد. از جمله این فیلتر ها می توان از فیلتر میانه و نسخه های مختلف آن، فیلتر میانگین حذف آلفا و فیلتر میانه تطبیقی نام برد. به دلیل موقعیت فیلتر های غیر خطی در حذف نویز انواع مختلفی از این فیلتر ها ارائه شده است.

فیلتر میانگین حذف α

فیلتر میانگین حذف α در دسته فیلتر های غیرخطی قرار می گیرد که ترکیبی از فیلتر میانه و میانگین است. ایده اصلی این فیلتر حذف نمونه های برون نهاد و استفاده از میانگین نمونه های باقی مانده است. پارامتر α که در این فیلتر دیده می شود میزان داده های نادیده گرفته شده را تعیین می کند. الگوریتم میانگین حذف آلفا را می توان به صورت زیر بیان کرد:

1-     داده های زیر پنجره فیلتر به صورت صعودی مرتب می شوند.

2-     نیمه آلفای کوچکتر و نیمه آلفای بزرگتر نادیده گرفته می شوند.

3-     میانگین نمونه های باقی مانده محاسبه و جواب حاصل جایگزین مرکز فیلتر می شود.

فیلتر میانه سوئیچ کننده

یکی از معایب متد های بیان شده آن است که هر پیکسل بدون توجه به آنکه نویزی شده یا سالم است تحت پردازش قرار می گیرد. این امر موجب می شود پیکسل های سالم تصویر که در بر گیرنده جزئیات تصویر اصلی هستند طی پردازش تغییر کنند. رویکردی که برای این مسئله وجود دارد فیلتر میانه سوئیچ کننده است که در آن هر پیکسل ابتدا در یکی از دو دسته نویزی و سالم طبقه بندی می شوند. اگر پیکسل نویزی باشد از فیلتر های حذف نویز در آن استفاده می شود، ولی اگر پیکسل سالم باشد عملیات فیلتر شدن میانبر می شود و مقدار خروجی مستقیما برابر مقدار ورودی می شود.(sun and neuvo,1994)

رویکرد های متفاوت برای هر یک از دو مرحله طبقه بندی و فیلتر گذاری وجود دارد که ترکیب آن ها یک متد جدید فیلتر های سوئیچ کننده به شمار می آید.(Akkoul et al.,2010)

فیلتر میانگین رتبه ی منظم وابسته به سیگنال

در فیلتر میانه بدون توجه به آن که یک پیکسل نویزی است یا نه، با مقدار میانه پنجره فیلتر جایگزین می شود. هر چند نویز به میزان قابل توجه ای از بین می رود اما هم زمان میزان قابل توجه ای از اطلاعات و جزئیات تصویر از بین می رود و تصویر مات می شود. به خصوص زمانی که اندازه پنجره فیلتر بزرگ باشد. تعمیم های زیادی از فیلتر میانه برای کسب نتایج بهتر ارائه شده اما به دلیل اینکه روی تمام تصویر با یک عملکرد عمل می کنند تمایل به حذف پیکسل های غیر نویزی و در نتیجه حذف جزئیات تصویر دارند و یا ممکن است به خوبی نویز را حذف نکنند.

فیلتر SDROM یک الگوریتم غیر خطی کارآمد است(Abreu and Mitra,1999) که برای حذف نویز از تصاویر تخریب شده با چگالی بالای نویز بکار می رود که جزئیات و ویژگی های تصویر را نیز حذف می کند. این روش برای حذف انواع نویز ضربه چه از نوع مقدار ثابت و چه از نوع مقدار تصادفی کاربردی است.

در رهیافت sdrom عملیات فیلتر گذاری مشروط به تفاوت بین پیکسل ورودی و سایر پیکسل های مرتب شده بر اساس رتبه در پنجره فیلتر است. بر خلاف فیلتر میانه، sdrom روی کل تصویر به یک روش عمل نمی کند و لذا نتایج بهتری نسبت به فیلتر میانه فراهم می کند و توازن بهتری بین حذف نویز و حفظ جزئیات تصویر برقرار می کند، بدون آن که حجم محاسباتی را خیلی افزایش دهد. فیلتر sdrom برای حذف نویز از دو فاز تشخیص و ترمیم بهره می گیرد. در فاز تشخیص اگر هر کدام از نامعادلات ارضا شود، پیکسل مرکزی پنجره فیلتر نویزی تشخیص داده می شود.

حذف نویز تصاویر با شبکه های عصبی و فیلتر میانی قسمت 1
حذف نویز تصاویر با شبکه های عصبی و فیلتر میانی قسمت 2
حذف نویز تصاویر با شبکه های عصبی و فیلتر میانی قسمت 3

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

سه × 3 =