حفظ كيفيت در رفع نويز از تصوير با بهره‌گيري از اطلاعات بافت

Quality Preserving in Image Noise Removal by Using Texture Information

وجود نويز در تصوير باعث كاهش كيفيت آن مي‌شود، و تحليل آن را دچار مشكل مي‌كند. روش‌هاي رفع نويز، بخصوص در مواجه با نويز‌هاي قوي در تصوير، غالبا خرابي‌هايي نيز به همراه دارند. با توجه به آنكه حساسيت سيستم بينايي انسان به همه نواحي تصوير (نواحي هموار و غير‌هموار) به يك ميزان نيست، در اين تحقيق حذف نويز بر اساس نواحي بافتي تصوير انجام مي‌شود. روش ارائه شده در اين مقاله، نويز موجود در نواحي هموار را به دليل اثرگذاري بيشتر بر روي سيستم بينايي انسان با شدت بيشتري حذف مي‌كند. در واقع با دخالت كمتر فيلتر در نواحي غيرهموار، اثرات كمتري از خرابي ناشي از فيلتر در تصوير بهسازي شده مشاهده خواهد شد. در روش پيشنهادي، با استفاده از اطلاعات آنتروپي، تصوير به دو ناحيه با بافت هموار و غيرهموار قطعه‌بندي مي‌شود. سپس براي حذف نويز در هريك از اين دو ناحيه، از فيلتر انتشار با مقادير پارامترهاي مختلف استفاده مي‌شود. در واقع در روش پيشنهادي، ضمن كاهش اثر نويز در تصوير، لبه‌ها و جزئيات تصوير نيز به‌خوبي حفظ مي‌شوند. روش پيشنهادي بر روي چندين تصوير نويزي و تصاوير پايگاه داده CSIQ و IVC ارزيابي شده است. نتايج كيفي و كمّي حاكي از آن است كه روش پيشنهادي در حذف نويز گوسي از تصوير، در مقايسه با روش‌هاي پيشين به مراتب عملكرد بهتري دارد.

The existence of noise in image reduces its quality and hinders analysis of the image. Image noise reduction techniques are often accompanied with artifact, especially in facing with strong noise. Since sensitivity of human visual system is not alike in all areas of image, i.e. smooth and nonsmooth areas, noise removal can be performed considering the textual information of the image. The proposed approach intends to earnestly remove noise from the smooth region as it is more obvious to human visual system. Indeed, the filtered image produces less artifact in nonsoomth region, as the noise is superficially removed from the nonsmooth region. In the proposed method, the image is segmented into smooth and non-smooth regions using entropy information of the image. Then to remove the noise from each region, the diffusion filter with different parameters is used. The proposed method not only removes the noise but also preserves the edges and details of the image. The proposed method was evaluated using several noisy images and images from CSIQ and IVC databases. According to subjective and objective quality results, accuracy of the proposed method in Gaussian noise reduction is better than the previous works.