حذف نويز با استفاده از ضرايب زير تصوير تقريب در بسته‌هاي ويولت

Denoising in Wavelet Packet Domain via Approximation Coefficients

در اين تحقيق فيلتر جديدي براي بهينه‌سازي تصوير در حوزه‌ي زمان فركانس ارايه مي‌شود. آستانه‌گذاري سخت و نرم1 از قديمي‌ترين و معمول‌ترين روش‌ها در كاهش نويز مي‌باشند. براساس اين روش‌ها، با اعمال تبديل‌هاي گوناگون بر سيگنال، ضرايب كوچك دنباله‌ها متعلق به نويز فرض شده و حذف مي‌گردد. سپس از ضرايب باقيمانده، تصوير بازسازي مي‌شود. در مطالعات اخير، استفاده از ويولت به عنوان تبديلي در حوزه‌ي زمان-فركانس، براي محاسبه‌ي ضرايب وحذف نويز مطرح شده است. برخي از ضرايب اين تبديل نسبت به نويز تاثير كمتري پذيرفته و كارايي آنها به عنوان مبنايي براي تخمين تصوير اصلي، به كمك ديگر زير تصاوير، نشان داده شده است. در اين مقاله ايده‌ي استفاده از زير تصوير تخمين تبديل ويولت، به زير تصاوير حاصل از تبديل بسته‌هاي ويولت تعميم داده شده است. به اين ترتيب، با حذف برخي از ضرايب تبديل ويولت، بر اساس تصوير تقريب حاصل از تبديل بسته‌هاي ويولت دو بعدي، مي‌توان تصوير بهتري به دست آورد. در واقع براي ايجاد تصوير اصلي، از زير تصاوير با نويز كمتر استفاده مي‌كنيم. در مقايسه باروش‌هاي متداول آستانه‌گذاري سخت و نرم، روش پيشنهادي عملكرد بهتري نشان مي‌دهد. هم چنين، از محاسن ديگر اين روش امكان فشرده سازي تصوير به حجمي برابر يك چهارم تصويراصلي، به همراه سه پارامتر اسكالر مي‌باشد، كه براي كاربردهايي از قبيل مخابره‌ي تصاوير يا ذخيره‌سازي بسيار مفيد است. افزايش كنتراست تصاوير به ميزان قابل توجه، از مزاياي ديگر اين روش مي‌باشد. روش پيشنهادي بر روي 100 تصوير از پايگاه داده LIVE آزمايش گرديد. روش آستانه‌گذاري نرم حدود 1.12% نسبت به روش آستانه‌گذاري سخت، روش POAC حدود 1.94% نسبت به آستانه‌گذاري نرم و روش POAC با بسته‌هاي ويولت حدود 1.48% نسبت به روش POAC بهترعمل مي‌كند. با روش پيشنهادي بسته‌هاي ويولت به صورت ميانگين حدود 2.17% افزايش PSNR خواهيم داشت.‌

In this paper we propose a new approach in the wavelet domain for image denoising. In recent researches wavelet transform has introduced a time-Frequency transform for computing wavelet coefficient and eliminating noise. Some coefficients have effected smaller than the otherʹs from noise, so they can be use reconstruct images with other subbands. We have developed Approximation image to estimate better denoised image. Naturally noiseless subimage introduced image with lower noise. Beside denoising we obtain a bigger compression rate. Increasing image contrast is another advantage of this method. Experimental results demonstrate that our approach compares favorably to more typical methods of denoising and compression in wavelet domain.100 images of LIVE Dataset were tested, comparing signal to noise ratios (SNR),soft thresholding was %1.12 better than hard thresholding, POAC was %1.94 better than soft thresholding and POAC with wavelet packet was %1.48 better than POAC.