وزن - L1 - روش تنظیم صدا برای لکه زدایی تصویر
ترجمه نشده

وزن - L1 - روش تنظیم صدا برای لکه زدایی تصویر

عنوان فارسی مقاله: وزن - L1 - روش تنظیم صدا برای لکه زدایی تصویر
عنوان انگلیسی مقاله: Weighted-l1-method-noise regularization for image deblurring
مجله/کنفرانس: پردازش سیگنال - Signal Processing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات
کلمات کلیدی فارسی: لکه زدایی تصویر، روش تنظیم صدا، روش Split Bregman
کلمات کلیدی انگلیسی: Image deblurring، Method noise regularization، Split Bregman method
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journal List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.sigpro.2018.11.009
دانشگاه: School of Mathematics and Statistics, Xidian University, Xi’an 710071, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 3/933 در سال 2017
شاخص H_index: 105 در سال 2019
شاخص SJR: 0/94 در سال 2017
شناسه ISSN: 0165-1684
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 11
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
کد محصول: E11143
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Related work and discussion


3- The proposed model and algorithm


4- Experimental results and analysis


5- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


Various image prior based regularization techniques have been proposed for image deblurring. By utilizing existing image smoothing operators, the method-noise provides a new way to formulate image regularizers. The method noise is defined as the difference of an image and its smoothed version, obtained by an image smoothing operator such as the non-local means(NLM). Therefore, the method noise mainly contains edges, small scaled details and noise (if exists). The l2-NLM method noise regularization has been successfully used in image denoising. However, the restored image exists over-smoothed edges and noise in smooth areas cannot be perfectly removed. In this work, we propose a weighted-l1-method-noise regularization model for image deblurring. We analyze the advantages of the proposed model in terms of variational form and its solution. Specifically, the l1 penalty of the method noise is better than the l2 penalty in removing noise in smooth areas. The incorporated gradient based weight can better preserve image edges. Experimental results show that the proposed method can obtain better results than other method noise based regularization methods.


Introduction


Image deblurring aims to estimate a sharp clean image from a blurred noisy image, which is one of the most basic problems in image processing. In general, image blurring can be described by the following mathematical formulation [1]: f = A ∗ u + k (1) where f and u ∈ RN (N = m × n) denotes the observed image and the original image respectively, A stands for the blurring convolution kernel, ∗ denotes the convolution operation, and k ∈ RN is the white Gaussian noise with variance σ 2. In recent years, many image deblurring methods have been presented based on the following variational framework [2–6]: uˆ = arg minu A ∗ u − f2 2 + λJ(u) (2) where ·2 2 stands for square of l2 norm in RN. The first term is the data fitting term which ensures the blurred version of the restored image close to the observed image. The second term J(u) is called regularization term, which imposes smoothness or some kind of structure constraint on the estimated image and can be deduced from the prior of the real image. λ > 0 is a tuning parameter to balance the data fitting term and the regularization term.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

وزن - L1 - روش تنظیم صدا برای لکه زدایی تصویر
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها