هموار سازی تصویر با حفظ لبه
ترجمه نشده

هموار سازی تصویر با حفظ لبه

عنوان فارسی مقاله: هموار سازی تصویر با حفظ لبه از طریق یک تنظیم کننده تنوع کل و یک تنظیم کننده غیرمحدب
عنوان انگلیسی مقاله: Edge-Preserving Image Smoothing Via a Total Variation Regularizer and a Nonconvex Regularizer
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، ریاضی
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات، آنالیز عددی
کلمات کلیدی فارسی: هموار سازی تصویر، تنوع کل، تنظیم کننده غیر محدب، طرح Chambolle، پردازش وزنی تکراری
کلمات کلیدی انگلیسی: Image smoothing; total variation; nonconvex regularizer; Chambolle’s projection; iteratively reweighted processing
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.095
دانشگاه: College of Mathematics and Statistics, Shenzhen University, Shenzhen, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 7
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12356
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Preliminaries


3-The Proposed Model


4-Experimental Analysis


5-Conclusions


References

نمونه متن انگلیسی مقاله

Abstract


Image smooth plays an important role in image pre-processing. For classical image smoothing models, a convex total variation regularizer or a nonconvex regularizer has been widely used to protect image edges and to smooth noise. In this paper, we propose a new effective model in which the total variation regularizer and the nonconvex regularizer are combined to be a new weighted regularizer. The main advantage of our combined regularizer is that some undesirable details such as noise can be removed more effectively, while some important edge details can be preserved better. In addition, an efficient algorithm is designed to solve our model. In our algorithm, an iteratively reweighted process with the Chambolle’s projection algorithm are coupled with each other. Numerical results demonstrate that our proposed model can generate better image smoothing results than those generated by total variation based models and those generated by nonconvex regularizer based models.


Introduction


The nonlinear image smoothing filters such as Anisotropic diffusion filter, Total Variation model, Bilateral filter, NL-means filter, Weighted Least Square filter, can overcome the image blurring problem caused by the linear filters, and smooth the image while protecting the image edges, because those filters utilize prior edge information to remove certain image details and create a scale space representation consisting of simplified image to preserve edges. Anisotropic diffusion filter employs edge-stopping diffusion coefficient to detect edges, so it is able to protect edges from over-smoothing while curbing noise and some unimportant details. Total Variation model is known as its simplicity and high-efficiency which utilizes L1-norm regularization to penalize large gradient magnitudes. Bilateral filters another widely used model can concurrently achieve the goal of detail fattening and edge preservation. Because it takes the geometric distance and the color distance between pixels into consideration in smoothing process. Weighted Least Square filter can overcome some halo artifacts caused by continuous coarsening process due to the model’s robust edge protecting regularization.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

هموار سازی تصویر با حفظ لبه
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها