مترجم: حبیب الله علیخانی
منبع:راسخون
منبع:راسخون
چکیده
در حال حاضر، تداخل نویز و از دست دادن داده دو مشکل عمده هستند که رو ی نتیجه ی پروسه ی انتقال و ذخیره ی داده ی تصویر اثر می گذارد. به منظور بازگرداندن به طور موثر داده های تصویر آسیب دیده، ما یک تکنیک جدید ترمیم تصویر مبتنی بر تبدیل wavelet(موجک) را پیشنهاد می کنیم. ویژگی اصلی متد پیشنهادی ما جداکردن تصویر مفروض به دو قسمت اصلی که به ترتیب شامل بافت تصویر و رنگ می باشد، است. سپس با توجه به ویژگی ممتاز تصویر مفروض، متد های ترمیم تصویر متعددی برای اصلاح تصویر اتخاذ گردیده شد. با بهرگیری از جدا کردن یک تصویر از مولفه های فرکانس منحصربفردش، ما از خصوصیت مولتی رزولوشن تبدیل wavelet، از پایین ترین لایه ی فرکانس فضایی به بالاتر، برای آنالیز(تجزیه و تحلیل) تصویر به تدریج از ناحیه ی سراسری به ناحیه ی محلی استفاده می کنیم. به منظور اثبات اثربخشی متد ترمیم تصویر پیشنهادی، ما از تصاویر مختلف برای تداخل نویز بالا و/یا ازدست رفتن وسیع داده یا اعوجاج استفاده می کنیم. نتایج تجربی کامل بود، حتی اگر سهم اعوجاج تصاویر اصلاح شده بالاتر از 90% باشد.مقدمه
در این روند از انتقال تصویر و یا ذخیره سازی، داده های تصویر موضوع تداخل نویز و از دست رفتن داده است. هنگامی که اختلال های ذکر شده در بالا در سطح بالا رخ می دهد، حفظ شکل اصلی آن مشکل خواهد بود، و نواحی تصاویر اصلاح شده به اسانی تشخص داده خواهد شد و تصاویر اصلاح شده دور از تصویر اصلی اش خواهد بود. با این حال، تکنیک ترمیم تصویر بسیار مورد تقاضای موزه ها به منظور تعمیر تصاویر آسیب دیده وهمچنین ذخیره ی مقدار زیادی از حقایق تصویر بوده است. به منظور حفظ اطلاعات تصویر به طور موثر، محققان مختلف به طور مستمر متد های مختلف ترمیم تصویر ارائه کرده اند. این متد های ترمیم تصویر می تواند به دو شکل از آنالیز تقسیم شود، که می تواند از دو دیدگاه مختلف باشد: آنالیز بافت و آنالیز رنگ. در آنالیز بافت، تکنیک ترمیم تصویر، بافت فضایی به طور مستقیم تا موقعیت مربوط در نظر می گیرد. در مقابل، در آنالیز رنگ، اجزای رنگ تصویر اصلی ابتدا به حوزه های مختلف از طریق تبدیلات مختلف سیستم رنگ تبدیل می شود، و سپس بسته به روند انالیز ترکیب رنگهای گوناگون، اجزای رنگ مناطق اسیب دیده به طور جداگانه تعمیر می شود. با این حال، متدهای ذکر شده ی بالا قادر نیستند در نواحی ترمیم تصویر در حوزه های آنالیز مختلف، مزایای مربوط به خودشان را ترکیب کنند.در نظر گرفتن مزایای استفاده از دو متد که قبلا ذکر شد، ما از تبدیل wavelet مجزا(DWT) استفاده می کنیم تا مولفه ی Y (بافت) تصویر را به لایه های چندگانه برای ایجاد آنالیز فرکانس فضایی امکانپذیر تجزیه کنیم. ظرایب ثابت wavelet تصویر بافت تبدیل شامل نسبیت فرکانس فضایی همزمان و تولید لایه های مولتی رزولوشن با مشخصه های فرکانش مختلف می باشد. با به رسمیت شناختن مفهوم ترمیم تصویر مولتی رزولوشن، یک متد ترمیم تصویر مناسب باید پی در پی از لایه های پایین تر به لایه بالاتر آغاز شود. علاوه بر این، اجزای رنگ تصویر(Cb و Cr) به عنوان یک مرجع مکمل برای تایید درون یابی خطی اعمال شده در طول پیش بینی داده های آسیب دیده بکار می رود.. در بخش دوم، ما به طور خلاصه آنالیز اطلاعات تعمیر شده را بررسی می کنیم. الگوریتم ترمیم رزولوشن بصری در بخش سوم نشان داده می شود. در بخش چهارن، ما عملکرد انواع مختلفی از تصاویر طبیعی را ارزیابی می کنیم. در نهایت، بیان نتیجه گیری در بخش پنجم انجام شده است.
بررسی اجمالی
آنالیز مولتی رزولیشن تصویردر تبدیل wavelet، با توجه به دامنه ی فضایی
، تابع f(x) می تواند به عنوان بسط پایه ی دامنه ی فضایی لایه ی 1 بیان شود. آنالیز بدست آمده در معادله (1) آورده شده است:
در اینجا
و 
به ترتیب نشان دهنده ی تابع سنجش و تابع wavelet ، و در دو معادله ی زیر صدق کند:
در اینجا
و
به ترتیب نشان دهنده ی بسط ضرایب دامنه های فضایی و 
و می تواند توسط دو معادله زیر مورد بررسی قرار گیرد:
که در آن h(n) و g(n) به ترتیب ضرایب مقیاس و ضرایب wavelet نام دارد. با مشاهده ی معادلات (4) و (5) ضریب
، بر اساس ضرایب 
از یک لایه قبل در دامنه ی فضایی و ضریب مقیاس h(n) بعد از بسط برآورد تودرتو و کاهش نرخ نمونه برداری توسط 2 ارزیابی می شود. به طور مشابه، ضریب 
براساس ضرایب از یک لایه قبل در دامنه ی فضایی و ضریب مقیاس g(n) بعد از بسط برآورد تودرتو و کاهش نرخ نمونه برداری توسط 2 ارزیابی می شود. این به این دلیل است که تبدیل wavelet و تئوری wavefiltering قادر به ترکیب شدن می باشند.روش آنالیز بصری در تصویر تخریب شده
اطلاعات از دست رفته ی تصویر می توان به دو نوع حالت تقسیم شوند. در حالت اول، توزیع اطلاعات از دست رفته ی تصویر محلی و متمرکز است. متد تصمیم ترمیم تصویر به ویژگی و جهت بافت همسایه بستگی دارد. در حالت دیگر، توزیع بخش از دست رفته ی تصویر کلی و پراکنده است. بنابراین، زمانیکه مقدار زیادی از تصویر از دست برود، ما نمی توانیم تصویر را از طریق همسایگی به وضوح ترمیم کنیم. برای حل این مشکل، ما از تکنیک های هنرمندانه پیروی می کنیم، تا به تاثیر ترمیم تصویر در چشم انسان دست یابیم. ما ویژگی های مولتی رزولوشن تبدیل wavelet را از پایینترین لایه ی فرکانس فضایی به لایه ی بالاتر، برای آنالیز تصویر به تدریج از ناحیه ی سراسری به ناحیه ی محلی در نظر می گیریم. اگر تصویر خراب فاقد داده مرجع برای ترمیم بود، ما برای جستجوی شکل تصویر و استفاده از متد نمونه گیری پایین(down-sampling) برای رسیدن به اثر بصری ان را کوچک نمایی(zoom out) می کنیم. شکل 1 نمونه گیری پایین(down-sampling) تصویر را نشان می دهد.ترمیم رزولوشن بصری(ویژوال)
ایده ی تصویر رنگی به مولفه ی رنگ و مولفه ی بافت تقسیم خواهد شد. ما به اهمیت مولفه ی بافت(Y) در بازسازی تصویر رنگی آگاه هستیم و به منظور بدست آوردن مفهوم بصری در بخش قبلی، ما از تبدیل n سطحی wavelet استفاده می کنیم تا تصویر بافت(Y) را به مولفه های(اجزای) فرکانسی مختلف تجزیه کنیم. از طریق تبدیل wavelet ما چندلایه از ترکیب فرکانس های مختلف از تصویر بافت بدست می آوریم. اما مقدار پیکسل از دست دادن متفاوت است، بنابراین تعمیر تصویر بافت بر روی لایه فرکانس های مختلف را اجرا می کنیم. اگر ما مقدارکمی از پیکسل های دست رفته در لایه فرکانس پایین تعمیر کنیم، پیکسل های اصلی موجود از دست خواهند رفت و کیفیت تصویر که باید حفظ شود، به وضوح بدتر خواهد شد. علاوه بر این اگر ما مقدار بزرگی از پیکسل از دست رفته در لایه فرکانس بالا را تعمیر کنیم، ترکیب فرکانس پایین شکل تصویر به اشتباه تعمیر خواهد شد. بر اساس این مفهوم، متد تعمیر باید ازلایه های اولیه پیکسل تعمیر تصمیم گیری شود. هنگامیکه لایه ی شماره ی n کاهش یابد که به معنی انجام تبدیل wavelet گسسته ی معکوس سطح 1 است، زیر باند نسبی به آن LL_n وجود دارد. ما باید مقدار نسبی پیکسل معتبر تصویر اصلی که هر پیکسل که در LL_n گنجانده می شود، را محاسبه کنیم. اگر هر پیکسل موجود در لایه ی LL که از نظر مقدار پیکسل معتبر در معادله ی (6) صدق می کند، و این پیکسل درون LL_n در این لایه شروع به تعمیر خواهد کرد.
که در اینجا
تعداد کل پیکسل معتبر در لایه ی n است. در شرایط دیگر 
روال تعمیر پیکسل(i,j) در زیر لایه ی n انجام نخواهد شد. اما پیکسل مقابل پیکسل (i,j) بررسی خواهد شد اینکه آیا رویه ی تعمیر بعد از لایه ی بعدی توسط IDWT اجرا می شود. متد تعمیر تصویر آسیب دیده را به تدریج از مولفه های با فرکانس پایین به مولفه های با فرکانس بالا باز سازی می کند. هنگامی که متد تعمیر به بالاترین لایه فرکانس در دامنه wavelet می رسد، ما به تصویر بازسازی شده با بالاترین رزولوشن دست خواهیم یافت.علاوه بر این، ما از ترکیب رنگ تصویر که دارای ویژگی های ناحیه ای است، استفاده خواهیم کرد. برای تعمیر سودمندانه ناحیه محلی تصویر رنگی، ما هدف روش تعمیر را در داخل تصویری با نرخ از دست دادن بالا که مبتنی بر دو بعد درون یابی خطی است، پیشنهاد می کنیم. ما باید در نظر بگیریم که در نرخ از دست دادن بالا، داده ی تصویردر نظر گرفته شده محدود خواهد شد. بنابراین ما قصد می کنیم که روش درون یابی خطی سنتی را اصلاح کنیم. زیرا ما هیچ روش مطمئنی که اطلاعات پیکسلی موثر یا فیزیکی که در نزدیکترین موقعیت همسایه وجود داشته باشد را نداریم.
در روش ترمیم پیشنهادی ، ما مقادیر وزنی مختلفی را تعریف کردیم که فا صله ی مربوطه از هدف تعمیر Tرا در نظر می گیرد، در شکل 2 نشان داده شده است.
اگر ناحیه ی نزدیکترین همسایه بیش از دو مقدار پیکسلی مرجع داشته باشد، ما فقط مقدار پیکسلی ناحیه نزدیکترین همسایه را برای تعمیر درنظر می گیریم. اما اگر هیچ پیکسل مرجع وجود نداشت یا فقط یکی وجود داشت، باید فاصله ی مورد نظر را بسط دهیم.
نتایج تجربی
به منظور تست کیفیت متد ترمیم تصویر پیشنهادی ما، ما از تصاویر مختلف، از جمله عکس ها، مناظر، و ساختهای هنری به عنوان تست اشیا و شدت های تداخل نویز مختلف اتخاذ شده برای مشاهده ی تنوع نتایج ترمیم تصویر، استفاده کردیم. ما چهار تصویر را انتخاب کرده ایم که اغلب در زمینه های تحقیقات ترمیم تصویر استفاده می شود و آنها را از طریق متد ترمیمی پیشنهادی پردازش کردیم. نتایج ترمیم تصویر، به طور موثر بافتهای تصویرمشاهده شده را با نرخ بالای ازدست دادن تصویر آسیب دیده، بازگرداند، که در شکل 3 نشان داده شد. روش دیگر در شکل 4 ، نتایج تولید شده ی ترمیم چهار تصویر را از طریق سیگنالهای مختلف به نسبت تداخل نویز نشان می دهد. ما می توانیم به وضوح مشاهده می کنیم که الگوریتم پیشنهادی ما یک تصویر را حتی زمانی که تصویر تحت تاثیر 90.3٪ تداخل نویز است، با موفقیت بازسازی می کند.نتیجه گیری
روش پیشنهادی ما می تواند با موفقیت عیب های رگه دار تصویر را رفع کند که متد های ساده ی بازسازی تصاویرقادر به انجام آن نخواهند بود. از روى مشاهده و تجربه، نتایج تولید شده توسط متد پیشنهادی ما به وضوح ترمیم تصویر را برتر نشان می دهد که دیگر متدها و تکنیک های ترمیم قادر به دستیابی آن نیستند. در آینده، به عنوان پایه و اساس کارمان حتی به منظور دستیابی به نتایج ترمیم تصویر عالیتر، تلاش خواهیم کرد تا متد ترمیمی را در اجزای رنگ Cb و Cr یک تصویر که از تبدیل wavelet استفاده می کند، اصلاح کنیم.استفاده از مطالب این مقاله، با ذکر منبع راسخون، بلامانع می باشد.
/ج
