دوره 15، شماره 2 - ( 6-1397 )                   جلد 15 شماره 2 صفحات 17-30 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Bagherzadeh H, Harati A, Amiri Z, KamyabiGol R. Video Denoising Using block Shearlet Transform. JSDP. 2018; 15 (2) :17-30
URL: http://jsdp.rcisp.ac.ir/article-1-547-fa.html
باقرزاده حجت، هراتی احد، امیری زهرا، کامیابی گل رجبعلی. رفع نوفه ویدئو توسط تبدیل قیچک قطعه‌ای. پردازش علائم و داده‌ها. 1397; 15 (2) :17-30

URL: http://jsdp.rcisp.ac.ir/article-1-547-fa.html


دانشگاه فردوسی مشهد
چکیده:   (280 مشاهده)

از روش‌های معمول در بهره‌برداری از نظام‌مندی‌ها و ویژگی‌های هندسی در سیگنال‌های چندبعدی می‌توان به استفاده از اتساع ناهمسان‌گرد[1] و مقیاس‌بندی سهموی[2] اشاره کرد که اساس تبدیلاتی همانند قیچک[3] و پیچک[4] را شکل می‌دهند. در چنین تبدیل‌هایی تحلیل کاملی از سیگنال ورودی صورت می‌پذیرد که با رشد تعداد ابعاد[5] داده، افزونگی آن به‌صورت نمایی زیاد شده و امکان پیاده‌سازی و استفاده عملی از آن‌ها را به‌شدت محدود می‌کند. در مقابل تبدیل‌های جدایی‌پذیر هر بعد داده ورودی را جداگانه مورد پردازش قرار می‌دهند که منجر به نادیده‌گرفته‌شدن نظام‌مندی‌های چندبعدی آن خواهد شد. با توجه به برتری نسبی تبدیل قیچک در مواجهه با داده‌های گسسته و برای چیره‌شدن بر مشکلات پیچیدگی زمانی و افزونگی[6] تبدیل قیچک کلاسیک در تحلیل داده‌های چندبعدی، در این مقاله ویرایش جدیدی از تبدیل قیچک گسسته با قابلیت کنترل افزونگی ارائه می‌شود. به‌بیان‌دیگر با رویکرد جدید، به‌دنبال امکان برقراری مصالحه بهتر بین افزونگی و پیچیدگی زمانی تبدیل از یک‌سو با میزان کامل‌بودن تحلیل و بهره‌برداری آن از نظام‌مندی‌های ورودی از سوی دیگر هستیم. در این راستا ماتریس اتساع به‌صورت قطری قطعه‌ای کاهش داده می‌شود که به معنای عملکرد مستقل تحلیل حاصل در زیرفضاهای متناظر با قطعه‌های مجزا خواهد بود. بدین ترتیب، شیوه تجزیه ماتریس اتساع به زیرقطعه‌ها، ابزار کنترلی مناسبی برای میزان افزونگی و پیچیدگی محاسباتی تبدیل حاصل به‌دست می‌دهد. به‌عنوان یک نمونه از کاربرد عملی رویکرد پیشنهادی، در این مقاله روشی برای رفع نوفه[7] ویدئو با استفاده از تبدیل قیچک قطعه‌ای ارائه‌شده و با تبدیل قیچک کلاسیک دو و سه‌بعدی مقایسه می‌شود. نتایج حاکی از آن است که رویکرد پیشنهادی با مصرف جزئی از زمان و حافظه تبدیل سه‌بعدی افزایش کیفیت قابل‌توجهی نسبت به تبدیل دوبعدی می‌تواند ارائه کند.


* نویسنده عهده‌دار مکاتبات
* Corresponding author
[1] Anisotropic Dilations
[2] Parabolic
[3] Shearlets
[4] Curvelets
[5] Dimensions
[6] Redundancy
[7] Denoising
متن کامل [PDF 4618 kb]   (122 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۵/۴/۱۴ | پذیرش: ۱۳۹۷/۲/۲۶ | انتشار: ۱۳۹۷/۶/۲۵ | انتشار الکترونیک: ۱۳۹۷/۶/۲۵

فهرست منابع
1. [1] N. Kingsbury, "Adaptive Wavelet Thresholding for Image Denoising and Compression," IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 9, no. 9, pp. 1532-1546, 2000. [DOI:10.1109/83.862633] [PMID]
2. [2] G. Gao, "Image denoising by non-subsampled shearlet domain multivariate model and its method noise thresholding," Optik, vol. 124, no. 22, pp. 5756-5760, 2013. [DOI:10.1016/j.ijleo.2013.04.014]
3. [3] S. Hauser and G. Steidl, "Convex Multiclass Segmentation with Shearlet Regularization," International Journal of Computer Mathe-matics, vol. 90, no. 1, pp. 62-81, 2013. [DOI:10.1080/00207160.2012.688960]
4. [4] S. Liu, S. Hu and Y. Xiao, "Image separation using wavelet-complex shearlet dictionary," Journal of Systems Engineering and Electronics, vol. 25, no. 2, pp. 314-321, 2014. [DOI:10.1109/JSEE.2014.00036]
5. [5] G. Easley, D. Labate and W. Q. Lim, "Sparse Directional Image Representations using the Discrete Shearlet Transform," Applied and Computational Harmonic Analysis, vol. 25, no. 1, pp. 25-46, 2008. [DOI:10.1016/j.acha.2007.09.003]
6. [6] P. S. Negi and D. Labate, "3-D Discrete Shearlet Transform and Video Processing," IEEE Trans-action on Image Processing, vol. 21, no. 6, pp. 2944-2954, 2012. [DOI:10.1109/TIP.2012.2183883] [PMID]
7. [7] D. L. Donoho and M. R. Duncan, "Digital Curvelet Transform: Strategy, Implementation and Experiments," Proc. SPIE 4056, Wavelet Applications VII, pp. 12-29, 2000.
8. [8] E. J. Candes and D. L. Donoho, "New tight frames of curvelets and optimal representation of objects with piecewise C^2 singularities," Comm. Pure and Appl. Math., vol. 56, pp. 216-266, 2004.
9. [9] E. J. Candes, L. Demanet, D. L. Donoho and L. Ying, "Fast Discrete Curvelet Transforms," SIAM Multiscale Model, vol. 5, no. 3, pp. 861-899, 2006. [DOI:10.1137/05064182X]
10. [10] A. Lisowska, Geometrical Multiresolution Adaptive Transforms: Theory and Applications, Springer International Publishing, 2014. [DOI:10.1007/978-3-319-05011-9]
11. [11] J. L. Strack, F. Murtagh and J. M. Fadili, Sparse Image and Signal Processing, Cambridge Uni-versity Press, 2010. [DOI:10.1017/CBO9780511730344]
12. [12] M. N. Do and M. Vetterli, "The finite ridgelet transform for image representation," IEEE Transactions on Image Processing, vol. 12, no. 1, pp. 16-28, 2003. [DOI:10.1109/TIP.2002.806252] [PMID]
13. [13] J. Ma and G. Plonka, "A review of curvelets and recent applications," IEEE Signal Processing Magazine, 2009.
14. [14] D. Labate, W. Q. Lim, G. Kutyniok and G. Weiss, "Sparse multidimensional representation using shearlets," Wavelets XI, Proceedings of the SPIE, pp. 254-262, 2005.
15. [15] S. Yi, D. Labate, G. R. Easley and H. Krim, "A Shearlet Approach to Edge Analysis and Detection," IEEE Transaction on Image Proce-ssing, vol. 18, no. 5, pp. 929 - 941, 2009. [DOI:10.1109/TIP.2009.2013082] [PMID]
16. [16] S. Dahlke and G. Teschke, "The continuous shearlet transform in higher dimensions: varia-tions of a theme," Group Theory: Classes, Repr-esentation and Connections, and Appli-cations, vol. 1, pp. 167-175, 2010.
17. [17] P. Grohs and G. Kutyniok, "Parabolic mol-ecules," Foundations of Computational Math-ematics, vol. 14, no. 2, pp. 229-337, 2013.
18. [18] P. Grohs, S. Keiper, G. Kutyniok and M. Schafer, "α-Molecules," in Seminar for Applied Mathemetics, 2014.

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.