Published January 1, 2012
| Version v1
Publication
Open
Image Denoising using Adaptive Thresholding in Framelet Transform Domain
Description
Noise will be unavoidable during image acquisition process and denosing is an essential step to improve the image quality.Image denoising involves the manipulation of the image data to produce a visually high quality image.Finding efficient image denoising methods is still valid challenge in image processing.Wavelet denoising attempts to remove the noise present in the imagery while preserving the image characteristics, regardless of its frequency content.Many of the wavelet based denoising algorithms use DWT (Discrete Wavelet Transform) in the decomposition stage which is suffering from shift variance.To overcome this, in this paper we proposed the denoising method which uses Framelet transform to decompose the image and performed shrinkage operation to eliminate the noise .The framework describes a comparative study of different thresholding techniques for image denoising in Framelet transform domain.The idea is to transform the data into the Framelet basis, example shrinkage followed by the inverse transform.In this work different shrinkage rules such as universal shrink(US),Visu shrink (VS), Minmax shrink(MS), Sure shrink(SS) , Bayes shrink(BS) and Normal shrink(NS) were incorporated .Results based on different noise such as Gausssian noise, Poission noise , Salt and pepper noise and Speckle noise at (=10,20) performed in this paper and peak signal to noise ratio (PSNR) and Structural similarity index measure(SSIM) as a measure of the quality of denoising was performed.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
لن يكون من الممكن تجنب الضوضاء أثناء عملية الحصول على الصورة، كما أن إزالة الضوضاء هي خطوة أساسية لتحسين جودة الصورة. تتضمن إزالة الضوضاء من الصورة معالجة بيانات الصورة لإنتاج صورة عالية الجودة بصريًا. لا يزال العثور على طرق فعالة لإزالة الضوضاء من الصورة يمثل تحديًا صالحًا في معالجة الصورة. تحاول إزالة الضوضاء من الموجة إزالة الضوضاء الموجودة في الصور مع الحفاظ على خصائص الصورة، بغض النظر عن محتوى التردد الخاص بها. تستخدم العديد من خوارزميات إزالة الضوضاء القائمة على الموجة الصغيرة DWT (تحويل الموجة المنفصلة) في مرحلة التحلل التي تعاني من تباين التحول. للتغلب على هذا، في هذه الورقة، اقترحنا طريقة الحد من الضوضاء التي تستخدم تحويل Framelet لتحلل الصورة وإجراء عملية انكماش للقضاء على الضوضاء. يصف الإطار دراسة مقارنة لتقنيات العتبة المختلفة للحد من الضوضاء في مجال تحويل Framelet. الفكرة هي تحويل البيانات إلى أساس Framelet، على سبيل المثال الانكماش متبوعًا بالتحويل العكسي. في هذا العمل، قواعد انكماش مختلفة مثل الانكماش العالمي (US)، الانكماش البصري (VS)، الانكماش Minmax (MS)، الانكماش المؤكد (SS) ، الانكماش Bayes (BS) والانكماش العادي تم دمج (NS). تم إجراء النتائج بناءً على ضوضاء مختلفة مثل ضوضاء Gausssian وضوضاء Poission وضوضاء الملح والفلفل وضوضاء Speckle عند (=10،20) التي تم إجراؤها في هذه الورقة ونسبة إشارة الذروة إلى الضوضاء (PSNR) ومقياس مؤشر التشابه الهيكلي (SSIM) كمقياس لجودة إزالة الضوضاء.Translated Description (French)
Le bruit sera inévitable pendant le processus d'acquisition d'image et le dénouement est une étape essentielle pour améliorer la qualité de l'image. Le débruitage d'image implique la manipulation des données d'image pour produire une image de haute qualité visuelle. Trouver des méthodes de débruitage d'image efficaces est toujours un défi valable dans le traitement d'image. Le débruitage par ondelettes tente d'éliminer le bruit présent dans l'imagerie tout en préservant les caractéristiques de l'image, quel que soit son contenu en fréquence. De nombreux algorithmes de débruitage basés sur ondelettes utilisent DWT (Discrete Wavelet Transform) dans la phase de décomposition qui souffre de la variance de décalage. Pour surmonter cela, dans cet article, nous avons proposé la méthode de débruitage qui utilise la transformation Framelet pour décomposer l'image et effectué une opération de retrait pour éliminer le bruit. Le cadre décrit une étude comparative de différentes techniques de seuillage pour le débruitage d'image dans le domaine de la transformation Framelet. L'idée est de transformer les données en base Framelet, exemple de retrait suivi de la transformation inverse. Dans ce travail, différentes règles de retrait telles que le retrait universel (US), le retrait Visu (VS), le retrait Minmax (MS), le retrait Sure (SS) , le retrait Bayes (BS) et le retrait normal (NS) ont été incorporés. Les résultats basés sur différents bruits tels que le bruit gausssien, le bruit de poison, le bruit de sel et de poivre et le bruit de speckle à (=10,20) effectués dans cet article et le rapport signal sur bruit de crête (PSNR) et la mesure de l'indice de similarité structurelle (SSIM) comme mesure de la qualité du débruitage ont été effectués.Translated Description (Spanish)
El ruido será inevitable durante el proceso de adquisición de imágenes y la denotación es un paso esencial para mejorar la calidad de la imagen. La denotación de la imagen implica la manipulación de los datos de la imagen para producir una imagen visualmente de alta calidad. Encontrar métodos eficientes de denotación de imágenes sigue siendo un desafío válido en el procesamiento de imágenes. La denotación de wavelets intenta eliminar el ruido presente en las imágenes mientras conserva las características de la imagen, independientemente de su contenido de frecuencia. Muchos de los algoritmos de denotación basados en wavelets utilizan DWT (Discrete Wavelet Transform) en la etapa de descomposición que sufre de varianza de desplazamiento. Para superar esto, en este trabajo propusimos el método de eliminación de ruido que utiliza la transformación Framelet para descomponer la imagen y realizamos una operación de contracción para eliminar el ruido. El marco describe un estudio comparativo de diferentes técnicas de umbral para la eliminación de ruido de imágenes en el dominio de transformación Framelet. La idea es transformar los datos en la base Framelet, ejemplo de contracción seguida de la transformada inversa. En este trabajo, diferentes reglas de contracción como la contracción universal (EE. UU.), la contracción Visu (VS), la contracción Minmax (MS), la contracción Sure (SS) , la contracción Bayes (BS) y la contracción Normal (NS) se incorporaron. Los resultados basados en diferentes ruidos como el ruido gaussiano, el ruido de Poission, el ruido de sal y pimienta y el ruido de moteado a (=10,20) se realizaron en este documento y se realizó la relación señal/ruido de pico (PSNR) y la medida del índice de similitud estructural (SSIM) como medida de la calidad de la eliminación de ruido.Files
Paper_29-Image_Denoising_using_Adaptive_Thresholding_in_Framelet_Transform_Domain.pdf.pdf
Files
(439.1 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:44174b994c0f4de9935f9097e8d4f0c2
|
439.1 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إزالة ضوضاء الصورة باستخدام العتبة التكيفية في مجال تحويل الإطار
- Translated title (French)
- Dénoisissement d'image à l'aide du seuillage adaptatif dans le domaine de transformation du cadre
- Translated title (Spanish)
- Desmantelamiento de imágenes mediante el uso de umbrales adaptativos en el dominio de transformación de Framelet
Identifiers
- Other
- https://openalex.org/W2108549733
- DOI
- 10.14569/ijacsa.2012.030929
References
- https://openalex.org/W115782596
- https://openalex.org/W19902361
- https://openalex.org/W1993934841
- https://openalex.org/W1996021349
- https://openalex.org/W2121199948
- https://openalex.org/W2125527601
- https://openalex.org/W2133665775
- https://openalex.org/W2138021820
- https://openalex.org/W2140940213
- https://openalex.org/W2146842127
- https://openalex.org/W2148877501
- https://openalex.org/W2149072817
- https://openalex.org/W2152363374
- https://openalex.org/W2155201681