Фильтрация импульсного шума на изображении на основе алгоритма выявления сообществ на графах


https://doi.org/10.15217/issnl684-8853.2017.3.18

Полный текст:


Аннотация

Постановка проблемы: выявление и устранение импульсного шума на изображениях является актуальной задачей в теории и практике обработки сигналов. Существующие алгоритмы восстановления зашумленных изображений не обеспечивают достаточной точности либо изменяют незашумленные области изображения. Цель: разработка алгоритма фильтрации шума с использованием графов. Результаты: на базе предложенного алгоритма был реализован метод восстановления изображения, искаженного импульсным шумом. В процессе работы изображение представлялось в виде взвешенного, неориентированного графа, каждая вершина которого соответствует одной точке исходного изображения. К построенному графу применялся алгоритм выделения сообществ. Поврежденными считаются точки, которые соответствуют сообществам, состоящим из одной вершины. Реализованный метод был протестирован с помощью компьютерного эксперимента, проведенного как на черно-белых и на цветных искусственных изображениях, так и на фотографиях. Выявлено, что предложенный метод на 20 % эффективнее медианного фильтра при любом уровне зашумления. Более высокая эффективность предложенного метода обусловлена тем, что сначала ищутся поврежденные точки и потом восстанавливаются только они, тогда как большинство фильтров в процессе работы изменяют все точки изображения. Показана зависимость эффективности предложенного метода от процента шума на изображении.

Об авторах

Сергей Викторович Белим
Омский государственный университет им. Ф. М. Достоевского
Россия


Станислав Борисович Ларионов
Омский государственный университет им. Ф. М. Достоевского
Россия


Список литературы

1. Pitas I., Venetsanopoulos A. Nonlinear Digital Filters: Principles and Applications. - Boston: Kluwer Academic Publishers, 1990. - 391 p.

2. Huang T. S. Two-dimensional Digital Signal Processing II: Transforms and Median Filters. - Berlin a.o: Springer, 1981. - 391 p.

3. Boyle R., Sonka M., Hlavac V. Image Processing, Analysis, and Machine Vision, First Edition. - Cambridge: University Press, 2008. - 920 р.

4. Mitra S., Sicuranza G. Nonlinear Image Processing. - Academic Press, 2001. - 455 р.

5. Buades A., Morel J. A Non-Local Algorithm for Image Denoising // IEEE Computer Society Conf. on Computer Vision and Pattern Recognition 2, Washington DC, June 20-26, 2005. P. 60-65.

6. Dabov K., Foi A., Katkovnik V., Egiazarian K. Image Denoising by Sparse 3-D Transform-domain Collaborative Filtering // IEEE Transactions on Image Processing. 2007. N 8(16). P. 2080-2095. doi:10.1109/ TIP.2007.901238

7. Chan R., Ho C., Nikolova M. Salt-and-pepper Noise Removal by Median-type Noise Detectors and Detail-preserving Regularization // IEEE Transactions on Image Processing. 2005. N 10(14). P. 1479-1485. doi:10.1109/TIP.2005.852196

8. Kam H. S., Tan W. H. Noise Detection Fuzzy (NDF) Flter for Removing Salt and Pepper Noise // IVIC 2009: Visual Informatics: Bridging Research and Practice, Kuala Lumpur, November 11-13, 2009. P. 479-486. doi:10.1007/978-3-642-05036-7_45

9. Najeer A. J., Rajamani V. Design of Hybrid Flter for Denoising Images Using Fuzzy Network and Edge Detecting // American Journal of Science Research. 2009. N 3. P. 5-14.

10. Abreu E., Lightstone M., Mitra S. K., Arakawa S. K. A New Efficient Approach for the Removal of Impulse Noise from Highly Corrupted Images // IEEE Transactions on Image Processing. 1996. N 6(5). P. 10121025. doi:10.1109/83.503916

11. Garnett R., Huegerich T., Chui C., He W. A Universal Noise Removal Algorithm with an Impulse Detector // IEEE Trans Image Proccess. 2005. N 14(11). P. 17471754. doi:10.1109/TIP.2005.8572.61

12. Белим С. В., Селиверстов С. А. Использование метода анализа иерархий для выявления импульсного шума в графических объектах // Информационные технологии. 2015. № 4. С. 251-258.

13. Белим С. В., Майоров-Зильбернагель А. О. Алгоритм поиска поврежденных пикселей и удаления импульсного шума на изображениях с использованием метода ассоциативных правил // Наука и образование: электронное научно-техническое издание. 2014. № 12. http://technomag.bmstu.ru/ doc/744983. html (дата обращения: 08.02.2017). doi:10.7463/1214.0744983

14. Белим С. В., Кутлунин П. Е. Выявление поврежденных пикселей на изображении с помощью алгоритма кластеризации // Вестник компьютерных и информационных технологий. 2016. № 3. С. 3-10. doi:10.14489/vkit.2016.03.pp.003-010

15. Ларионов И. Б. Многомерные линейные многообразия как способ восстановления графической информации // Математические структуры и моделирование. 2010. № 1(21). С. 24-31.

16. Ларионов И. Б. Карты Кохонена как способ восстановления мультимедийной информации // Журнал радиоэлектроники. 2010. № 10. С. 29.

17. Mironovsky L. A., Slaev V. A. Strip-method for Image and Signal Transformation. - Berlin: De Gruyter, 2011. - 160 p.

18. Мироновский Л. А., Слаев В. А. Двустороннее помехоустойчивое стрип-преобразование и его корневые изображения // Измерительная техника. 2012. № 10. С. 6-10.

19. Мироновский Л. А., Слаев В. А. Стрип-метод помехоустойчивого преобразования изображений // Измерительная техника. 2006. № 8.C.6-12.

20. Белим С. В., Майоров-Зильбернагель А. О. Восстановление изображений со статическими пропуска ми на основе метода ассоциативных правил // Вестник компьютерных и информационных технологий. 2014. № 12. С. 18-23. doi:10.14489/vkit.2014.12. pp.018-023

21. Белим С. В., Селиверстов С. А. Алгоритм восстановления поврежденных пикселей на зашумленных изображениях на основе метода анализа иерархий // Наука и образование: электронное научно-техническое издание. 2014. № 11. http:// technomag.bmstu.ru/doc/742145.html (дата обращения: 20.01.2017). doi:10.7463/1114.0742145

22. Белим С. В., Ларионов С. Б. Алгоритм сегментации изображений, основанный на поиске сообществ на графах // Компьютерная оптика. 2016. № 6. С. 904910. doi:10.18287/2412-6179-2016-40-6-904-910

23. Newman M. E. Analysis of Weighted Networks // Physical Review E. 2004. N 5(70). P. 056131. doi:10.1103/PhysRevE.70.056131

24. Clauset A., Newman M. E. J., Moore C. Finding Community Structure in Very Large Networks // Physical Review E. 2004. N 6(70). P. 066111. doi:10.1103/ PhysRevE.70.066111

25. DiGesu V., Staravoitov V. V. Distance-based Functions for Image Comparison // Pattern Recognition Letters. 1999. N 20. P. 207-213. doi:10.1016/S0167-8655(98)00115-9

26. Jong-hyun Ryu, Sujin Kim, Hong Wan. Pareto Front Approximation with Adaptive Sum Method in Multiobjective Simulation Optimization // Proc. of the 2009 Winter Simulation Conf. (WSC), Austin, December 13-16, 2009. P. 623-633.


Дополнительные файлы

Для цитирования: Белим С.В., Ларионов С.Б. Фильтрация импульсного шума на изображении на основе алгоритма выявления сообществ на графах. Информационно-управляющие системы. 2017;88(3):18-24. https://doi.org/10.15217/issnl684-8853.2017.3.18

For citation: Belim S.V., Larionov S.B. Impulse Noise Filtration based on Community Detection in Graphs. Information and Control Systems. 2017;88(3):18-24. (In Russ.) https://doi.org/10.15217/issnl684-8853.2017.3.18

Просмотров: 68


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)