درونيابي و حذف همزمان نويز فلفل نمكي تصاوير ديجيتال با استفاده از تبديل ويولت مختلط

A Joint Salt and Pepper Noise Removal and Resolution Enhancement Algorithm in Complex Wavelet Domain

خلاصه: اكثر روش‌هاي درونيابي تصوير موجود، تصوير را بدون نويز فرض مي‌كنند. حال آنكه اين فرضيه در عمل معتبر نيست. روش متداول براي درونيابي تصاوير نويزدار حذف يا كاهش نويز در قدم اول و سپس درونيابي تصوير فاقد نويز است. فرآيند حذف نويز ممكن است بسياري از جزييات تصوير را هموار ‌كند و همچنين آثار نامطلوب ناشي از آن مانند تاري و بلوكي شدن، در مرحله درونيابي تقويت نيز مي‌شوند. در اين مقاله، الگوريتمي همزمان براي درونيابي و حذف نويز فلفل نمكي تصاوير با استفاده از تبديل ويولت مختلط دو درختي و شبكه‌هاي عصبي پيشرو ارايه شده است. در اين الگوريتم زيرباندهاي ويولت متناظر با تصوير با رزولوشن بالا و بدون نويز توسط پرسپترون چند لايه از روي تصوير با رزولوشن پايين نويزدار تخمين زده مي‌شوند. سپس تصوير رزولوشن بالاي فاقد نويز با اعمال عكس تبديل ويولت مختلط بر روي زيرباندهاي تخمين زده شده بازيابي مي‌گردد. با بهره‌گيري از مزاياي تبديل ويولت مختلط مانند تقريبا تغييرناپذير بودن نسبت به جابجايي و جهت دار بودن، تخمين انجام شده توسط شبكه‌هاي عصبي با دقت بالايي صورت مي‌پذيرد. بنابر نتايج آزمايش‌هاي انجام شده، الگوريتم پيشنهادي در مقايسه با ساير روش‌هاي درونيابي و حذف نويز، از لحاظ كمي و كيفي عملكرد بهتري داشته و قادر به حفظ جزييات تصوير است.

Most of the existing image resolution enhancement algorithms assume that the image is clean and noise free, but this assumption is not practically valid. One strategy for interpolation of noisy images is to denoise the image first and then interpolate the denoised image. However, this strategy does not lead to satisfying results because denoising may smooth image details and also other artifacts such as blurring and blocking introduced due to image denoising will be amplified in the following interpolation stage. Thus, in this paper we propose a joint salt and pepper noise removal and resolution enhancement algorithm using dual-tree complex wavelet transform and feedforward neural networks. In this algorithm, the wavelet subbands corresponding to noise free high resolution image are estimated from noisy low resolution image by multi-layer perceptron (MLP). Therefore the noise free high resolution image is obtained by complex wavelet reconstruction of the estimated subbands. Takeing advantages of complex wavelet transform such as nearly shift invariance and directional selectivity the subband estimation by neural networks is done with high accuracy. As it is verified in the experimental results, the proposed algorithm has better performance both subjectively and objectively and is able to maintain the image fine structures well.