Abstract
Image noise removal is a classic problem. In this paper, a novel scheme combining r/K-PSO and wavelet transform was introduced to removal image noise. By wavelet transform, image was decomposed into detail subbands and approximation subband. Every detail subband will be shrunk by a special threshold instead of a universe one. A novel optimization algorithm named r/K-PSO was introduced to optimize and determine the thresholds. The main idea of r/K-PSO is inspired by the r- and K-selection of Ecology. r-selection can be characterized as: quantitative, little parent care, large growth rate and rapid development and K-selection as: qualitative, much parent care, small growth rate and slow development. And experimental results also proved that the proposed noise removal scheme optimized by r/K-PSO was superior to 2-D Winner Filtering (WF), universal hard-thresholding (UHT) and universal soft-thresholding (UST) in terms of peak signal-to-noise ratio (PSNR)
چکیده
حذف نویز تصویر یک مسئله کلاسیک می باشد. در این مقاله، یک طرح جدید با ترکیب r/k-PSO و تبدیل موجک برای حذف نویز تصاویر معرفی شده است. به وسیله تبدیل موجک، تصویر به زیرباندهای جزئی و زیرباند تقریبی تجزیه می گردد. هر زیرباند جزئی به جای یک آستانه کلی توسط یک آستانه مختص خود کوچک سازی خواهد گردید. یک الگوریتم بهینه سازی جدید به نام r/k-PSO برای بهینه سازی و تعیین آستانه ها معرفی شده است.ایده اصلی این الگوریتم توسط انتخاب r و k از اکولوژی (بوم شناسی) الهام گرفته شده است. انتخاب r می تواند به عنوان: کمیت، مراقبت کم والدین، نرخ رشد بزرگ و توسعه سریع، مشخص گردد و انتخاب k می تواند به عنوان: کیفیت، مراقبت زیاد والدین، نرخ رشد کم و توسعه کند، توصیف گردد. نتایج آزمایشات ثابت نموده است که طرح حذف نویز بهینه سازی شده توسط r/k-PSO از نظر حداکثر نرخ سیگنال به نویز (PSNR) برتر از فیلترینگ برنده 2-D (WF)، آستانه گذاری سخت کلی (UHT) و آستانه گذاری نرم کلی (UST) بوده است.
1-مقدمه
در تبدیل موجک، توابع پایه در دو حوزه زمانی و فرکانسی متمرکز شده اند. محرک کوچک سازی موجک آنست که تبدیل موجک در کار تراکم انرژی خوب عمل می نماید، ضرایب کوچک احتمالاً بیشتر به دلیل نویز و ضرایب بزرگ ناشی از ویژگی های مهم تصویر می باشد. این ضرایب کوچک می توانند توسط تابع کوچک سازی بدون تاثیرگذاری بر ویژگی های مهم تصویر، فیلتر (تصفیه) گردند...