دانلود رایگان ترجمه مقاله روش غربالگری غیر خطی برای حذف نویز نمک و فلفل با روش مبتنی بر منطق فازی – IEEE 2011

یک روش حذف نویز تصویر غیر خطی برای حذف نویز نمک و فلفل با استفاده از رویکرد مبتنی بر منطق فازی

A Non-Linear Image Denoising Method for Salt-&- Pepper Noise Removal using Fuzzy-Based Approach

چکیده
این مقاله الگوریتم تصمیم گیری بهبودیافته مبتنی بر منطق فازی (IFBDA) را برای ترمیم تصاویری که به شدت توسط نویز نمک و فلفل خراب شده اند پیشنهاد می کند. این الگوریتم جدید از نسخه اصلاح شده فاز تشخیص FBDA برای رسیدن به کیفیت تصویر بهتر نسبت به الگوریتم موجود بهره گیری می نماید. الگوریتم پیشنهادی نتیجه بهتر از فیلتر مبتنی بر منطق فازی متعارف پیشرفته و دیگر غیر خطی تولید می کند. تصاویر مختلف با استفاده از الگوریتم پیشنهادی (IFBDA) آزمایش می شوند و برای تولید بهتر مقادیر نسبت پیک-سیگنال به نویز (PSNR)، شاخص شباهت ساختاری (SSIM) ، ضریب تقویت تصویر (IEF) و شاخص کیفیت تصویر (IQI) استفاده می شوند.

1. مقدمه
دو نوع معمول از نویز ضربه, نویز نمک و فلفل و نویز با مقدار-تصادفی هستند. برای تصاویر خراب شده توسط نویز نمک و فلفل، پیکسل های پر نویز تنها می توانند حداکثر و حداقل مقادیر را در محدوده دینامیکی بگیرند. بنابراین، کیفیت تصویر به شدت کاهش می یابد و باعث از دست رفتن برخی از اطلاعات می شود. فیلترهای خطی مختلف در نوشته ها برای حذف نویز ارائه شده اند، اما این فیلترها دارای یک نقطه ضعف هستند که آنها می توانند تصویر جدی مات را حتی در چگالی کم نویز [5] تولید کنند. در نتیجه، به دلیل عملکرد بسیار بهبود یافته فیلترینگ آنها در شرایط میرایی نویز ضربه, فیلترهای غیر خطی به طور گسترده ای مورد استفاده قرار می گیرند. به دلیل قدرت حذف نویز خوب و بازده محاسباتی, فیلتر میانه, زمانی, محبوب ترین فیلتر غیر خطی برای از بین بردن نویز ضربه بود [2] [7]. با توجه به اثربخشی آن در حذف نویز و سادگی در پیاده سازی، تغییرات مختلف SMF معرفی شده اند، مانند میانه وزنی (WM) [2] فیلتر فیلتر و مرکز وزنی (CWM) [10]. اشکال عمده SMF اینست که این فیلتر فقط برای چگالی های نویزی کم موثر است و به علاوه نمایشگر ماتی است اگر اندازه پنجره بزرگ باشد. این امر منجر به حذف نویز کافی می شود اگر اندازه پنجره کوچک [14] باشد. یک راه حل بصری برای غلبه بر این مشکل, اجرای یک مکانیزم تشخیص ضربه-نویز قبل از فیلتر کردن است. برای این کار، فیلتر سوییچینگهای میانه [4] [13] [17] [18] را می توان استفاده نمود که بهبود عملکرد قابل توجه را در مقایسه با هر روش پیشرفته موجود دیگر برای حذف نویز ضربه را ارائه می دهد.
در فیلتر سوییچینگهای میانه، مکانیزم تشخیص نویز گنجانیده می شود به طوری که تنها پیکسل های شناسایی شده به عنوان “خراب” تحت فرآیند فیلترینگ قرار می گیرند، در حالی که پیکسل های شناسایی شده به عنوان “غیرخراب” سالم و دست نخورده باقی خواهد ماند. فیلترهای غیر خطی مانند فیلتر میانه تطبیقی (AMF) [6] را می توان برای تمایز قائل شدن میان پیکسل های خراب و غیرخراب استفاده نمود و پس از آن روش فیلتر کردن را اعمال نمود. پیکسل های پر نویز توسط مقدار میانه جایگزین خواهند شد و پیکسل های غیرخراب بدون تغییر باقی خواهند ماند. AMF به خوبی در چگالی های کم نویز عمل می کند, زیرا پیکسل های خراب که توسط مقادیر میانه جایگزین می شوند بسیار اندک هستند. اشکال عمده این روش این است که تعریف یک معیار تصمیم گیری قوی دشوار است. این فیلترها, ویژگی های محلی را که در نتیجه آنها, جزئیات لبه ممکن است به طور رضایت بخش قابل بازیابی نباشند، در نظر نمی گیرند, به ویژه هنگامی که نویز بالا است.
Chan و همکاران [3], یک الگوریتم برای غلبه بر این مشکل را پیشنهاد نمود که متشکل از دو مرحله است. مرحله, طبقه بندی پیکسل های خراب و غیرخراب با استفاده از AMF است و در مرحله دوم، روش تنظیم برای پیکسل های خراب به منظور حفظ لبه ها و حذف نویز استفاده می شود. اشکال این روش این است که برای نویز ضربه بالا، این فیلتر به اندازه پنجره بزرگ 39 × 39 نیاز دارد و علاوه بر این به مدارات مجتمع برای اجرا و تعیین ضریب صاف کردن β به منظور رسیدن به نتایج خوب [3] نیاز دارد.
Srinivasan and Ebenezer [16] یک الگوریتم کارآمد مبتنی بر تصمیم گیری (EDBA) را پیشنهاد دادند که در آن پیکسل های خراب شده توسط هر پیکسل میانه و یا پیکسل همسایه با استفاده از یک اندازه پنجره ثابت 3 × 3 و در نتیجه زمان پردازش کمتر و حفظ لبه خوب جایگزین می شوند. اگر چه فیلتر EDBA [16] نتایج امیدوارکننده را نشان داد، و یک انتقال راحت بین پیکسل ها از دست رفت و منجر به تنزل در کیفیت بصری تصویر به شکل مصنوعات خطی شد، زیرا تنها همسایگی سمت چپ آخرین مقدار پردازش شده را در نظر می گیرد.
برای غلبه بر این مشکل, Madhu و همکاران [11] [12] یک الگوریتم بهبودیافته مبتنی بر-تصمیم گیری (IDBA) را پیشنهاد دادند که در آن پیکسل های خراب را می توان یا با پیکسل میانه یا توسط میانگین پیکسل های پردازش شده در همسایگی تعویض نمود که منجر به انتقال آرام بین پیکسل ها با حفظ لبه و کیفیت بصری بهتر می شود. اشکال این روش این است که در مورد نویز ضربه با چگالی بالا ، اندازه پنجره ثابت 3 × 3 به تخریب کیفیت تصویر با توجه به حضور پیکسل های خراب در همسایگی منجر می شود.
برای پرداختن به چگالی نویز بالا، یک فیلتر میانه سوئیچینگ نرم تطبیقی نویز (NASM) در [4] پیشنهاد شد که متشکل از یک فرآیند تشخیص نویز سوئیچینگ نرم سه سطحی سلسله مراتبی می شود. NASM به یک عملکرد نسبتاً قوی در از بین بردن نویز ضربه می رسد، در حالی که جزئیات سیگنال در سراسر طیف گسترده ای از چگالی های نویز حفظ می کند. با این حال، کیفیت تصویر بهبودیافته, زمانی که چگالی نویز بیش از 50٪ است, به طور قابل توجهی تخریب می شود. برای غلبه بر تخریب عملکرد در چگالی نویز بالاتر، یک روش جدید کارآمد به نامBDND [13] معرفی می شود و نتایج بهتر نشان داده شده است. اما در چگالی نویز بالا، BDND, سوء تشخیص بالاتر و نرخ هشدار غلط (در نویز تصادفی) را نشان می دهد. در نتیجه، نمی تواند جزئیات لبه تصویر بهبودیافته را حفظ کند و کیفیت تصویر بازسازی یافته کاهش می یابد. اشکال اصلی فیلترهای سوییچینگ میانه مانند BDND اینست که در مورد نویزهای ضربه چگالی-بالا، هنوز هم یک احتمال برای ارائه خوب پیکسل های خراب شده در پنجره انتخاب شده برای شرکت در فرآیند فیلتر کردن وجود دارد که ممکن است به تخریب کیفیت تصویر منجر شود.
مشکل دیگر فیلتر سوییچینگ BDND اینست که ابتدا از یک اندازه پنجره 21 × 21 برای تشخیص این مورد استفاده می کند که آیا یک پیکسل خراب شده است و یا نه و دوباره یک تکرار دوم بر روی یک اندازه پنجره کاهش یافته 3 × 3 از همان مجموعه از مراحل برای کاهش طبقه بندی نادرست پیکسل ها انجام می شود. فرایند واقعی فیلترینگ پس از دو سطح تکرار آغاز می شود. در نتیجه، الگوریتم BDND مقدار زیادی از زمان را مصرف می کند.
به منظور غلبه بر اشکالات فیلترهای بالا، Madhu و همکاران [17] یک الگوریتم جدید تصمیم گیری مبتنی بر منطق فازی (FBDA) را برای از بین بردن نویز ضربه در محدوده وسیعی از چگالی های نویز پیشنهاد نمودند, به ویژه برای نویز ضربه بالا. FBDA یک فیلتر سوییچینگ بهبودیافته مبتنی بر منطق فازی میانهاست که در آن فیلترینگ تنها برای پیکسل های خراب شده در تصویر اعمال می شود در حالی که پیکسل های خالص بدون تغییر باقی می مانند. آنچه FBDA را متفاوت از دیگر فیلترهای سوییچینگ میانه مانند BDND می سازد اینست که در طول زمان فرایند فیلترینگ FBDA, تنها پیکسل های خالص در پنجره انتخاب شده را بر اساس یک مقدار فاصله عضویت فازی انتخاب می کند. بنابراین، مزیت FBDA این است که دارای قدرت تشخیص نویز و قدرت حذف پیکسل های خراب شده در طول فرایند فیلترینگ است. یکی دیگر از مزیت های FBDA اینست که تنها یک سطح از تکرار را برای تشخیص این مورد استفاده می کند که آیا یک پیکسل خراب است و یا خیر و از یک اندازه پنجره ثابت 3 × 3 یا 5 × 5 (بر اساس چگالی نویز) برای هر دو تشخیص نویز و فرآیند فیلتر استفاده می کند. اشکال FBDA اینست که به نتایج بهتر برای چگالی کم نویز منجر نمی شود به دلیل این واقعیت که قانون استفاده شده برای تصمیم گیری در مورد اینکه آیا یک پیکسل خراب شده است و یا خیر, پیکسل های خاص را به صورت پیکسل های پر نویز درست طبقه بندی نمی کند. برای چگالی های نویز بالا، این قانون به درستی پیکسل های پر نویز را طبقه بندی می کند و نتایج فیلترشده بسیار امیدوار کننده هستند. در این کار, ما قاعده تشخیص نویز را برای رسیدن به یک روش FBDA بهبود یافته (IFBDA) اصلاح نموده ایم که به خوبی در هر دو چگالی نویزی کم و بالا کار می کند.

Abstract 

The paper proposes an Improved Fuzzy-Based Decision Algorithm (IFBDA) for the restoration of images that are highly corrupted by Salt-and-Pepper noise. The new algorithm utilizes a modified version of the detection phase of FBDA to get better image quality than the existing algorithm. The proposed algorithm produces better result than the conventional and other advanced fuzzy-based non-linear filters. Different images have been tested by using the proposed algorithm (IFBDA) and found to produce better Peak-Signal-toNoise Ratio (PSNR), Structural Similarity Index (SSIM), Image Enhancement Factor (IEF) and Image Quality Index (IQI) values.

I. INTRODUCTION

Two common types of impulse noise are the salt-andpepper noise and the random-valued noise. For images corrupted by salt-and-pepper noise, the noisy pixels can take only the maximum and the minimum values in the dynamic range. Thus, it could severely degrade the image quality and cause some loss of information. Various linear filters have been proposed in the literature for noise removal, but those have a drawback that they could produce serious image blurring even in low noise density [5]. Consequently, nonlinear filters have been widely exploited due to their much improved filtering performance in terms of impulse noise attenuation. The median filter was once the most popular nonlinear filter for removing impulse noise because of its good denoising power and computational efficiency [2] [7]. Due to its effectiveness in noise suppression and simplicity in implementation, various modifications of the SMF have been introduced, such as the weighted median (WM) [2] filter and the center weighted (CWM) [10] filter. The major drawback of the SMF is that the filter is effective only for low noise densities and additionally, exhibits blurring if the window size is large. This leads to insufficient noise suppression if the window size is small [14]. An intuitive solution to overcome this problem is to implement an impulse-noise detection mechanism prior to filtering. For this, switching median filters [4] [13] [17] [18] can be used, which gives significant performance improvement compared to any other existing advanced methods for impulse noise removal. In switching median filters, a noise detection mechanism has been incorporated so that only those pixels identified as “corrupted” would undergo the filtering process, while those identified as “uncorrupted” would remain intact. Nonlinear filters such as adaptive median filter (AMF) [6] can be used for discriminating corrupted and uncorrupted pixels and then apply the filtering technique. Noisy pixels will be replaced by the median value, and uncorrupted pixels will be left unchanged. AMF performs well at low noise densities since the corrupted pixels that are replaced by the median values are very few. The major drawback of this method is that defining a robust decision measure is difficult. These filters will not take into account the local features as a result of which edge details may not be recovered satisfactorily, especially when the noise is high. Chan et al. [3] proposed an algorithm to overcome this problem, which consists of two stages. The first stage is to classify the corrupted and uncorrupted pixels by using AMF, and in the second stage, regularization method is applied to the corrupted pixels to preserve edges and suppress noise. The drawback of this method is that for high impulse noise, it requires large window size of 39 × 39 and additionally requires complex circuitry for the implementation and determination of smoothing factor β to get good results [3]. Srinivasan and Ebenezer [16] proposed an efficient decision-based algorithm (EDBA) in which the corrupted pixels are replaced by either the median pixel or neighborhood pixel by using a fixed window size of 3 × 3 resulting in lower processing time and good edge preservation. Although EDBA filter [16] showed promising results, a smooth transition between the pixels is lost leading to degradation in the visual quality of the image in the form of line artifacts, since it only considers the left neighborhood from the last processed value. To overcome this problem Madhu et al. [11] [12] proposed an improved decision-based algorithm (IDBA) in which corrupted pixels can be replaced either by the median pixel or, by the mean of processed pixels in the neighborhood, which results in a smooth transition between the pixels with edge preservation and better visual quality. The drawback of this method is that in the case of high-density impulse noise, the fixed window size of 3 × 3 will result in image quality degradation due to the presence of corrupted pixels in the neighborhood. To address high noise density, a noise adaptive soft switching median (NASM) filter was proposed in [4], which consists of a three-level hierarchical soft-switching noise detection process. The NASM achieves a fairly robust performance in removing impulse noise, while preserving signal details across a wide range of noise densities. However, the quality of the recovered image becomes significantly degraded when noise density is greater than 50%. To overcome performance degradation at higher noise density, a new efficient method called BDND [13] has been introduced and it has shown better results. But at high noise density, BDND shows higher misdetection and false alarm rate (at random noise). Consequently, it could not preserve the edge details of the recovered image and the quality of the restored image is reduced. The main drawback of switching median filters like BDND is that in the case of high-density impulse noises, there is still a chance for good representation of the corrupted pixels in the selected window to take part in the filtering process, which may lead to the degradation of image quality. Another drawback of BDND switching filter is that it first uses a window size of 21 × 21 to detect whether a pixel is corrupted or not and again a second iteration is performed on a reduced window size of 3 × 3 with same set of steps to reduce the misclassification of pixels. Actual filtering process begins after the two levels of iterations. Consequently, BDND algorithm consumes a lot of time. In order to overcome the drawbacks of the above filters, Madhu et. al [17] proposed a new fuzzy-based decision algorithm (FBDA) for removing impulse noise at a wide range of noise densities, especially for high impulse noise. FBDA is an improved fuzzy-based switching median filter in which the filtering is applied only to corrupted pixels in the image while the uncorrupted pixels are left unchanged. What makes FBDA different from other switching median filters such as BDND is that during the time of filtering process FBDA selects only uncorrupted pixels in the selected window based on a fuzzy distance membership value. Thus, the advantage of FBDA is that it has both the noise detection power and the power of eliminating corrupted pixels during the filtering process. Another advantage of FBDA is that it uses only one level of iteration to detect whether a pixel is corrupted or not and it uses a fixed window size of 3 × 3 or 5 × 5 (based on the noise density) for both the noise detection and the filtering process. The drawback of FBDA is that it doesn’t give better results for low noise densities because of the fact that the rule used for deciding whether a pixel is corrupted or not will misclassify certain pixels as noisy pixels. For high noise densities, the rule will correctly classify noisy pixels and the filtered results are very promising. In this work we have modified the noise detection rule to get an improved FBDA method (IFBDA) which works well in both low and high noise densities.