НАУКА и ОБРАЗОВАНИЕ

Файл статьи: SE-BMSTU...o737.pdf (1301.28Кб)

УДК 51(083)

Россия, Омский государственный университет им. Ф.М. Достоевского

В статье предложен алгоритм, позволяющий на основе анализа изображения с помощью метода построения ассоциативных правил выявлять пиксели, поврежденные импульсным шумом. Поврежденное изображение представляется в виде матрицы. Предполагается, что матрица может быть разложена на сумму двух матриц. Первая матрица представляет собой неповрежденное изображение. Вторая матрица есть проявление импульсного шума. Ставиться две задачи. Необходимо определить ненулевые элементы матрицы шумов. Также требуется максимально точно восстановить матрицу исходного изображения. Предложенный алгоритм состоит из двух этапов. На первом этапе происходит  построение ассоциативных правил. В качестве транзакций для ассоциативных правил используются наборы из рядом расположенных пикселей. Наборы формируются из всего изображения. Каждый набор рассматривается как множество пикселей без учета порядка следования. Из наборов формируются ассоциативные правила. Для каждого набора определяется уровень поддержки. Первый этап имеет линейную трудоемкость, однако требует большого объема памяти. На втором этапе осуществляется повторный проход по изображению и выявление испорченных пикселей.
Также предложенный подход позволяет восстанавливать поврежденные изображения, на основе ассоциативных правил и маски повреждений, выявленных на первом этапе. Для каждого испорченного пикселя принимается решение о его новом цвете на основе ассоциативных правил, соответствующих соседям по вертикали и по горизонтали. В качестве нового цвета выбирается тот, который соответствует ассоциативному правилу с наибольшей поддержкой.
Проведен компьютерный эксперимент по определению эффективности предложенного метода. Выявлена зависимость эффективности работы алгоритма от различных параметров. Эффективность поиска поврежденных пикселей составляет более 98% для искусственных изображений и не менее 76,9% на естественных изображениях. Для изображений с большим количеством мелких деталей, наблюдается достаточно высокий процент ложных срабатываний. Наилучших показателей удается добиться при длине набора в три пикселя.

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М .: Техносфера , 2005. 1072 с .
2. Pitas I., Venetsanopoulos A. Nonlinear Digital Filters: Principles and Applications. Springer US , 1990. DOI: 10.1007/978-1-4757-6017-0
3. Хуанг Т.С., Эклунд Дж.О., Нуссбаумер Г.Дж., Зохар Ш. Быстрые алгоритмы в цифровой обработке изображений: преобразования и медианные фильтры / под ред. Т.С. Хуанга; пер. с англ. под ред. Л.П. Ярославского. М .: Радио и связь , 1984. 224 с .
4. Sonka M., Hlavac V., Boyle R. Image Processing, Analysis, and Machine Vision. 1^st ed. University Press, Cambridge, 2008. 920 р .
5. Mitra S., Sicuranza G. Nonlinear Image Processing. Academic Press, 2001. 455 р .
6. Buades A., Coll B., Morel J.-M. A non-local algorithm for image denoising // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2005). Vol. 2. IEEE Publ., 2005. P. 60-65. DOI: 10.1109/CVPR.2005.38
7. Dabov K., Foi A., Katkovnik V., Egiazarian K. Image denoising by sparse 3-D transform-domain collaborative filtering // IEEE Transactions on Image Processing. 2007. Vol. 16, no. 8. P. 2080-2095. DOI: 10.1109/TIP.2007.901238
8. 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. Vol. 14, no. 10. P. 1479 -1485. DOI: 10.1109/TIP.2005.852196
9. Kam H.S., Tan W.H. Noise detection fuzzy (NDF) filter for removing salt and pepper noise // In: Zaman H.B., Robinson P., Petrou M., Olivier P., Schröder H., Shih T.K., eds. Visual Informatics: Bridging Research and Practice . Springer Berlin Heidelberg , 2009. P. 479-486. (Ser. Lecture Notes in Computer Science; vol. 5857). DOI: 10.1007/978-3-642-05036-7_45
10. Ahamed J.N., Rajamani V. Design of hybrid filter for denoising images using fuzzy network and edge detecting // American Journal of Scientific Research. 2009. Iss. 3. P. 5-14.
11. Литл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками: пер. с англ. М.: Финансы и статистика, 1990. 290 с.
12. Демиденко Е.З. Линейная и нелинейная регрессия. М .: Финансы и статистика , 1981. 302 с .
13. Ларионов И.Б. Восстановление изображений при помощи многомерных линейных многообразий // Проблемы обработки и защиты информации. Книга 2. Анализ графической и текстовой информации: коллективная монография / Под общей ред. д. ф.-м. н. С.В. Белима. Омск: OOO «Полиграфический центр КАН», 2010. С. 43-57 .
14. Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики: сб. ст. / под ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. С. 6-22 с.
15. Двоенко С.Д. Неиерархический дивизионный алгоритм кластеризации // Автоматика и телемеханика. 1999. № 4. С. 117-124.
16. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во ин-та математики, 1999. 270 с .
17. Загоруйко Н.Г., Елкина В.Н., Тимеркаев В.С. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм Zet ) // Вычислительные системы: сб. тр. Вып. 61. Эмпирическое предсказание и распознавание образов. Новосибирск, 1975. С. 3-27.
18. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2002. 382 с .
19. Ларионов И.Б. Карты Кохонена как способ восстановления мультимедийной информации // Журнал радиоэлектроники. 2010. № 10. Режим доступа : http://jre.cplire.ru/jre/oct10/3/text.html ( дата обращения 01.10.2014).
20. 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. Vol. 5, no. 6. P. 1012-1025. DOI: 10.1109/83.503916
21. Garnett R., Huegerich T., Chui C., Wenjie He. A Universal Noise Removal Algorithm with an Impulse Detector // Transactions on Image Processing. 2005. Vol. 14, no. 11. P. 1747-1754. DOI: 10.1109/TIP.2005.857261
22. Красовский Г.Я., Усс М.Л. Фильтрация изображений, искаженных импульсными помехами точечного и строчного типа, на основе систем итерированных функций // Радіоелектронн i і комп'ютерн i системи. 2003. № 2. С. 47-55.
23. Сорокин С.В., Щербаков М.А. Реализация SD - ROM фильтра на основе концепции нечеткой логики // Известия высших учебных заведений. Поволжский регион . Технические науки . 2007. № 3. С . 56-65.
24. Agrawal R., Imieliński T., Swami A. Mining association rules between sets of items in large databases // SIGMOD '93 Proceedings of the 1993 ACM SIGMOD international conference on Management of data. New York : ACM Publ., 1993. P. 207-216. DOI: 10.1145/170035.170072
25. DiGesu V., Staravoitov V.V. Distance-based Functions for Image Comparison // Pattern Recognition Letters. 1999. Vol. 20, no. 2. P. 207-213. DOI: 10.1016/S0167-8655(98)00115-9
26. Jong-hyun Ryu, Sujin Kim, Hong Wan. Pareto Front Approximation with Adaptive Weighted Sum Method in Multiobjective Simulation Optimization // Proc. of the 2009 Winter Simulation Conference (WSC), TX, Austin, 2009. IEEE Publ., 2009. P. 623-633. DOI: 10.1109/WSC.2009.5429562
27. Ehrgott M. Multicriteria Optimization. Springer Berlin Heidelberg , 2005. 323 p. DOI: 10.1007/3-540-27659-9
28. Нгок Хоанг Ф ., Спицын В . Г . Анализ алгоритмов обнаружения импульсного шума на цифровых изображениях // Известия Томского политехнического университета. 2011. Т . 318, № 5. С . 70-73.
29. Hutchinson J. Culture, Communication, and an Information age Madonna // IEEE Professional Communication Society Newsletter. 2001. V ol . 45, n o. 3. P.1, 5 -7 .