دانلود شبیه سازی مقاله روش بازیابی تصویر بر اساس تغییرات کلی مرتبه بالا و گرادیان معکوس

پروژه متلب بازیابی تصویر

مدل منظم سازی «تغییرات کلی» (TV) برای بازیابی تصویر به میزان گسترده ای بخاطر ویژگی های حفظ لبه یا مرز، مورد استفاده قرار می گیرد. منظم سازی TV، علیرغم مزیت هایش، ممکن است نوسانات ساختگی در مناطق تخت تصاویر دیجیتال بوجود آورد و بنابراین، مقاله های اخیراً انجام شده از مدل های منظم سازی TV مرتبه بالا دفاع می کنند. در این مقاله، یک روش بازیابی تصویر وفقی براساس ترکیبی از منظم سازی تغییرات کل مرتبه اول و مرتبه دوم همراه با یک پارامتر وفقی مبتنی بر گرادیان معکوس، را پیشنهاد می دهیم. مدل پیشنهادی به نحو موثر نویز را برطرف می کند و ساختارهای تصویر را حفظ می کند. بخاطر تخمین پارامتر وفقی براساس گرادیان معکوس، این روش از بوجود آمدن محصولات مصنوعی پلکانی با منظم سازی TV و مدلهای مختلف آن جلوگیری می کند. نتایج تجربی نشان می دهند که روش پیشنهادی بازیابی بهتری از نظر کیفیت بصری و همچنین کمیتی، حاصل می کند. بخصوص اینکه، روش TV مرتبه بالاتر وفقی پیشنهادی ما مقادیر (19.3159, 0.7172, 0.90985, 0.79934, 0.99838) PSNR, SSIM, MS-SSIM, F-SIM و P-SIM را با مدل های مرتبط مانند «هسیان محدود به TV» (18.9735, 0.6599, 0.8718, 0.73833, 0.99767) و لاپلاسین-TV (19.0345, 0.6719, 0.88198, 0.75405, 0.99789)، مقایسه کردیم.

در این پروژه، یک روش بازیابی تصویر وفقی را براساس ترکیبی از تغییرات کل مرتبه اول و مرتبه دوم با تخمین پارامتر چندمقیاسی وفقی، پیشنهاد می دهیم. این روش از مزایای حذف نویز و حفظ لبه تغییرات کل مرتبه اول، حذف محصولات مصنوعی تغییرات کل مرتبه دوم و تخمین پارامتر چندمقیاسی وفقی، بهره می گیرد. در پیاده سازی روش پیشنهادی، تنها نیاز به تنظیم یک مقدار مثبت برای پارامتر k داریم تا در فرآیند بازیابی به تغییرات کل مرتبه اول یا تغییرات کل مرتبه دوم، اولویت دهیم. اگر k بیشتر از 1 باشد، اولویت برای حذف محصولات مصنوعی است. اگر k بین صفر و یک باشد، اولویت برای حذف نویز است. برای متوازن سازی عملکرد حذف نویز و حذف محصولات مصنوعی می توانیم k=1 را مقداردهی کنیم. براساس مقایسه نتایج بازیابی با مدل های مرتبط مختلف، می توان تایید کرد که روش پیشنهادی از لحاظ کیفی و همچنین کمیتی از نظر معیارهای کیفیت تصویر استاندارد مانند PSNR، SSIM، MS-SSIM، F-SIM و P-SIM، بهتر است. مقادیر معیارهای کیفیت تصویر را با روش پیشنهادی مان بدست آوردیم (19.3159, 0.7172, 0.90985, 0.79934, 0.99838)، درحالی که مدل های دیگر مانند هسیان مقید به TV (TVBH) (18.9735, 0.6599, 0.8718, 0.73833, 0.99767) و لاپلاسین TV (TVL) (19.0345, 0.6719, 0.88198, 0.75405, 0.99789) ، بازیابی عالی از خود نشان دادند. زمان اجرای روش پیشنهادی با مدل های TVBH و TVL معادل است.

این مقاله مربوط به سال 2020 بوده و در محیط نرم افزار متلب (MATLAB) شبیه سازی شده است و در ادامه نیز تصویر مربوط به خروجی شبیه سازی قرار داده شده است: