IntroductionImage noise reduction i

Introduction
Image noise reduction is main step in many
applications. Low pass filter may be used to eliminate
noise from images. An instance of low pass filters is the
medium filter (MF). Other than reducing noise in images,
this filter distorts edges and corners. Various types of MF
have been introduced to solve this problem including
Multistage filter [1], RMF [2] and methods proposed in
[3] and [4] using a noise recognition algorithm plus a
filtering stage to eliminate impulse noises. The above
methods are effective when there is a low noise
probability (NP) for the image. For instance, MF’ is not
effective for NP>=20% [5]. Recently the fuzzy methods
have been widely used in various applications such as
control applications [11-12] and image classification
[13]. Some of methods by using the fuzzy systems may
perform better for noise reduction like Fuzzy Random
Impulse Noise Reduction method (FRINR) in [6]. In [7]
proposed a comparative study for select those filters that
have the best performance for Gaussian noise reduction.
However generally adaptive methods working based on
neural networks and fuzzy systems may perform better in
this field. Just like [8] and [9] and the adaptive filter
provided in [10]. [10] provides an adaptive method for
reducing accumulating noise which has two stages: the
first stage is devoted to calculation of a fuzzy derivative
for 8 different routs from each point in the image, and the
second stage covers the use of these fuzzy derivatives for
fuzzy smoothing and showing that both stages work
based on fuzzy rules. The main subject in the filter
provided by [10] is differentiating between local
derivative results in noisy points as well as noiseless
ones. Also in [9] an adaptive filter has been presented
based on ANFIS. The general idea in [10] is that the
average of pixels around a given pixel is used instead of
the pixel itself, yet it takes care of important image
structures such as edges. The HAF [5] method is
specially efficient at eliminating impulse noises. The
interesting point of the method is that it proceeds to
eliminate the image noises leaving intact the intense slope
of edges. Making a HAF filter has three stages: (1)
defining the fuzzy sets in the input space, (2) a set of Ifthen
rules, and (3) making a filter based on a set of rules.
In this paper unlike most neuro-fuzzy filters in which
long and frequent training phases are employed for
choosing the primary membership functions, the HAF
method provides nice results without any training at all.
HAF has some problems as well; it only works for
impulse noise. While implementing it we observed that it
can also produce noise in the image and we saw that its
power does not come from its fuzzy base, but from the
definition of noise. Most papers written on impulse noise
are of salt and pepper type, and generally it may be said
about the optimization algorithm provided in HAF that
there is no reason the answers are the best and most
optimized. This implies that despite what offered in [5]
there is no reason to say that the presented algorithm is
the best at optimizing HAF parameters, but the provided
algorithm only serves to provide us with the parameters
of membership functions according to the estimated
image histogram. The overall structure of this paper is
such that it first describes the general structure of the
proposed method and then proceeds to each and every
section. The provided structure includes the estimate of
main image histogram in full details and finally it offers
the results of result analysis and implementation of the
method and its comparison to other methods.

ผลลัพธ์ (ไทย) 1:

แนะนำลดสัญญาณรบกวนภาพเป็นขั้นตอนหลักในใช้งาน อาจใช้ตัวกรองต่ำผ่านเพื่อกำจัดเสียงจากภาพ อินสแตนซ์ของตัวกรองผ่านต่ำสุดอยู่ขนาดตัวกรอง (MF) อื่น ๆ กว่าการลดเสียงรบกวนในภาพตัวกรองนี้ distorts การขอบและมุม ชนิดต่าง ๆ ของ MFนำมาใช้ในการแก้ไขปัญหานี้รวมถึงกรอง multistage [1], RMF [2] และวิธีการนำเสนอใน[3] และ [4] โดยใช้อัลกอริทึมการรู้จำเสียงเป็น บวกเป็นขั้นตอนการกรองเพื่อกำจัดกระแสเสียง ข้างต้นวิธีที่มีประสิทธิภาพเมื่อมีเสียงรบกวนต่ำความน่าเป็น (NP) สำหรับรูปภาพ ตัวอย่าง MF' ไม่การ NP > = 20% [5] เมื่อเร็ว ๆ นี้วิธีการชัดเจนมีการใช้ในโปรแกรมประยุกต์ต่าง ๆ เช่นควบคุมประเภทรูปภาพและโปรแกรมประยุกต์ [11-12][13] ได้บางส่วนของวิธีการโดยใช้ระบบเอิบอาจทำงานดีขึ้นสำหรับการลดเสียงรบกวนเช่นสุ่มเอิบกระแสการลดเสียงรบกวนวิธี (FRINR) [6] ใน [7]ผู้ศึกษาเปรียบเทียบการนำเสนอสำหรับการเลือกตัวกรองที่มีประสิทธิภาพดีที่สุดสำหรับการลดเสียงรบกวน Gaussianอย่างไรก็ตามโดยทั่วไปปรับวิธีการทำงานตามเครือข่ายประสาทและระบบที่ชัดเจนอาจทำงานดีขึ้นในฟิลด์นี้ เหมือน [8] และ [9] และตัวกรองที่เหมาะสมให้ใน [10] [10] ให้เป็นวิธีที่เหมาะสมสำหรับลดเสียงสะสมซึ่งมีขั้นตอนที่สอง: การระยะแรกคือทุ่มเทเพื่อการคำนวณอนุพันธ์เอิบสำหรับ routs 8 แตกต่างกันจากแต่ละจุดในภาพ และขั้นตอนที่สองครอบคลุมการใช้ตราสารอนุพันธ์เหล่านี้ชัดเจนในต่อเนื่องชัดเจนและการแสดงที่ทำงานทั้งสองขั้นตอนตามกฎที่ชัดเจน เรื่องหลักในตัว[10] โดยมีความแตกต่างระหว่างท้องถิ่นผลการพัฒนา ในจุดที่เสียงดัง และเสียงคน นอกจากนี้ [9] ตัวกรองที่เหมาะสมมีการแสดงตาม ANFIS ความคิดทั่วไปใน [10] คือการค่าเฉลี่ยของพิกเซลรอบพิกเซลให้ใช้แทนพิกเซลเอง ยังดูแลรูปภาพสำคัญโครงสร้างเช่นขอบ วิธี HAF [5]พิเศษอย่างมีประสิทธิภาพในการตัดกระแสเสียง ที่มีจุดน่าสนใจของวิธีการที่จะดำเนินการกำจัดเสียงภาพออกเหมือนเดิมชันเข้มข้นขอบ ทำตัว HAF มีสามขั้นตอน: (1)กำหนดชุดปุยในพื้นที่อินพุต, (2) ชุดของ Ifthenกฎ และ (3) ทำตัวตามชุดของกฎการในเอกสารนี้ซึ่งแตกต่างจากตัวกรองสมองชัดเจนมากที่สุดซึ่งระยะการฝึกอบรมระยะยาว และบ่อยพนักงานในเลือกฟังก์ชันสมาชิกหลัก HAFวิธีให้ผลที่ดีไม่ มีการอบรมใด ๆ ทั้งหมดHAF มีปัญหาเช่น ทำงานในแรงกระตุ้นจากเสียงรบกวน ในขณะที่นำ เราสังเกตนอกจากนี้ยังสามารถผลิตสัญญาณรบกวนในภาพ และเราเห็นที่ความพลังงานมาจากการแต่ฐาน เอิบจากการรายละเอียดของเสียง เอกสารส่วนใหญ่ที่เขียนในกระแสเสียงมีชนิดของเกลือและพริกไทย และโดยทั่วไปอาจจะกล่าวว่าเกี่ยวกับการปรับอัลกอริทึมใน HAF ที่มีเหตุผลไม่มีคำตอบที่ดีสุด และมากที่สุดปรับให้เหมาะ นี้หมายถึงที่แม้ มีสิ่งที่นำเสนอใน [5]มีเหตุผลไม่บอกว่า เป็นอัลกอริทึมที่นำเสนอส่วนที่ปรับพารามิเตอร์ HAF แต่ที่ให้มาอัลกอริทึมเฉพาะหน้าที่เรามีพารามิเตอร์ฟังก์ชันสมาชิกตามการประเมินภาพฮิสโตแกรม โครงสร้างโดยรวมของเอกสารนี้ที่แรกอธิบายโครงสร้างทั่วไปของการวิธีการนำเสนอและดำเนินการแล้วแต่ละ และทุกส่วนการ โครงสร้างให้มีการประเมินของฮิสโตแกรมรูปหลักในรายละเอียดทั้งหมด และสุดท้ายก็มีผลการวิเคราะห์ผลและการดำเนินการวิธีการและการเปรียบเทียบกับวิธีอื่น ๆ

ผลลัพธ์ (ไทย) 2:

ความรู้เบื้องต้น
การลดสัญญาณรบกวนภาพเป็นขั้นตอนที่สำคัญในหลาย ๆ
การใช้งาน กรองผ่านต่ำอาจถูกใช้เพื่อขจัด
เสียงรบกวนจากภาพ อินสแตนซ์ของตัวกรองผ่านต่ำ
กรองกลาง (MF) นอกเหนือจากการลดเสียงรบกวนในภาพ
ตัวกรองนี้บิดเบือนขอบและมุม ประเภทต่างๆของ MF
ได้รับการแนะนำในการแก้ปัญหานี้รวมถึงการ
กรองหลายขั้นตอน [1] เพื่อการเลี้ยงชีพ [2] และวิธีการที่นำเสนอใน
[3] และ [4] โดยใช้ขั้นตอนวิธีการรับรู้เสียงบวก
ขั้นตอนการกรองเพื่อกำจัดเสียงแรงกระตุ้น ด้านบน
วิธีการที่มีประสิทธิภาพเมื่อมีสัญญาณรบกวนต่ำ
ความน่าจะเป็น (NP) สำหรับภาพ ยกตัวอย่างเช่น MF 'ไม่ได้
ที่มีประสิทธิภาพสำหรับ NP> = 20% [5] เมื่อเร็ว ๆ นี้วิธีการเลือน
ได้ถูกนำมาใช้กันอย่างแพร่หลายในการใช้งานต่างๆเช่น
การควบคุม [11-12] และการจำแนกภาพ
[13] บางส่วนของวิธีการโดยใช้ระบบเลือนอาจ
ทำงานได้ดีขึ้นสำหรับการลดเสียงรบกวนเช่นฟัซซี่แบบสุ่ม
วิธีการลดเสียงรบกวน Impulse (FRINR) ใน [6] ใน [7]
เสนอการศึกษาเปรียบเทียบสำหรับเลือกฟิลเตอร์ที่
มีประสิทธิภาพที่ดีที่สุดสำหรับการลดเสียงรบกวนเสียน.
วิธีการอย่างไรก็ตามการปรับตัวโดยทั่วไปการทำงานขึ้นอยู่กับ
เครือข่ายประสาทและระบบเลือนอาจทำงานได้ดีขึ้นใน
ฟิลด์นี้ เช่นเดียวกับ [8] และ [9] และตัวกรองการปรับตัว
ให้อยู่ใน [10] [10] มีวิธีการปรับตัวสำหรับ
การลดเสียงรบกวนที่มีการสะสมสองขั้นตอน:
ขั้นตอนแรกคือเพื่อรองรับการคำนวณของอนุพันธ์เลือน
8 routs แตกต่างจากแต่ละจุดในภาพและ
ขั้นตอนที่สองครอบคลุมถึงการใช้อนุพันธ์เลือนเหล่านี้สำหรับ
เรียบเลือนและแสดงให้เห็นว่าขั้นตอนการทำงาน
ตามกฎเลือน เรื่องหลักในตัวกรอง
ให้โดย [10] เป็นความแตกต่างระหว่างท้องถิ่น
ผลอนุพันธ์ในจุดที่มีเสียงดังเช่นเดียวกับไม่มีเสียง
คน นอกจากนี้ใน [9] กรองแบบปรับตัวได้รับการเสนอ
ขึ้นอยู่กับ ANFIS ความคิดทั่วไปใน [10] คือ
ค่าเฉลี่ยของพิกเซลรอบพิกเซลให้ใช้แทน
พิกเซลตัวเอง แต่มันจะดูแลภาพที่สำคัญ
โครงสร้างเช่นขอบ HAF [5] เป็นวิธีการ
ที่มีประสิทธิภาพเป็นพิเศษในการขจัดเสียงแรงกระตุ้น
จุดที่น่าสนใจของวิธีการก็คือว่ามันดำเนินการเพื่อ
ขจัดเสียงภาพออกเหมือนเดิมลาดรุนแรง
ของขอบ การกรอง HAF มีสามขั้นตอนคือ (1)
การกำหนดชุดเลือนอยู่ในพื้นที่การป้อนข้อมูล (2) ชุดของ Ifthen
กฎและ (3) การกรองขึ้นอยู่กับชุดของกฎ.
ในกระดาษนี้แตกต่างจาก neuro- มากที่สุด กรองเลือนซึ่งใน
ขั้นตอนการฝึกอบรมเป็นเวลานานและบ่อยครั้งมีการจ้างงานสำหรับ
การเลือกฟังก์ชั่นสมาชิกหลัก HAF
วิธีให้ผลที่ดีโดยการฝึกอบรมใด ๆ เลย.
HAF มีปัญหาบางอย่างเช่นกัน; มันจะทำงานเฉพาะสำหรับ
เสียงแรงกระตุ้น ในขณะที่การดำเนินการนั้นเราพบว่ามัน
ยังสามารถผลิตเสียงรบกวนในภาพและเราเห็นว่ามัน
อำนาจไม่ได้มาจากฐานเลือน แต่จาก
ความหมายของเสียง เอกสารส่วนใหญ่ที่เขียนไว้ในเสียงแรงกระตุ้น
เป็นของเกลือและพริกไทยชนิดและโดยทั่วไปก็อาจจะกล่าว
เกี่ยวกับวิธีการเพิ่มประสิทธิภาพที่มีให้บริการใน HAF ว่า
มีเหตุผลคำตอบที่ดีที่สุดและส่วนใหญ่ไม่มี
การปรับให้เหมาะสม นี่ก็หมายความว่าแม้จะมีสิ่งที่นำเสนอใน [5]
มีเหตุผลที่จะบอกว่าอัลกอริทึมที่นำเสนอไม่มี
ที่ดีที่สุดในการเพิ่มประสิทธิภาพพารามิเตอร์ HAF แต่ให้
อัลกอริทึมเพียงทำหน้าที่เพื่อให้เรามีพารามิเตอร์
ของฟังก์ชั่นสมาชิกตามที่คาด
histogram ภาพ โครงสร้างโดยรวมของกระดาษนี้
ดังกล่าวว่าครั้งแรกที่อธิบายถึงโครงสร้างทั่วไปของ
วิธีที่นำเสนอและจากนั้นดำเนินการแต่ละคนและทุก
ส่วน โครงสร้างให้รวมถึงการประมาณการของ
histogram ภาพหลักในรายละเอียดและในที่สุดก็จะนำเสนอ
ผลการวิเคราะห์ผลและดำเนินการตาม
วิธีการและการเปรียบเทียบที่จะวิธีการอื่น ๆ

ผลลัพธ์ (ไทย) 3:

บทนำ
ลดภาพเสียงขั้นตอนหลักในการใช้งานมาก

วงจรกรองความถี่ต่ำผ่าน อาจถูกใช้เพื่อขจัด
เสียงจากภาพ ตัวอย่างของตัวกรองต่ำผ่านเป็น
กรองปานกลาง ( MF ) นอกจากการลดเสียงรบกวนในตัวกรองนี้บิดเบือนภาพ
ขอบและมุม ประเภทต่างๆของ MF
ได้รับการแนะนำเพื่อแก้ปัญหานี้รวมทั้ง
กรองหลายขั้นตอน [ 1 ] , [ 2 ] และวิธีการเพื่อนำเสนอใน
[ 3 ] และ [ 4 ] การใช้เสียงการรับรู้วิธีบวก
การกรองเวทีเพื่อขจัดเสียงนะ วิธีการข้างต้น
จะมีผลบังคับใช้เมื่อมีความน่าจะเป็นต่ำเสียง
( NP ) สำหรับภาพ ตัวอย่างเช่น MF ' ไม่ใช่
ที่มีประสิทธิภาพสำหรับ NP > = 20 % [ 5 ] เมื่อเร็ว ๆนี้วิธีการฟัซซี่
มีการใช้กันอย่างแพร่หลายในโปรแกรมต่างๆเช่น
ควบคุมการใช้งาน [ 11-12 ] และภาพหมวดหมู่
[ 13 ]บางส่วนของวิธีการโดยใช้ระบบฟัซซีอาจ
แสดงดีกว่าสำหรับการลดสัญญาณรบกวนแบบอิมพัลส์แบบฟัซซี่
วิธีลดเสียง ( frinr ) [ 6 ] ใน [ 7 ]
เสนอเปรียบเทียบเพื่อเลือกตัวกรองที่
มีประสิทธิภาพที่ดีที่สุดสำหรับการลดสัญญาณรบกวนเกาส์ .
แต่โดยทั่วไปปรับวิธีการทำงานบนพื้นฐานของระบบฟัซซี่นิวรอลเน็ตเวิร์ก

อาจจะแสดงได้ดีกว่าในด้านนี้เหมือน [ 8 ] และ [ 9 ] และวงจรกรองแบบปรับตัว
ไว้ใน [ 10 ] [ 10 ] มีการปรับเปลี่ยนวิธีการ
ลดสะสมเสียงที่มีสองขั้นตอน :
เวทีแรกคือเพื่อรองรับการคำนวณคลุมเครืออนุพันธ์
8 routs แตกต่างกันจากแต่ละจุดในภาพและ
ขั้นที่สองครอบคลุมการใช้อนุพันธ์คลุมเครือเหล่านี้แสดงให้เห็นว่าทั้งแบบเรียบและ

ขั้นตอนตามกฎฟัซซี เรื่องหลักในกรอง
โดย [ 10 ] คือความแตกต่างระหว่างผลอนุพันธ์ท้องถิ่น
ในจุดที่เสียงดังเป็นเสียง
ที่ นอกจากนี้ใน [ 9 ] เป็นวงจรกรองแบบปรับตัวได้นำเสนอ
ตาม anfis . ความคิดทั่วไปใน [ 10 ] คือว่า
เฉลี่ยพิกเซลรอบให้พิกเซลใช้แทน
pixel เอง ยังดูแล
ภาพสำคัญโครงสร้างเช่นขอบ ที่กว่า [ 5 ] เป็นวิธีที่มีประสิทธิภาพในการขจัดสัญญาณรบกวน
เป็นพิเศษนะ
จุดที่น่าสนใจของวิธีการที่จะดำเนินการกำจัดภาพเสียงออกเหมือนเดิม

ของความลาดชันเข้มขอบ ากว่ากรองมี 3 ขั้นตอน คือ ( 1 )
กำหนดชุดฟัซซีในการป้อนข้อมูลพื้นที่ ( 2 ) ชุดของกฎ ifthen
และ ( 3 ) การทำกรองขึ้นอยู่กับชุดของกฎ .
ในกระดาษแผ่นนี้ แตกต่างจากตัวประสาทฟัซซี่มากที่สุดซึ่ง
นานและบ่อยขั้นตอนการฝึกอบรมในการเลือกฟังก์ชั่นการเป็นสมาชิก

วิธี ในการแสดงผลที่ดีกว่าโดยไม่มีการฝึกอบรมใด ๆที่ทั้งหมด .
กว่ามีปัญหาเช่นกัน มันใช้งานได้เฉพาะสำหรับ
สัญญาณรบกวนอิมพัลส์ ในขณะที่การใช้มันเราพบว่ามัน
ยังสามารถผลิตเสียงภาพและเราเห็นว่ามัน
พลังไม่ได้มาจากฐานฟัซซี่ แต่จาก
นิยามเสียง ส่วนใหญ่บทความบน
เสียงแรงกระตุ้นเป็นประเภท เกลือ พริกไทย และโดยทั่วไปอาจกล่าวได้ว่าขั้นตอนวิธีการหาค่า

ไว้กว่าที่ไม่มีเหตุผลคำตอบที่ดีที่สุด และเหมาะที่สุด

อย่างไรก็ตาม แม้จะมีการเสนอใน [ 5 ]
ไม่มีเหตุผลที่จะบอกว่า นำเสนอขั้นตอนวิธี
ดีที่สุดในการปรับพารามิเตอร์กว่า แต่ให้
ขั้นตอนวิธีเพียงทำหน้าที่เพื่อให้เรากับพารามิเตอร์ของฟังก์ชันการเป็นสมาชิกตาม

) ภาพกราฟแสดงความถี่ โครงสร้างโดยรวมของบทความนี้คือ
เช่นว่านั้นก่อนอธิบายโครงสร้างทั่วไปของวิธีที่เสนอ และมอบให้

แต่ละคนและทุกส่วน จัดโครงสร้างรวมถึงประมาณการ
หลักภาพกราฟในรายละเอียด และสุดท้ายก็มี
ผลลัพธ์ของการวิเคราะห์ผลและการดำเนินงานของ
วิธีและการเปรียบเทียบกับวิธีการอื่น ๆ .