EvaluationHAF and the algorithm pro

Evaluation
HAF and the algorithm proposed in MATLAB R2005a
were implemented and tested and the results of their
application on Lena image are provided here as example.
Figure 3 shows the main noisy image and Figure 4
presents the outputs after applying the three HAF, MF,
and proposed algorithms. Analysis of the results show the
medium filters of the fuzzy adaptor bring much less
opaqueness to the image in comparison to normal
medium filters, and this holds true for the offered filter as
well. It could be said with certainty about HAF algorithm
that there are conditions other than noise elimination that
apply noise to the image. This has been witnessed in
different tests on various images (Figure 4b). A precise
theoretical HAF analysis will lead us to this point as well.
The proposed algorithm produces better results in than
HAF and despite the fact that RB and Mfs are the same
for both of them, the proposed algorithm does not
produce any noise in the image which is due to the
powerful adaptor we have presented for it serving to find
the best possible state for all Mf parameters through an
evaluation function, and shows the final output based on
it, unlike HAF which gave values to said parameters
based on the image histogram. The only problem of the
proposed method is its need for more time as compared to
HAF. It can be said that the proposed method is at least
256 times slower than HAF, and this is obvious for HAF
estimates the Mf parameters and applies fuzzy filters only
once, while the proposed method applies the filters for all
possible states of Mf parameters and recognizes the best
output through an evaluation function in which case
minimum number of possible cases is 256 (assume that at
least one parameter may change among gray levels of 0
to 256, while taking into account all parameters we will
see that the number of states are far more than this).

ผลลัพธ์ (ไทย) 1:

ประเมินHAF และอัลกอริทึมนำเสนอใน MATLAB R2005aถูกนำมาใช้ และผ่านทดสอบ และผลลัพธ์ของพวกเขามีแอพลิเคชันในรูปน้ำลีนาที่นี่เป็นตัวอย่างรูปที่ 3 แสดงภาพหลักคะและรูปที่ 4นำเสนอการแสดงผลหลังจากใช้ HAF สาม MFและอัลกอริทึมที่นำเสนอ วิเคราะห์แสดงผลการตัวกรองขนาดของอะแดปเตอร์เอิบนำน้อยมากopaqueness ภาพโดยปกติตัวกรองขนาดกลาง และนี้ถือจริงสำหรับตัวกรองที่นำเสนอเป็นดี พูดอย่าง มีความแน่นอนเกี่ยวกับอัลกอริทึม HAFที่มีเงื่อนไขไม่ใช่ตัดออกเสียงที่เสียงกับภาพ นี้เคยเห็นในการทดสอบที่แตกต่างกันในรูปต่าง ๆ (รูปที่ 4b) แม่นยำHAF วิเคราะห์ทฤษฎีจะนำเราไปสู่จุดนี้เช่นอัลกอริทึมเสนอก่อให้เกิดผลลัพธ์ดีกว่าHAF และแม้ว่า RB และ Mfs เท่ากันสำหรับทั้งสองของพวกเขา อัลกอริทึมนำเสนอไม่ได้สร้างเสียงรบกวนในภาพซึ่งจะครบกำหนดในอะแดปเตอร์ที่มีประสิทธิภาพที่เราได้นำเสนอให้บริการในการค้นหารัฐได้ดีที่สุดสำหรับพารามิเตอร์ Mf ทั้งหมดผ่านการประเมินฟังก์ชัน และการแสดงผลลัพธ์สุดท้ายตามมัน ซึ่งแตกต่างจาก HAF ซึ่งให้ค่าพารามิเตอร์ดังกล่าวตามฮิสโตแกรมรูป ปัญหาเดียวของการวิธีการนำเสนอคือ ความต้องการเพิ่มเวลาเป็น compared เพื่อHAF สามารถกล่าวว่า วิธีการนำเสนอคือน้อย256 ครั้งช้ากว่า HAF และนี้เป็นที่ชัดเจนสำหรับ HAFประมาณพารามิเตอร์ Mf และใช้ตัวกรองเอิบเท่านั้นครั้งหนึ่ง ในขณะที่วิธีการนำเสนอใช้ตัวกรองทั้งหมดสามารถระบุพารามิเตอร์ Mf และรู้จักดีสุดแสดงผลผ่านทางฟังก์ชันการประเมินในกรณีจำนวนกรณีและปัญหาได้ต่ำสุดคือ 256 (สมมุติว่าที่พารามิเตอร์อย่างน้อยหนึ่งอาจเปลี่ยนแปลงในระดับสีเทาของ 0ถึง 256 ในขณะที่คำนึงถึงพารามิเตอร์ทั้งหมด เราจะดูจำนวนของอเมริกามากไปไกลกว่านี้)

ผลลัพธ์ (ไทย) 2:

การประเมินผล
HAF และอัลกอริทึมที่เสนอใน MATLAB R2005a
ถูกนำมาใช้และผ่านการทดสอบและผลของ
โปรแกรมประยุกต์บนภาพลีนามีให้ที่นี่เป็นตัวอย่าง.
รูปที่ 3 แสดงภาพมีเสียงดังหลักและรูปที่ 4
นำเสนอผลลัพธ์ที่ได้หลังจากการใช้สาม HAF, MF,
และ ขั้นตอนวิธีการที่นำเสนอ การวิเคราะห์ผลการแสดง
ตัวกรองสื่อของอะแดปเตอร์เลือนนำมากน้อย
ไม่โปร่งใสกับภาพเมื่อเทียบกับปกติ
กรองกลางและนี้ถือเป็นจริงสำหรับตัวกรองที่นำเสนอเป็น
อย่างดี มันอาจจะกล่าวด้วยความเชื่อมั่นเกี่ยวกับขั้นตอนวิธี HAF
ว่ามีเงื่อนไขอื่น ๆ กว่าการขจัดเสียงรบกวนที่
ใช้เสียงกับภาพ นี้ได้รับการร่วมเป็นสักขีพยานใน
การทดสอบที่แตกต่างกันในภาพต่างๆ (รูปที่ 4b) ความแม่นยำ
ในการวิเคราะห์ HAF ทฤษฎีจะนำเรามาถึงจุดนี้ได้เป็นอย่างดี.
อัลกอริทึมที่นำเสนอผลลัพธ์ที่ดีขึ้นในกว่า
HAF และแม้จะมีความจริงที่ว่า RB และ Mfs จะเหมือนกัน
สำหรับทั้งสองของพวกเขาอัลกอริทึมที่นำเสนอไม่ได้
เกิดเสียงใด ๆ ในภาพ ซึ่งเกิดจากการ
ที่มีประสิทธิภาพอะแดปเตอร์ที่เราได้นำเสนอการให้บริการสำหรับมันที่จะหา
รัฐที่ดีที่สุดสำหรับทุกพารามิเตอร์ Mf ผ่าน
ฟังก์ชั่นการประเมินผลและแสดงให้เห็นผลลัพธ์สุดท้ายขึ้นอยู่กับ
มันไม่เหมือน HAF ซึ่งทำให้ค่าพารามิเตอร์กล่าวว่า
ขึ้นอยู่กับ histogram ภาพ . ปัญหาเดียวของ
วิธีที่นำเสนอเป็นความต้องการของการใช้เวลามากขึ้นเมื่อเทียบกับ
HAF อาจกล่าวได้ว่าวิธีการที่นำเสนอเป็นอย่างน้อย
256 ครั้งช้ากว่า HAF และนี่คือที่ชัดเจนสำหรับ HAF
ประมาณการพารามิเตอร์ Mf และใช้ตัวกรองเลือนเพียง
ครั้งเดียวในขณะที่วิธีที่เสนอใช้ฟิลเตอร์สำหรับทุก
รัฐเป็นไปได้ของพารามิเตอร์ Mf และตระหนักถึง ที่ดีที่สุด
ออกผ่านฟังก์ชั่นการประเมินผลซึ่งในกรณีที่
จำนวนขั้นต่ำของกรณีที่เป็นไปได้คือ 256 (สมมติว่าอย่าง
น้อยหนึ่งพารามิเตอร์อาจมีการเปลี่ยนแปลงในหมู่ระดับสีเทาของ 0
ถึง 256 ขณะที่คำนึงถึงพารามิเตอร์ทั้งหมดเราจะ
เห็นว่าจำนวนของรัฐที่อยู่ห่างไกล มากไปกว่านี้)

ผลลัพธ์ (ไทย) 3:

กว่าการประเมิน
และขั้นตอนวิธีที่เสนอใน Matlab r2005a
ดำเนินทดสอบ และผลของการประยุกต์ใช้ใน Lena ภาพไว้ที่นี่

เป็นต้น รูปที่ 3 แสดงหลักดังภาพและรูปที่ 4
แสดงผลหลังจากการใช้สามกว่า MF
, , และนำเสนออัลกอริทึม การวิเคราะห์ผลลัพธ์ที่ได้แสดงให้เห็นว่าสื่อตัวกรองฟัซซี่ของอะแดปเตอร์

พา น้อยมากopaqueness ไปยังรูปภาพในการเปรียบเทียบกับตัวกรองสื่อปกติ
และนี้ถือเป็นจริงเพื่อให้ตัวกรองเป็น
ดี มันอาจจะกล่าวด้วยความมั่นใจเกี่ยวกับกว่าขั้นตอนวิธี
ว่ามีเงื่อนไขอื่น ๆ มากกว่าการตัดเสียงรบกวนที่
ใช้เสียงกับภาพ นี้ได้รับการเป็นพยานใน
การทดสอบที่แตกต่างกันเกี่ยวกับภาพต่างๆ ( รูปที่ 4B ) ทฤษฎีวิเคราะห์แม่น
กว่าจะนำเราไปสู่จุดนี้ได้เป็นอย่างดี
วิธีที่เสนอสร้างผลลัพธ์ที่ดีกว่ากว่า
และแม้จะมีความจริงที่ว่า RB MFS เหมือนกัน
และทั้งสองของพวกเขา วิธีที่เสนอไม่ได้
ผลิตเสียงใดๆในรูป ซึ่งเกิดจากการ
อะแดปเตอร์ที่มีประสิทธิภาพที่เราได้แสดงไว้ให้บริการค้นหา
รัฐที่ดีที่สุดสำหรับพารามิเตอร์ MF ทั้งหมด โดย
ประเมินผลหน้าที่และแสดงผลลัพธ์สุดท้ายขึ้นอยู่กับ
มันแตกต่างกว่าที่ให้คุณค่าว่าพารามิเตอร์
ตามภาพภาพ ปัญหาเดียวของวิธีการที่เสนอความต้องการสำหรับ

เวลามากขึ้นเมื่อเทียบกับกว่า . อาจกล่าวได้ว่า วิธีที่นำเสนอนี้เป็นอย่างน้อย
256 ครั้งช้ากว่ากว่า และนี้คือชัดเจนกว่า
ประมาณพารามิเตอร์ และใช้ตัวกรองฟัซซี่ MF เท่านั้น
เมื่อ ในขณะที่วิธีที่เสนอจะใช้ตัวกรองทั้งหมด
รัฐเป็นไปได้ของพารามิเตอร์ MF และตระหนักถึงที่สุด
ออกผ่านการประเมินผลการทำงานซึ่งในกรณี
จํานวนกรณีที่เป็นไปได้ 256 ( สมมติว่าอย่างน้อยหนึ่งพารามิเตอร์จะเปลี่ยนระหว่าง
0
ระดับสีเทา 256 ในขณะที่คำนึงถึงพารามิเตอร์ทั้งหมดที่เราจะดูที่จำนวนของรัฐ
ไกลมากกว่า นี้ )