ارزیابی موجک‌های جدایی‌پذیر، ایستا و دو درختی مختلط برای کاهش نویز اسپکل بر اساس آستانه‌گیری بیزین و آستانه‌گیری BiShrink

روش‌های هوشمند در صنعت برق

مقاله 3، دوره 9، شماره 36، بهمن 1397، صفحه 23-32   

نوع مقاله: مقاله پژوهشی

نویسندگان

نیکو فرهنگی¹؛ صدیقه غفرانی^{* 2}

¹کارشناس ارشد - گروه برق مخابرات، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

²دانشیار - گروه برق مخابرات، دانشکده فنی و مهندسی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

وجود اسپکل به عنوان نویز ضرب شونده در تصاویر پرکاربرد اولتراسوند و رادار، باعث کاهش میزان درک تصویر می‌شود. بنابراین، کاهش اسپکل قبل از پردازش‌هایی به مانند بخش‌بندی، لبه‌یابی، تشخیص و رهگیری هدف، ضروری است. بطور کلی کاهش نویز در دو حوزه مکان و یا تبدیل انجام می شود که در این مقاله تمرکز ما حوزه تبدیل است. روش بیزین و روش BiShrink که روش دو متغیره بیزین می‌باشد، در حوزه‌ی تبدیل موجک جدایی پذیر، موجک ایستا و موجک دو درختی مختلط پیاده سازی می‌شود و با استفاده از آستانه‌گیری، به مقابله با نویز اسپکل پرداخته می‌شود. بر اساس نتایج تجربی حاصل از شبیه‌سازی، تبدیل موجک دو درختی مختلط به دلیل تفکیک بخش حقیقی و مجازی در حذف نویز اسپکل عملکرد بهتری دارد. همچنین روش BiShrink نسبت به روش بیزین کارآمدتر است. برای مقایسه عملکرد روش‌های مختلف از تصاویر تست استاندارد لنا و بارابارا و تصویر واقعی SAR استفاده شده و معیارهای کمی MSE ، PSNR ، SSIM ، ENL و NV بکار گرفته شده است. همچنین به منظور ارزیابی میزان تنک بودن ضرایب، هیستوگرام آنها نمایش داده شده و انحراف معیار متوسط برای همه زیرباندها محاسبه شده است.

کلیدواژه‌ها

روش بیزین؛ روش Bishrink؛ تبدیلات موجک جدایی‌پذیر؛ ایستا و دو درختی مختلط

مراجع

[1] B. Hou, X. Zhang, X. Bu, H. Feng, “SAR image despeckling based on nonsubsampled shearlet transform”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 5, No. 3, pp. 809-823, June 2012.

[2] N. Kingsbury, “The dual-tree complex wavelet transform: a new efficient tool for image restoration and enhancement”, Proceeding of the IEEE/ EUSIPCO, pp. 1-4, Rhodes, Greece, Sep. 1998.

[3] E.P. Simoncelli, "Bayesian denoising of visual images in the wavelet domain", Springer on Bayesian inference in wavelet-based models, Vol. 141, pp. 291-308, 1999.

[4] X.H. Wang, R.Sh. Istepanian, Y.H. Song, “Microarray image enhancement by denoising using stationary wavelet transform”, IEEE Trans. on Nanobioscience, Vol. 2, No. 4, pp. 184-189, Dec. 2003.

[5] M.C. Motwani, M.C. Gadiya, R.C. Motwani, F.C. Harris, "Survey of image denoising techniques", Proceedings of GSPX, pp. 27-30, Sept. 2004.

[6] Z. Vahabi, F. Almasgang, "Denoising in wavelet packet domain via approximation coefficients", Journal of Intelligent Procedures in Electrical Technology, Vol. 2, No. 8, pp. 31-38, Winter 2012.

[7] H.A. Chipman, E.D. Kolaczyk, R.E. McCulloch, "Adaptive bayesian wavelet shrinkage", Journal of the American Statistical Association, Vol. 92, No. 44, pp. 1413-1421, Dec. 1997.

[8] A. Achim, P. Tsakalides, A. Bezerianos, “SAR image denoising via Bayesian wavelet shrinkage based on heavy-tailed modeling”, IEEE Trans. on Geoscience and Remote Sensing, Vol. 41, No. 8, pp. 1773-1784, Aug. 2003.

[9] S. Jafari, S. Ghofrani, M. Sheikhan, “Comparing undecimated wavelet, nonsubsampled contourlet and shearlet for sar images despeckling”, Majlesi Journal of Electrical Engineering, Vol. 9, No. 3, Sept. 2015.

[10] N. Farhangi, S. Ghofrani, “Using bayesshrink, Bishrink, Weighted bayesshrink, and weighted bishrink in NSST and SWT for despeckling SAR images”, EURASIP Journal on Image and Video Processing, DOI 10.1186/s13640-018-0244-3, pp. 1- 18, Dec. 2018.

[11] Z. De-xiang, W. Xiao-pei, G. Qing-wei, G. Xiao-jing, "SAR image despeckling via bivariate shrinkage based on contourlet transform", IEEE International Symposium on Computational Intelligence and Design, vol. 2, pp. 12-15, China, Oct. 2008.

[12] Q. Guo, S. Yu, X. Chen, C. Liu, W. Wei, "Shearlet-based image denoising using bivariate shrinkage with intra-band and opposite orientation dependencies", IEEE International Joint Conference on Computational Sciences and Optimization, Vol. 1, pp. 863-866, China, April 2009.

[13] I.W. Selesnick, “Bivariate shrinkage functions for wavelet-based denoising exploiting interscale dependency”, IEEE Trans. on Signal Processing, Vol. 50, No. 11, pp. 2744-2756, Nov. 2002.

[14] D.-X. Zhang, Q.-W. Gao, X.-P. Wu, “Bayesian based speckle suppression for SAR image using contourlet transform”, Journal of Electronic Science and Technology of China, Vol. 6, No. 1, pp. 79-82, Jan. 2008.

[15] F. Lenzen, “Statistical regularization and denoising”, Chapter 1, 2006.

[16] A. Hyvärinen, “Sparse code shrinkage: Denoising of nongaussian data by maximum likelihood estimation”, Neural Computation, Vol. 11, No. 7, pp. 1739-1768, Oct. 1999.

[17] S. Xing, Q. Xu, D. Ma, “Speckle denoising based on bivariate shrinkage functions and dual-tree complex wavelet transform”, Int. Arch. Photogrammetry Remote Sens. Spatial Inform. Sci, Vol. 38, pp. 1-57, 2008.

[18] H. Cao, W. Tian,  C. Deng, "Shearlet-based image denoising using bivariate model", IEEE International Conference on Progress in Informatics and Computing, Vol. 2, pp. 819-821, China, Dec. 2010.

[19] D. Min, Z. Jiuwen, M. Yide, “Image denoising via bivariate shrinkage function based on a new structure of dual contourlet transform”, Signal Processing, Vol. 109, pp. 25-37, April 2015.

[20] M. Alioghli Fazel, S. Homayouni, V. Akbari, M. Mahdian Pari, "Speckle reduction of SAR images using curvelet and wavelet transforms based on spatial features characteristics",  Proceeding of the IEEE/IGARSS, pp. 2148-2151, Germany, July 2012.

[21] S. Yin, L. Cao, Y. Ling, G. Jin, “Image denoising with anisotropic bivariate shrinkage”, Signal Processing, Vol. 91, No. 8, pp. 2078-2090, Aug. 2011.

[22] Z. Wang, A.C. Bovik, H.R. Sheikh, E.P. Simoncelli, “Image quality assessment: from error visibility to structural similarity”, IEEE Trans. on Image Processing, Vol. 13, No. 4, pp. 600-612, April 2004.

[23] S. Jafari, S. Ghofrani, "Using two coefficients modeling of nonsubsampled shearlet transform for despeckling", Journal of Applied Remote Sensing, Vol. 10, No. 1, pp. 18-32, Jan. 2016.

[24] J. Zhang, T.M. Le, S. Ong, T.Q. Nguyen, “No-reference image quality assessment using structural activity”, Signal Processing, Vol. 91, No. 11, pp. 2575-2588, Nov. 2011.