Bozuk görüntülerin iyileştirilmesinde ortak vektör yaklaşımının kullanılması

Abstract

Bu tezde, bir görüntünün gürültülü bloklarını belirlemek için Ortak Vektör Yaklaşımına dayalı yeni bir yöntem önerilmiştir. Herhangi bir görüntünün bloklarının gürültülü veya temiz olarak sınıflandırılması için kullanılan bir eşik değeri, o görüntünün temiz örneklerinden oluşan referans veri setine Ortak Vektör Yaklaşımının uygulanmasıyla belirlenmiştir. Bu çalışmada kullanılan gürültü tipi, sıfır ortalama değerinde `Gauss` gürültüsüdür. Herhangi bir görüntünün blok tabanlı olarak gürültülü veya temiz olarak sınıflandırılmasıyla, tüm görüntüyü temizleme işlemine sokmak yerine, sadece gürültülü blokları temizleme işlemine sokmak mümkün olacaktır. Deneysel çalışmalar, önerilen yöntemin bir görüntünün bloklarının gürültülü veya temiz olarak sınıflandırılmasında çok başarılı olduğunu göstermektedir. 8x8 blok boyutlu test görüntülerinde 30-32 dB ve 12x12 ve 16x16 blok boyutlu test görüntülerinde 30-31 dB hariç olmak üzere, tüm PSNR (peak signal to noise ratio) değerleri için yaklaşık %100 sınıflandırma sonuçları elde edilmiştir. Son olarak, popüler görüntü temizleme algoritmaları gürültülü görüntülere uygulanmış ve bu algoritmaların sonuçları karşılaştırılmıştır. Temizleme işlemine sokulan gürültülü görüntülerin etkin bir şekilde temizlendiği görülmüştür; başka bir deyişle, gürültülü görüntülerin PSNR değerleri kayda değer ölçüde artmıştır.

In this paper, a novel method depending on the common vector approach is proposed to determine noisy blocks of an image. A threshold value for noisy/clean classification of the blocks of any image is determined by applying the common vector approach to the reference data set consisting of the clean samples of that image. The noise addressed in this paper is Gaussian noise with zero mean. By making a block based noisy/clean classification of any image; it is possible to expose only the noisy blocks into the denoising process, rather than subjecting the entire image to denoising. The results indicate that the proposed method is very successful for noisy/clean classification of the noisy blocks of an image. Approximately 100% classification results for all PSNR (peak signal to noise ratio) values except 30-32 dB for 8x8 block sized test images and except 30-31 dB for both 12x12 and 16x16 block sized test images are obtained. Finally, popular image denoising algorithms are applied to the noisy images and the results of these algorithms are compared. It is observed that the PSNR values of noisy images are appreciably increased.