Eğricik dönüşümü kullanılarak imgelerde gürültü giderimi ve içerik tabanlı görüntü erişimi

Abstract

Günümüz dijital multimedya haberleşme sistemlerinde son yirmi yıldır gerçekleşen evrim sonucunda görüntü erişimi ve gürültü giderimi daha önemli ve gerekli bir konuma gelmiştir. Görüntü analizi yöntemlerindeki hızlı ve yenilikçi gelişimlere rağmen görüntü erişimi ve gürültü giderimi üzerine daha başarılı yöntemlere olan ihtiyaç söz konusu olduğunda mevcut teknoloji geride kalmaktadır. Gürültü giderimi ve görüntü erişimi üzerine yapılan birçok çalışmanın içerisinde yer alan bu çalışmada çok çözünürlüklü eğricik dönüşümü üzerine iki yeni yönteme yer verilmektedir. Bunlardan ilki, eğricik dönüşümü ve Gauss karışımları yöntemi kullanılarak imgelerde toplanır beyaz Gauss gürültüsünün giderimi için önerilen yeni bir yaklaşımdır. Bu yöntem sonucunda elde edilen istatistiksel parametreler kullanılarak bir eşik değeri tespit edilmiş ve sert eşikleme yapılarak gürültü azaltılması hedeflenmiştir. Ayrıca, eğricik dönüşümüne ilişkin her seviye için farklı bir eşik değeri kullanılarak gürültü gideriminde başarılı sonuçlara ulaşılmıştır. Bu çalışmanın ikinci kısmını oluşturan, görüntü erişimi için önerilen yöntemde ise yönelim bağımsızlık sağlanmış eğricik dönüşümü kullanılarak eş oluşum matrisleri ve gauss karışımları yöntemleri vasıtasıyla yenilikçi bir öznitelik çıkarımı sunulmuştur. Bu yöntemde eğricik dönüşümü imgelere uygulandıktan sonra her bir ölçek ve açı değeri için elde edilen katsayılara gauss karışımları yöntemi uygulanmıştır. Ayrıca belirli ölçekteki katsayılardan eş oluşum öznitelikleri çıkarılmış ve yönelimden bağımsızlık Gauss karışımı parametreleri etrafında yapılan dairesel öteleme ile sağlanmıştır. Sunulan her iki yöntem için literatürde kullanılan çeşitli veri tabanlarında deneysel sonuçlar elde edilmiştir. Bu sonuçlar hem Duyarlılık-Anma (Precision-Recall, P-R) hem de sınıflandırma başarımları açısından analiz edilmiştir. Elde edilen sonuçlara göre, bu çalışma literatürde var olan yöntemlerle karşılaştırılmış ve daha az karmaşıklığa sahip bir yöntem ortaya konulduğu, ayrıca eğricik dönüşümünün uyumlu başka teknikler ile beraber kullanılması ile daha yüksek başarıma erişilebildiği gösterilmiştir.

As a result of the evolution of digital multimedia systems continuing for more than 20 years, image denoising and retrieval problems have become more important and necessary. Despite rapid growth of new image analysis techniques demand for better denoising and retrieval methods continue to outstrip the capabilities of available technologies. Among the wide variety of applications related to image denoising and image retrieval, this study presents two novel methods based on the multiresolution curvelet transform. The first one of the proposed methods presents a novel image denoising method based on curvelet transform and Gaussian Mixture Model. After transforming noisy images into curvelet domain, Gaussian Mixture Model is applied. Statistical parameters obtained through evaluation of curvelet coefficients are used for calculating level-dependent thresholds in order to achieve image denoising. By applying hard-thresholding for the curvelet coefficients of each sub-band based on these statistical parameters noise removal is achieved. The second part of this study presents a novel rotation invariant texture representation model based on the multiresolution curvelet transform via co-occurrence and Gaussian mixture features for image retrieval and classification. To extract these features, curvelet transform is applied and the coefficients are obtained for each scale and orientation. The Gaussian mixture model features are computed from each of the sub bands and co-occurrence features are computed for only specific sub band. Rotation invariance is provided by applying cycle-shift around the Gaussian Mixture Model features. Both methods are experimentally validated on various databases used in the literature. These results are evaluated in terms of both precision-recall (P-R) curves and classification rates. According to the obtained results, this study provides a method which is both comparable with the existing state of art methods of the literature and includes less calculation complexity due to smaller feature vector size. Additionally, this study also shows that if curvelet transform is combined with appropriate techniques it can reach higher performances for denoising and image retrieval studies.