การกำจัดสัญญาณรบกวนแบบการบวกและแบบการคูณออกจากภาพ โดยใช้วิธีการสปริทเบรกแมน
Main Article Content
บทคัดย่อ
งานวิจัยนี้ผู้วิจัยนำเสนอวิธีการสปริทเบรกแมนสำหรับกำจัดสัญญาณรบกวนแบบการบวกและแบบการคูณออกจากภาพที่มีประสิทธิภาพและความแม่นยำสูง วิธีการนี้เกี่ยวข้องกับการหาค่าต่ำที่สุดของฟังก์ชันนัลซึ่งถูกเขียนในรูปอินทิกรัลของฟังก์ชันและอนุพันธ์ของฟังก์ชัน จึงทำให้การกำจัดสัญญาณรบกวนออกจากภาพโดยวิธีการนี้สามารถทำได้โดยการแก้สมการเชิงอนุพันธ์ที่เกี่ยวข้อง ผู้วิจัยได้เปรียบเทียบความแม่นยำระหว่างวิธีการเชิงตัวเลขที่ได้นำเสนอและวิธีการกรองภาพ ผลการทดลองเชิงตัวเลขกับภาพสังเคราะห์และภาพจริงพบว่าขั้นตอนวิธีการเชิงตัวเลขที่ผู้วิจัยได้นำเสนอสามารถกำจัดสัญญาณรบกวนดังกล่าวได้อย่างมีประสิทธิภาพและแม่นยำกว่าวิธีการกรองภาพซึ่งเป็นวิธีพื้นฐานในการซ่อมแซมภาพ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
References
Chandel, R. & Gupta, G. (2013). Image Filtering Algorithms and Techniques: A Review. IJARCSSE, 3(10), 198-202
Chumchob, N., Chen, K. & Brito-Loeza, C. (2013). A new variational model for removal of combined additive and multiplicative noise and a fast algorithm for its numerical approximation. International Journal of Computer Mathematics, 90(1), 140–161.
Goldstein, T. & Osher, S. (2009). The split bregman method for l1-regularized problems. SIAM Journal on Sciences, 2(2), 323-343.
Hirakawa, K. & Parks, T.W. (2006). Image denoising using total least squares. IEEE Trans, 15(9), 2730–2746.
Jin, Z. & Yang, X. (2010). Analysis of a new variational model for multiplicative noise removal. J. Math. Anal. Appl, 362, 259–268.
Lu, W., Duan, J., Qiu, Z., Pan, Z., Lim, R. W. & Bai, L. (2016). Implementation of high-order variational models made easy for image processing. Mathematical Methods in the Applied Sciences, 39, 4208-4233.
Lukin, V. V., Fevralev, D. V., Ponomarenko, N. N., Abramov, S. K., Pogrebnyak, O., Egiazarian, K. O. & Astola, J. T. (2010). Discrete cosine transform-based local adaptive filtering of images corrupted by nonstationary noise. J. Electron. Imaging, 19(2), 023007.
Rudin, L., Osher, S. & Fatemi, E. (1992). Nonlinear total variation based noise removal algorithms. Physica D, 60, 259–268.
Zhu, Y. & Huang, C. (2012). An Improved Median Filtering Algorithm for Image Noise Reduction. Phys. Procedia, 25, 609-616.