Image denoising for removing additive and multiplicative noise using split Bregman method
Article Sidebar
Main Article Content
Abstract
In this paper, we propose the split Bregman method for additive and multiplicative noise removal with high efficiency and accuracy. This numerical method deals with minimizing two functionals, which are expressed as integrals involving functions and their derivatives, and thus, it involves solving the associated partial differential equation. We compared the accuracy between the proposed numerical method and the image filtering. Numerical experimental results on synthetic and real images illustrate that the proposed numerical method is more efficient and accurate than the image filtering that is basic methods for image restoration.
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.