计算机科学全球研究杂志
菜单类ISSN:2229-371X
ISSN:2229-371X
法赛尔卡迪尔一号M.A.平面2k.A.汉市3
|
| 对应作者 :法赛尔卡迪尔电子邮件:faselqadir@gmail.com |
| 相关文章at普梅德,学者谷歌 |
访问更多相关文章计算机科学全球研究杂志
细胞自动机法使用离散空间表示域内每个元素的状态,此状态可按转换规则修改图像噪声不需图像信息噪音可能在图像捕捉、传输或处理期间发生,并可能依赖或可能不依赖图像内容减少噪声是数字图像预处理的重要过程之一最原始方法使用邻接像素替换噪声像素但这些方法有一个很大的缺陷 即应用在所有像素上 腐烂和无干扰像素图像松散关键纹理像边缘最近研究者建议分类法,在此例中先识别腐烂像素并代之以近邻值,而无干扰像素则不变拟方法先识别噪声后从基于CA失密图像中去除为了说明拟议方法,对数个标准测试图像进行了一些实验,并与常用滤波法作比较。结果显示,拟议方法相对有理想性能以及可见性概念CA先介绍后推近邻结构、建议模型和实验结果
关键字 |
| 细胞自动机处理噪声滤波 |
导 言 |
| 细胞自动机系统经典CA基础理论由VonNe后期Stephen Wolfran开发理论[2]CA可模拟丰富复杂评价过程,并可视之为维度无限的动态系统CA模型不仅仅是计算机理论的重要模型,应用到数学、物理、生物、化学、地理学和经济学非线性外观和分形结构研究中 |
| 传输过程输入图像数据值将受各种噪声影响噪声源可能来自外部干扰,例如大气噪声 人工噪声 会干扰系统扰动生成系统操作错误信息图像随机扰动显示为噪声,往往由摄像头传感器故障像素、硬件故障存储点或噪声信道传输引起 |
| 噪声很好地降低图像质量并损害图片信息表达图像滤波可有效减少噪声并使图像平滑图像滤波常用方法一般为空间滤波和频域滤波脉冲噪声清除的目标是抑制噪声同时维护边缘和细节信息完整性,减少与任何类型噪声有关的退化,预处理或滤波步骤可应用[3] |
| 设计高效滤波算法方面付出了很多努力中值滤波比线性滤波效果优 [4][5]其余为自适应中位滤波[6]和累进切换中位 [7]本文显示基于手机自动机的滤波器,用它清除噪声图像中的脉冲噪声[8][9]手机自动机算法可同时应用二进制图像和灰度图像,并显示比性能[8][9]有显著改善 |
CELLULARATOMATA |
| CA模型由细胞状态集、邻接和局部规则组成分步进程和宇宙规则用单接收器表示,每步计算新状态与近邻状态系统规则本地统一有一维二维三维CA模型简单二元CA由一行细胞组成,使用局部规则(通常是确定性),单元格值同步更新离散时间级k-stateCA模型下,每个单元格可取0k-l之间的整数值总体说来,规则控制CA模型演化 |
| CA模型定义如下[9]: |
| CA为4图{L/S/N/F},L为正常单元格网格,S为有限单元格状态,N为有限邻接显示一个单元格与另一个单元格在laticeN上的位置,F函数分配新状态 |
| 256类(28=256)不同的本地规则故此SWolfran用局部规则编号自动机并深入研究结果显示,即使基本细胞自动机如此简单, 所显示的空间配置异常复杂 |
| 下图(1)显示一维二元状态近邻手机自动机latice配置(7单元格宽度)连续两步显示本地邻里配置t=0为111(二等、三等和四等单元格当前值),查表显示该单元格下一时为0.66嵌套中所有单元格以相似方式并同时更新 |
 |
网络结构 |
| 图像二维使用2DA模型2DA模型中有三个正规拉特语系,即三角形、方形和六角形在大多数情况下,平方阵列使用,仅在偶发时三角形或六角形选择更好实验中矩形正态网格表示数字图像,每个单元格表示图像的像素初始配置t=0为原创图像设计基于CA去噪规则前,必须先确定邻接结构邻里结构主要包括von Neumann邻里和more邻里图2显示 |
 |
| VonNeumann邻里 4个单元 上下单数 右向左从每个单元 都称vonNeumann邻里半径定义为1, 只考虑下层邻里单元总数包括自身5[10],方程(1)显示 |
| N(I,j) = {K,l) L:QQi+ |
| where,k为单元格数和i为图像像素空间除vonNeumann邻里的四个单元外,more邻里还包括沿对角的四个相邻单元在这种情况下半径r=1相邻单元格总数自有9全像方程(2)所示 |
| N(I,j)={{k,l)L:最大 |
| 目标单元格时间t+1状态取决于自身状态和时间tme |
 |
| 中心像素与邻里比较时,我们使用方程显示结构元概念(4) |
| SE=Stre |
| 创建方形结构元件宽度像素w必须是图3显示的非负整数标量 |
 |
推荐NOSEFLIE方法 |
| 方法论 |
| 我们建议的方法基于事实,即如果中心元素比邻里高,这些邻里将从中心元素获取捐款,而反之,中心从邻里获取捐款拟方法显示于图4中 |
 |
| 算法: |
| a.读入图像I,受噪声影响并增加周期边界条件 |
| b.计算Smax、Smin和Smed-像素值最大值、最小值和中值 |
| C.smin < stij < smax, |
| .测试像素下降 |
| 测试像素值小于邻里所有像素值 |
| 测试像素值大于邻里所有像素值 |
| e.si-1j+1t |
| f.重复2至4步对输入图像I所有像素 |
| 架构 : |
| 总体框架图5显示过滤过程启动时, S1接收噪声图像S2连接脉冲检测块s4开关受噪声估计块输出控制,该区块决定过滤操作所需迭代数开关S3或选择中位滤波输出或非过滤输入像素视脉冲检测器为后续迭代提供的信息而定,前迭代输出由开关S1视为输入 |
 |
结晶 |
| 实验图像选为经典Lena和Mandrill图像,其大小为256x256,脉冲噪声百分比不等为了客观评价传统和CA算法性能,使用方程5[11]定义的峰值噪声比 |
 |
| 关于方程,M和N表示图像维度a高值PSNR表示恢复图像更好表1显示PSNR拟用法和传统滤波法比较 |
 |
| 图6为第一张图像Lena,Lena灰度微博6.1为原创图像福格6.2,显然20%盐和辣椒噪声加到图像中微博6.3显示中位滤波结果终于Fig6.4说明使用CA过滤后产生图像 |
 |
结论 |
| 要进一步提高性能,有几个领域需要调查扩展使用非单细胞自动机规则,因为拟议方法输出看中低噪声比达40%,但显示性能差随噪声比增 |
引用 |
|