ตัวแบบเชิงการแปรผันสำหรับกำจัดสัญญาณรบกวนแบบผสมที่ใช้เร็กกิวลาร์ไรซ์เซชันแบบการแปรผันรวมอย่างเวเบอร์
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญหาการกำจัดสัญญาณรบกวนออกจากภาพถ่ายดิจิทัล เป็นปัญหาที่ได้รับความสนใจเนื่องจากสามารถเพิ่มคุณภาพและความสามารถในการมองเห็นของข้อมูลบนภาพ ในกรณีภาพถ่ายทางการแพทย์ส่งผลให้การวินิจฉัยโรคมีความแม่นยำขึ้นและลดโอกาสเกิดข้อผิดพลาดได้ ในงานวิจัยนี้คณะผู้วิจัยได้พัฒนาตัวแบบ ASN-WTV สำหรับกำจัดสัญญาณรบกวนแบบผสมระหว่างสัญญาณรบกวนแบบการบวกและสัญญาณรบกวนแบบสเปคเคิล โดยใช้พจน์วัดความผิดปกติของข้อมูลของตัวแบบ ROF ในการกำจัดสัญญาณรบกวนแบบการบวก ใช้พจน์วัดความผิดปกติของข้อมูลของตัวแบบ KKWV ในการกำจัดสัญญาณรบกวนแบบสเปคเคิล และใช้เร็กกิวลาร์ไรซ์เซชันแบบการแปรผันรวมอย่างเวเบอร์ และได้นำเสนอวิธีการเชิงตัวเลข 2 วิธีคือ วิธีการทำซ้ำแบบจุดตรึงและวิธีการสปลิทเบรกแมนสำหรับหาผลเฉลยของตัวแบบ ASN-WTV และเปรียบเทียบประสิทธิภาพของภาพผลลัพธ์กับตัวแบบ KKWV-TVL จากผลการทดลองเชิงตัวเลขพบว่าตัวแบบ ASN-WTV ให้ภาพผลลัพธ์ที่มีคุณภาพมากกว่าภาพผลลัพธ์ที่ได้จากตัวแบบ KKWV-TVL และวิธีการสปลิทเบรกแมนมีประสิทธิภาพดีกว่าวิธีการทำซ้ำแบบจุดตรึงในการหาผลเฉลยเชิงตัวเลขของตัวแบบ ASN-WTV
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ศิริวรรณ จันทร์แก่น และ โสภิดา สุขญาณกิจ. (2567a). ตัวแบบเชิงการแปรผันที่ปรับปรุงสำหรับกำจัดสัญญาณรบกวนออก จากภาพที่เกิดจากสัญญาณรบกวนแบบผสม. วารสารวิทยาศาสตร์และเทคโนโลยี 32(5): 1 – 16.
ศิริวรรณ จันทร์แก่น และ โสภิดา สุขญาณกิจ. (2567b). การกำจัดสัญญาณรบกวนแบบการบวกและแบบการคูณออกจากภาพโดยใช้วิธีการปริทเบรกแมน. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยราชภัฏบุรีรัมย์ 8(1): 15 – 28.
Chankan, S., Chumchob, N. and Sroisangwan, P. (2023). A novel image denoising approach based on a curvature-based regularization. Signal Image and Video Processing 17: 2129 - 2136.
Chumchob, N., Chen, K. and 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.
Chumchob, N. and Prakit, I. (2019). An improved variational model and its numerical solutions for speckle noise removal from real ultrasound image. Journal of Computational Mathematics 37(2): 1 - 39.
De los Reyes, J.C., and Schnlieb, C.B. (2013). Image denoising learning the noise model via nonsmooth PDE- constrained optimization. Inverse Problems and Imaging 7(4): 1183 - 1214.
Goldstein, T. and Osher, S. (2009). The split Bregman method for l1-regularized problems. SIAM Journal on Sciences 2(2): 323 - 343.
Jin, Z. and Yang, X. (2010). Analysis of a new variational model for multiplicative noise removal. Journal of Mathematical Analysis and Applications 362: 415 – 426.
Kang, M., Jung, M. and Kang, M. (2018). Higher-order regularization based image restoration with automatic regularization parameter selection. Computers and Mathematics with Applications 76: 58 - 80.
Krissian, K., Kikinis, R., Westin, C.F. and Vosburgh, K. (2005). Speckle constrained filtering of ultrasound images. IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2: 547 – 552.
Kumar, B.B.S. and Satyanarayana, P.S. (2022). A mixture of Noise Image Denoising using Sevenlets Wavelet Techniques. Trends in Sciences 19(10): 4186 - 4186. doi: 10.48048/tis.2022.4186.
Lysaker, M., Lundervold, A. and Tai, X.C. (2003). Noise removal using fourth-order partial differential equation with applications to medical magnetic resonance images in space and time. IEEE Transactions on Image Processing 12(12): 1579 – 1590.
Rudin, L., Lions, P.L. and Osher, S. (2003). Multiplicative denoising and deblurring: theory and algorithms. In: Geometric Level Sets in Imaging, Vision, and Graphics. New York: Springer. 103 - 119
Rudin, L., Osher, S. and Fatemi, E. (1992). Nonlinear total variation based noise removal algorithms. Physica D: Nonlinear Phenomena 60(1-4): 259 - 268.
Shama, M.G., Huang, T.Z., Liu, J. and Wang, S. (2016). A convex total generalized variation regularized model for multiplicative noise and blur removal. Applied Mathematics and Computation 276: 109 - 121.
Tavakkol. E., Hosseini, S.M. and Hosseini, A.R. (2019). A new regularization term based on second order total generalized variational for image denoising problems. Iranian Journal of Numerical Analysis and Optimization 9(2): 141 - 163.
Thao, T.T.T., Pham, C.T., Kopylov, A.V. and Nguyen, V.N. (2019). An adaptive variational model for medical images restoration. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 12(2): 219 - 224.
You, Y.L. and Kaveh, M. (2000). Fourth-order partial differential equations for noise removal. IEEE Transactions on Image Processing 9(10): 1723 - 1730.
