بهبود کنتراست تصاویر با استفاده از مدل ترکیبی گاوسی
محل انتشار: هجدهمین کنفرانس ملی دانشجویی مهندسی برق ایران
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,276
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE18_164
تاریخ نمایه سازی: 12 تیر 1395
چکیده مقاله:
بهبود تصاویر دیجیتال، امروزه به عنوان یکی از چالش برانگیزترین زمینه های تحقیق در حوزه پردازش تصویر به شمار میآید. چراکه الگوریتمهای این زمینه همواره به عنوان عملیات پیش پردازش برای پردازش های مهم بعدی مورد استفاده قرار می گیرند و از آنجاییکه کیفیت عملکرد روش های پیش پردازشی همچون بهبود تصاویر،تأثیر مستقیم برروی هر گونه پردازش در مراحل بعدی خواهد داشت، بنابراین عملکرد بالای روش های بهبود تصاویر می تواند در افزایش کارایی کل سیستم تأثیر زیادی داشته باشد. در این مقاله، روشی جدید برای افزایش کنتراست تصاویر ارائه شده است که طی آن با در نظر گرفتن محتوای تصویر، نواحی مهم تصویر ورودی تشخیص داده شده و سپس، تمایز این نواحی از یکدیگر افزایش داده می شود. در راهکار پیشنهادی این مقاله، هر ناحیه زنگوله ای از هیستوگرام را با یک توزیع گاوسی مدل کرده و نشان داده ایم این نواحی زنگوله ای هر یک مربوط به یکی از نواحی یکنواخت تصویرند. پس از این مرحله و مدل کردن قله های هیستوگرام اصلی با چندین توزیع گاوسی، با استفاده از مدل ترکیبی گاوسی (GMM) هیستوگرام ورودی را مدل کردیم. برای مقایسه بهتر عملکرد روش پیشنهادی، چهار روش از متداول-ترین روش های موجود در این زمینه در کنار روش پیشنهادی پیاده سازی و برروی تصاویر مختلف آزمایش شده اند.
کلیدواژه ها:
نویسندگان
مجید پورمنصوری
دانشگاه آزاد اسلامی واحد ملایر
حسین سلیمانی
دانشگاه آزاد اسلامی واحد ملایر
وحید رافع
دانشگاه آزاد اسلامی واحد ملایر
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :