Chống rung ảnh stereo bằng curvelet

Nội dung text: Chống rung ảnh stereo bằng curvelet

1. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 Nguy n Thỳy Anh1*, 1,2 1 ng i h c Bỏch khoa Hà N i - S i C Vi t Hai Bà i 2 i H ng Xó H - ng H u Ngh i n Tũa so n: 20-10-2016; ch p nh -02-2017 Túm t t Trong bài bỏo này, chỳng tụi trỡnh bày v ch ng rung và kh nhi u nh b Curvelet. i v i nh stereo núi riờng và tớn hi u 1D, 2D, 3D, MD (nhi u chi t bi n ch a ng thụng tin quan tr ng c n b o toàn. B ng vi c dựng bi i Curvelet cú th t n d m và h n ch m c c bi ng tớnh b n v bi i ng hi u qu ch ng rung lo i tr nhi u. K t qu mụ ph ng ch rừ hi u qu ch ng rung c ng c a giỏ tr PSF (Point-spread function) lờn cỏc m ng giỏ tr RMSE (Root Mean Square Error) và PSNR (Peak Signal-to-Noise Ratio) khụi ph c l i nh b rung hi u qu so v n th ng khỏc. T khúa: Ch ng rung, Bi i Curvelet, X lý nh stereo, Kh nhi u nh. Abtracts In this paper, we present image of noise reduction and vibration problems by curvelet method. For particular stereo image and 1D, 2D, 3D, MD (multidimensional) signals in general, the mutation points contain important information that need preservation. By using curvelet transform can make use of the advantages and limit disadvantages of the method. Specialy, enhancing the sustainability base on curvelet transformation and enhance effectiveness of vibration and denoise. The simulation results show the vibration effectiveness of the method when using the impact of PSF to the value of arrays of RMSE values and PSNR to restore the shaked image more efficient than the other tradition methods. Keyword: Antivibration, Curvelet transfomation, Stereo image processing, Image Denoising. * *
2. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 2.1. nhstereo 2.2. B l c Wiener và v khụi ph c nh 2.3. Bi i Curvelet
3. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 khung ch t 3.1. Tỏch nh Stereo thành cỏc nh 2D Curvelet r i r c Thu t toỏn ch ng rung nh Stereob ng Curvelet 3.2. Tỏch biờn t nh Stereo và khụi ph c biờn lý ng b ng Curvelet 2.4 Cỏc tham s ng nh
4. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 3.3.2. Kh nhi u c ng Gauss và khụi ph c b ng Curvelet 3.3. ng nhi u và khụi ph c nh Stereo 3.3.3. Kh nhi u nhõn Gauss và khụi ph c b ng Curvelet 3.3.1. Kh nhi u ng u nhiờn và khụi ph c b ng Curvelet 3.4. X lý nh Stereo m b ng Curvelet
5. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 3.4.2. Ch ng rung nh s d ng Curvelet 3.4.1. Ch ng rung nh s d ng Wiener filter K t lu n:
6. T p chớ Khoa h c và Cụng ngh 117 (2017) 031-036 [3]. Franỗois G. Meyer - Wavelet-Based Estimation of a Semiparametric Generalized Linear Model of FMRI Time-Series, IEEE Trans. on Medical Imaging 22(2003)3. [4]. Christopher B. Smith, Sos Agaian, and David Akopian - A Wavelet-Denoising Approach Using Polynomial Threshold Operators, IEEE Trans. Signal Processing Lets., 15(2008). [1]. Simon Haykin, Adaptive Filter Theory Fifth Edition, [5]. E.Candàes, L. Demanet, D.Donoho, L. Ying, Fast page108, International Edition. discrete curvelettransforms, Multiscale Model. Simul., [2]. Sendur, L., Selesnick, I. W. - Bivariate shrinkage 5(2006)(3)861-899. functions for Wavelet-based denoising exploiting [6]. E.Candàes, D. Donoho, Continuous curvelet transform: interscale dependency, IEEE on Trans. Signal I. Resolution of the wavefront set, Appl. Comput. Processing., 50(2002)2744-2756. Harmon. Anal., 19(2003)162-197.