Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Research on mixed noise removal algorithm for ore images based on fusion filtering technique

Jiang Zhi Hong, Chen Ao, Xiao Wen Cong, Huang Jin Ruo

Gospodarka Surowcami Mineralnymi

2024

T. 40, z. 4

91--105

To meet the requirements of the image processing process on image quality, as the ore image contains Gaussian noise, pepper noise, Rayleigh noise, and other kinds of mixed noise is easy to destroy the real information of the image combined with the advantages of wavelet and non-local mean filtering, a new wavelet + non-local mean (NL-means) fusion denoising algorithm is proposed. Taking the ore image with mixed noise obtained from a mine as the research object, the wavelet function is used to carry out a two-dimensional wavelet transform on the filled image, separating the high and low-frequency information, setting the threshold vector to deal with the high-frequency wavelet coefficients, inverting the transform to get the first reconstructed image, followed by the second inverse transform. Then, the second reconstructed image is subjected to NL-mean denoising to remove the complex mixed noise in the ore image to the maximum extent. The experimental results show that the noise reduction performance of the fusion denoising algorithm has a greater improvement compared with the single filter and several other fusion algorithms. The peak signal-to-noise ratio of the denoised image is 31.0181dB. The structural similarity is 0.59913, which is 15.7584dB and 0.45241, respectively, compared with that before denoising. It has an obvious effect on the removal of the mixed noise in the ore image, which provides strong technical support to improve the noise removal of the ore image.

Aby spełnić wymagania procesu przetwarzania obrazu dotyczące jakości obrazu, ponieważ obraz rudy zawiera szum Gaussa, szum pieprzowy, szum Rayleigha i inne rodzaje szumu mieszanego, łatwo jest zafałszować rzeczywiste dane obrazu w połączeniu z zaletami filtrowania falkowego i średniej nielokalnej, zaproponowano nowy algorytm odszumiania fuzji falkowej + średniej nielokalnej (NL-means). Biorąc obraz rudy z szumem mieszanym uzyskany z kopalni jako obiekt badawczy, funkcja falkowa jest używana do przeprowadzenia dwuwymiarowej transformacji falkowej na wypełnionym obrazie, oddzielając informacje o wysokiej i niskiej częstotliwości, ustawiając wektor progowy w celu radzenia sobie ze współczynnikami falkowymi o wysokiej częstotliwości, odwracając transformację w celu uzyskania pierwszego zrekonstruowanego obrazu, a następnie drugiej odwrotnej transformacji. Następnie drugi zrekonstruowany obraz jest poddawany odszumianiu NL-mean w celu usunięcia złożonego szumu mieszanego w obrazie rudy w maksymalnym stopniu. Wyniki eksperymentów pokazują, że wydajność redukcji szumu algorytmu odszumiania fuzji jest większa w porównaniu z pojedynczym filtrem i kilkoma innymi algorytmami fuzji. Szczytowy stosunek sygnału do szumu odszumionego obrazu wynosi 31,0181 dB. Podobieństwo strukturalne wynosi 0,59913, co stanowi odpowiednio 15,7584 dB i 0,45241 w porównaniu z tym przed odszumianiem. Ma to oczywisty wpływ na usuwanie szumu mieszanego w obrazie rudy, co zapewnia silne wsparcie techniczne w celu poprawy usuwania szumu obrazu rudy.

SVIA dataset: A new dataset of microscopic videos and images for computer-aided sperm analysis

Chen Ao, Li Chen, Zou Shuojia, Rahaman Md Mamunur, Yao Yudong, Chen Haoyuan, Yang Hechen, Zhao Peng, Hu Weiming, Liu Wanli, Grzegorzek Marcin

Biocybernetics and Biomedical Engineering

2022

Vol. 42, no. 1

204--214

Computer-Aided Sperm Analysis (CASA) is a widely studied topic in the diagnosis and treatment of male reproductive health. Although CASA has been evolving, there is still a lack of publicly available large-scale image datasets for CASA. To fill this gap, we provide the Sperm Videos and Images Analysis (SVIA) dataset, including three different subsets, subset-A, subset-B and subset-C, to test and evaluate different computer vision techniques in CASA. For subset-A, in order to test and evaluate the effectiveness of SVIA dataset for object detection, we use five representative object detection models and four commonly used evaluation metrics. For subset-B, in order to test and evaluate the effectiveness of SVIA dataset for image segmentation, we used eight representative methods and three standard evaluation metrics. Moreover, to test and evaluate the effectiveness of SVIA dataset for object tracking, we have employed the traditional kNN with progressive sperm (PR) as an evaluation metric and two deep learning models with three standard evaluation metrics. For subset-C, to prove the effectiveness of SVIA dataset for image denoising, nine denoising filters are used to denoise thirteen kinds of noise, and the mean structural similarity is calculated for evaluation. At the same time, to test and evaluate the effectiveness of SVIA dataset for image classification, we evaluate the results of twelve convolutional neural network models and six visual transformer models using four commonly used evaluation metrics. Through a series of experimental analyses and comparisons in this paper, it can be concluded that this proposed dataset can evaluate not only the functions of object detection, image segmentation, object tracking, image denoising, and image classification but also the robustness of object detection and image classification models. Therefore, SVIA dataset can fill the gap of the lack of large-scale public datasets in CASA and promote the development of CASA. Dataset is available at: .https://github.com/Demozsj/Detection-Sperm.