چکيده

در این مقاله بر روی بازسازی تصویرهای آسیب دیده با استفاده از (GMM) multivariate Gaussian mixture model  به عنوان یک پیش فرض کار می­کند. چارچوب GMM در این روش برای بازسازی تصویر براساس تجمیع قطعات(patch) مشابه تصویر دریک همسایگی می باشد که از توزیع احتمال multivariate Gaussian با میانگین و کواریانس مشخص گرفته می شود.

در روش های قبلی بازسازی تصویر به کمک GMM، فاصله فضایی (هندسی) میان تکه های تصویر در کلاسترینگ در نظر گرفته نشده است. نتایج نشان می­دهند که با اعمال تخمین گوسین بر روی پنجره های سایز محدود،کلاسترینگ تکه ها با احتمال بالایی از multivariate Gaussian distribution تخمین زده می­شوند.

به عبارت دیگر مدل آماری پیشنهادی که بر اساس قطعات تصویر کار می کنند goodness-of-fit بهتری از ویژگی های آماری تصویرهای طبیعی فراهم می کند.

در این مقاله یک روش جدید جهت محاسبه وزن­های تجمعی جهت بازسازی تصویر از تکه ­های بازیابی شده معرفی می­شود که بر اساس درجه شباهت هر تکه به کلاسترهای تخمین زده شده گوسی عمل می­کند.

نتایج نشان می دهد در مورد حذف نویز از تصویر، روش مقاله کاملا قابل مقایسه با جدید ترین روش ها است و روش مورد استفاده در درون یابی تصویر بهتر از روش های جدید قبلی عمل می کند.

Image Restoration Using Gaussian Mixture Models

With Spatially Constrained Patch Clustering

بازیابی تصویر با استفاده از مدل های گوسین مخلوط همراه با استفاده از

 خوشه بندی تکه ­های اعمال شده

 Published in: IEEE

Date of Publication: 2015

مشخصات شبيه ساز:

دکتری هوش مصنوعی

دانشگاه اصفهان

محتويات:

• اصل مقاله
• پياده سازي در متلب
• ضميمه کردن گزارش فارسي
• readme

دانلود فايل

Papersim2015@gmail.com