ترجمه الگوریتم مرتب سازی در هیستوگرام تشخیص دقیق

توضیحات

 عنوان فارسی: الگوریتم مرتب سازی در هیستوگرام تشخیص دقیق

عنوان انگلیسی مقاله ترجمه شده:

Fast Ordering Algorithm for Exact Histogram Specification

الگوریتم مرتب سازی درهیستوگرام تشخیص دقیق.

 

چکیده – این مقاله الگوریتم پر سرعتی را برای مرتب سازی مقادیر مرزی صحیح با روشی پر معنا و دقیق در عکس های دیجیتال  (پله ای) می دهد . این الگوریتم می تواند در هر برنامه کامل مبتنی بر هیستوگرام تشخیص دقیق  بکار رود. الگوریتم ما بر پایه روش مرتب سازی مبتنی بر برنامه تشخیص وردشی کار می کند. این روش وردشی مطابق آخرین پیشرفتهای علمی  نسبت به همه الگوریتم های مرتب سازی از نظر مرتب سازی دقیق و قابل اعتماد بهترین معرفی شده است اما از نظر سرعت بهترین نیست. در واقع کمینه کردن توابع وابسته به آن سخت است چون گرادیان (شیب)آنها در فضای وسیع تخت است. در این مقاله الگوریتم نقطه ثابت سریع و آسانی  را برای کمینه کردن این توابع پیشنهاد می کنیم. همگرایی سریع الگوریتم ما به دلیل خواص تحلیلی شناخته شده مدل است. این الگوریتم معادل فیلترینگ غیر خطی تکرار شونده است. علاوه بر آن نشان می دهیم که شکل خاصی از مدل وردشی باعث افزایش همگرایی سریع نسبت به فرم های دیگر می شود. ما ثابت می کنیم که فقط تعداد کمی تکرار این فیلتر باعث تقریبا همان مرتب سازی پیکسل در کمینه کننده می شوند. پس ما تعداد کمی مراحل تکراری را برای بدست آوردن تصویر بکار می بریم مراحلی که پیکسل ها به صورت دقیق و قابل اعتماد مرتب شوند. آزمایشهای عددی تایید می کنند که الگوریتم ما بازده بسیار بهتری نسبت به رقبای اصلی خود دارد.

مقدمه .

پردازش هیستوگرام تکنیکی با برنامه های کاربردی بسیار است کارکردهایی مثل :طبیعی سازی تصویر و بالا بردن کیفیت تصویر ،سایه دار کردن غیر قابل تشخیص، و تشخیص شی. هدف هیستوگرام دقیق تشخیص (HS) تبدیل تصویر ورودی به تصویر خروجی که دارای هیستوگرام معین است. برای هیستوگرام هدف یک شکل درباره هیستوگرام یکسان سازی (HE)صحبت می کنیم.

در نظر داشته باشید که تصویرfدیجیتال M×N (برای مثال پله ای) با l ارزش مرزی که

Q= {q1,…,ql} است. برای تصویر 8 بیتی داریم L=256 و Q={0,….,255}. ما دوباره تصویر را به ترتیب ستونی با بردار سایز n:=MN مرتب سازی می کنیم و آدرس پیکسلها با قرار دادن شاخص

In={1,…,n}مشخص می شود. هیستوگرام fبا hf نشان داده می شود که با فرمول

 

 

که ♯ علامت اعداد اصلی است.

درتئوری ،هیستوگرام مشخصات از ارتباط بین تابع توزیع تجمعی از متغیر تصادفی پیوسته با توزیع قراردادی و توزیعی یکنواخت استفاده می کند شکل 3 را ببینید. اما در تصاویر دیجیتال ما با تعداد زیادی متغیرهای گسسته n مواجه می شویم که Lمقدار ممکن (n>> L)را می توانند داشته باشند . پس هیستوگرام هدف هرگز دقیق نمیباشد. تابع متلب (histeq) توقع می رود که HE را ایجاد کند اما معمولا نمی تواند. اهمیت مرتب سازی دقیق و معنادار پیکسل ها قبل از هیستوگرام مشخصات در شکل 1 نشان داده شده است توضیحات موجود در عنوان را بخوانید.

در این مقاله ما بر هیستوگرام  تشخیص دقیقی تمرکز داریم تا به هیستوگرام هدف ĥ= (ĥ1,…,Ĥl )  برای مقادیر مرزی                                              برسیم.

اگر مقادیر پیکسلهای تصاویر ما جفتی متفاوت هستند لذا به طور دقیق صعودی قابل مرتب شدن هستند هیستوگرام دقیق مشخصات به راحتی می تواند اجرا شود با تقسیم لیست مرتب متناظر شاخص ها به L گروه و دادن مقدار مرزی 0 به اولین پیکسل1 ĥ، مقدار مرزی 1 به دومین پیکسل 2 ĥ و همین طور تا مقدار مرزی L-1 که به آخرین پیکسل Lĥ داده می شود. این روش آسان اگر برای همه ی پیکسل های تصویر ورودی مرتب سازی پر معنا ی دقیق انجام شود نتیجه ای عالی می دهد. شکل 1 اهمیت مرتب سازی برای هیستوگرام یکسان سازی را نشان می دهد.

تحقیق در مورد این مسئله در حدود 40 سال انجام شده است .مطابق با آخرین تحقیقات علمی روشها عبارتند از :

-مرتب سازی میانگین محلی (LM) توسط کالتوس، بولون و کاسری.

-مرتب سازی مبتنی بر    موج کوچک(WA) توسط وان و شی.

– برنامه تغییرات (VA) توسط نیکولوا و چان بر پایه کمینه کردن تابع صاف l1-TV.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش ترجمه مقاله

به منظور سفارش ترجمه تخصصی مقالات خود بر روی کلید زیر کلیک نمایید.

سفارش ترجمه تخصصی