Исследование метода разреженных представлений для подавления эффекта ложного оконтуривания
Умнов А.В., Крылов А.С.

Национальный исследовательский университет «Высшая школа экономики», Москва, Россия,
Московский государственный университет имени М.В. Ломоносова, Москва, Россия

Аннотация:
В статье предложен алгоритм решения задачи подавления эффекта ложного оконтуривания на изображениях на основе метода разреженных представлений. Предложенный метод включает в себя в качестве одного из этапов повышение резкости изображений методом деконволюции Винера–Ханта. Алгоритм подавления эффекта ложного оконтуривания построен на основе результатов анализа взаимной согласованности сигналов и разреженности представлений при работе с эффектом ложного оконтуривания в методе разреженных представлений. Проведен также анализ взаимной согласованности сигналов и разреженности представлений для размытых изображений и изображений с белым гауссовским шумом.

Ключевые слова :
эффект ложного оконтуривания, разреженные представления, взаимная согласованность.

Цитирование:
Умнов, А.В. Исследование метода разреженных представлений для подавления эффекта ложного оконтуривания / А.В. Умнов, А.С. Крылов // Компьютерная оптика. – 2016. – Т. 40, № 6. – С. 895-903. – DOI: 10.18287/2412-6179-2016-40-6-895-903.

Литература:

  1. Nasonov, A.V. Edge quality metrics for image enhancement / A.V. Nasonov, A.S. Krylov // Pattern Recognition and Image Analysis – 2012. – Vol. 22(2). – P. 346-353. – DOI: 10.1134/S1054661812020113.
  2. Koh, C.C. Annoyance of individual artifacts in MPEG-2 compressed video and their relation to overall annoyance / C.C. Koh, S.K. Mitra, J.M. Foley, I. Heynderickx // Proceedings of SPIE. – 2005. – Vol. 5666. – P. 595-606. – DOI: 10.1117/12.587423.
  3. Liu, H. A perceptually relevant approach to ringing region detection / H. Liu, N. Klomp, I. Heynderickx // IEEE Transactions on Image Processing. – 2010. – Vol. 19(6). – P. 1414-1426. – DOI: 10.1109/TIP.2010.2041406.
  4. Marziliano, P. Perceptual blur and ringing metrics: application to JPEG2000 / P. Marziliano, F. Dufaux, S. Wink­ler, T. Ebrahimi // Signal Processing: Image Communication. – 2005. – Vol. 19. – P. 163-172. – DOI: 10.1016/j.image.2003.08.003.
  5. Ghang, H. Reducing artifacts in JPEG decompression via a learned dictionary / H. Chang, M.K. Ng, T. Zeng // IEEE Transactions on Signal Processing. – 2014. – Vol. 62(3). – P. 718-728. – DOI: 10.1109/TSP.2013.2290508.
  6. Shen, M.-Y. Review of postprocessing techniques for compression artifact removal / M.-Y. Shen, C.-C. Jay Kuo // Journal of Visual Communication and Image Representation. – 1998. – Vol. 9(1). – P. 2-14. – DOI: 10.1006/jvci.1997.0378.
  7. Mosleh, A. Image deconvolution ringing artifact detection and removal via psf frequency analysis / А. Mosleh, J.M.P. Langlois, P. Green // Computer Vision – ECCV 2014, Series: Lecture Notes in Computer Science. – 2014. – Vol. 8692. – P. 247-262. – DOI: 10.1007/978-3-319-10593-2_17.
  8. Umnov, A. Sparse method for ringing artifact detection / A. Umnov, A. Nasonov, A. Krylov, D. Yong // Proceedings of 12th International Conference on Signal Processing. – 2014. – P. 662-667. – DOI: 10.1109/ICOSP.2014.7015086.
  9. Nasonov, A. Adaptive image deringing / A. Nasonov, A. Krylov // Proceedings of GraphiCon 2009. – 2009. – P. 151-154.
  10. Krylov, A. Variational image deringing using varying regularization parameter / A. Krylov, I. Sitdikov // Pattern Recognition and Image Analysis. – 2015. – Vol. 25(1). – P. 96-100. – DOI: 10.1134/S1054661815010186.
  11. Kellner, E. Gibbs-ringing artifact removal based on local subvoxel-shifts / E. Kellner, B. Dhital, V. Kiselev, M. Reisert // Magnetic Resonance in Medicine. – 2016. – Vol. 76(5). – P. 1574-1581. – DOI: 10.1002/mrm.26054.
  12. Mallat, S. A wavelet tour of signal processing: the sparse way / S. Mallat. – Philadelphia: Elseveir, 2009. – 805 p. – ISBN: 978-0-12-374370-1.
  13. Rudin, L. Nonlinear total variation based noise removal algorithms / L. Rudin, S. Osher, E. Fatemi // Physica D: Nonlinear Phenomena. – 1992. – Vol. 60(1-4). – P. 259-268. – DOI: 0.1016/0167-2789(92)90242-F.
  14. Umnov, A. Ringing artifact suppression using sparse representation / A. Umnov, A. Krylov, A. Nasonov // Proceedings of the 16th International Conference on Advanced Concepts for Intelligent Vision Systems. – 2015. – P. 35-45. – DOI: 10.1007/978-3-319-25903-1_4.
  15. Elad, M. Sparse and redundant representations / M. Elad. – New York: Springer, 2010. – 376 p. – ISBN: 978-1441970107.
  16. Elad, M. On the role of the sparse and redundant representations in image processing / M. Elad, M.A.T. Figueiredo, Y. Ma // Proceedings of the IEEE. – 2010. – Vol. 98(6). – P. 972-982. – DOI: 10.1109/JPROC.2009.2037655.
  17. Кольцов, П.П. Оценка размытия изображения / П.П. Кольцов // Компьютерная оптика. – 2011. – Т. 35, № 1. – С. 95-102.
  18. Orieux, F. Bayesian estimation of regularization and point spread function parameters for Wiener-Hunt deconvolution / F. Orieux, J.F. Giovannelli, T. Rodet // Journal of the Optical Society of America A. – 2010. – Vol. 27(7). – P. 1593-1607. – DOI: 10.1364/JOSAA.27.001593.
  19. Donoho, D.L. Stable recovery of sparse overcomplete representations in the presence of noise / D.L. Donoho, M. Elad, V.N. Temlyakov // IEEE Transactions on Information Theory. – 2006. – Vol. 52(1). – P. 6-18. – DOI: 10.1109/TIT.2005.860430.
  20. Крылов, А.С. Влияние эффекта Гиббса на взаимную согласованность в методе разреженных представлений для изображений / А.С. Крылов, А.В. Умнов // Вестник МГУ. Серия 15: Вычислительная математика и кибернетика. – 2016. – Т. 4. – С. 12-17.
  21. База данных изображений с эффектом Гиббса и ложным оконтуриванием [Электронный ресурс]. – URL: http://imaging.cs.msu.ru/research/ringing/database (дата обращения 21.09.2016).
  22. SciPy: Open Source scientific tools for Python [Electronical Resource] / E. Jones, E. Oliphant, P. Peterson [et al.]. – URL: http://scipy.org/ (дата обращения 21.09.2016).
  23. Hunter, J. Matplotlib: A 2D graphics environment / J. Hunter // Computing in Science and Engineering. – 2007. – Vol. 9(3). – P. 90-95. – DOI: 10.1109/MCSE.2007.55.
  24. Pedregosa, F. Scikit-learn: Machine learning in Python / F. Pedregosa [et al.] // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825-2830.
© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20