انجمن کامپیوتر ایران

در سال‌های اخیر روش‌های حذف نویز با استفاده از تبدیل موجک مورد توجه بسیاری از محققان بوده است, ولی برخی ضعف‌های آن مانند عدم امکان نمایش یکتایی خطی باعث شد تا تبدیل موجک جهت‌دار مطرح شود که تبدیل Curvelet از این نوع است. در فرایند نویززدایی, روش‌های مختلفی برای محاسبه مقدار مناسب آستانه ارائه شده است. روش پیشنهادی بر خلاف روش‌های موجود, توزیع مستقل را برای ضرائب در حوزه تبدیل در نظر نمی‌گیرد؛ همچنین به اندازه تصویر وابسته نیست و به تخمین زدن پراکندگی نویز و یا پارامترهای دیگر نیاز ندارد. در این مقاله با استفاده از شبکه عصبی, مقدار مناسب آستانه برای تصویر محاسبه می‌شود. ابتدا برای آموزش شبکه عصبی, ویژگی‌های مهم تصویر آسیب دیده با نویز گوسی در حوزهCurvelet استخراج می‌شوند و با توجه به نسخه سالم تصویر, مقدار آستانه ایده آل نیز محاسبه می‌شود. سپس ویژگی‌های تصویر نویزی جدید به عنوان ورودی به شبکه داده می‌شود تا شبکه آستانه مناسب را برای آن تخمین بزند. نتایج آزمایش بر روی تصاویر مختلف نشان داد که روش پیشنهادی در مقایسه با روش‌های موجود دارای دقت مناسبی است. علاوه بر آن، به دلیل ویژگی تبدیل Curvelet در حفظ لبه‌ها, تصاویر به‌دست آمده دارای کیفیت بهتری نسبت به تبدیل موجک هستند.