একটি উন্নত ইমেজ ফিউশন অ্যালগরিদম
আমরা Shenzhen Sheng একটি বড় মুদ্রণ সংস্থা। আমরা সমস্ত বই প্রকাশনা, হার্ডকোভার বুক মুদ্রণ, কাগজপত্র বই মুদ্রণ, হার্ডকোভার নোটবুক, স্প্রিয়াল বুক প্রিন্টিং, স্যাডেল স্টিচিং বুক প্রিন্টিং, বুকলেট মুদ্রণ, প্যাকেজিং বক্স, ক্যালেন্ডার, সব ধরণের পিভিসি, পণ্য ব্রোশিওর, নোট, শিশু বই, স্টিকার, সমস্ত অফার করি বিশেষ কাগজ রঙ মুদ্রণ পণ্য, খেলা কার্ড এবং তাই ধরনের।
আরো তথ্যের জন্য অনুগ্রহ করে পরিদর্শন করুন
http://www.joyful-printing.com। শুধুমাত্র ইএনজি
http://www.joyful-printing.net
http://www.joyful-printing.org
ইমেইল: info@joyful-printing.net
প্রথম। ভূমিকা
চিত্র সংমিশ্রণ আরও সঠিক এবং সমৃদ্ধ ইমেজ তৈরি করতে দুই বা তার বেশি সেন্সর দ্বারা প্রাপ্ত চিত্র তথ্য সংশ্লেষণ। ইমেজ ফিউশনটি নিম্ন স্তরের থেকে তিন স্তরের মধ্যে বিভক্ত করা হয়: পিক্সেল স্তর সংযোজন, বৈশিষ্ট্য স্তর সংযোজন এবং সিদ্ধান্ত স্তর সংযোজন। ওয়েভলেট রূপান্তর ইমেজ ফিউশন একটি সাধারণভাবে ব্যবহৃত পদ্ধতি। গবেষণা দেখায় যে ওয়েভলেট রূপান্তর উচ্চ মাত্রিক ক্ষেত্রে সর্বোত্তম ফাংশন উপস্থাপনা পদ্ধতি নয়। চিত্রগুলির মতো উচ্চ-মাত্রিক স্থানীয় তথ্যকে আরো কার্যকরভাবে প্রতিনিধিত্ব এবং প্রক্রিয়া করার জন্য, গবেষকরা রিজলেট, কার্ভলেট, ব্যান্ডলেট, কনট্যুরলেট এবং ওয়েভলেট-কনট্যুরের মতো বহু-স্কেল জ্যামিতিক বিশ্লেষণ সরঞ্জামগুলির একটি সিরিজ প্রস্তাব করেছেন। প্রস্তাবিত পদ্ধতিগুলি ইমেজ ফিউশন ক্ষেত্রে আরও বেশি কার্যকর ফিউশন পদ্ধতি নির্মাণের জন্য ভিত্তি স্থাপন করে।
ওয়েভলেট রূপান্তর এবং কনট্যুর্ট ট্রান্সফর্ম ইমেজ ফিউশন জন্য দুটি প্রধান এবং সাধারণত ব্যবহৃত সরঞ্জাম। ওয়েভলেট রূপান্তর তত্ত্ব এবং বাস্তব অ্যাপ্লিকেশন উভয় পরিপক্ক হয়। এটি সর্বদা চিত্র সংমিশ্রনের জন্য একটি সাধারণ হাতিয়ার হয়েছে, তবে এটি কেবলমাত্র তিনটি দিক থেকে তথ্য প্রাপ্ত করতে পারে: অনুভূমিক, উল্লম্ব এবং তির্যক। কনট্যুর্ট ট্রান্সফর্ম ওয়েভলেট ট্রান্সফার দিকের সুনির্দিষ্টতার জন্য ক্ষতিপূরণ এবং ইমেজ যে কোনো দিক থেকে তথ্য পেতে পারে। একই সময়ে, ওয়েভলেট ট্রান্সফরম এবং কনটোরলেটটি একইভাবে ইমেজটিকে রূপান্তরিত করে, অর্থাৎ, ছবিটি কম ফ্রিকোয়েন্সি এবং উচ্চ ফ্রিকোয়েন্সি অংশে বিভক্ত করা হয় এবং ইমেজ ফিউশন যথাক্রমে কম ফ্রিকোয়েন্সি এবং উচ্চ ফ্রিকোয়েন্সিতে সঞ্চালিত হয়। অতএব, ওয়েভলেট রূপান্তর এবং কনট্যুর্ট ট্রান্সফরম ইমেজ এর কর্মক্ষমতা উন্নত করতে মিলিত করা যেতে পারে।
ইমেজ ফিউশন গবেষণা শুধুমাত্র আলগোরিদিম গবেষণা অন্তর্ভুক্ত, কিন্তু ফিউশন নিয়ম গবেষণা। ফিউশন নিয়ম সাধারণত সাধারণত অঞ্চল নির্বাচন করুন (বা উইন্ডোজ) ফিউশন নিয়ম। নিম্ন ফ্রিকোয়েন্সিটি মূলত ইমেজের শক্তির তথ্য প্রতিফলিত করে এবং উচ্চ ফ্রিকোয়েন্সিটি চিত্রের সীমানা তথ্যের প্রতিফলন করে, যা পরিবর্তনের ডিগ্রী। বৈকল্পিক ইমেজ পিক্সেল মধ্যে সামগ্রিক পরিবর্তন প্রতিফলিত করে। অতএব, এই কাগজে, আঞ্চলিক পরিবর্তনের ওজনযুক্ত গড় নির্বাচন করার সমন্বয় পদ্ধতি উচ্চ ফ্রিকোয়েন্সির অংশে নির্বাচিত হয়।
দ্বিতীয়, তরঙ্গ-কনট্যুর পরিবর্তন
1. ওয়েভলেট রূপান্তর
1989 সালে, বার্ট এবং অ্যাডেলসনের চিত্র বিচ্ছিন্নকরণ এবং পুনর্গঠন পিরামিড অ্যালগরিদম দ্বারা অনুপ্রাণিত (গাউস-ল্যাপ্লাস পিরামিড অ্যালগরিদম), মালতাত কম্পিউটারের দৃষ্টিভঙ্গিতে তরঙ্গ বিশ্লেষণের ক্ষেত্রে বহু-পরিমান বিশ্লেষণ ধারনা উপস্থাপন করেছিলেন। সমাধান বিশ্লেষণ ধারণা মালেত দ্রুত আলগোরিদিম দ্বারা দেওয়া হয়।
দ্বি-মাত্রিক মালট আলগোরিদিম প্রকাশ করা যেতে পারে:
সূত্রের মধ্যে, স্থানিক রেজোলিউশনে নিম্ন-ফ্রিকোয়েন্সি উপাদান স্থানিক রেজোলিউশনের অনুভূমিক, উল্লম্ব, এবং ত্রিভুজ দিকগুলিতে যথাক্রমে উচ্চ-ফ্রিকোয়েন্সি উপাদান। পূর্ণসংখ্যা একটি সেট হিসাবে, এটি একটি আয়না conjugate ফিল্টার।
2. কনট্যুরলেট রূপান্তর
যেহেতু ওয়েভলেট রূপান্তরটি ইমেজ দিক নির্দেশটি ভালভাবে উপস্থাপন করে না। 2002 সালে, ডো এবং ভেট্টার্লি কনট্যুর্ট ট্রান্সফরম প্রস্তাব করেছিলেন। Contourlet রূপান্তর একটি মাল্টি রেজল্যুশন, স্থানীয় এবং নির্দেশমূলক ইমেজ উপস্থাপনা পদ্ধতি। এটি কোনও দিক থেকে তথ্য সরবরাহ করতে পারে এবং একটি দ্বি-মাত্রিক চিত্রের একটি অস্পষ্ট উপস্থাপনা। Contourlet রূপান্তর একটি দুই চ্যানেল ফিল্টার ব্যাংক ব্যবহার করে যা ইমেজ প্রক্রিয়া দুটি ধাপে:
2.1 ল্যাপ্ল্যাসিয়ান পিরামিড (এলপি) ইনপুট ইমেজ বিমোচনের জন্য ব্যবহৃত হয়। এলপি অপসরণ চারটি ধাপ ধারণ করে: নিম্ন পাস ফিল্টারিং, ডাউন-স্যাম্পলিং, ইন্টারপোলেশন এম্প্লিফিকেশন এবং ব্যান্ড-পাস ফিল্টারিং। কম ফ্রিকোয়েন্সি সাবব্যান্ডগুলির এলপিজি ডিসপোজিশন কম স্কেলগুলির একটি পরিসরের কম ফ্রিকোয়েন্সি এবং উচ্চ ফ্রিকোয়েন্সি সাব্যান্ডেন্ড উত্পাদন করে।
2.2 দিকনির্দেশ বিশ্লেষণ এলপি অপসরণ দ্বারা প্রাপ্ত উচ্চ ফ্রিকোয়েন্সি দিকনির্দেশক ফিল্টার ব্যাংক সঞ্চালিত হয়। নির্দেশক ফিল্টার ব্যাঙ্কের উদ্দেশ্যটি ছবির দিকনির্দেশনামূলক উচ্চ ফ্রিকোয়েন্সি তথ্য ক্যাপচার করা এবং এক দিক থেকে একই দিকের একক পয়েন্টগুলিকে একত্রিত করা।
নির্দেশক ফিল্টার ব্যাংক ইমেজটির বৃক্ষ-স্তরের কাঠামোকে হ্রাস করে এবং ফ্রিকোয়েন্সি ডোমেনটি সাব-ব্যান্ডগুলিতে বিভক্ত করে, যার প্রতিটিটি বেড়া-আকৃতির। ইনপুট ইমেজটিকে দুটি উপ-ব্যান্ড, অনুভূমিক এবং উল্লম্বের মধ্যে বিন্যস্ত করার জন্য চিত্রটি প্রথম এবং পাঁচটি নমুনা ফিল্টারগুলিতে প্রদর্শিত প্রথম ফ্যান ফিল্টারটি ব্যবহার করে এবং তারপরে সেয়ারিং পুনরাবৃত্তি অপারেটর ব্যান্ডটি উপস্থাপিত করে।
চিত্র 1 ফিল্টার ব্যাংক (ফ্যান ফিল্টার এবং পাঁচ নমুনা ফিল্টার)
চিত্র 1 পাঁচটি নমুনা ম্যাট্রিক্স উপস্থাপন করে এবং কালো সেক্টর এলাকা প্রতিটি ফিল্টারের জন্য আদর্শ ফ্রিকোয়েন্সি ডোমেন বিচ্ছিন্নতা প্রতিনিধিত্ব করে।
3. ওয়েভলেট-কনট্যুর পরিবর্তন
কনট্যুর্ট ট্রান্সফারের প্রথম পর্যায়ে ব্যবহৃত এলপি বিমোচনটি অপ্রয়োজনীয়, যার ফলে কনট্যুর্ট ট্রান্সফারের 4/3 অমূল্যতা ঘটে। উপরন্তু, এলপি বিকিরণ ডি-পারস্পরিক সম্পর্ক ওয়েভলেট রূপান্তর হিসাবে ভাল নয়। উপরের সমস্যাগুলির প্রতিক্রিয়ায়, এসলামি আর রাধা এইচ একটি ওয়েভলেট-কনট্যুর রূপান্তর প্রস্তাব করেছিল। ওয়েভলেট-কনট্যুর্ট ট্রান্সফর্মটি দুই স্তরের ফিল্টার ব্যাঙ্কের সাথে গঠিত। প্রথম পর্যায়টি চিত্রটির উচ্চ-ফ্রিকোয়েন্সি উপাদানগুলি পাওয়ার জন্য ওয়েভলেট রূপান্তর দ্বারা বিযুক্ত হয়, যার ফলে উপ-স্পেস বিশদ তথ্য সম্পর্কিত সম্পর্ক হ্রাস পায়। দ্বিতীয় পর্যায়ে দিকনির্দেশনা ফিল্টার ব্যাংক ব্যবহার করে। উচ্চ ফ্রিকোয়েন্সি সব দিক Subbands প্রাপ্ত হয়। চিত্র 2 হিসাবে দেখানো হয়েছে:
তৃতীয়, বৈকল্পিক নির্বাচন গড় ফিউশন অ্যালগরিদম উপর ভিত্তি করে
নিম্নরূপ এই কাগজ দেওয়া ফিউশন অ্যালগরিদম পদক্ষেপ:
1 ওয়েভলেট-কনট্যুরটি বাম ধূসর চিত্র এবং ডান ধূসর চিত্রের উপর ক্রমবর্ধমান রূপান্তর, এবং কম ফ্রিকোয়েন্সি অংশ এবং উত্স চিত্রের উচ্চ ফ্রিকোয়েন্সি অংশ প্রাপ্ত করা;
2 কম ফ্রিকোয়েন্সি অংশ একটি সহজ ওজনযুক্ত গড় ফিউশন নিয়ম ব্যবহার করে।
ওয়েভলেট-কনট্যুর দ্বারা চিত্রটি রূপান্তরিত হওয়ার পরে, কম-ফ্রিকোয়েন্সি সমবায়গুলি মূলত মূল চিত্রের বেশীরভাগ শক্তিকে মনোনিবেশ করে, যা চিত্রটির সারসংক্ষেপটি নির্ধারণ করে। এই কাগজে, আমরা কম ফ্রিকোয়েন্সি সাবব্যান্ড coefficients জন্য ওজনযুক্ত গড় ফিউশন নিয়ম ব্যবহার।
3 উচ্চ ফ্রিকোয়েন্সি অংশ ভেরিয়েন্স নির্বাচন ওজনযুক্ত গড় সংমিশ্রণ নিয়ম গ্রহণ।
ছবিটি ওয়েভলেট-কনট্যুর দ্বারা রূপান্তরিত হওয়ার পরে, উচ্চ ফ্রিকোয়েন্সি কোষটি মূলত চিত্রটির বিশদ বিবরণ এবং প্রান্ত তথ্য ধারণ করে। প্রতিটি উচ্চ ফ্রিকোয়েন্সি সাব ব্যান্ড সহকারী দিকনির্দেশক বৈশিষ্ট্য embodies। এই কাগজে, বৈকল্পিক নির্বাচন গড় উপর ভিত্তি করে একটি ফিউশন অ্যালগরিদম গৃহীত হয়। নিম্নরূপ ফিউশন নিয়ম:
প্রথমত, বাম দিকের ধ্বনিযুক্ত চিত্রের উচ্চ-ফ্রিকোয়েন্সি উপ-চিত্রগুলির বিচ্ছেদ স্তর এবং ডান দিকের ধ্বনিযুক্ত চিত্রটি প্রাপ্ত হয় এবং সংশ্লিষ্ট দিকগুলিতে সংশ্লিষ্ট পিক্সেলগুলির স্থানীয় বৈকল্পিক যথাক্রমে উল্লেখ করা হয়:। সূত্রের জন্য সূত্রটি দেখুন (2):
তারপর এটি স্বাভাবিক করুন:
একটি থ্রেশহোল্ড সংজ্ঞায়িত: এই নিবন্ধটি সিমুলেশন লাগে। তারপর আছে:
যেখানে, যথাক্রমে, বিযুক্ত ইমেজ, ইমেজ এবং ছবিটি ডিস্কোগোড লেয়ার এবং দিকের পিক্সেল মানগুলি উপস্থাপন করে। এটি সমীকরণগুলি (5) এবং (6) থেকে দেখা যেতে পারে যে স্বাভাবিক চিত্রগুলি A এবং B এর স্থানীয় বৈকল্পিক মানগুলি যখন বড় হয় তখন এটির অর্থ একটি চিত্রের সমৃদ্ধ প্রান্তের বিশদ তথ্য রয়েছে এবং অন্য চিত্রটিতে কম প্রান্তের বিশদ তথ্য রয়েছে , বৃহত্তর স্থানীয় বৈকল্পিক সঙ্গে পিক্সেল মান fused সহগ হিসেবে নির্বাচিত করা হয়; যখন দুটি ছবি স্বাভাবিক করা হয়, স্থানীয় বৈকল্পিক বন্ধ হয়, নির্দেশ করে যে উভয় চিত্রগুলি সমৃদ্ধ প্রান্তের বিশদ তথ্য ধারণ করে। ওজনযুক্ত গড় ফিউশন অ্যালগরিদম সংমিশ্রণ পরে ওয়েভলেট coefficients নির্ধারণ করা হয়। তথ্য ক্ষতি এড়াতে এই ছবির বিস্তারিত বৈশিষ্ট্য সংরক্ষণ করে।
4 চূড়ান্ত মিশ্রিত চিত্রটি পেতে একটি তরঙ্গ-কনট্যুর বিপরীত রূপান্তর করুন।
নির্দিষ্ট প্রক্রিয়া চিত্র 3 দেখানো হয়।
চিত্র 3 ওয়েভলেট-কনটোরলেট ইমেজ ফিউশন ব্লক ডায়াগ্রাম রূপান্তর
চতুর্থ, মূল্যায়ন সূচক এবং পরীক্ষামূলক ফলাফল বিশ্লেষণ একীকরণ
প্রস্তাবিত অ্যালগরিদমটির কার্যকারিতা যাচাই করতে, একই ফিউশন নিয়মগুলির অধীনে, এটি ওয়েভলেট রূপান্তর এবং কনটোরলেট ট্রান্সফর্মের সাথে তুলনা করা হয়। ছবিটি বিস্ফোরিত এবং db5 তরঙ্গ ব্যবহার করে পুনর্গঠন করা হয়েছে। থ্রেশহোল্ড 0.6 হিসাবে নেওয়া হয়।
নিরবচ্ছিন্নভাবে চিত্রিত চিত্রটি মূল্যায়ন করার জন্য, রেফারেন্স চিত্র হিসাবে একটি পরিষ্কার গ্রেস্কেল চিত্র নির্বাচন করা হয়েছিল। ক্রস এনট্রোপি, বিভক্ত চিত্র এবং রেফারেন্স চিত্রের বিচ্যুতি এবং স্থানিক ফ্রিকোয়েন্সিটি ফিউশন প্রভাবের পেশাদার এবং বিপরীত মূল্যায়ন করার উদ্দেশ্যে যথাযথ মানদণ্ড হিসাবে ব্যবহৃত হয়।
1. ক্রস এনট্রপি
মূর্ত ছবি এবং ক্রস রেফারেন্স ইমেজ ক্রস এনট্রপি হিসাবে সংজ্ঞায়িত করা হয়:
সমীকরণ (7) এ, সমষ্টি ধূসর মানগুলির সমষ্টিটির সম্ভাব্যতা। ইমেজ মোট ধূসর স্তর। ক্রস এনট্রপি, আপেক্ষিক এনট্রপি হিসাবেও পরিচিত, দুটি চিত্রের মধ্যে পার্থক্য মূল্যায়ন করার জন্য একটি মূল নির্দেশক। ক্রস এনট্রপিটি ছোট, বর্ণনা এবং সমষ্টিটির মধ্যে পার্থক্য কম, এটি থেকে আরও তথ্য বের করা হয়, অর্থাৎ, চিত্রটি মার্জ করার প্রভাবটি আরও ভাল।
2. বিচ্যুতি
এর বিচ্যুতি এবং হিসাবে সংজ্ঞায়িত করা হয়:
সূত্র (8), যোগফলের ক্রমবর্ধমান মান যথাক্রমে নির্দেশিত হয়। বিচ্যুতি এর মাত্রা ধূসর মান থেকে পার্থক্য প্রতিনিধিত্ব করে। বিচ্যুতি ছোট, ভাল সংশ্লেষ প্রভাব।
3. স্থানিক ফ্রিকোয়েন্সি
ইমেজ এর স্থানিক ফ্রিকোয়েন্সি হয়:
(9) ইমেজ লাইন ফ্রিকোয়েন্সি, এবং তার গণনা সূত্র (10) দেখানো হয়:
(9) ইমেজ কলাম ফ্রিকোয়েন্সি, এবং তার গণনা সূত্র হিসাবে দেখানো হয় (11):
উপরের সূত্রটি পিক্সেল অবস্থানে ধূসর মানকে প্রতিনিধিত্ব করে এবং লাইনের সংখ্যা এবং চিত্রটির কলামগুলির সংখ্যা যথাক্রমে উপস্থাপন করে।
একটি চিত্রের স্থানিক ফ্রিকোয়েন্সিটি একটি ভেরিয়েন্স সম্পর্কিত একটি নির্দেশক যা একটি চিত্র স্থানীয় ডোমেনের সামগ্রিক ক্রিয়াকলাপকে প্রতিফলিত করে। বৃহত্তর স্থানিক ফ্রিকোয়েন্সি, ইমেজ আরো সক্রিয়, ইমেজ পরিষ্কার, এবং ইমেজ মিশ্রিত প্রভাব ভাল।
চিত্র 4 ফিউশন পরীক্ষা ফলাফল দেখায়। চিত্র 4 (ক) স্ট্যান্ডার্ড রেফারেন্স চিত্র, চিত্র 4 (খ) বাম পাশে গসিয়ান ফিল্টার দ্বারা চিত্রিত করা চিত্র, এবং চিত্র 4 (c) চিত্রটি ডানদিকে গসিয়ান ফিল্টার দ্বারা সংযুক্ত করা হবে পাশ। চিত্র 4 (ডি) হল তরঙ্গাকৃতি রূপান্তরের পরে সংযুক্ত ছবি, চিত্র 4 (ই) কনটোরলেট রূপান্তরের পরে সংযুক্ত ছবি, এবং চিত্র 4 (f) তরঙ্গাকৃতি-কনট্যুর রূপান্তরিত হওয়ার পরে সংযুক্ত চিত্র।
(ক) স্ট্যান্ডার্ড রেফারেন্স ইমেজ (খ) বাম পাশে বিভক্ত হওয়া ছবিটি (সি) ডান দিকে ফাস করা ছবিটি
(ঘ) ওয়েভলেট নির্বাচন গড় (ই) কনট্যুরলেট নির্বাচন গড় (চ) ওয়েভলেট-কনট্যুর নির্বাচন গড়
ফিউশন জন্য তিনটি রূপান্তরকরণ কর্মক্ষমতা মূল্যায়ন তথ্য টেবিল 1 দেখানো হয়।
টেবিল 1 পারফরম্যান্স তুলনা তিনটি ফিউশন রূপান্তর এর তথ্য বিশ্লেষণ
ওয়েভলেট রূপান্তরের তুলনায় এটি টেবিলের 1 থেকে দেখা যায়, তরঙ্গ-কনট্যুর্ট ট্রান্সফরমেশনটি 11.27% দ্বারা স্থানিক ফ্রিকোয়েন্সি বৃদ্ধি করে, ওয়েভেলেট ট্রান্সফারের চেয়ে বিচ্যুতি 10.84% কম এবং ক্রস-এনট্রোপি ওয়েভলেটের চেয়ে 23.81% কম রুপান্তর।
তরঙ্গ-কনট্যুর পরিবর্তনটি কনট্যুর্ট ট্রান্সফারের তুলনায় স্থানিক ফ্রিকোয়েন্সিটির প্রায় সমান। বিভাজন কনট্যুর্ট ট্রান্সফারের চেয়ে 1.91% কম, এবং কনট্রোললেট ট্রান্সফারের চেয়ে ক্রস এনট্রোপি 11.11% কম। অতএব, মূল্যায়ন সূচক বিবেচনা, প্রস্তাবিত অ্যালগরিদম এর কার্যকারিতা যাচাই করা হয়।
ভি উপসংহার
এই কাগজে, উচ্চ-ফ্রিকোয়েন্সি সমীকরণগুলির জন্য আঞ্চলিক বৈকল্পিক ওজনযুক্ত গড় নির্বাচন করার জন্য একটি উন্নত অ্যালগরিদম প্রস্তাব করা হয় এবং কম ফ্রিকোয়েন্সিগুলির জন্য ওজনযুক্ত গড় প্রক্রিয়া ব্যবহার করা হয়। পরীক্ষাগুলি দেখায় যে প্রস্তাবিত অ্যালগরিদম আরো সহজেই ছবির বিশদ এবং প্রান্তের তথ্য পেতে পারে। পরীক্ষামূলক তথ্য অনুযায়ী, ওয়েভলেট-কনটোরলেট ট্রান্সফারের বিচ্যুতি ও ক্রস এনট্রপি ওয়েভলেট রূপান্তর এবং কনট্যুর্ট ট্রান্সফর্মের চেয়ে কম।
অতএব, একই ফিউশন রুলের অধীনে, ওয়েভলেট-কনটোরলেট ট্রান্সফরম এবং ওয়েটার বিন্যাসের ওজনযুক্ত গড়ের উপর ভিত্তি করে চিত্র সংযোজন অ্যালগরিদম ওয়েভলেট ট্রান্সফরম এবং কনটোরলেট রূপান্তর অ্যালগরিদম রূপান্তরের চেয়ে ভাল ফলাফল পেতে পারে।

