Implementation, modeling, for deduction in the fields of random Markov algorithm for noise reduction of image using ICM
Implementation, modeling, for deduction in the fields of random Markov algorithm for noise reduction of image using ICM
payman kalani torbeghan1 Maryam Kheirabadi2
1) Ph.D. in Computer Engineering, Islamic Azad University, Neyshabour Branch, Iran
2) Assistant Professor, Department of Computer Engineering, Computer Department, Azad University, Neyshabour, Iran
IOI Code
:
XBGE-DGZAB
محل انتشار :
یازدهمین کنفرانس بین المللی راهکارهای نوین در مهندسی، علوم اطلاعات و فناوری در قرن پیش رو(icietconf.com)
Abstract :
حذف نویز از تصاویر هنوز یک چالش بزرگ برای مهندسان است. الگوریتم های مختلف کاهش نویز پیشنهاد شده است، هر کدام با مزایا و معایب. الگوریتم Markov یک متغیر تصادفی n بعدی است که در شبکه جداگانه تعریف شده است. به طور خاص، هر گره در گراف یک متغیر تصادفی را نشان می دهد و شاخه ها (قوس ها) نشان دهنده وابستگی احتمالاتی بین متغیرها هستند. این وابستگی های مشروط اغلب با روش های آماری و احتمال احتمالی مورد ارزیابی قرار می گیرد. شبکه های تقاطع، اصول نظریه گراف، نظریه احتمالی، علوم کامپیوتر و آمار را ترکیب می کنند. یکی از مسائلی که توجه آن را بر پردازش سیگنال های تصویری تمرکز می کند، مدل سازی سیگنال است. برای مدل سازی تصاویر و ویژگی ها، گزینه های مختلفی وجود دارد. از دیدگاه مدل های حذف صدا، این دو به دو دسته مدل های خاص و مدل های آماری تقسیم می شوند. یک الگوریتم مارکف تصادفی یکی از نظریه هایی است که برای احتمال استفاده می شود. در این مقاله، ایده های نسبی جدیدی را برای حذف نویز از تصاویر ارائه می کنیم. همچنین یک روش برای از بین بردن نویز از یک تصویر با استفاده از مدل ICM (اثر حالت شرطی) است که یک الگوریتم مارکف تصادفی است. به طور کلی، مدل های گرافیکی با شاخه های غیر جهت دار، فیلدهای تصادفی مارکوف یا شبکه مارکوف نامیده می شوند. این شبکه ها یک تعریف ساده از استقلال متغیرها را بر اساس مفهوم لایه مارکوف فراهم می کند. شبکه های مارکوف در زمینه فیزیک آماری و بینایی کامپیوتر بسیار معروف هستند.
Keywords : حذف صدا از تصویر مدل مارکوف حالت شرطی