SavedAdd your journal

Journals / Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2018 / Cilt: 22 - Sayı: 2

Tuz Biber Gürültülerinin Giderilmesi için k-Ortalama Algoritması Tabanlı Filtre Tasarımı

Gür Emre GÜRAKSIN
Pages
972–978
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Önerilen yöntem ile geleneksel filtrelerden olan ortanca ve ortalama filtreleri farklı gürültü oranlarında performans karşılaştırmaları yapılmış ve elde edilen sonuçlara göre önerilen yöntemin özellikle gürültü seviyesi arttıkça başarısının da arttığı gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Görüntü işlemede gürültü giderme önemli konulardan birisidir.
📊
Key Findings & Data:Bir görüntünün gürültüden etkilenmesi, görüntü içerisinde saklı olan bilgilerin bozulması anlamına gelmektedir.
💡
Conclusion & Impact:Önerilen yöntem ile geleneksel filtrelerden olan ortanca ve ortalama filtreleri farklı gürültü oranlarında performans karşılaştırmaları yapılmış ve elde edilen sonuçlara göre önerilen yöntemin özellikle gürültü seviyesi arttıkça başarısının da arttığı gözlemlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Tuz biber gürültüleri · Görüntü işleme · Gürültü giderme

Özet

Görüntü işlemede gürültü giderme önemli konulardan birisidir. Bir görüntünün gürültüden etkilenmesi, görüntü içerisinde saklı olan bilgilerin bozulması anlamına gelmektedir. Dolayısıyla bu tür gürültülerin özellikle ileriki görüntü işleme safhalarından önce temizlenmesine ihtiyaç vardır. Bu gürültülerden birisi olan tuz ve biber gürültüleri çoğunlukla görüntünün yakalanması veya kayıt hatalarından kaynaklanmaktadır. Bu çalışmada kümeleme algoritmalarından birisi olan k ortalamalar algoritması kullanarak resim üzerindeki tuz ve biber gürültüsü içerebilecek pikseller tespit edilerek resim üzerindeki gürültülerin giderilmesi için yeni bir yöntem önerilmiştir. Önerilen yöntem ile geleneksel filtrelerden olan ortanca ve ortalama filtreleri farklı gürültü oranlarında performans karşılaştırmaları yapılmış ve elde edilen sonuçlara göre önerilen yöntemin özellikle gürültü seviyesi arttıkça başarısının da arttığı gözlemlenmiştir.

🔖

Cite This Article

GÜRAKSIN, G. E. (2018). Tuz Biber Gürültülerinin Giderilmesi için k-Ortalama Algoritması Tabanlı Filtre Tasarımı. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 22 - Sayı: 2, 972–978. https://ajindex.com/articles/310757

References (11)

  1. Esakkirajan, S., Veerakumar, T., Subramanyam, A. N., PremChand, C. H. 2011. Removal of High Density Salt and Pepper Noise Through Modified Decision Based Unsymmetric Trimmed Medain Filter. IEEE Signal Processing Letters, 18(5), 287-290
  2. Vin Toh, K. K., Isa, N. A. M. 2010. Noise Adaptive Fuzzy Switching Median Filter for Salt and Pepper Noise Reduction. IEEE Signal Processing Letters, 17(3), 281 - 284
  3. Chan, R. H., Ho, C. W., Nikolova, M. 2005. Salt and Pepper Noise Removal by Median Type Noise Detectors and Detail Preserving Regularization. IEEE Transactions on Image Processing, 14(10), 1479 – 1485
  4. Harikiran, J., Saichandana, B., Divakar, B. 2010. Impulse Noise Removal in Digital Images. International Journal of Computer Applications, 10(8), 39 – 42
  5. Chang, C. C., Hsiao, J. Y., Hsieh, C. P. 2008. An Adaptive Median Filter for Image Denoising. Second International Symposium on Intelligent Information Technology Application, 20 – 22 Aralık, Şangay, Çin, 346 – 350
  6. Ibrahim, H., Kong, N. S. P., Ng, T. F. 2008. Simple Adaptive Median Filter for Removal of Impulse Noise from Highly Corrupted Images. IEEE Transactions on Consumer Electronics, 54(4), 1920 – 1927
  7. Gupta, G. 2011. Algorithm for Image Processing Using Improved Median Filter and Comparison of Mean, Median and Improved Median Filter. International Journal of Soft Computing and Engineering, 1(5), 304 – 311
  8. Jain, A. K. 2010. Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 31, 651 – 666
  9. Khan, S. S., Ahmad, A. 2004. Cluster Center Initialization Algorithm for K-Means Clustering. Pattern Recognition Letters, 25, 1293 – 1302
  10. Kaushik, P., Sharma, Y. 2012. Comparison of Different Image Enhancement Techniques Based Upon PSNR & MSE. International Journal of Applied Engineering Research, 7(11), 2010-2014
  11. Lien, C. Y., Huang, C. C., Chen, P. Y., Lin, Y. F. 2013. An Efficient Denoising Architecture for Removal of Impulse Noise in Images, IEEE Transactions on Computers, 62(4), 631-643.