کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938875 1449966 2018 42 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust regression for image binarization under heavy noise and nonuniform background
ترجمه فارسی عنوان
رگرسیون قوی برای بینه سازی تصویر تحت سر و صدا سر و صدا و غیر پس زمینه
کلمات کلیدی
بینه سازی تصویر، محاسبه پس زمینه، رگرسیون قوی، تجزیه و تحلیل تصویر سند، تجزیه و تحلیل تصویر میکروسکوپ،
ترجمه چکیده
این مقاله یک رویکرد رگرسیون قوی برای بینه سازی تصویر را تحت تغییرات پس زمینه و نویز مشاهده می کند. این کار توسط نیاز به شناسایی مناطق پیش زمینه در تصاویر میکروسکوپی پر سر و صدا و یا تصاویر سند تخریب شده است، که در آن تغییرات پس زمینه و نویز مشاهده، به چالش کشیدن تصویر دیجیتال. روش پیشنهادی ابتدا پس زمینه یک تصویر ورودی را تخمین می زند، پس زمینه تخمین زده شده از تصویر ورودی را تخلیه می کند و عملیات آستانه ای جهانی را به نتیجه محو می کند و بدین وسیله به تصویر باینری پیش زمینه می رسد. رویکرد رگرسیون قوی برای تخمین سطح شدت پس زمینه با حداقل تاثیرات شدت پیش بینی و نویز مشاهده شده ارائه شده است و یک انتخاب آستانه جهانی براساس معیار انتخاب مدل در رگرسیون ضعیفی ارائه شده است. رویکرد پیشنهادی با استفاده از 26 تصویر آزمایشی و حقیقت زمین متناظر مورد تایید قرار می گیرد و نتایج با آن ها از 9 روش بیرون زدگی تصویر موجود مقایسه می شود. این روش همچنین با سه روش تقسیم بندی مورفولوژیکی ترکیب شده است تا نشان دهد که چگونه رویکرد پیشنهاد شده می تواند نتایج تقسیم بندی تصویر خود را بهبود بخشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
رگرسیون قوی برای بینه سازی تصویر تحت سر و صدا سر و صدا و غیر پس زمینه
چکیده انگلیسی
This paper presents a robust regression approach for image binarization under significant background variations and observation noise. The work is motivated by the need of identifying foreground regions in noisy microscopic images or degraded document images, where significant background variations and observation noise make image binarization challenging. The proposed method first estimates the background of an input image, subtracts the estimated background from the input image, and performs a global thresholding operation to the subtracted outcome thus achieving the binary image of the foreground. A robust regression approach is proposed to estimate the background intensity surface with minimal effects of the foreground intensities and observation noise, and a global threshold selector is proposed on the basis of a model selection criterion in a sparse regression. The proposed approach is validated using 26 test images and the corresponding ground truths, and the outcomes are compared with those of nine existing image binarization methods. The approach is also combined with three morphological segmentation methods to show how the proposed approach can improve their image segmentation outcomes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 81, September 2018, Pages 224-239
نویسندگان
, ,