İki Boyutlu Uyarlamalı Kafes Süzgeç Yapıları İle Gürültü Giderme

Abstract

Bu çalışmada, iki boyutlu ortak süreç kafes yapıları (TDJPL) ve bu yapıları kullanarak görüntü restorasyonu uygulamaları incelenecektir. İki boyutlu uyarlamalı kafes algoritması (TDAL-LMS) kullanılarak her bir kafes yapısında yansıma katsayısı ve ortak-süreç kafes süzgecin ağırlık katsayıları hesaplanacaktır. Görüntü restorasyonunda iki boyutlu kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı kullanılmıştır. Yapının performansını değerlendirmek için, farklı işaret-gürültü oranı değerlerinde gürültülü resim işareti kullanılmıştır. Sonuçlar bilgisayar simülasyonlarıyla verilecektir. T. Nakachi, K. Yamashita ve N. Hamada tarafından geliştirilen iki boyutlu uyarlamalı ortak-süreç kafes yapısı ve bu yapı kullanılarak geliştirilmiş TDAL-LMS algoritması kullanılacaktır. Kullanılan iki boyutlu kafes süzgeç temelli uyarlamalı hat iyileştirici yapısı, geri yöndeki öngörü hata alanları birbirlerine dik olmasından diğer iki boyutlu süzgeçlere göre daha hızlı yakınsamaktadır. Bu da incelenen yapının önemli bir özelliğidir.In this study, the two-dimensional (2-D) joint process lattice (TDJPL) and its implementations for image restoration applications are examined. A 2-D adapive lattice least mean square (TDAL-LMS) algorithm is used to calculate the reflection coefficients parameters, and the joint process filter weights at each lattice stage. Implementations of the proposed TDJPL estimator as a 2-D adaptive lattice noise canceller (TDALNC) are then considered. Performance evaluation of this scheme is undertaken using artificially degraded image data at different signal-to-noise ratios (SNR’s). The results are evaluated for noise cancellation through computer simulations. A new two-dimensional adaptive joint-process structure and its TDAL-LMS algorithm is presented based on T. Nakachi, K. Yamashita and N. Hamada’s structure (2-D adaptive line enchancer using a lattice structure for noise cancellation). The proposed ALE is superior at convergence because of orthogonality of backward prediction error fields and capability of representing a wide class of 2-D FIR systems than previous ones.