ترجمه مقاله حذف نویز ضربه¬ای با چگالی بالا با استفاده از یک فیلتر جدید میانه کم¬رنگ و وزن¬دار تطبیقی مبتنی بر تصمیم¬گیری
چکیده
نویز ضربه یکی از عوامل مهم در پائین آمدن کیفیت تصویر است. در این مقاله، یک تکنیک جدید برای آشکارسازی و حذف نویز ضربه ارائه شده است، در حالیکه اطلاعات مهم تصویر، همانند لبه و خود تصویر دست نخورده باقی میمانند. الگوریتم پیشنهادی از پنجره وزندار با اندازههای متغیر استفاده میکند و فیلتر کردن میانه را بر روی آنها اعمال میکند. نتایج شبیهسازی برای تصاویر و چگالیهای نویز گوناگون نشان میدهد که الگوریتم پیشنهادی عملکرد بهتری در مقایسه با روشهای اخیر دارد و مقدار PSNR ( از تصویر بازسازی شده) تا dB4 افزایش می دهد.
واژگان کلیدی
حذف نویز؛ آشکارساز نویز ضربهای؛ بهبود تصویر.
تصاویر دیجیتالی بعنوان خروجی دوربینهای دیجیتالی و اسکنرها تا حدودی دارای مشکلاتی در ارتباط با انواع مختلف نویز هستند. یکی از شایعترین انواع نویزها، نویز ضربه است که در آن اختلاف بین مقدار پیکسل فعلی همانند مقدار پیکسل های مجاور بسیار بالا است. کاهش نویز ضربهای تصاویر خراب شده نقش مهمی در کاربردهای مختلف برنامههای کاربردی پردازش تصویر از جمله تقسیم بندی تصویر، آشکارسازی شی، آشکارسازی لبه، فشرده سازی، و غیره بازی میکند. معمولا یک فیلتر غیر خطی همانند انواع مختلفی از فیلترهای میانه برای کاهش نویز استفاده میشود.
در [1]، یک روش ترکیبی مبتنی بر اتوماتای سلولی(CA) و منطق فازی به نام اتوماتا سلولی فازی (FCA) در دو مرحله استفاده شده است. در [2]، یک الگوریتم فیلتر میانهی نامتقارن ترمیم مبتنی بر تصمیم تغییر یافته برای بازیابی تصاویر خاکستری (سیاه و سفید) و رنگی که به شدت توسط نمک و نویز فلفل خراب شده اند پیشنهاد شده است و برای تصاویر سیاه و سفید و رنگی مختلف مورد آزمایش قرار گرفته است و نسبت حداکثر سیگنال به نویز ( PSNR) و ضریب بهبودی تصویر (IEF ) بهتری ارائه میدهد. در [3]، یک روش برای افزایش عملکرد یک سیستم تایید گوش ارائه شده است، که ابتدا در یک مرحله پیش پردازشی که از روش حذف نویز ترکیبی استفاده میکند، نویزها از تصاویر گوش حذف میشوند و سپس این تصاویر بهبودیافته در مرحلهی بعد برای سیستم تحقیق استفاده میشود. در [4]، یک روش دو مرحله ای برای کاهش نویز ضربهای ارائه شده است. در نخستین مرحله با استفاده ازANFIS نویز ضربهای آشکار شده، و در مرحله دوم پیکسل نویز تخریب شده با مقدار جدید بر اساس ANNجایگزین میشود. مرجع [5]، یک روش آشکارسازی ضربه مبتنی بر سیستم واسط فازی-عصبی تطبیقی ( ANFIS ) برای ترمیم خراب شدگی تصاویر بوسیلهی نویز ضربهای پیشنهاد کرده است. مرجع [6]، استفاده از اتوماتای سلولی ( CA ) را برای وظایف پردازش تصویر مختلف همانند حذف نویز و آشکارسازی ویژگی توصیف میکند.
لذا، الگوریتم پیشنهادی برای آشکارسازی و حذف نویز بحث شده است. نتایج شبیهسازی شامل مقایسه آنها با روشهای مرتبط در فصل 3 ارائه می شود. در بخش 4 نتیجهگیری مقاله ارائه شده است.
سمینار بررسی روش های یادگیری ماشین به فیلتر هرزنامه
در این مقاله ،ما یک بازنمایی جامع از توسعه های اخیر در روش های فیلنرینگ اسپم ها با الگوریتم های یاد گیری ماشینی ارائه کرده ایم که به هر دو جنبه متنی و روش های تصویری می پردازد .به جای اینکه فیلترینگ اسپم را به عنوان یک مسئله استاندارد طبقه بندی شده در نظر بگیریم ،اهمیت در نظر گرفتن برخی ویژگی های ان مانند مفهوم جمع شدن [1] در طراحی فیلتر های جدید نشان داده ایم .دو جنبه نسبتا مهم که کمتر در این مقوله مورد بحث قرار گرفته است عبارتند از : سختی به روز کردن کلاسیفایر بر اساس نمایش کیسه کلمات [2] و یک تفاوت بزرگ بین دو مدل اخیر بیز .در نهایت ،ما نتیجه گیری کرده ایم که با این که پیشرفت های مهمی در سال اخیر صورت گرفته است ،جنبه های بسیاری هستند که هنوز کشف نشده باقی مانده اند ،به خصوص تحت تنظیمات ارزیابی واقعی تر .
کلمات کلیدی : اسپم فیلترینگ ،یادگیری انلاین ،کیسه کلمات ،بیز ،اسپم تصویر
در سال های اخیر افزایش استفاده از ایمیل منجر به افزایش مشکلات ناشی از حجمی از پیام های ایمیل ناخواسته ،که معمولا به آن اسپم گفته می شود ،گردیده است . شامل یک آزار کوچک تا یک نگرانی بزرگ ،به دلیل حجم زیاد و توهین آمیز برخی از اسن پیام ها ، اسپم ها شروع به کاهش قابلیت اعتماد ایمیل ها کردند . کاربران شخصی و کمپانی ها ،با هدر رفتن پهنای باند به دلیل دریافت این پیام ها و زمانی که به وسیله کاربران برای تفکیک انها از پیام های نرمال یا قانونی صرف می کنند ، تحت تاثیر قرار گرفتند . یک مدل تجاری بر اساس بازار اسپم ها مفید است زیرت هزینه ها برای فرستنده کم است ، بنابراین تعداد زیادی از این پیام ها می توتنند ارسال شوند ، خروجی انها حداکثر می شود ، این رفتار متجاوزانه یکی از ویژگی های اسپمر ها را بیان می کند (کسانی که پیام های اسپم را ارسال می کنند ) (Martin-Herran ,Rubrl,& Zaccour ,2008 ) . تاثیرات اقتصای اسپم ها برخی کشور ها را به سمت وضع قوانینی بر علیه انها سوق داد ( e.g ,Carpinter & Hunt ,2006 ; Hoanca ,2006;Stern,2008 ) ، اگرچه این قوانین با به وسیله این واقعیت که این پیام ها از سایر کشودها نیز ارسال می شوند محدود می شوند .(Talbot ,2008 ) .بعلاوه ، سختی های رد گیری فرستندگان واقعی این پیام ها عملکرد این قوانین را محدود می کند .علاوه بر قانون گذاری ، برخی نویسندگان تغییرات پروتکل ها و مدل های عملیاتی را نیز پیشنهاد داده اند ( در Hoanca بحث شده است ) .
روش دیگری که بکار گرفته شده است استفاده از فیلترینگ اسپم است ، که بر اساس انالیز محتوای پیام . اطلاعات اضافه ،سعی بر شناسایی پیام های اسپم دارد .زمانی که انها را شناسایی کرد بر اساس تنظیماتی که در فیلتر در نظر گرفته شده است عمل مناسب را انجام می دهد . اگر فیلتر برای یک کاربر یکتا اعمال می شود ، پس از شناسایی انرا به بک فولدر که شامل پیام هایی با برچسب اسپم است ارسال می شود ،که این کار شناسایی انهارا ساده تر می کند .اما اگر فیلتر بر روی یک سرور ایمیل که ایمیل های کاربران مختلف را اداره می کند اعمال شود ، یا ممکن است به عنوان اسپم بر چسب زده شود یا پاک شود .یک احتمال دیگر می تواند تنظیمات همکاری باشد ، به این صورت که فیلتر هایی که روی ماشین های مختلف اجرا می شوند اطلاعاتی را که از پیام های دریافتی بدست می اورند را به اشتراک بگذارند و کارایی شان را بهبود ببخشند .
[1] Concept drift
[2] Bag-of-word
پایان نامه کاربرد فیلتر کالمن عصبی در بهبود سیگنالهای صوتی
چکیده:
در فصل اول، پایان نامه مروری بر پژوهشهای انجام شده توسط محققان و دانشمندا ن طی نیم قرن اخیر دارد و سعی می کند تا روند تکامل خانواده فیلتر کالمن را مورد بررسی قرار دهد. در فصل دوم به معرفی فیلتر کالمن، فیلتر کالمن توسعه یافته و فیلتر کالمن دوگانه می پردازد و روابط آنها و چگونگی استخراج این روابط تشریح می گردد . در فصل سوم موضوع شناسایی سیتمهای خطی و غیر خطی مطرح می گردد و انواع روشهای شناسایی سیستمهای خطی و غیر خطی مورد مطالعه قرار می گیرد . همچنین کاربرد شبکه عصبی در شناسایی سیستمهای غیر خطی و نحوه آموزش و انتخاب ساختار شبکه عصبی تشریح می گردد و در ادامه نحوه آموزش شبکه عصبی انتخاب شده ارائه می گردد . در فصل چهارم نیز به ارائه شبیه سازیهای انجام شده با نرم افزار Matlab 6.5 و مقایسه آنها با یکدیگر پرداخته شده است.
لیست برنامه های نوشته شده نیز در پیوست ۱ ارائه گردیده است.
مقدمه:
موضوع بهبود گفتار با نیاز به افزایش کیف یت عملکرد سیستمهای ارتباطی صوتی در محیط های نویزی ، مطرح گردید . رنج عملکردی وسیعی برای سیستمهای تشخیص گفتار جهت بهبود ارتباط از راه دور در هوانوردی ، صنایع نظامی ، گفتگوهای راه دور و محیط های سلولی وجود دارد . هدف ما نیز در این پایان نامه بهبود کیفیت قابل ملاحظه گفتار یا افزایش قابلیت فهم آن می باشد.
کاربردهای فراوانی از بهبود گفتارهای صوتی تا پیش بینی های اقتصادی و کنترل تطبیقی نیازمند تخمین و مدلسازی دنباله های زمانی نویزی می باشند . از این جمله می توان به بهبود گفتارهای صوتی ، پیش بینی اقتصادی ، مدلسازی ژئو فیزیکی و بسیاری کاربردهای دیگر اشاره کرد. یک دنباله زمانی نویزی می تواند با یک مدل احتمالی که هر دوی اجزای تقریبی و دقیق دینامیک ها را تخمین می زند ، توصیف شود . چنین مدلی می تواند به همراه فیلتر کالمن (یا فیلتر کالمن توسعه یافته) جهت تخمین و پیش بینی سری زمانی از مشاهدات نویزی بکار گیری شود.
فیلتر کالمن یک فیلتر بهینه خطی است که بر روی فضای حالت سیتمهای خطی استاتیکی و دینامیکی اثر گذاشته و یک تخمین بهینه از حالتهای سیستم با استفاده از معادلات بر گشت پذیر و دینامیکی خود در شرایطی که دسترسی به آنها میسر نباشد ارائه می دهد. همچنین این فیلتر می تواند تاثیر کلیه اطلاعات گذشته و ابتدایی سیستم را نیز در تخمین هر لحظه خود لحاظ نماید.
بنابراین با توضیحات ارائه شده در بالا می توان فهمید که جهت بازیابی یک سیکنال صوتی به یک تخمین خوب نیاز است اما موضوع مهم این است که فیلتر کالمن خطی قادر به ارائه تخمین از مدلهای سیستمهای غیر خطی نمی باشد حال آنکه اکثر سیستمهای واقعی که سیستمهای صوتی نیز از این جمله می باشند ماهیت غیر خطی دارند. لذا در این پایان نامه بر آن شدیم تا با مطالعه بر روی فیلتر کالمن توسعه یافته و به کمک شبکه های عصبی بتوانیم موضوع مدلسازی و تخمین سیگنال صوتی را با فرض غیر خطی بودن آن بررسی نماییم.
1- مروری بر پژوهش های پیشین
1-1- فیلتر وینر:
روبرت وینر به همراه نویلسون از دانشگاه MIT امریکا در خلال سالهای ۱۹۴۰ تا ۱۹۴۹ تحقیق گسترده ای را جهت یافتن یک فیلتر بهینه به منظور تخمین حالتهای سیستمهای خطی انجام دادند که نهایتا در سال ۱۹۴۹ منجر به معرفی فیلتر وینر گردید. این فیلتر یک تخمین خطی با حداقل کردن میانگین مربعات خطا (LMMSE) برای سیگنال مشاهده شده ارائه می دهد. اما این فیلتر دارای چند مشکل بود. اول آنکه ما نیازمند تخمینهای علی هستیم و در نتیجه برای تخمین علی بایستی از فیلتر وینر علی استفاده شود در حالیکه فیلتر وینر فقط N مشاهده جدید را جهت تخمین بکارگیری می کرد و در نتیجه ممکن بود اطلاعاتی از سیگنال در مشاهدات گذشته وجود داشته باشد که در این صورت از بین می رفت. دوم آنکه این فیلتر فقط برای نویزهای ثابت با میانگین صفر طراحی شده بود در حالیکه در دنیای واقعیت انواع نویزهای غیر ثابت وجود دارد. سوم آنکه فیلتر وینر جهت ارائه تخمین سیگنال نیاز به چگالی طیفی و تابع خود همبستگی سیگنال دارد که در همه مواقع در دسترس نمی باشد. وچهارم آنکه تخمینهای LMMSE و ML و MAP که جهت محاسبات این فیلتر بکار می روند در هر زمان نیاز به مشاهدات جدید بودند که مستلزم حافظه بالا بود. همه این عوامل محققان را در طی سالهای ۱۹۵۰ تا ۱۹۶۰ به فکر انداخت تا در پی معرفی فیلتری جدید با قابلیت ارائه تخمین خطی بهینه از طریق مینیمم کردن میانگین خطا و عاری از مشکلات فیلتر وینر باشند.