Improvement of Image Using Fuzzy Techniques Networks

60 %
40 %
Information about Improvement of Image Using Fuzzy Techniques Networks
Technology

Published on February 6, 2014

Author: paulocesilveira

Source: slideshare.net

Description

Improving the image means enhance the perception of images for human observers. This can reduce the impulse noise, enhance edges with the help of different techniques for image enhancement. The techniques of fuzzy systems can manage uncertainty and imperfection in an image, which can be represented as a set of fuzzy systems.

A Melhoria da Imagem Usando a Técnica de Redes Nebulosas Paulo Silveira, Membro IEEE  Abstract—A melhoria da imagem significa enriquecer a percepção de imagens para os observadores humanos. Isto pode reduzir o ruído impulsivo, intensificar as bordas com a ajuda de diferentes técnicas de aprimoramento da imagem. As técnicas de sistemas nebulosos podem gerenciar a incerteza e imperfeição de uma imagem, que pode ser representado como um conjunto de sistemas nebulosos. Um sistema nebuloso pode ser usado para processar o conhecimento humano sob a forma de regras (if/then) inseridas nesse sistema. O acúmulo de todas essas abordagens vem até a teoria de processamento de imagem dos sistemas nebulosos, que é dividido em três fases: “fuzzification” da imagem, modificação de valores associados e “defuzzification” da imagem. Na maioria dos casos, as imagens disponíveis não são de boa qualidade. Neste trabalho uma técnica de melhoria de imagem baseado em sistemas nebulosos é examinada e implementada. Palavras Chave— Sistemas nebulosos, processamento imagem, fuzzification, defuzzification. Para obter uma lista de palavras chave sugeridas envie um email em branco para paulocezar.silveira@gmail.com . I. INTRODUÇÃO N VISÃO computacional, processamento de imagem é qualquer forma de processamento de sinal para o qual a entrada é uma imagem, como fotografias ou quadros de vídeos. As técnicas de saída de processamento de imagem podem ser uma imagem ou um conjunto de características ou parâmetros relacionados à imagem. As técnicas de processamento de imagem, referem-se a restauração de imagem, realce da imagem, segmentação de imagens, etc. A segmentação de imagem refere-se ao processo de particionamento de uma imagem em vários segmentos com base nas características da imagem selecionada (conjuntos de pixels). A segmentação subdivide uma imagem em suas regiões constituintes ou objetos. O nível a que a subdivisão é realizada depende do problema a ser resolvido. Ou seja, a segmentação deve parar quando os objetos de interesse foram isolados. O objetivo da segmentação é simplificar e alterar a representação de uma imagem em algo que é mais A Artigo submetido em 24 de novembro, 2013; revisado em 08 de dezembro de 2013. Publicado pela primeira vez em 13 de dezembro de 2013; versão atual publicada em 13 de dezembro de 2013. Este trabalho não está sujeito a direitos autorais no Brasil. P. Silveira, estudante de Mestrado do Departamento de Engenharia Elétrica, Universidade Federal do Paraná, Curitiba, CEP 80210-340 Brasil (e-mail: paulocezar.silveira@gmail.com). significativo e mais fácil de analisar. A segmentação de imagens é normalmente usada para localizar objetos e limites em imagens. Mais precisamente, é o processo de atribuição de um rótulo para cada pixel de uma imagem de tal forma que os pixels com os mesmos rótulos compartilhem certas características visuais. Por exemplo, a inspeção automática tem todo o interesse em analisar as imagens dos produtos com o objetivo de determinar a presença ou ausência de anomalias específicas, tais como componentes em falta ou caminhos de ligações quebradas. As partições e diferentes objetos em segmentação de imagens é um conjunto de regiões que cobrem coletivamente toda a imagem. Todos os pixels em uma região são semelhantes com relação a alguma característica ou propriedade computada como cor, intensidade, ou textura. Algumas aplicações práticas de segmentação de imagem são: processamento de imagens, visão computacional, reconhecimento de face, imagens medicas, bibliotecas digitais, imagem e recuperação de vídeo. Os métodos de segmentação de imagem são classificados em quatro categorias:  Segmentação baseada em pontos.  Segmentação baseado na borda.  Segmentação baseada em linhas.  Segmentação baseada em crescentes regiões. As desvantagens da maior parte dos métodos são que eles utilizam uma linguagem de alto nível para a codificação. Este trabalho enfoca o processamento de uma imagem pixel a pixel e na modificação das regiões de pixels que podem ser aplicados a toda a imagem. A vantagem objetiva com a utilização de sistemas nebulosos (fuzzy) com uma interface gráfica de alto nível faz com que seja muito fácil de manusear, em relação a outros aplicativos. As diversas aplicações onde à remoção de ruído, melhoria das bordas e contornos, blurring, etc., faz com que tenhamos uma melhoria em todos os parâmetros da imagem. II. RELATO DO TRABALHO O processamento de imagem nos sistemas nebulosos é uma forma de processamento de informação na qual a entrada e a saída são imagens. É uma coleção de diferentes abordagens nos sistemas nebulosos que entendem, representam e processam as imagens, seus segmentos e características como conjuntos de sistemas nebulosos. O processamento de imagem nos sistemas nebulosos é dividido em três etapas principais: fuzzification da imagem, modificação de valores associados, e defuzzification da imagem se necessário (veja a Figura 1).

III. VERIFICAÇÃO EXPERIMENTAL Fig. 1: Processamento da imagem em fuzzy Devido à ausência de hardware nos sistemas nebulosos nós temos que executar as etapas de fuzzification e defuzzification. Portanto, codificar os dados de imagem (fuzzification) e decodificar os resultados (defuzzification) para processar as imagens por meio de técnicas de sistemas nebulosos. A capacidade de processamento de imagem em sistemas nebulosos encontra-se na etapa intermediária (modificação de valores associados) após a primeira fase (fuzzification da imagem), técnicas apropriadas em sistemas nebulosos (tais como agrupamento de sistemas nebulosos, abordagem baseada em regras de sistemas nebulosos, abordagem de integração de sistemas nebulosos, etc.) modificam os valores associados. Muitos tipos de métodos de melhoria de imagem nos sistemas nebulosos têm sido propostos [1] [3] [5] [6]. Por exemplo:  Ajuste de contraste nos sistemas nebulosos.  Melhoria da imagem subjetiva.  Segmentação da imagem nos sistemas nebulosos.  Detecção de bordas nos sistemas nebulosos.  Melhoria da imagem. As maiorias destes métodos baseiam-se na apresentação de dados de uma forma binaria da imagem, enquanto outros melhoram a imagem diretamente a partir de imagens em escala de cinza. A abordagem de melhoria de imagens na escala de cinza incluem os seguintes passos [9]:  A normalização.  A estimativa de orientação local.  A estimativa de frequência local.  A filtragem por filtros projetados. No primeiro passo, uma imagem de entrada, é normalizada para diminuir o intervalo dinâmico da escala de cinza entre as áreas altas (pico) e baixas da estimativa de imagem e a sintonização dos parâmetros do filtro. A seguir estão alguns dos métodos usados para a melhoria de imagens de impressões digitais:  Com base no algoritmo de realce da imagem e normalização do filtro de Gabor [4].  A filtragem no domínio da serie de Fourier das imagens de impressões digitais [5].  O aperfeiçoamento da imagem usando filtros do tipo de Gabor [6].  A melhoria da imagem usando M-Lattice [1]. Com base nas seguintes regras dos sistemas nebulosos, um algoritmo de melhoria da imagem foi desenvolvido e implementado:  Se a intensidade do pixel é escura então a saída é mais escura.  Se a intensidade do pixel é cinza então a saída é cinza.  Se a intensidade do pixel é brilhante, então a saída é mais brilhante. As figuras 2, 3 e 4 mostram a implementação dessas regras no sistema de inferência dos sistemas nebulosos: Fig. 2: Editor FIS para a melhoria da imagem Fig. 3: Editor de função de associação do FIS O algoritmo de melhoria da imagem foi desenvolvido contendo os seguintes passos: A. Capturando uma imagem de entrada e definindo a função associada para cada nível de cinza:

Aonde L, f(x,y), s denotam o nível máximo de cinza, qualquer nível de cinza e a variação entre os valores de cinza respectivamente. B. Obter novos valores associados através de: C. Obter uma melhoria na imagem final, definindo o método como: IV. RESULTADOS O código em MatLab (Fuzzy Logic toolbox) foi utilizado para implementar o algoritmo proposto. O experimento foi feito com várias imagens de baixa qualidade. Alguns dos resultados são os seguintes: Fig. 4: Editor de regras do FIS Imagem Original Imagem Melhorada Fig. 7: Melhoria da imagem pela técnica de fuzzy Fig. 5: Roteiro do sistema de inferência do fuzzy Imagem Original Imagem Melhorada Fig. 8: Melhoria da imagem pela técnica de fuzzy Fig. 6: representa o mapeamento da imagem no nível de cinza para a melhoria da imagem Fig. 9: Melhoria da imagem pela técnica de fuzzy

[9] [10] [11] [12] [13] Fig. 10: Melhoria da imagem pela técnica de fuzzy V. CONCLUSÃO Este artigo apresenta um método de fuzzy para a melhoria da imagem. Embora os métodos de melhoria baseados na lógica de fuzzy sejam suficientes, no futuro os métodos mais eficientes podem ser desenvolvidos para a melhoria da imagem proporcionando resultados mais precisos. A utilização da técnica das regras de fuzzy (if/them), são uma ponte entre o sofisticado conhecimento humano de um lado e a estrutura numérica dos computadores por outro lado, simples e fácil de compreender. A técnica proposta é capaz de ultrapassar os inconvenientes dos métodos no domínio espacial como um limiar e métodos no domínio da frequência como os filtros passa-baixa Gaussiano. REFERENCIAS [1] [2] [3] [4] [5] [6] [7] [8] Alex Sherstinsky and Rosalind W. Picard, “Restoration and Enhancement of Fingerprint Images using M-Lattice–A Novel Nonlinear Dynamical System”, IEEE Pattern Recognition, Vol.2, p.p 195200,1994. Anil K.jain, Salil Prabhakar, Lin Hong, and Sharath Pankanti, “Filterbank- Based Fingerprint Matching”, IEEE transactions on image processing, Vol.9,NO.5, 2000. Sasi G., Madhu S. Nair and Souriar Sebasti, “Approximation Studies on Image Enhancement Using Fuzzy Technique”, International Journal of Advanced Science and Technology Vol. 10, 2009. Ertugrul Saatchi and Vedat Tavsanoglu, “Fingerprint Image Enhancement using CNN Gahor –type filters Cellular Neural Networks and their Applications”, proceedings, 7th IEEE International workshop, p.p 577-782, 2003. Faisel Saeed, K.M. George, Huizhu Lu “Image Contrast Enhancement Using Fuzzy Set Theory”, 4th IEEE, International Workshop, p.p 177282, 2009. H.C.Lee and R.E.Gaensslen, Eds., Advances in Fingerprint Technology, New York, Vol.7, NO 6, Elsevier, 1991. H R.Tizhoosh, “Fast fuzzy edge detection,” In proceedings NAFIPS Annual Meeting of the North American Fuzzy Information Processing Society, pp. 239-242, 27-29, 2002. K. Pringle. “Visual perception by a computer”, In Automatic Interpretation and Classification of Images Academic Press, New York, p.p 277-284, 1969. L. Zadeh, ‘Fuzzy “Sets, Information Control”, IEEE Pattern Recognition, Vol.2, pp. 338-353, 1965. Lin Hung, Yifei Wan, Anil Jain: “Fingerprint Image Enhancement: Algorithm and Performance Evaluation”, IEEE Transaction on panem analysis and machine intelligence”, Vol 20 N.8, p.p. 777-789, 1998. L. O. Hall and A. Namasivayam, “Using adaptive fuzzy rules for image segmentation”, in IEEE World Congress on Computational Intelligence, Vol. 2, pp. 808-825, 1997. M. Hanmadlu, D. Jha, and R.Sharma, “Color image enhancement using fuzzy intersification”, Pattern Recognition Letters, Vol.24 (1-3), p.p. 8187, 2003. Milind Kumar V.Sarode, Dr. S.A.Ladhake, Dr.Prashant R.Deshmukh “Fuzzy system for color image enhancement” proceedings of world academy of science, engineering and technology volume 36 December 2008.

Add a comment

Related presentations

Presentación que realice en el Evento Nacional de Gobierno Abierto, realizado los ...

In this presentation we will describe our experience developing with a highly dyna...

Presentation to the LITA Forum 7th November 2014 Albuquerque, NM

Un recorrido por los cambios que nos generará el wearabletech en el futuro

Um paralelo entre as novidades & mercado em Wearable Computing e Tecnologias Assis...

Microsoft finally joins the smartwatch and fitness tracker game by introducing the...

Related pages

Performance Improvement of Fuzzy RBF Networks. - ResearchGate

Publication » Performance Improvement of Fuzzy RBF Networks.. ... Experiments using many images of ... we proposed the image processing techniques for ...
Read more

Design of Hybrid Filter for Denoising Images Using Fuzzy ...

Design of Hybrid Filter for Denoising Images Using Fuzzy Network ... image processing is the improvement ... of Hybrid Filter for Denoising Images Using ...
Read more

Colour image segmentation using fuzzy clustering ...

Colour image segmentation using fuzzy ... neural network than the fuzzy clustering techniques. ... as an improvement of the ...
Read more

US image improvement using fuzzy Neural Network with ...

US image improvement using fuzzy Neural Network with ... Neural Networks ... the quality of US image so as to improve the quality ...
Read more

Neuro-fuzzy - Wikipedia, the free encyclopedia

... these two techniques by combining the ... as Fuzzy Neural Network (FNN) or Neuro-Fuzzy System ... Fuzzy Inference System Using Neural ...
Read more

Classification of delaminated composites using neuro ...

Classification of delaminated composites using ... image analysis, neural networks and fuzzy decision ... and using neural fuzzy techniques to ...
Read more

A comparative study of fuzzy evolutionary techniques for ...

Wavelet and fuzzy neural network is the technique used in the implementation of ... it reflects the different shapes of toe image subjectively and ...
Read more

Enhancement of Megavoltage Images in Radiation Therapy ...

Enhancement of Megavoltage Images in Radiation Therapy Using Fuzzy and ... fuzzy image processing techniques to ... Networks for Image Improvement ...
Read more

Classification of Delaminated Composites Using Neuro-Fuzzy ...

Classification of Delaminated Composites Using Neuro-Fuzzy ... image processing techniques such ... using rough-fuzzy artificial neural network.
Read more