Improved Regularization based Blind Image Deconvolution using PSO Algorithm for PMMW Images Application
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: English
View: 528
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP09_013
تاریخ نمایه سازی: 6 اسفند 1395
Abstract:
Blind deconvolution algorithms in image processing estimate the original image and the true Point Spread Function (PSF) simultaneously with prior information about thePSF or the original image. This is an ill-posed problem and requires regularization to be solved. In addition to the type ofregularization functions, the value of regularization parameters can drastically affect the output result. In this paper, we propose a Particle Swarm Optimization (PSO) algorithm for selecting optimum values of regularization parameters in blind image deconvolution. The algorithm has been tested on standard images and then compared with non-improved ones, in terms of three standard metrics. A real Passive Millimeter Wave (PMMW) image blurred by an unknown PSF is also used in this algorithm to obtain a sharp deblurred image with an estimate of the PSF. Simulation results show that the proposed method improves the quality of the estimated PSF and the deblurred image
Keywords:
Authors
M. A. Mansoori
Department of Electrical Engineering Iran University of Science and Technology Narmak, Tehran 16846-13114, Iran
M. R. Mosavi
Department of Electrical Engineering Iran University of Science and Technology Narmak, Tehran 16846-13114, Iran
M. H. Bisjerdi
Department of Electrical Engineering Iran University of Science and Technology Narmak, Tehran 16846-13114, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :