Hızlı seyrekleştirici dönüşüm öğrenme ile görüntü ters evrişimi

Simple item page
dc.citation.epage4en_US
dc.citation.spage1en_US
dc.contributor.authorAkyön, Fatih Çağatayen_US
dc.contributor.authorKamacı, U.en_US
dc.contributor.authorÖktem, F. S.en_US
dc.coverage.spatialIzmir, Turkey
dc.date.accessioned2019-02-21T16:04:54Z
dc.date.available2019-02-21T16:04:54Z
dc.date.issued2018-05en_US
dc.departmentDepartment of Electrical and Electronics Engineeringen_US
dc.descriptionConference name: 26th Signal Processing and Communications Applications Conference (SIU) 2018
dc.descriptionDate of Conference: 2-5 May 2018
dc.description.abstractGörüntü ters evrişimi görüntülemede sık karşılaşılan ters problemlerden biridir. Doğal görüntüler bir dönüşüm uzayında seyrek olarak ifade edilebildikleri için seyreklik önsellerinin bu problemleri etkili bir şekilde düzenlileştirebildikleri ve yüksek kaliteli yeniden oluşturmayı mümkün kıldıkları bilinmektedir. Bu çalışmada, görüntü ters evrişimi için dönüşüm öğrenmeye dayalı adaptif bir seyrek görüntü geri kazanım yaklaşımı geliştirilmektedir. Bu yaklaşımda adaptif olarak yama tabanlı bir seyrekleştirici dönüşüm öğrenilir ve eş zamanlı olarak gürültülü, bulanık ölçümlerden görüntü geri kazanılır. Ortaya çıkan optimizasyon problemi kapalı formda ifade edilebilen ve hızlı bir şekilde hesaplanabilen adımlar içeren almaşık enküçültme (alternating minimization) algoritması kullanılarak çözülmektedir. Geliştirilen algoritmanın performansı, farklı optik bulanıklıkları ve gürültü seviyeleri için incelenmektedir. Sonuçlar, geliştirilen yöntemin toplam değişim (total variation) temelli yaklaşımla karşılaştırıldığında, görüntü geriçatım kalitesini arttırdığını, aynı zamanda da hızlı olduğunu göstermektedir.
dc.description.abstractImage deconvolution is one of the most frequently encountered inverse problems in imaging. Since natural images can be modeled sparsely in some transform domain, sparsity priors have been shown to effectively regularize these problems and enable high-quality reconstructions. In this paper, we develop a data-adaptive sparse image reconstruction approach for image deconvolution based on transform learning. Our framework adaptively learns a patch-based sparsifying transform and simultaneously reconstructs the image from its noisy blurred measurement. This is achieved by solving the resulting optimization problem using an alternating minimization algorithm which has closed-form and efficient update steps. The performance of the developed algorithm is illustrated for an application in optical imaging by considering different optical blurs and noise levels. The results demonstrate that the developed method not only improves the reconstruction quality compared to the totalvariation based approach, but also is fast.
dc.description.provenanceMade available in DSpace on 2019-02-21T16:04:54Z (GMT). No. of bitstreams: 1 Bilkent-research-paper.pdf: 222869 bytes, checksum: 842af2b9bd649e7f548593affdbafbb3 (MD5) Previous issue date: 2018en
dc.identifier.doi10.1109/SIU.2018.8404295
dc.identifier.urihttp://hdl.handle.net/11693/50218
dc.language.isoTurkish
dc.publisherIEEE
dc.relation.isversionofhttps://doi.org/10.1109/SIU.2018.8404295
dc.source.title26th IEEE Signal Processing and Communications Applications Conference, SIU 2018en_US
dc.subjectAlternating minimizationen_US
dc.subjectImage deconvolutionen_US
dc.subjectOptical imagingen_US
dc.subjectSparsity-based reconstructionen_US
dc.subjectTransform learningen_US
dc.titleHızlı seyrekleştirici dönüşüm öğrenme ile görüntü ters evrişimien_US
dc.title.alternativeImage deconvolution via efficient sparsifying transform learningen_US
dc.typeConference Paperen_US

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Image-deconvolution-via-efficient-sparsifying-transform-learning.pdf
Size:
363.44 KB
Format:
Adobe Portable Document Format
Description:
Full printable version
Download

Collections

Department of Electrical and Electronics Engineering