امیر اقتدایی

For effectual analysis and diagnosis of medical images, image deblurring is the essential step. While acquiring, medical images usually get corrupted by noise and blur. The paper aims to improve the clarity and quality of blurred and noisy MRI (Magnetic Resonance Image) due to various causes such as Gaussian blurring, out of focus blur, motion artifacts, turbulence, and etc. Several procedures are available for denoising and deblurring image, but they lack uniqueness. Blind and non-blind deconvolution is utilized in this work to restore the original uncorrupted image. Deconvolution algorithms are analyzed both theoretically and experimentally for deblurring of MRI images. The performance evaluation is conducted using PSNR (Peak Signal to Noise Ratio), SNR (Signal to Noise Ratio) and MSE (Mean Square Error) on the basics of all the above mentioned parameters it was inferred that blind deconvolution algorithm produced more accurate result both analytically and experimentally.

برای تحلیل موثر و تشخیص تصاویر پزشکی، مات زدایی تصویر یک گام اساسی است. تصاویر پزشکی موقع عکس برداری، معمولاً در اثر نویز و ماتی خراب می شوند. این مقاله با هدف بهبود وضوح و کیفیت MRI( تصویر رزونانس مغناطیسی ) تار و نویزی ناشی از دلایل مختلفی از قبیل تار شدن گاوسی ، تاری خارج از فوکوس ، اثرات حرکتی ، آشفتگی جوی و غیره انجام می شود. چندین روش برای حذف نویز و رفع ماتی تصویر در دسترس است اما آنها منحصر بفرد نیستند. در این کار، دکانولوشن کور و غیرکور مورد استفاده قرار گرفته تا تصویر اصلی خراب نشده را بازگرداند. الگوریتم‌های دیکانولوشن هم از لحاظ نظری و هم از لحاظ تجربی برای مات زدایی تصاویر MRI مورد تحلیل قرار گرفته اند. ارزیابی عملکرد با استفاده از اوج نسبت سیگنال به نویز(PSNR)، سیگنال به نویز(SNR) و خطای میانگین مربعات(MSE) بر روی اصول کلیه پارامترهای ذکر شده فوق انجام شده که استنباط می شود، الگوریتم دیکانولوشن کور نتیجه دقیق‌تری از نظر تحلیلی و تجربی ایجاد می‌کند.

In blind deconvolution method sharp version of the image is restored, without knowing the source of blurring and details of the clear image. Whereas in non-blind deconvolution blurring source and clear image is known while restoring sharp version of image. Blind deconvolution approach is more suited for practical scenario17. As in real imaging world while acquiring image our image is corrupted by unknown parameter which can be Gaussian noise, atmospheric turbulence, motion blur, etc.

در روش دکانولوشن کور، بدون دانستن منبع مات‌شدگی و جزئیات تصویر واضح، مدل واضح تصویر احیا می‌شود. در حالی که در دکانولوشن غیرکور، منبع مات‌شدگی و تصویر واضح در حین بازیابی مدل واضح تصویر، شناخته شده است. رویکرد دکانولوشن کور برای موارد عملی مناسب‌تر است. چون در دنیای تصویربرداری واقعی، تصویر ما درحین عکس‌برداری به وسیله پارامتر ناشناخته ای که می‌تواند نویز گاوسی، آشفتگی جوی، تاری حرکتی و غیره باشد، خراب می‌شود

In this work, firstly degradation model is described and the shortcomings of deconvolution is addressed. MRI images obtain are usually noisy or blurred. Therefore mechanism for denoising or deblurring is required. For deblurring PSF is necessary factor to be considered18. Both the deconvolution models i.e. Blind deconvolution and Non Blind deconvolution performance is analyzed and compare with the help of performance parameters such as SNR, MSE and PSNR.

در این کار، ابتدا مدل تخریب توصیف می‌شود و نقایص دیکانولوشن مورد بررسی قرار می‌گیرد. تصاویر MRI بدست آمده معمولا نویزی یا تار هستند. بنابراین، مکانیزمی برای حذف نویز و یا مات‌زدایی مورد نیاز است. برای مات‌زدایی،PSF یک فاکتور ضروری است که باید درنظر گرفته شود. هر دو مدل دیکانولوشن، یعنی عملکرد دیکانولوشن کور و دیکانولوشن غیرکورتحلیل شده و به کمک پارامترهای عملکردی مانند SNR، MSE و PSNR مقایسه می‌شوند.