دانلود ترجمه مقاله مات‌زدایی تصاویر متنی با دانش پیشین تُنُکی کرنل

1. مقدمه 2. کار مرتبط 3. مدل مات‌زدایی حرکتی مبتنی بر تنکی و تابع انرژی آن 4. تجزیه و تحلیل قید پیشین کرنل 5. بهینه‌سازی با Half-Quadratic Splitting 6. حذف نویز با حفظ ساختار کرنل 7. الگوریتم پیشنهادی 8. نتایج تجربی 9. نتیجه‌گیری

چکیده – روش‌های قبلی در مورد مات زدایی حرکتی تصویر متن به ندرت ویژگی‌های پراکنده کرنل مات را در نظر می‌گیرند. این مقاله با بهره برداری از خصوصیات پراکنده خود تصویر متن و کرنل ، یک روش جدید مات زدایی حرکتی تصویر متن پیشنهاد می‌دهد. این مدل، نُرم L0 را برای تنظیم کرنل ماتی در مدل مات زدایی ، به‌علاوه دانش های پیشین پراکنده L0 را برای تصویر متن و گرادیان آن، ترکیب می‌کند. چنین مدل مبتنی بر L0 به طور موثر با half-quadratic splitting که با روش نزول مزدوج سریع مرتبط است، بهینه‌سازی می‌شود. برای بهبود بیشتر کیفیت کرنل بازیابی شده، یک روش حذف نویز کرنل با حفظ ساختار نیز برای فیلتر کردن پیکسل های نویزی توسعه داده می‌شود و که یک منحنی کرنل واضح می‌دهد. نتایج تجربی برتری روش پیشنهادی را نشان می‌دهند. مقدمه: اسنادی از قبیل تبلیغات ، رسیدها و تابلوهای اطلاعاتی که توسط دوربین های دستی گرفته شده است در زندگی روزمره ما بسیار رایج است. آنها امکان خوبی برای کسب اطلاعات و حفظ کردن شان فراهم می‌کنند. با این حال ، اسناد به دست آمده اغلب به دلیل لرزش دوربین در هنگام عکاسی، دچار مات‌شدگی حرکتی می شوند. چگونگی حذف این تخریب و دستیابی به متون تیز بسیار مهم است. در این مقاله، ما یک روش مات‌زدایی حرکتی تصویر متن را با در نظر گرفتن تنکی تصویر و کرنل پیشنهاد می کنیم. تحقیقات فراوانی در مورد مات‌زدایی تصویر طبیعی صورت گرفته است [3]. چند روش ]5[ تلویحا شامل تنکی تصویر با فرهنگ لغت هستند، که برای مسائل معکوس بدفرم دیگر [1]، [2]، [6]، بدون حل مستقیم آن‌ها اتخاذ شده‌است. اما عملکرد آن به کیفیت فرهنگ لغت تولید شده بستگی دارد. بنابراین، اغلب مطالعات صراحتا تنکی تصویر را به عنوان قید‌های پیشین استفاده می‌کنند، که عموماً از دم سنگین یا انواع دیگر آمارهای تنک، به عنوان مثال، دانش پیشین تنکی کانال تاریک، به عنوان یک دانش پیشین تنک قوی منظم کردن راه‌حل استفاده می‌کنند.

Previous methods on text image motion deblurring seldom consider the sparse characteristics of the blur kernel. This paper proposes a new text image motion deblurring method by exploiting the sparse properties of both text image itself and kernel. It incorporates the L 0 -norm for regularizing the blur kernel in the deblurring model, besides the L 0 sparse priors for the text image and its gradient. Such a L 0 -norm-based model is efficiently optimized by half-quadratic splitting coupled with the fast conjugate descent method. To further improve the quality of the recovered kernel, a structure-preserving kernel denoising method is also developed to filter out the noisy pixels, yielding a clean kernel curve. Experimental results show the superiority of the proposed method. INTRODUCTION: Text documents such as advertisements, receipts, and information signboards captured by hand-held cameras are very common in our daily lives. They provide great conveniences for information acquisition and memorization. However, acquired documents are often motion blurred due to the camera shaking during photographing. How to eliminate such a degradation and obtain sharp texts are thus very important. In this paper, we propose a text image motion deblurring method by considering the sparsity of both image and kernel. There has been abundant research on natural image deblurring [3]. A few methods [5] implicitly include the image sparsity with the dictionary, which has been adopted for other ill-posed inverse problems [1], [2], [6] without solving them directly. However, its performance depends on the quality of the generated dictionary. Therefore, most studies explicitly incorporate the image sparsity as prior constraints, which generally utilize the heavy-tail or other types of sparse statistics, e.g., sparse dark channel prior, as a strong sparsity prior to regularize the solution.

بخشی از ترجمه مقاله (صفحه 13 فایل ورد ترجمه)