이미지 복원은 이미지 처리의 중요한 영역으로, 수학적 모델과 이미지 복원 알고리즘을 활용하여 손상된 이미지를 원본 이미지에 가능한 한 근사하게 복원하여 이미지 품질과 응용 가치를 향상시킨다. 퍼지 연상 메모리 (FAM) 방법은 다양한 종류의 잡음을 처리할 수 있으며, ...
이미지 복원은 이미지 처리의 중요한 영역으로, 수학적 모델과 이미지 복원 알고리즘을 활용하여 손상된 이미지를 원본 이미지에 가능한 한 근사하게 복원하여 이미지 품질과 응용 가치를 향상시킨다. 퍼지 연상 메모리 (FAM) 방법은 다양한 종류의 잡음을 처리할 수 있으며, 병렬 계산 원리를 기반으로 빠른 이미지 처리 능력을 갖추고 있다. 또한, FAM은 유연성과 조정 가능성을 가지고 있어 이미지 복원 분야에서 널리 활용된다. 그러나 전통적인 FAM 방법은 동일한 배경에서 동일한 개체를 복원하는 데 있어서 복원율이 낮다. 이 문제를 개선하기 위해, 본 논문에서는 T-conorm 확률 연산자를 기반으로 한 개선된 FAM 방법인 IFAM(Improved Fuzzy Association Memory)를 제안한다. T-conorm 확률 연산기는 입력 데이터를 퍼지화하고 퍼지 논리 연산을 수행하여 이미지 복원에서의 모호성과 불확실성을 더욱 효과적으로 처리하여 복원 결과의 정확성과 효과를 향상시킨다. 제안된 방법의 성능을 검증하기 위해 기존 퍼지 연상 메모리 기법과 비교 실험하여 분석한 결과. 제곱근 평균 오차(RMSE)에서는 제안 IFAM 방법의 이미지 복원율은 80%에 도달하였으며, 기존 퍼지 연상 메모리 기법의 복원율은 40%에 불과하였다. 이는 개선된 방법이 더 정확한 복원 효과를 제공한다는 것을 의미한다. 향후 연구는 딥러닝과 퍼지 시스템을 결합하여 더 복잡한 영상들을 처리하고 복원 결과의 정확성과 디테일 보존 능력을 향상시키기 위해 연구할 것이다.
이미지 복원은 이미지 처리의 중요한 영역으로, 수학적 모델과 이미지 복원 알고리즘을 활용하여 손상된 이미지를 원본 이미지에 가능한 한 근사하게 복원하여 이미지 품질과 응용 가치를 향상시킨다. 퍼지 연상 메모리 (FAM) 방법은 다양한 종류의 잡음을 처리할 수 있으며, 병렬 계산 원리를 기반으로 빠른 이미지 처리 능력을 갖추고 있다. 또한, FAM은 유연성과 조정 가능성을 가지고 있어 이미지 복원 분야에서 널리 활용된다. 그러나 전통적인 FAM 방법은 동일한 배경에서 동일한 개체를 복원하는 데 있어서 복원율이 낮다. 이 문제를 개선하기 위해, 본 논문에서는 T-conorm 확률 연산자를 기반으로 한 개선된 FAM 방법인 IFAM(Improved Fuzzy Association Memory)를 제안한다. T-conorm 확률 연산기는 입력 데이터를 퍼지화하고 퍼지 논리 연산을 수행하여 이미지 복원에서의 모호성과 불확실성을 더욱 효과적으로 처리하여 복원 결과의 정확성과 효과를 향상시킨다. 제안된 방법의 성능을 검증하기 위해 기존 퍼지 연상 메모리 기법과 비교 실험하여 분석한 결과. 제곱근 평균 오차(RMSE)에서는 제안 IFAM 방법의 이미지 복원율은 80%에 도달하였으며, 기존 퍼지 연상 메모리 기법의 복원율은 40%에 불과하였다. 이는 개선된 방법이 더 정확한 복원 효과를 제공한다는 것을 의미한다. 향후 연구는 딥러닝과 퍼지 시스템을 결합하여 더 복잡한 영상들을 처리하고 복원 결과의 정확성과 디테일 보존 능력을 향상시키기 위해 연구할 것이다.
Image restoration is a crucial area in image processing, where mathematical models and image restoration algorithms are utilized to approximate the damaged image as closely as possible to the original image, thereby improving image quality and application value. Fuzzy Association Memory (FAM) method...
Image restoration is a crucial area in image processing, where mathematical models and image restoration algorithms are utilized to approximate the damaged image as closely as possible to the original image, thereby improving image quality and application value. Fuzzy Association Memory (FAM) method can handle various types of noise and possesses fast image processing capabilities based on parallel computing principles. Additionally, FAM is widely utilized in the field of image restoration due to its flexibility and adjustability. However, traditional FAM methods have low restoration rates when it comes to restoring the same object in the same background. To address this issue, this paper proposes an improved FAM method called IFAM (Improved Fuzzy Association Memory) based on the T-conorm probability operator. The T-conorm probability operator fuzzifies the input data and performs fuzzy logic operations, effectively handling ambiguity and uncertainty in image restoration, thereby enhancing the accuracy and effectiveness of the restoration results. The performance of the proposed method is validated by comparing it with existing fuzzy association memory techniques through experimental analysis. In terms of Root Mean Square Error (RMSE), the restoration rate of the proposed IFAM method reaches 80%, while the restoration rate of the traditional fuzzy association memory technique is only 40%. This indicates that the improved method provides more accurate restoration effects. Future research will focus on combining deep learning and fuzzy systems to handle more complex images and enhance the accuracy and detail preservation capabilities of the restoration results.
Image restoration is a crucial area in image processing, where mathematical models and image restoration algorithms are utilized to approximate the damaged image as closely as possible to the original image, thereby improving image quality and application value. Fuzzy Association Memory (FAM) method can handle various types of noise and possesses fast image processing capabilities based on parallel computing principles. Additionally, FAM is widely utilized in the field of image restoration due to its flexibility and adjustability. However, traditional FAM methods have low restoration rates when it comes to restoring the same object in the same background. To address this issue, this paper proposes an improved FAM method called IFAM (Improved Fuzzy Association Memory) based on the T-conorm probability operator. The T-conorm probability operator fuzzifies the input data and performs fuzzy logic operations, effectively handling ambiguity and uncertainty in image restoration, thereby enhancing the accuracy and effectiveness of the restoration results. The performance of the proposed method is validated by comparing it with existing fuzzy association memory techniques through experimental analysis. In terms of Root Mean Square Error (RMSE), the restoration rate of the proposed IFAM method reaches 80%, while the restoration rate of the traditional fuzzy association memory technique is only 40%. This indicates that the improved method provides more accurate restoration effects. Future research will focus on combining deep learning and fuzzy systems to handle more complex images and enhance the accuracy and detail preservation capabilities of the restoration results.
주제어
#영상처리 영상복원 퍼지 연상 메모리 확률 연산자 Triangular conorm 제곱근 평균 오차
학위논문 정보
저자
조정
학위수여기관
신라대학교 일반대학원
학위구분
국내석사
학과
융합공학과 컴퓨터정보공학전공
지도교수
김광백
발행연도
2023
총페이지
iv,44장.
키워드
영상처리 영상복원 퍼지 연상 메모리 확률 연산자 Triangular conorm 제곱근 평균 오차
※ AI-Helper는 부적절한 답변을 할 수 있습니다.