‫‪1‬‬

‫ﻛﺎﻫﺶ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ از ﺗﺼﺎوﻳﺮ دﻳﺠﻴﺘﺎل ﺑﻪ ﻛﻤﻚ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬

‫ﺗﻄﺒﻴﻘﻲ‬
‫ﻣﻨﻴﺮه ﻣﻌﺼﻮم زاده‪ ،‬ﭘﻴﻤﺎن ﻣﻌﻠﻢ‪ ،‬ﻣﻬﺪي ﺣﺒﻴﺒﻲ‬

‫‪‬‬

‫ﺗﺼﻮﻳﺮ‪ ،‬ﻧﺎﭘﺎﻳﺪاري ﺣﺮارﺗﻲ ﻋﻨﺎﺻﺮ اﭘﺘﻴﻜﻲ و ﺑﻬﺮه ﻣﺪارات اﻟﻜﺘﺮوﻧﻴﻜﻲ در‬
‫ﺣﺴﮕﺮﻫﺎي ﻧﻮري و ﻓﺮاﻳﻨﺪ ﭘﻮﻳﺶ در ﻣﺮورﮔﺮﻫﺎي اﻟﻜﺘﺮواﭘﺘﻴﻜﻲ‪ ،‬ﻣﻲ ﺗﻮاﻧﺪ‬
‫ﻣﻮﺟﺐ ﺑﻪ وﺟﻮد آﻣﺪن ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﮔﺮدد ]‪.[2‬‬
‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ ،‬ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮع ﺗﻮاﺑﻊ ﺳﻴﻨﻮﺳﻲ در ﺣﻮزه ﻣﻜﺎن ﻣﺪل ﻣﻲ‪-‬‬
‫ﺷﻮد ﻛﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﺻﻮرت ﺳﺘﺎره ﮔﻮﻧﻪﻫﺎﻳﻲ ﺑﺎ داﻣﻨﻪ ﻓﺮﻛﺎﻧﺴﻲ ﺑﺎﻻ‬
‫ﻧﻤﺎﻳﺎن ﻣﻲ ﺷﻮد ]‪.[3‬‬
‫] ‪n( x, y )  A sin[ 2u 0 ( x  B x ) / M  2v 0 ( y  B y ) / N‬‬
‫در ﻣﻌﺎدﻟﻪ )‪ (1‬ﻧﻤﻮﻧﻪ اي از ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آورده ﺷﺪه اﺳﺖ ﻛﻪ در آن ‪ A‬داﻣﻨﻪ‬
‫ﻧﻮﻳﺰ‪ u ،‬و ‪ v‬ﺑﻪ ﺗﺮﺗﻴﺐ ﻣﺸﺨﺺ ﻛﻨﻨﺪه ﻓﺮﻛﺎﻧﺴﻬﺎي ﺳﻴﻨﻮﺳﻲ ﻣﺘﻨﺎﻇﺮ ﺑﺎ‬
‫ﻣﺤﻮرﻫﺎي ‪ x‬و ‪ y‬ﻫﺴﺘﻨﺪ و ‪ Bx‬و ‪ By‬ﺟﺎﺑﺠﺎﻳﻲ ﻓﺎز ﻧﺴﺒﺖ ﺑﻪ ﻣﺒﺪا اﺳﺖ‪ .‬ﭼﻮن‬
‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺳﺮﺗﺎﺳﺮ ﺗﺼﻮﻳﺮ را ﻓﺮا ﮔﺮﻓﺘﻪ‪ ،‬ﺑﺮاي ﻛﺎﻫﺶ اﻳﻦ ﻧﻮﻳﺰ روﺷﻬﺎي‬
‫ﻣﺮﺑﻮط ﺑﻪ ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺗﺮﺟﻴﺢ داده ﻣﻲ ﺷﻮد‪.‬‬
‫اﺳﺘﻔﺎده از ﻓﻴﻠﺘﺮﻫﺎي ﻣﻴﺎن ﻧﮕﺬر در ﺣﻮزه ﻓﺮﻛﺎﻧﺴﻲ ﺑﻪ ﻋﻨﻮان راه ﺣﻠّﻲ ﺑﺮاي‬
‫ﻛﺎﻫﺶ اﺛﺮ ﻧﻮﻳﺰﻫﺎي ﺗﻨﺎوﺑﻲ ﻛﻪ ﺷﻜﻞ ﺳﺎدهاي دارﻧﺪ و ﻓﻘﻂ ﺣﺎوي ﻳﻚ‬
‫ﺳﻴﻨﻮﺳﻲ ﻣﺰاﺣﻢ و در ﻧﺘﻴﺠﻪ ﻓﻘﻂ دو ﻣﻮﻟّﻔﻪ ﺳﻴﻨﻮﺳﻲ ﻣﺘﻘﺎرن ﺣﻮل ﻣﺮﻛﺰ ﻣﻲ‪-‬‬
‫ﺑﺎﺷﺪ‪ ،‬ﺑﻴﺎن ﮔﺮدﻳﺪه اﺳﺖ ]‪ ،[4‬ﻛﻪ ﺑﺎ ﺻﻔﺮ ﻛﺮدن داﻣﻨﻪ ﻓﺮﻛﺎﻧﺴﻲ ﭘﻴﻜﺴﻠﻬﺎﻳﻲ‬
‫ﻛﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺑﻴﻦ دو ﺣﻠﻘﻪ ﺑﺎﻧﺪ ﻓﻴﻠﺘﺮ ﻗﺮار ﮔﻴﺮﻧﺪ ﺑﺎﻋﺚ ﺣﺬف ﻣﺆﻟﻔﻪ‬
‫ﻫﺎي ﻧﻮﻳﺰ ﻣﻲﺷﻮﻧﺪ‪.‬‬
‫ﻫﻤﭽﻨﻴﻦ ﻓﻴﻠﺘﺮﻫﺎي ﺑﺮﺷﻲ ﺑﺮاي ﺣﺬف ﻗﺴﻤﺖ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ و ﺻﻔﺮ ﻛﺮدن‬
‫ﻣﻮﻟﻔﻪ ﻫﺎي ﻓﺮﻛﺎﻧﺴﻲ در ﻫﻤﺴﺎﻳﮕﻲ از ﻣﺮﻛﺰ ﻓﺮﻛﺎﻧﺴﻲ ﻧﻮﻳﺰ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ ﺑﻪ ﻛﺎر‬
‫ﻣﻲ رود ]‪ .[5‬ﺑﻪ دﻟﻴﻞ ﺗﻘﺎرن ﭘﻴﻚ ﻫﺎي ﻓﺮﻛﺎﻧﺴﻲ ﻣﺮﺑﻮط ﺑﻪ ﺳﻴﻨﻮﺳﻲ ﻫﺎي‬
‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺑﺮاي داﺷﺘﻦ ﻧﺘﺎﻳﺞ ﻣﻨﺎﺳﺐ‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﻧﻴﺰ ﺑﺎﻳﺪ روي ﺟﻔﺖ ﻫﺎي‬
‫ﻣﺘﻘﺎرن ﺣﻮل ﻣﺮﻛﺰ ﺑﺎﺷﺪ ﻣﮕﺮ اﻳﻨﻜﻪ ﺧﻮد ﻓﻴﻠﺘﺮ در ﻣﺮﻛﺰ ﻗﺮار ﮔﻴﺮد‪ .‬در اﻳﻦ‬
‫ﻓﻴﻠﺘﺮ‪ ،‬ﺷﻜﻞ ﻧﺎﺣﻴﻪ ﺑﺮﺷﻲ ﻣﻲ ﺗﻮاﻧﺪ دﻟﺨﻮاه )ﻣﺜﻼ ﻣﺴﺘﻄﻴﻠﻲ( ﺑﺎﺷﺪ‪ ،‬ﻫﻤﭽﻨﻴﻦ‬
‫ﺗﻌﺪاد ﺟﻔﺖ ﻫﺎ دﻟﺨﻮاه اﺳﺖ‪.‬‬
‫ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ]‪ [6‬ﺑﺎ ﻟﻐﺰاﻧﺪن ﭘﻨﺠﺮهاي روي ﻃﻴﻒ ﺗﺼﻮﻳﺮ‪،‬‬
‫ﻣﻘﺪار ﻣﻴﺎﻧﻪ را ﺑﺮاي ﻫﺮ ﭘﻨﺠﺮه ﻳﺎﻓﺘﻪ و از ﻣﻘﺎﻳﺴﻪ ﻧﺴﺒﺖ ﻣﻘﺪار داﻣﻨﻪ ﻓﺮﻛﺎﻧﺲ‬
‫ﻣﺮﻛﺰي ﭘﻨﺠﺮه ﺑﻪ ﻣﻘﺪار ﻣﻴﺎﻧﻪ ﻣﺤﺎﺳﺒﻪ ﺷﺪه در آن ﭘﻨﺠﺮه ﺑﺎ ﻳﻚ ﻣﻘﺪار آﺳﺘﺎﻧﻪ‬
‫ﭘﻲ ﺑﻪ آﻟﻮده ﺑﻮدن ﭘﻴﻜﺴﻞ ﻣﻲﺑﺮد‪ .‬اﮔﺮ اﻳﻦ ﻧﺴﺒﺖ از آﺳﺘﺎﻧﻪ ﺑﺰرﮔﺘﺮ ﺑﺎﺷﺪ‪ ،‬آﻧﮕﺎه‬
‫ﭘﻴﻜﺴﻞ ﻣﻮرد ﺑﺮرﺳﻲ‪ ،‬آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﻣﺤﺴﻮب ﺷﺪه و ﻣﻘﺪار ﻣﻴﺎﻧﻪ ﺟﺎﻳﮕﺰﻳﻦ آن‬
‫ﻣﻲﮔﺮدد و در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﺑﺪون ﺗﻐﻴﻴﺮ ﺑﺎﻗﻲ ﻣﻲﻣﺎﻧﺪ‪.‬‬
‫ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺎﺳﻚ ﺷﺪه ]‪ ،[7‬ﻳﻚ اﻳﺪه دﻳﮕﺮ ﺑﺮاي ﻛﺎﻫﺶ اﺛﺮ ﻧﻮﻳﺰ‬
‫ﭼﻜﻴﺪه ‪ -‬ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ اﻟﮕﻮ ﻳﺎ اﻟﮕﻮﻫﺎﻳﻲ ﻧﺎﺧﻮاﺳﺘﻪ ﺗﻜﺮار ﺷﻮﻧﺪه در ﺳﺮاﺳﺮ ﺗﺼﻮﻳﺮ‬
‫اﺳﺖ ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ اﻳﺠﺎد ﺳﺎﺧﺘﺎرﻫﺎﻳﻲ ﻣﺘﻨﺎوب و ﻛﺎﻫﺶ ﻛﻴﻔﻴﺖ ﺗﺼﻮﻳﺮ ﻣﻲ ﺷﻮد‪ .‬در‬
‫اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﻪ ﻣﻨﻈﻮر ﻛﺎﻫﺶ اﺛﺮ اﻳﻦ ﻧﻮﻳﺰ در ﺗﺼﺎوﻳﺮ دﻳﺠﻴﺘﺎل‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬
‫ﺗﻄﺒﻴﻘﻲ ﭘﻴﺸﻨﻬﺎد ﺷﺪه اﺳﺖ‪ .‬در روش ﭘﻴﺸﻨﻬﺎدي‪ ،‬ﺑﺨﺶ ﻣﺮﺑﻮط ﺑﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ‬
‫ﺑﺎ اﻋﻤﺎل اﻟﮕﻮرﻳﺘﻢ ﺗﻘﻄﻴﻊ ﺑﻪ روش آﺳﺘﺎﻧﻪ ﮔﺬاري ﺑﺮ روي ﻃﻴﻒ ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ‬
‫ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد‪ .‬ﺳﭙﺲ اﻟﮕﻮرﻳﺘﻢ رﺷﺪ ﻧﺎﺣﻴﻪ ﺗﻼش ﻣﻲ ﻛﻨﺪ ﻛﻪ ﭘﻬﻨﺎي ﺑﺎﻧﺪ ﻣﺮﺑﻮط‬
‫ﺑﻪ ﻫﺮ ﻳﻚ از ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ را ﺑﻪ ﻃﻮر ﺟﺪاﮔﺎﻧﻪ ﺗﻌﻴﻴﻦ ﻛﻨﺪ‪ .‬ﺳﭙﺲ ﻓﻘﻂ ﺑﺮاي‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﺗﺨﺮﻳﺐ ﺷﺪه ﺑﻪ وﺳﻴﻠﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻣﻨﺎﺳﺐ ﻛﻪ‬
‫)‪(1‬‬
‫روﺷﻲ ﻗﺪرﺗﻤﻨﺪ ﺑﺮاي ﻛﺎﻫﺶ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ اﺳﺖ‪ ،‬اﻋﻤﺎل ﻣﻲ ﺷﻮد‪ .‬ﻓﻴﻠﺘﺮ ﭘﻴﺸﻨﻬﺎدي‪ ،‬ﺑﺎ‬
‫ﺳﺎﻳﺮ ﻓﻴﻠﺘﺮﻫﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه از ﺟﻤﻠﻪ ﻓﻴﻠﺘﺮﻫﺎي ﻣﻴﺎﻧﮕﻴﻦ و ﻣﻴﺎﻧﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ و‬
‫ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ‪ .‬ﻧﺘﻴﺠﻪ ﻣﻘﺎﻳﺴﻪ ﺑﻪ وﺳﻴﻠﻪ ﻣﻌﻴﺎرﻫﺎي ﻛﻤﻲ و‬
‫ﻛﻴﻔﻲ و از ﻧﻈﺮ ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ‪ ،‬ﺑﻴﺎﻧﮕﺮ ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮ ﻓﻴﻠﺘﺮ ﭘﻴﺸﻨﻬﺎدي ﻣﻲ ﺑﺎﺷﺪ‪،‬‬
‫ﻫﻤﭽﻨﻴﻦ ﺑﺮﺧﻼف روﺷﻬﺎي ﻣﻘﺎﻳﺴﻪ ﺷﺪه‪ ،‬ﻓﻴﻠﺘﺮ ﭘﻴﺸﻨﻬﺎدي ﻧﻴﺎزي ﺑﻪ ﺗﻨﻈﻴﻢ ﭘﺎراﻣﺘﺮ‬
‫ﻧﺪارد‪.‬‬
‫ﻛﻠﻴﺪ واژه‪ -‬ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‪ ،‬ﺗﻘﻄﻴﻊ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ‪ ،‬رﺷﺪ ﻧﺎﺣﻴﻪ‪.‬‬
‫‪ -1‬ﻣﻘﺪﻣﻪ‬
‫ﻧﻮﻳﺰ ﺗﺼﻮﻳﺮي‪ ،‬ﺗﻐﻴﻴﺮات ﺗﺼﺎدﻓﻲ در اﻃﻼﻋﺎت روﺷﻨﺎﻳﻲ ﻳﺎ رﻧﮓ در ﺗﺼﺎوﻳﺮ‬
‫دﻳﺠﻴﺘﺎل اﺳﺖ ﻛﻪ ﺗﻮﺳﻂ ﺣﺴﮕﺮ ﺗﺼﻮﻳﺮﺑﺮداري‪ ،‬ﻣﺪارات اﺳﻜﻨﺮ و ﻳﺎ ﺗﻮﺳﻂ‬
‫دورﺑﻴﻦ ﻫﺎي دﻳﺠﻴﺘﺎل اﻳﺠﺎد ﻣﻲ ﺷﻮد‪ .‬ﻛﺎراﻳﻲ ﺣﺴﮕﺮﻫﺎي ﺗﺼﻮﻳﺮﺑﺮداري ﺗﺤﺖ‬
‫ﺗﺎﺛﻴﺮ ﻋﻮاﻣﻞ ﻣﺨﺘﻠﻔﻲ ﻣﺜﻞ ﺷﺮاﻳﻂ ﻣﺤﻴﻄﻲ در ﺣﻴﻦ ﺗﺼﻮﻳﺮﺑﺮداري و ﻛﻴﻔﻴﺖ‬
‫ﻋﻨﺎﺻﺮ ﺣﺲ ﻛﻨﻨﺪه ﻗﺮار دارد‪ .‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﺗﺼﻮﻳﺮﺑﺮداري ﺑﺎ دورﺑﻴﻦ‬
‫‪ ،CCD‬ﺳﻄﺢ ﻧﻮر و ﺣﺮارت ﺣﺴﮕﺮ ﻋﻮاﻣﻞ اﺻﻠﻲ ﺗﺎﺛﻴﺮ ﮔﺬار در ﻣﻴﺰان ﻧﻮﻳﺰ در‬
‫ﺗﺼﻮﻳﺮ دﻳﺠﻴﺘﺎل اﺳﺖ‪ .‬اﻣﺮوزه ﺗﻮﺟﻪ زﻳﺎدي ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﻛﺎﻫﺶ ﻧﻮﻳﺰ در‬
‫ﺗﺼﺎوﻳﺮ دﻳﺠﻴﺘﺎل ﻣﻲ ﺷﻮد ]‪.[1‬‬
‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺑﻪ ﻋﻨﻮان ﻳﻜﻲ از اﻧﻮاع ﻧﻮﻳﺰﻫﺎ‪ ،‬ﺳﻴﮕﻨﺎل ﻧﺎﺧﻮاﺳﺘﻪ اي اﺳﺖ ﻛﻪ‬
‫ﺑﻪ دﻻﻳﻞ ﻣﺨﺘﻠﻒ در ﺗﺼﺎوﻳﺮ ﺑﺎﻋﺚ اﻳﺠﺎد ﺳﺎﺧﺘﺎرﻫﺎي ﻣﺘﻨﺎوب و ﺗﻜﺮارﺷﻮﻧﺪه و‬
‫ﺑﺎﻋﺚ ﺗﺨﺮﻳﺐ ﺗﺼﻮﻳﺮ ﻣﻲ ﮔﺮدد‪ .‬اﻳﻦ ﻧﻮﻳﺰ در ﺣﻮزه ﻣﻜﺎن ﺳﺮﺗﺎﺳﺮ ﺗﺼﻮﻳﺮ را‬
‫ﻓﺮاﮔﺮﻓﺘﻪ و ﻗﺎﺑﻞ آﺷﻜﺎرﺳﺎزي و ﺗﻔﻜﻴﻚ از ﭘﺲ زﻣﻴﻨﻪ ﺧﻮد ﻧﻴﺴﺖ و در ﺣﻮزه‬
‫ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﺻﻮرت ﺳﺘﺎره ﮔﻮﻧﻪﻫﺎﻳﻲ ﺑﺎ داﻣﻨﻪ ﻓﺮﻛﺎﻧﺴﻲ ﺑﺎﻻ ﻧﻤﺎﻳﺎن ﻣﻲ ﺷﻮﻧﺪ‪.‬‬
‫ﻋﻮاﻣﻞ ﻣﺨﺘﻠﻔﻲ از ﺟﻤﻠﻪ ﺗﺪاﺧﻼت اﻟﻜﺘﺮوﻣﻐﻨﺎﻃﻴﺴﻲ و اﻟﻜﺘﺮﻳﻜﻲ در ﺣﻴﻦ اﺧﺬ‬
‫ﻣﻨﻴﺮه ﻣﻌﺼﻮم زاده‪ ،‬ﭘﻴﻤﺎن ﻣﻌﻠﻢ و ﻣﻬﺪي ﺣﺒﻴﺒﻲ‪ :‬ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﺑﺮق‪ ،‬داﻧﺸﻜﺪه ﻓﻨﻲ و‬
‫ﻣﻬﻨﺪﺳﻲ‪ ،‬داﻧﺸﮕﺎه اﺻﻔﻬﺎن‪.(p_moallem@eng.ui.ac.ir) ،‬‬
‫‪2‬‬

‫ﻣﺤﻮر ‪ x‬و ‪ y‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬در ﻧﺘﻴﺠﻪ‪ ،‬ﺑﺮاي ﻃﻴﻒ ﺧﺮوﺟﻲ ‪ ،Y‬راﺑﻄﻪ ﺑﻴﻦ ﻓﻴﻠﺘﺮ‬ ‫ﺗﻨﺎوﺑﻲ و ﺑﺎ ﺗﺤﻠﻴﻞ داﻣﻨﻪ ﻃﻴﻒ ﻓﺮﻛﺎﻧﺴﻲ ﺗﺼﻮﻳﺮ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺎﺳﻚ ﻟﻐﺰﻧﺪه ﺑﺎ‬
‫ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺑﺎ ﻣﻌﺎدﻟﻪ )‪ (6‬ﺗﻌﻴﻴﻦ ﻣﻲ ﺷﻮد‪:‬‬ ‫ﺳﺎﻳﺰ ‪ nn‬اﺳﺖ )‪ n‬ﻋﺪدي ﻓﺮد ﻣﻲ ﺑﺎﺷﺪ(‪ .‬ﻫﻤﻪ اﻟﻤﺎن ﻫﺎي ﻣﺎﺳﻚ ﻛﻪ‬
‫‪ ˆ m,n‬‬ ‫‪X i, j‬‬ ‫ﻣﺎﺗﺮﻳﺴﻲ ﺑﺎﻳﻨﺮي ﻣﻲ ﺑﺎﺷﺪ‪ ،‬ﺑﺮاﺑﺮ ‪ 1‬اﺳﺖ‪ ،‬ﺑﻪ ﺟﺰ اﻟﻤﺎن ﻣﺮﻛﺰي ﻛﻪ ﺻﻔﺮ ﻣﻲ‬
‫‪Yi , j  Xˆ i , j  G‬‬ ‫)‪  and (i, j )  (0,0‬‬
‫‪m,n‬‬ ‫‪m,n‬‬
‫‪if‬‬
‫‪‬‬ ‫) ‪median( X i , j‬‬ ‫ﺑﺎﺷﺪ‪ .‬اﮔﺮ اﻟﻤﺎﻧﻲ از ﻣﺎﺳﻚ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﻘﺪار داﻣﻨﻪ ﻃﻴﻒ ﻓﺮﻛﺎﻧﺴﻲ در ﭘﻨﺠﺮه‬
‫‪Y  X‬‬ ‫‪otherwise‬‬
‫‪ i, j‬‬ ‫‪i, j‬‬
‫ﻣﺤﻠﻲ ﺑﺮاﺑﺮ ﺑﺎ ﻳﻚ ﺑﻮد‪ ،‬آﻧﮕﺎه ﻣﻘﺪار داﻣﻨﻪ ﻃﻴﻔﻲ اﻳﻦ ﭘﻴﻜﺴﻞ در ﻣﺤﺎﺳﺒﻪ‬
‫)‪(6‬‬ ‫ﻣﻴﺎﻧﮕﻴﻦ ﻣﺤﻠﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‪ .‬اﻟﻤﺎن ﻣﺮﻛﺰي ﭘﻨﺠﺮه ﻣﺤﻠﻲ‪ ،‬ﻛﻪ ﻫﻤﺎن‬
‫اﻳﻦ ﻓﻴﻠﺘﺮ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ‪ ،‬اﻧﺪازه اي ﺑﺮاﺑﺮ ﺑﺎ اﻧﺪازه ﭘﻨﺠﺮه ﻓﻴﻠﺘﺮ در‬ ‫داﻣﻨﻪ ﺿﺮﻳﺐ ﻃﻴﻔﻲ اﺳﺖ ﻛﻪ ﺑﺎﻳﺪ ﻣﻮرد آﻧﺎﻟﻴﺰ و ﻓﻴﻠﺘﺮ ﻗﺮار ﮔﻴﺮد‪ ،‬ﺑﺎﻳﺪ در‬
‫ﻣﻌﺎدﻟﻪ )‪ (5‬دارد‪ ،‬ﺑﻪ ﺻﻮرت ﻣﺤﻠﻲ اﻋﻤﺎل ﻣﻲ ﺷﻮد و ﻓﻘﻂ روي ﺿﺮاﻳﺐ واﻗﻊ‬ ‫ﻣﺤﺎﺳﺒﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺤﻠﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻧﺸﻮد و اﻟﻤﺎن ﻣﺮﺑﻮط ﺑﻪ آن را ﺑﺎﻳﺪ در‬
‫در ﭘﻨﺠﺮه ﻓﻴﻠﺘﺮ ﻣﻮﺛﺮ اﺳﺖ ﻛﻪ ﺑﺎﻋﺚ ﺳﻮدﻣﻨﺪ ﺷﺪن آن ﻣﻲ ﺷﻮد‪ .‬ﻣﺰﻳﺖ دﻳﮕﺮ‬ ‫ﻣﺎﺳﻚ ﺑﺮاﺑﺮ ﺻﻔﺮ ﻗﺮار دﻫﻴﻢ‪ .‬ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﻃﺒﻖ راﺑﻄﻪ )‪(2‬‬
‫ﻣﻌﺎدﻟﻪ )‪ (5‬اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮان ﭘﻬﻨﺎي ﻗﻠﻪ ﺗﻮﻟﻴﺪ ﺷﺪه را ﺑﻪ وﺳﻴﻠﻪ ‪ ،B‬داﻣﻨﻪ‬ ‫ﺑﻴﺎن ﻣﻲ ﺷﻮد‪:‬‬
‫آن را ﺑﺎ ﻛﻤﻚ ‪ A‬و ﺳﻄﺢ اﺻﻼح را ﺑﻪ وﺳﻴﻠﻪ ‪ m‬و ‪ n‬ﺑﻪ ﺻﻮرت ﻣﺴﺘﻘﻞ‬ ‫‪ X i, j‬‬ ‫‪X i, j‬‬
‫‪‬‬ ‫‪if‬‬ ‫)‪  and (i, j )  (0,0‬‬ ‫)‪(2‬‬
‫ﺗﻐﻴﻴﺮ داد ﻛﻪ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ﻛﻪ ﻗﻠﻪ ﭘﻬﻦ در ﭘﻨﺠﺮه ﺑﺎرﻳﻚ ﺗﺨﺮﻳﺐ ﻓﺮﻛﺎﻧﺴﻲ‬ ‫‪Yi , j   ‬‬ ‫) ‪S ( X i, j‬‬
‫‪X‬‬ ‫‪otherwise‬‬
‫ﻗﻮي را ﺿﻌﻴﻒ ﻧﻤﺎﻳﺪ‪.‬‬ ‫‪ i, j‬‬
‫ﺑﻪ ﻋﻨﻮان ﻗﺪرت و ﺿﻌﻒ روﺷﻬﺎي ﻣﻮﺟﻮد ﻣﻲ ﺗﻮان ﮔﻔﺖ؛ وﻗﺘﻲ ﻧﻮﻳﺰ‬ ‫ﻛﻪ در آن ‪ X i , j‬داﻣﻨﻪ ﻃﻴﻔﻲ ﺗﺼﻮﻳﺮ ﻧﻮﻳﺰي ورودي در ﻓﺮﻛﺎﻧﺲ )‪Y ،(i,j‬‬
‫ﺗﻨﺎوﺑﻲ ﺑﻪ ﺻﻮرت ﺗﻚ ﻓﺮﻛﺎﻧﺴﻲ ﺑﺎﺷﺪ‪ ،‬ﻓﻴﻠﺘﺮ ﻣﻴﺎن ﻧﮕﺬر ﺑﻪ ﺻﻮرت ﻣﻮﺛﺮ ﺑﺮاي‬ ‫داﻣﻨﻪ ﻃﻴﻔﻲ ﺗﺼﻮﻳﺮ ﻓﻴﻠﺘﺮ ﺷﺪه‪ S(Xi,j) ،‬ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﻛﻪ ﺑﺮاﺳﺎس ﻣﺎﺳﻚ‬
‫ﺑﺎزﻳﺎﺑﻲ ﺗﺼﻮﻳﺮ اﺻﻠﻲ ﺑﻪ ﻛﺎر ﻣﻲ رود‪ ،‬وﻟﻲ در اﻳﻦ ﻓﻴﻠﺘﺮ ﻓﺮض ﺑﺮ آن اﺳﺖ ﻛﻪ‬ ‫ﺑﺎﻳﻨﺮي ‪ nn‬ﺣﻮل ﺿﺮاﻳﺐ ﻃﻴﻔﻲ ﻛﻪ ﺑﺎﻳﺪ ﻓﻴﻠﺘﺮ ﺷﻮﻧﺪ‪  ،‬آﺳﺘﺎﻧﻪ از ﭘﻴﺶ ﺗﻌﻴﻴﻦ‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ و ﻣﺤﺪوده آن از ﻗﺒﻞ ﻣﺸﺨﺺ اﺳﺖ‪.‬‬ ‫ﺷﺪه و ‪ ‬ﺑﺮاي ﻧﺮﻣﺎﻟﻴﺰاﺳﻴﻮن ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫ﻫﻤﭽﻨﻴﻦ اﻳﻦ روش ﺗﻨﻬﺎ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻧﻮﻳﺰ راﺣﺬف ﻧﻤﻲ ﻛﻨﺪ‪ ،‬ﺑﻠﻜﻪ‬ ‫ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ]‪ [5‬ﺑﺎ روﺷﻲ ﻧﻴﻤﻪ اﺗﻮﻣﺎﺗﻴﻚ و ﺑﻪ ﺻﻮرت ﻣﺤﻠﻲ‪ ،‬در‬
‫ﻳﻚ ﺑﺎﻧﺪ ﻓﺮﻛﺎﻧﺴﻲ را ﺣﺬف ﻣﻲ ﻧﻤﺎﻳﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ اﻳﻦ روش ﺟﺰﺋﻴﺎﺗﻲ از ﺗﺼﻮﻳﺮ را‬ ‫ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺑﺮ روي ﻃﻴﻒ ﺗﺼﺎوﻳﺮ اﻋﻤﺎل ﻣﻲ ﺷﻮد‪ .‬اﺑﺘﺪا ﺑﺎ ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار‬
‫ﺣﺬف ﻣﻲ ﻛﻨﺪ و ﺑﺮاي ﺗﺼﺎوﻳﺮي ﻛﻪ داراي ﭼﻨﺪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﻫﺴﺘﻨﺪ ﻣﻨﺎﺳﺐ‬ ‫ﻣﻴﺎﻧﻪ ﺑﺮ روي ﻫﻤﻪ ﺿﺮاﻳﺐ ﻃﻴﻔﻲ ﺑﻪ ﺟﺰ ﺿﺮﻳﺐ ﻣﺮﻛﺰي‪ ،‬ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰي‬
‫ﻧﻴﺴﺖ‪ .‬ﺑﺮ ﺧﻼف ﻓﻴﻠﺘﺮ ﻣﻴﺎن ﻧﮕﺬر‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ را از ﺑﺨﺶ‬ ‫ﺷﻨﺎﺳﺎﻳﻲ ﻣﻲ ﺷﻮﻧﺪ‪ .‬داﻣﻨﻪ ﻓﺮﻛﺎﻧﺲ )‪ (i,j‬در ﻃﻴﻒ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‬
‫ﻫﺎي آﻟﻮده ﺣﺬف ﻣﻲ ﻛﻨﺪ و اﻳﻦ ﻓﺮﻛﺎﻧﺴﻬﺎ را در اﻃﺮاف ﻓﺮﻛﺎﻧﺲ ﻣﺮﺑﻮط ﺑﻪ‬ ‫آﻟﻮده ﺷﺪه اﺳﺖ‪ ،‬از راﺑﻄﻪ ﻣﻮﺟﻮد در ﻣﻌﺎدﻟﻪ )‪ (3‬ﺗﺒﻌﻴﺖ ﻣﻲ ﻛﻨﺪ‪:‬‬
‫ﻧﻮﻳﺰ ﺑﺮاﺑﺮ ﺻﻔﺮ ﻗﺮار ﻣﻲ دﻫﺪ‪ .‬وﻗﺘﻲ ﺗﺼﻮﻳﺮ ﺑﺎ ﭼﻨﺪﻳﻦ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﻟﻮده ﺷﺪه‬ ‫‪X i, j‬‬ ‫)‪(3‬‬
‫‪‬‬
‫ﺑﺎﺷﺪ‪ ،‬ﺑﺎﻳﺪ ﭼﻨﺪ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﺑﺎ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺨﺘﻠﻒ و ﭘﻬﻨﺎي ﺑﺎﻧﺪ ﻣﺘﻔﺎوت‬ ‫) ‪median( X i , j‬‬
‫اﺳﺘﻔﺎده ﻛﺮد‪ .‬آﺷﻜﺎر ﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎﻳﻲ ﻛﻪ ﺑﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﻟﻮده ﺷﺪه در‬ ‫ﻛﻪ )‪ ،median(Xi,j‬ﻣﻘﺪار ﻣﻴﺎﻧﻪ ﻣﺤﻠﻲ در ﭘﻨﺠﺮه ‪ nn‬ﺣﻮل ﺿﺮﻳﺐ‬
‫اﻟﮕﻮرﻳﺘﻢ ﺑﺎزﻳﺎﺑﻲ از ﻣﺴﺎﺋﻞ ﻣﻬﻢ اﺳﺖ ﻛﻪ ﺗﺎ ﺣﺪودي ﺑﻪ وﺳﻴﻠﻪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ و‬ ‫ﻃﻴﻔﻲ )‪ (i,j‬و ‪ ‬آﺳﺘﺎﻧﻪ از ﭘﻴﺶ ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ‪ .‬ﺑﻌﺪ از ﺷﻨﺎﺳﺎﻳﻲ ﻓﺮﻛﺎﻧﺴﻬﺎي‬
‫ﻣﻴﺎﻧﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺣﻞ ﺷﺪه اﺳﺖ‪ .‬از ﻃﺮﻓﻲ ﻳﻜﻲ از ﻧﻘﻄﻪ ﺿﻌﻒ ﻫﺎي‬ ‫ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ Xˆ m ,n ،‬ﻧﺎﺣﻴﻪ ‪ mn‬ﺣﻮل ﭘﻴﻚ اﺻﻠﻲ ‪ Xi,j‬را ﻧﺸﺎن‬
‫‪i, j‬‬
‫ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ اﺳﺘﻔﺎده از ﭘﺎراﻣﺘﺮﻫﺎي آﺳﺘﺎﻧﻪ ﺑﻪ ﺻﻮرت ﺗﺠﺮﺑﻲ و اﻧﺪازه ﭘﻨﺠﺮه‬ ‫‪ G‬ﺑﻪ ﺷﻜﻠﻲ ﻛﻪ در ﻣﻌﺎدﻟﻪ )‪(4‬‬ ‫‪m,n‬‬
‫ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻪ وﺳﻴﻠﻪ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬
‫ﻓﻴﻠﺘﺮ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﭼﻮن ﻣﻘﺪار ﻣﻴﺎﻧﻪ ﺑﺎﻳﺪ ﺑﺮاي ﻫﻤﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﺗﺼﻮﻳﺮ‬
‫آﻣﺪه‪ ،‬اﺻﻼح ﻣﻲ ﺷﻮد‪:‬‬
‫ﻣﺤﺎﺳﺒﻪ ﺷﻮد‪ ،‬ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺮاي ﺗﺤﻘﻖ اﻳﻦ ﻓﻴﻠﺘﺮ زﻳﺎد و ﺑﻪ ﺻﻮرت‬
‫‪Yˆi ,mj ,n  Xˆ im, j,n  G m ,n‬‬ ‫)‪(4‬‬
‫ﻧﻤﺎﻳﻲ ﺑﺎ اﺑﻌﺎد ﭘﻨﺠﺮه ﻣﻴﺎﻧﻪ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ‪ .‬ﺑﺎ اﻳﻨﻜﻪ اﻳﻦ ﻓﻴﻠﺘﺮ ﺑﻪ ﺻﻮرت ﻣﻮﺛﺮ‬
‫ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ وﻟﻲ ﺑﺮاي ﻛﺎرﺑﺮدﻫﺎﻳﻲ ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي داراي ﭘﻴﭽﻴﺪﮔﻲ‬ ‫ﻛﻪ ‪ Y‬ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﻓﻴﻠﺘﺮ ﺷﺪه‪ Yˆi ,mj ,n ،‬ﻧﺎﺣﻴﻪ اي ﺑﺎ اﺑﻌﺎد ‪ mn‬ﺣﻮل‬
‫ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺎﻻ‪ ،‬ﻣﻨﺎﺳﺐ ﻧﻴﺴﺖ‪ .‬ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ از ﻫﺰﻳﻨﻪ‬ ‫‪ Yi , j‬و ‪ ‬اﻟﻤﺎن ﻣﺮﺑﻮط ﺑﻪ ﺿﺮب ﻣﺎﺗﺮﻳﺴﻲ ﻋﻨﺼﺮ ﺑﻪ ﻋﻨﺼﺮ و ‪ Gm,n‬ﻣﺎﺗﺮﻳﺲ‬
‫ﻣﺤﺎﺳﺒﺎﺗﻲ ﻛﻤﺘﺮي در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ ﺑﺮﺧﻮردار اﺳﺖ‪ .‬ﻧﺘﺎﻳﺞ ﺗﺠﺮﺑﻲ‬ ‫‪ mn‬ﻛﻪ )‪ (x,y‬اﻣﻴﻦ ﻋﻨﺼﺮ آن از راﺑﻄﻪ )‪ (5‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ‪:‬‬
‫ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ اﻳﻦ ﻓﻴﻠﺘﺮ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺗﻴﺰ را در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﺻﻮرت‬ ‫‪2‬‬
‫) ‪ y2‬‬
‫‪G m,n  1  Ae  B ( x‬‬
‫ﻣﻨﺎﺳﺐ ﺣﺬف ﻣﻲ ﻛﻨﺪ‪ ،‬وﻟﻲ وﻗﺘﻲ ﭘﻬﻨﺎي ﺑﺎﻧﺪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ‪،‬‬ ‫)‪(5‬‬
‫‪n‬‬ ‫‪n‬‬ ‫‪m‬‬ ‫‪m‬‬
‫] [ ‪x  [ ],..., [ ] y  [ ],...,‬‬
‫ﺗﺎﺛﻴﺮ اﻳﻦ ﻓﻴﻠﺘﺮ ﻛﺎﻫﺶ ﭘﻴﺪا ﻛﺮده و ﻗﺴﻤﺘﻲ از ﻧﻮﻳﺰ ﺑﺎﻗﻲ ﺧﻮاﻫﺪ ﻣﺎﻧﺪ‪ .‬از ﻟﺤﺎظ‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫ﻛﻴﻔﻴﺖ دﻳﺪاري و آﻣﺎري‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮي ﻧﺴﺒﺖ ﺑﻪ روﺷﻬﺎي‬ ‫ﻛﻪ ][ ﻗﺴﻤﺖ ﺻﺤﻴﺢ ﻋﺪد ﺣﻘﻴﻘﻲ را ﺑﺮ ﻣﻲ ﮔﺮداﻧﺪ و ‪ 0<A<1‬ﻣﻲ ﺑﺎﺷﺪ‬
‫دﻳﮕﺮ دارد‪ .‬اﮔﺮ ﭼﻪ آﺷﻜﺎرﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ ﻣﺎﻧﻨﺪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ در ﺣﻮزه‬ ‫ﻛﻪ داﻣﻨﻪ ﭘﻴﻚ ﺗﻮﻟﻴﺪ ﺷﺪه را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﺪ و ‪ B>0‬ﺿﺮﻳﺐ ﻣﻘﻴﺎس در ﻃﻮل‬
 ‫‪3‬‬

‫ﻓﺮﻛﺎﻧﺲ ﻣﻲ ﺑﺎﺷﺪ و ﻣﺸﻜﻼت اﻳﻦ روش را دارد‪ .‬در ﺗﺼﺎوﻳﺮ آﻟﻮده ﺷﺪه ﺑﺎ‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰي ﻧﺰدﻳﻚ ﺑﻪ ﻫﻢ‪ ،‬اﻳﻦ ﻓﻴﻠﺘﺮ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﻪ ﺧﻮﺑﻲ ﻋﻤﻞ ﻧﻤﺎﻳﺪ‪.‬‬
‫ﻫﻤﭽﻨﻴﻦ ﺑﺎ اﻓﺰاﻳﺶ ﺗﻮان ﻧﻮﻳﺰ‪ ،‬ﻛﻴﻔﻴﺖ ﺣﺬف ﻧﻮﻳﺰ ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ‪ .‬در اﻳﻦ‬
‫ﻣﻘﺎﻟﻪ ﺑﻪ ﻣﻨﻈﻮر ﺑﻬﺒﻮد اﻳﻦ ﻧﻘﺎط ﺿﻌﻒ‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ ﭘﻴﺸﻨﻬﺎد‬
‫ﺷﺪه اﺳﺖ ﻛﻪ ﺑﺮ اﺳﺎس ﺗﺤﻠﻴﻞ اﺗﻮﻣﺎﺗﻴﻚ ﻃﻴﻒ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫)ب(‬ ‫)اﻟﻒ(‬ ‫در ﻗﺴﻤﺖ ﺑﻌﺪي ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ ﻣﻌﺮﻓﻲ ﺧﻮاﻫﺪ ﺷﺪ ﻛﻪ از ﻟﺤﺎظ‬
‫ﻛﺎرآﻳﻲ ﺑﺎ دو دﻳﺪﮔﺎه ﺑﻬﺒﻮد ﻛﻴﻔﻴﺖ اﻳﺠﺎد ﺷﺪه )از ﻟﺤﺎظ ﭼﺸﻤﻲ و ﻫﻤﭽﻨﻴﻦ‬
‫ﺗﻮﺳﻂ ﭘﺎراﻣﺘﺮﻫﺎي آﻣﺎري( و ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ ﺑﺎ ﻓﻴﻠﺘﺮﻫﺎي ﺑﺮﺷﻲ ﮔﻮﺳﻲ‪،‬‬
‫ﻣﻴﺎﻧﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ و ﻣﻴﺎﻧﮕﻴﻦ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ‪ ،‬ﻣﻘﺎﻳﺴﻪ ﻣﻲﮔﺮدد‪.‬‬

‫‪ -2‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ‬

‫)د(‬ ‫)ج(‬ ‫روش ﭘﻴﺸﻨﻬﺎدي ﺑﺮ اﺳﺎس ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ اﺳﺖ ﻛﻪ ﻫﻤﺮاه ﺑﺎ ﺗﺤﻠﻴﻞ‬
‫ﺷﻜﻞ ‪) :1‬اﻟﻒ( ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪) ،‬ب( ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﻗﺴﻤﺖ )اﻟﻒ(‪،‬‬ ‫ﺧﻮدﻛﺎر ﻃﻴﻒ ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ ،‬ﺑﺮاي آﺷﻜﺎرﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ‬
‫)ج( ﻗﻄﻌﻪ ﺑﻨﺪي ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻫﺮ ﻗﻄﻌﻪ ﺑﻪ ﻃﻮر ﺟﺪاﮔﺎﻧﻪ ﻣﺤﺎﺳﺒﻪ‬ ‫و ﭘﻬﻨﺎي ﺑﺎﻧﺪ آن ﺑﻪ ﻛﺎر ﻣﻲ رود‪ .‬اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺷﺎﻣﻞ دو ﻣﺮﺣﻠﻪ ﻣﻲ‬
‫ﻣﻲ ﺷﻮدو )د( ﻗﻄﻌﺎﺗﻲ از ﻃﻴﻒ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ آﻧﻬﺎ از ﺑﻘﻴﻪ ﻗﻄﻌﻪ ﻫﺎ در ﻳﻚ ﺣﻠﻘﻪ‬ ‫ﺑﺎﺷﺪ‪ :‬آﺷﻜﺎرﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ و اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬
‫ﺑﻴﺸﺘﺮ ﺷﺪه اﺳﺖ‪.‬‬ ‫وﻓﻖ ﺷﺪه ﺑﺮ ﻫﺮ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ‪.‬‬
‫در ﻗﺴﻤﺖ )د( ﺷﻜﻞ )‪ ،(1‬ﻗﻄﻌﺎﺗﻲ از ﻃﻴﻒ را ﻣﺸﺎﻫﺪه ﻣﻲ ﻛﻨﻴﺪ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ‬ ‫‪ 1-2‬آﺷﻜﺎر ﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ‬
‫آﻧﻬﺎ از ﺑﻘﻴﻪ ﻗﻄﻌﻪ ﻫﺎ در ﻳﻚ ﺣﻠﻘﻪ ﺑﻴﺸﺘﺮ ﺷﺪه اﺳﺖ‪ .‬ﺳﺘﺎره ﮔﻮﻧﻪ ﻫﺎي ﻧﻮﻳﺰ در‬ ‫اﻳﻦ ﻣﺮﺣﻠﻪ ﺗﻼش ﻣﻲ ﻛﻨﺪ ﺗﺎ ﻓﺮﻛﺎﻧﺲ ﻣﺮﻛﺰي ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ‬
‫ﻗﻄﻌﻪ ﻫﺎﻳﻲ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺎﻛﺰﻳﻤﻢ دارﻧﺪ‪ ،‬ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه اﺳﺖ‪ .‬ﺷﻜﻞ )‪ (2‬ﻧﻤﻮدار‬ ‫را ﺑﺎ اﺳﺘﻔﺎده از ﺗﻘﻄﻴﻊ ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﻧﻮﻳﺰي ﺑﺮ اﺳﺎس آﺳﺘﺎﻧﻪ ﭘﻴﺸﻨﻬﺎدي‪ ،‬آﺷﻜﺎر‬
‫ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ داﻣﻨﻪ ﺑﺮ ﺣﺴﺐ ‪ R‬ﻣﺮﺑﻮط ﺑﻪ ﻗﻄﻌﺎت ﻫﺮ ﺣﻠﻘﻪ ﻛﻪ ﻣﻴﺎﻧﮕﻴﻦ‬ ‫ﻧﻤﺎﻳﺪ‪ .‬وﻗﺘﻲ ﻛﻪ ﺗﺼﻮﻳﺮي ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﻟﻮده ﻣﻲ ﺷﻮد‪ ،‬ﻣﻌﻤﻮﻻ داﻣﻨﻪ‬
‫ﺑﻴﺸﺘﺮي ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ ﻗﻄﻌﺎت در آن ﺣﻠﻘﻪ دارﻧﺪ و در ﺷﻜﻞ )‪-1‬د( آورده‬ ‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰي ﻧﺴﺒﺖ ﺑﻪ داﻣﻨﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺘﻨﺎﻇﺮ ﺗﺼﻮﻳﺮ اﺻﻠﻲ‪ ،‬ﺑﻴﺸﺘﺮ‬
‫ﺷﺪه را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬وﻗﺘﻲ ﻧﻮﻳﺰ ﻣﺘﻨﺎوﺑﻲ وﺟﻮد ﻧﺪارد‪ ،‬ﻣﻨﺤﻨﻲ ﺗﻘﺮﻳﺒﺎ ﺑﺮ‬ ‫ﻣﻲ ﺷﻮد‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ ﻣﻲ ﺗﻮاﻧﺪ ﺑﻪ وﺳﻴﻠﻪ آﺳﺘﺎﻧﻪ ﮔﺬاري ﺟﺪا‬
‫ﺣﺴﺐ ‪ R‬ﺑﻪ ﺻﻮرت ﻛﺎﻫﺸﻲ ﻣﻲ ﺷﻮد‪ ،‬اﻣﺎ در ﺣﻀﻮر ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‪ ،‬ﺑﺎ اﻓﺰاﻳﺶ ‪R‬‬ ‫ﺷﻮد‪ .‬از ﻃﺮف دﻳﮕﺮ‪ ،‬داﻣﻨﻪ ﻫﺎي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺮﺑﻮط ﺑﻪ ﻣﺮﻛﺰ ﻃﻴﻒ ﻛﻪ ﺑﻪ دﻟﻴﻞ‬
‫ﻗﻠﻪ ﻫﺎﻳﻲ ﺑﻌﺪ از ﻛﺎﻫﺶ اوﻟﻴﻪ در ﻣﻨﺤﻨﻲ دﻳﺪه ﻣﻲ ﺷﻮد‪ RLFR .‬ﻣﻘﺪار ‪ R‬در‬ ‫ﻫﻤﻮاري ﺗﺼﻮﻳﺮ اﺻﻠﻲ ﺑﻪ وﺟﻮد آﻣﺪه اﻧﺪ‪ ،‬ﻣﺎﻧﻨﺪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰي ﺑﻴﺸﺘﺮ از‬
‫اوﻟﻴﻦ ﻛﻤﻴﻨﻪ ﻣﺤﻠﻲ ﻣﻨﺤﻨﻲ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬ ‫ﻓﺮﻛﺎﻧﺴﻬﺎي دﻳﮕﺮ ﻫﺴﺘﻨﺪ‪ ،‬ﺑﻨﺎﺑﺮاﻳﻦ ﻗﺒﻞ از ﺗﻘﻄﻴﻊ ﺑﺎﻳﺪ اﻳﻦ ﻧﺎﺣﻴﻪ ﻣﺮﺑﻮط ﺑﻪ‬
‫‪1‬‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﭘﺎﻳﻴﻦ‪ ،‬ﺟﺪا ﺷﻮد‪ .‬ﺷﻌﺎع اﻳﻦ ﻧﺎﺣﻴﻪ در ﻃﻴﻒ ﺗﺼﻮﻳﺮ‪ RLFR ،‬ﻧﺎﻣﻴﺪه‬
‫‪0.8‬‬
‫ﻣﻲ ﺷﻮد‪ .‬ﺑﺮاي ﺗﻌﻴﻴﻦ اﻳﻦ ﺷﻌﺎع ﺑﻪ ﻋﻨﻮان اوﻟﻴﻦ ﻗﺪم‪ ،‬ﻓﺮض ﻛﻨﻴﺪ ﺣﻠﻘﻪ ﻫﺎﻳﻲ‬
‫‪Average Intensity‬‬

‫‪0.6‬‬
‫ﺑﻪ ﻓﺎﺻﻠﻪ ‪ R‬از ﻣﺮﻛﺰ و ﺑﺎ ﭘﻬﻨﺎي ‪ 5‬ﭘﻴﻜﺴﻞ ﻛﻪ ﺑﺎ ﻫﻢ ﻫﻤﭙﻮﺷﺎﻧﻲ ﻧﺪارﻧﺪ‪ ،‬اﻃﺮاف‬
‫‪0.4‬‬ ‫ﻓﺮﻛﺎﻧﺲ ﻣﺮﻛﺰي ﻃﻴﻒ ﺗﺼﻮﻳﺮ وﺟﻮد دارد‪ .‬ﻫﺮ ﺣﻠﻘﻪ ﺑﻪ ﻗﻄﻌﻪ ﻫﺎي ﻣﺴﺎوي‬
‫‪0.2‬‬ ‫ﺗﻘﺴﻴﻢ ﺷﺪه اﺳﺖ )ﻣﺜﻼ ‪ 12‬ﻗﻄﻌﻪ(‪ .‬ﺷﻜﻞ )‪ (1‬ﻗﺴﻤﺖ )اﻟﻒ( ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ‬
‫‪0‬‬ ‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻃﻴﻒ اﻳﻦ ﺗﺼﻮﻳﺮ در ﻗﺴﻤﺖ )ب( آورده ﺷﺪه‬
‫‪0‬‬ ‫‪10 20 30 40 50 60 70 80 90 100 110 120 130‬‬
‫‪R‬‬ ‫اﺳﺖ‪ .‬در ﻗﺴﻤﺖ )ج( ﻧﺤﻮه ﺗﻘﺴﻴﻢ ﺑﻨﺪي و ﺗﺸﻜﻴﻞ ﻗﻄﻌﺎت ﺣﻠﻘﻪ ﻫﺎ را ﻣﺸﺎﻫﺪه‬
‫ﺷﻜﻞ ‪ :2‬ﻣﺎﻛﺰﻳﻤﻢ ﻣﻴﺎﻧﮕﻴﻦ داﻣﻨﻪ ﻓﺮﻛﺎﻧﺴﻲ ﻗﻄﻌﺎت ﺣﻠﻘﻪ ﻫﺎﻳﻲ ﺑﺎ ﻋﺮض ‪w=5‬‬
‫ﻣﻲ ﻛﻨﻴﺪ‪.‬‬
‫ﺑﺮ ﺣﺴﺐ ﺷﻌﺎع از ﻣﺮﻛﺰ ﺑﺎ ﻣﻘﻴﺎس ‪.w=5‬‬
‫ﺑﺮاي ﻫﺮ ﺣﻠﻘﻪ‪ ،‬ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ را در ﻫﺮ ﻳﻚ از ‪ 12‬ﻗﻄﻌﻪ ﺑﻪ ﻃﻮر ﺟﺪاﮔﺎﻧﻪ‬
‫در ﺗﺼﺎوﻳﺮ ﻣﺎدون ﻗﺮﻣﺰ‪ ،‬وﻗﺘﻲ ﺣﺮارت ﻧﻘﻄﻪ ﻫﺪف از ﭘﺲ زﻣﻴﻨﻪ ﺑﻴﺸﺘﺮ ﺷﻮد‪،‬‬ ‫ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﻫﺮ ﻗﻄﻌﻪ ﻛﻪ ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ آن از ﺳﺎﻳﺮ ﻗﻄﻌﺎت ﺑﻴﺸﺘﺮ ﺑﻮد‬
‫ﻫﺪف ﻣﺎﻧﻨﺪ ﻧﻘﻄﻪ اي روﺷﻦ ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ از اﻟﮕﻮرﻳﺘﻢ ﺗﻘﻄﻴﻊ ﻣﻲ‬ ‫را ﺑﻪ ﻋﻨﻮان ﻣﻴﺎﻧﮕﻴﻦ اﻧﺘﺨﺎب ﻧﻤﻮده و از ﺗﺮﺳﻴﻢ ﻣﻴﺎﻧﮕﻴﻦ ﺑﻴﺸﻴﻨﻪ ﻫﺮ ﺣﻠﻘﻪ ﺑﺮ‬
‫ﺗﻮان ﺑﺮاي ﻧﻘﺎط ﻫﺪف ﮔﺮم در ﺗﺼﺎوﻳﺮ ﻣﺎدون ﻗﺮﻣﺰ اﺳﺘﻔﺎده ﻛﺮد ]‪ .[8‬اﻳﻦ‬ ‫ﺣﺴﺐ ‪ ،R‬ﻣﻘﺪار ‪ RLFR‬را ﺗﻌﻴﻴﻦ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫ﺣﺎﻟﺖ در ﻃﻴﻒ ﺗﺼﺎوﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﻫﻢ دﻳﺪه ﻣﻲ ﺷﻮد ﺑﻪ ﻃﻮري ﻛﻪ‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ روﺷﻦ ﺗﺮ از ﺳﺎﻳﺮ ﻓﺮﻛﺎﻧﺴﻬﺎ ﻫﺴﺘﻨﺪ‪ .‬ﺷﻜﻞ )‪-3‬اﻟﻒ(‬
‫‪4‬‬

‫ﭘﻴﻜﺴﻞ ﻫﺎﻳﻲ ﻛﻪ ﺑﺎﻳﺪ ﻣﻘﺎﻳﺴﻪ ﺷﻮﻧﺪ‪ ،‬ﻧﺸﺎن داده ﺷﺪه اﺳﺖ‪ ،‬ﺳﻪ ﭘﻴﻜﺴﻞ در‬ ‫ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﺷﻜﻞ )‪-1‬اﻟﻒ( را ﺑﻌﺪ از ﺻﻔﺮ ﻗﺮار دادن داﻣﻨﻪ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻫﻤﻪ‬
‫ﮔﻮﺷﻪ ﭘﻨﺠﺮه ﺑﺰرگ ﺑﺎ ﻳﻚ ﭘﻴﻜﺴﻞ ﮔﻮﺷﻪ اي در ﭘﻨﺠﺮه ﻛﻮﭼﻜﺘﺮ ﻣﻘﺎﻳﺴﻪ ﻣﻲ‬ ‫ﻓﺮﻛﺎﻧﺲ ﻫﺎي داﺧﻞ داﻳﺮه اي ﺑﻪ ﺷﻌﺎع ‪ RLFR‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﺷﻜﻞ )‪-3‬ب(‬
‫ﺷﻮد]‪ .[10‬ﻋﻤﻮﻣﺎ وﻗﺘﻲ ﻛﻪ ﻓﺮﻛﺎﻧﺴﻲ ﺑﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﻟﻮده ﻣﻲ ﺷﻮد‪ ،‬داﻣﻨﻪ آن‬ ‫ﺷﺒﻴﻪ ﺑﻪ ﺗﺼﻮﻳﺮ ﻣﺎدون ﻗﺮﻣﺰ اﺳﺖ ﻛﻪ ﺗﻌﺪادي ﻫﺪف ﮔﺮم در آن ﻗﺮار دارد‪.‬‬
‫در ﭘﻨﺠﺮه ﺑﺰرﮔﺘﺮ ﺑﺎﻳﺪ ﻛﻤﺘﺮ از ﺟﻔﺖ آن در ﭘﻨﺠﺮه ﻛﻮﭼﻜﺘﺮ ﺑﺎﺷﺪ‪ .‬اﻳﻦ ﺑﻪ اﻳﻦ‬ ‫ﺑﺮاي ﺗﻌﻴﻴﻦ ﻣﺮﻛﺰ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ‪ ،‬ﻣﺎ ﺑﻪ ﻣﻘﺪار آﺳﺘﺎﻧﻪ )‪ (Ath‬ﻣﻨﺎﺳﺒﻲ ﺑﺮاي‬
‫ﻣﻌﻨﻲ اﺳﺖ ﻛﻪ وﻗﺘﻲ ﻛﻪ داﻣﻨﻪ ﻓﺮﻛﺎﻧﺲ در ﭘﻨﺠﺮه ‪ 5×5‬ﻛﻤﺘﺮ از ﻣﻘﺪاري اﺳﺖ‬ ‫آﺳﺘﺎﻧﻪ ﮔﺬاري روي ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﻧﻴﺎز دارﻳﻢ‪ .‬در روش ﭘﻴﺸﻨﻬﺎدي‪ ،‬ﻣﻘﺪار آﺳﺘﺎﻧﻪ‬
‫ﻛﻪ ﺑﺎ آن در ﭘﻨﺠﺮه ‪ 3×3‬ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﺷﻮد‪ ،‬اﻳﻦ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻳﺪ ﺑﻪ ﻋﻨﻮان‬ ‫) ‪ (Ath‬ﻣﺸﺎﺑﻪ ﺗﺼﺎوﻳﺮ ﻣﺎدون ﻗﺮﻣﺰ‪ ،‬ﺑﺎ ﻛﻤﻚ ﻣﻌﺎدﻟﻪ )‪ (7‬ﺗﻌﻴﻴﻦ ﺷﻮد‪.‬‬
‫ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﻮد‪ .‬وﻗﺘﻲ ﻛﻪ ﺑﻴﺸﺘﺮ از ﻧﺼﻒ ﻓﺮﻛﺎﻧﺴﻬﺎ در ﭘﻨﺠﺮه‬ ‫) ‪(A max + A mean‬‬
‫= ‪A th‬‬ ‫)‪(7‬‬
‫‪ 5×5‬ﺑﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﻟﻮده ﺷﺪه ﺑﺎﺷﺪ‪ ،‬اﻟﮕﻮرﻳﺘﻢ رﺷﺪ ﺑﺎﻳﺪ ﺑﺮاي ﭘﻨﺠﺮه ‪ 5×5‬ﺑﻪ‬ ‫‪2‬‬
‫ﻋﻨﻮان ﭘﻨﺠﺮه ﻛﻮﭼﻜﺘﺮ و ﺑﺎ ﭘﻨﺠﺮه اﺣﺎﻃﻪ ﺷﺪه ‪ 7×7‬ﺗﻜﺮار ﻣﻲ ﺷﻮد‪ .‬ﺑﻌﺪ از‬ ‫ﻛﻪ ‪ Amax‬ﻣﻘﺪار ﺑﻴﺸﻴﻨﻪ داﻣﻨﻪ ﺑﻌﺪ از ﺣﺬف ﻧﺎﺣﻴﻪ ‪ LFR‬و ‪ Amean‬ﻣﻘﺪار‬
‫اﺗﻤﺎم اﻳﻦ ﻓﺮاﻳﻨﺪ‪ ،‬اﺑﻌﺎد ﭘﻨﺠﺮه اﺣﺎﻃﻪ ﻛﻨﻨﺪه ﻣﻲ ﺗﻮاﻧﺪ ‪ m‬و ‪ n‬را در ﻣﻌﺎدﻟﻪ‬ ‫ﻣﻴﺎﻧﮕﻴﻦ داﻣﻨﻪ ﻣﺤﺎﺳﺒﻪ ﺷﺪه در ﻃﻴﻒ ﺗﺼﻮﻳﺮ اﺳﺖ‪ .‬ﺑﻪ ﻣﻨﻈﻮر ﺣﺬف اﺛﺮ ﻣﺆﻟﻔﻪ‬
‫)‪ (5‬ﺗﻌﻴﻴﻦ ﻛﻨﺪ‪.‬‬ ‫ﻫﺎي ﻓﺮﻛﺎﻧﺲ ﭘﺎﻳﻴﻦ در ﻣﺤﺎﺳﺒﻪ ﻣﻘﺪار ﻣﺘﻮﺳﻂ‪ Amean ،‬در ﻣﺤﺪوده‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻ ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد‪ .‬ﺑﺮاي اﻳﻦ ﻣﻨﻈﻮر ﻣﺸﺎﺑﻪ ﻗﺴﻤﺖ )ج( ﺷﻜﻞ‬
‫)‪ (3‬ﭼﻬﺎر ﻧﺎﺣﻴﻪ در ﻧﻮاﺣﻲ ﻓﺮﻛﺎﻧﺴﻬﺎي ﺑﺎﻻﻳﻲ ﭼﻬﺎر ﮔﻮﺷﻪ ﺣﻮزه ﻓﺮﻛﺎﻧﺲ در‬
‫ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه و ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ داﻣﻨﻪ )‪ (Amean‬در آﻧﻬﺎ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد‪R .‬‬
‫در اﻳﻦ ﺷﻜﻞ از راﺑﻄﻪ )‪ (8‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ‪ .‬در اﻳﻦ ﻣﻌﺎدﻟﻪ ‪ M‬و ‪ N‬اﺑﻌﺎد‬
‫ﺗﺼﻮﻳﺮ ﻣﻲ ﺑﺎﺷﻨﺪ‪.‬‬
‫ﺷﻜﻞ ‪ :4‬ﭘﻴﻜﺴﻠﻬﺎي ﻣﺤﻴﻄﻲ ﻣﺮﺑﻊ ﺑﺰرﮔﺘﺮ و ﻣﻌﻴﻦ ﻛﺮدن ﺟﻔﺖ ﭘﻴﻜﺴﻠﻬﺎﻳﻲ از‬
‫ﻣﺮﺑﻊ ﺑﺰرﻛﺘﺮ ﺑﺎ ﻛﻮﭼﻜﺘﺮ ﻛﻪ ﺑﺎﻳﺪ ﻣﻘﺎﻳﺴﻪ ﮔﺮدﻧﺪ‪.‬‬

‫‪R‬‬

‫ﺑﺮاي ﻧﻤﻮﻧﻪ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ آﺷﻜﺎر ﺷﺪه در ﺷﻜﻞ )‪-5‬اﻟﻒ( ﻧﺸﺎن داده ﺷﺪه‬
‫اﺳﺖ‪ .‬در ﺷﻜﻞ )‪-5‬ب(‪ ،‬ﻫﻤﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ را ﺑﺎ رﻧﮓ ﺳﻴﺎه‬ ‫)ج(‬ ‫)ب(‬ ‫)اﻟﻒ(‬
‫ﻣﺸﺎﻫﺪه ﻣﻲ ﻛﻨﻴﺪ ﻛﻪ اﻳﻦ ﻓﺮﻛﺎﻧﺴﻬﺎ در ﺷﻜﻞ )‪-5‬ج(‪ ،‬ﺑﺮاي ﺗﻌﻴﻴﻦ ﭘﺎراﻣﺘﺮﻫﺎي‬
‫ﺷﻜﻞ ‪) :3‬اﻟﻒ( ﻃﻴﻒ ﺗﺼﻮﻳﺮ ﺷﻜﻞ )‪-1‬اﻟﻒ( ﺑﻌﺪ از ﺣﺬف ﻓﺮﻛﺎﻧﺴﻬﺎي داﺧﻞ‬
‫‪ m‬و ‪ n‬در ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‪ ،‬ﺑﺎ ﭘﻨﺠﺮه ﺳﻔﻴﺪ اﺣﺎﻃﻪ ﻛﻨﻨﺪه ﻧﺸﺎن داده ﺷﺪه‬
‫‪) ، RLFR‬ب( ﻣﺸﺨﺺ ﻛﺮدن ﻧﻮﻳﺰ ﺗﺼﻮﻳﺮ ﻗﺴﻤﺖ )اﻟﻒ( ﻛﻪ ﻣﺎﻧﻨﺪ ﻳﻚ ﺗﺼﻮﻳﺮ‬
‫اﺳﺖ‪.‬‬ ‫ﻣﺎدون ﻗﺮﻣﺰ ﺣﺎوي اﻫﺪاﻓﻲ ﻛﻮﭼﻚ و ﮔﺮم ﻣﻲ ﺑﺎﺷﺪ و )ج( ﻧﻮاﺣﻲ ﻓﺮﻛﺎﻧﺲ ﺑﺎﻻ‬
‫‪.Amean‬‬ ‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ‬

‫ﭘﺲ از ﻣﺤﺎﺳﺒﻪ ‪ Ath‬ﺑﺮ اﺳﺎس ﻣﻌﺎدﻟﻪ )‪ ،(7‬آﺳﺘﺎﻧﻪ ﮔﺬاري روي ﻃﻴﻒ‬

‫ﺗﺼﻮﻳﺮ ﺑﻪ ﺟﺰ ‪ LFR‬اﻋﻤﺎل ﻣﻲ ﺷﻮد‪ ،‬و ﻓﺮﻛﺎﻧﺴﻬﺎي اﺻﻠﻲ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ آﺷﻜﺎر‬
‫)ج(‬ ‫)ب(‬ ‫)اﻟﻒ(‬ ‫ﺧﻮاﻫﻨﺪ ﺷﺪ‪.‬‬
‫‪M 2‬‬ ‫‪N‬‬ ‫‪M 2‬‬ ‫‪N‬‬
‫ﺷﻜﻞ ‪) :5‬اﻟﻒ(ﺑﺰرﮔﻨﻤﺎﻳﻲ ﻧﻮﻳﺰ‪) ،‬ب( آﺷﻜﺎرﺳﺎزي ﻓﺮﻛﺎﻧﺴﻬﺎي ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ‬ ‫( { ‪R = maximum‬‬ ‫‪) + ( )2 ,‬‬ ‫(‬ ‫} ‪) + ( )2‬‬
‫‪2‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫)‪(8‬‬
‫و )ج( ﭘﻨﺠﺮه اﺣﺎﻃﻪ ﻛﻨﻨﺪه ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ‪.‬‬
‫ﻓﻴﻠﺘﺮ ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي ﻛﺎﻫﺶ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻣﻲ ﺑﺎﺷﺪ‪،‬‬
‫‪ 2-2‬اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬ ‫ﺑﺮاي ﺗﻌﻴﻴﻦ ﭘﺎراﻣﺘﺮ ﻫﺎي ‪ m‬و ‪ n‬در ﻣﻌﺎدﻟﻪ )‪ (5‬ﻻزم اﺳﺖ ﻫﻤﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي‬
‫ﺑﻌﺪ از آﺷﻜﺎرﺳﺎزي ﻫﻤﻪ ﻣﻮﻟﻔﻪ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ و اﺑﻌﺎد‬ ‫آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ در ﻃﻴﻒ ﺗﺼﻮﻳﺮ را ﺗﻌﻴﻴﻦ ﻛﻨﻴﻢ‪ .‬اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺑﺮ‬
‫ﻣﺘﻨﺎﻇﺮ ﭘﻨﺠﺮه اﺣﺎﻃﻪ ﻛﻨﻨﺪه‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺑﺮاي ﺧﻨﺜﻲ ﻛﺮدن اﻳﻦ ﻣﻮﻟﻔﻪ‬ ‫اﺳﺎس اﻧﺘﺨﺎب ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ ﺑﻪ ﻋﻨﻮان داﻧﻪ ﻫﺎي اوﻟﻴﻪ ﺷﺒﺒﻴﻪ ﺑﻪ روش رﺷﺪ‬
‫ﻫﺎ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﻫﺮ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰي ﻛﻪ آﺷﻜﺎر ﺷﺪه‬ ‫ﻧﺎﺣﻴﻪ ﻣﻲ ﺑﺎﺷﺪ ]‪ .[9‬در روش ﭘﻴﺸﻨﻬﺎدي اﺑﺘﺪا ﻳﻚ ﻣﺮﺑﻊ ‪ 3×3‬اﻃﺮاف ﻓﺮﻛﺎﻧﺲ‬
‫اﺳﺖ داراي ‪ m‬و ‪ n‬اي ﻫﺴﺘﻨﺪ ﻛﻪ از ﻣﻌﺎدﻟﻪ )‪ (5‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ‪ .‬ﭼﻮن‬ ‫ﻣﺮﻛﺰي ﻧﻮﻳﺰ اﻧﺘﺨﺎب ﻣﻲﻛﻨﻴﻢ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻣﺮﺑﻌﻲ ﺑﺎ ﻳﻚ اﻧﺪازه ﺑﺰرﮔﺘﺮ ﻳﻌﻨﻲ‬
‫آﺷﻜﺎر ﺳﺎزي ﻫﻤﻪ اﻳﻦ ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰ و ﭘﺎراﻣﺘﺮﻫﺎي ﻣﺘﻨﺎﻇﺮ ﺑﺎ آﻧﻬﺎ ﺑﻪ ﻃﻮر‬ ‫‪ 5×5‬ﻧﻴﺰ اﻧﺘﺨﺎب ﻛﺮده و ﺳﭙﺲ ﺷﺪ‪‬ت ﭘﻴﻜﺴﻠﻬﺎي ﻣﺤﻴﻄﻲ ﻣﺠﺎور ﻫﻤﺪﻳﮕﺮ از‬
‫ﺗﻄﺒﻴﻘﻲ ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ‪ ،‬روش ﭘﻴﺸﻨﻬﺎدي ﺑﻪ ﻋﻨﻮان ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬ ‫ﻣﺮﺑﻊ ﻛﻮﭼﻜﺘﺮ و ﺑﺰرﮔﺘﺮ را ﺑﺎ ﻫﻤﺪﻳﮕﺮ ﻣﻘﺎﻳﺴﻪ ﻣﻲﻛﻨﻴﻢ‪ .‬در ﺷﻜﻞ )‪ (4‬ﻫﻤﻪ زوج‬
‫‪5‬‬

‫ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ در ﻣﻌﺎدﻟﻪ )‪ A ،(5‬و ‪ B‬ﺑﺮاﺑﺮ ‪ 1‬و ‪ 0 /01‬و ‪ m‬و ‪ n‬ﺑﺮاﺑﺮ ‪7‬‬ ‫ﺗﻄﺒﻴﻘﻲ ﻧﺎم ﮔﺬاري ﺷﺪه اﺳﺖ‪.‬‬
‫ﻗﺮار داده ﺷﺪه اﺳﺖ‪ .‬از ﻃﺮف دﻳﮕﺮ ﺑﻪ ﻋﻨﻮان ﻣﺰﻳﺖ روش ﭘﻴﺸﻨﻬﺎدي‪ ،‬ﻓﻴﻠﺘﺮ‬
‫ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ ﻧﻴﺎز ﺑﻪ ﺗﻌﻴﻴﻦ ﭘﺎراﻣﺘﺮ ﻧﺪارد‪ .‬در ﺷﺒﻴﻪ ﺳﺎزي اوﻟﻴﻪ‪ ،‬داﻣﻨﻪ‬ ‫ﻧﺘﺎﻳﺞ و ﻣﻘﺎﻳﺴﻪ‬ ‫‪-3‬‬
‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ در ﻣﻌﺎدﻟﻪ )‪ 0/05 ،(11‬ﻗﺮار داده ﺷﺪه اﺳﺖ‪.‬‬ ‫اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ در ﻣﺤﻴﻂ ‪MATLAB‬‬
‫در ﺷﻜﻞ )‪ ،(6‬ﻧﻤﻮﻧﻪاي از ﺗﺼﻮﻳﺮ آﻟﻮده ﺷﺪه ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺳﻴﻨﻮﺳﻲ و‬ ‫ﭘﻴﺎده ﺳﺎزي ﺷﺪه اﺳﺖ و ﺑﺎ ﻓﻴﻠﺘﺮﻫﺎي ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﮕﻴﻦ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ و‬
‫ﺑﺎزﺳﺎزي آن ﺑﺎ ﭼﻬﺎر روش ﻣﻮرد ﻣﻘﺎﻳﺴﻪ‪ ،‬آﻣﺪه اﺳﺖ‪.‬‬ ‫ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺑﻪ ﺻﻮرت ﻛﻴﻔﻲ )از ﻟﺤﺎظ ﭼﺸﻤﻲ( و ﻛﻤﻲ )ﺗﻮﺳﻂ‬
‫ﭘﺎراﻣﺘﺮﻫﺎي آﻣﺎري( ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ زﻣﺎن ﻣﺤﺎﺳﺒﻪ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي‬
‫ﻣﻘﺎﻳﺴﻪ ﺷﺪه ﺑﻪ ﻋﻨﻮان ﻣﻌﻴﺎري ﺑﺮاي ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ ﻋﺮﺿﻪ ﺷﺪه اﺳﺖ‪.‬‬
‫ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﻛﻤﻲ ﻧﺘﺎﻳﺞ‪ ،‬روش آﻣﺎري ﻣﻴﺎﻧﮕﻴﻦ ﺧﻄﺎي ﻣﻄﻠﻖ )‪ (MAE‬ﺑﻴﻦ‬
‫ﺗﺼﺎوﻳﺮ اﺻﻠﻲ و اﺻﻼح ﺷﺪه و ﻣﻌﻴﺎري ﺑﻪ ﻧﺎم ﺷﺒﺎﻫﺖ ﺳﺎﺧﺘﺎري )‪ (SSIM‬ﻛﻪ‬
‫دو ﺗﺼﻮﻳﺮ را از ﻧﻈﺮ ﺳﺎﺧﺘﺎري ﺑﺎ ﻳﻜﺪﻳﮕﺮ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﺪ‪ ،‬اراﺋﻪ ﺷﺪه اﺳﺖ‪.‬‬
‫)ج(‬ ‫)ب(‬ ‫)اﻟﻒ(‬ ‫در اداﻣﻪ‪ ،‬ﻣﻌﺎدﻻت ﻣﺮﺑﻮط ﺑﻪ ﻣﺤﺎﺳﺒﻪ اﻳﻦ ﻣﻌﻴﺎرﻫﺎ آورده ﺷﺪه اﺳﺖ‪ .‬در‬
‫ﻣﻌﺎدﻟﻪ )‪ M ،(9‬و ‪ N‬اﺑﻌﺎد ﺗﺼﻮﻳﺮ‪ x ،‬ﺗﺼﻮﻳﺮ اﺻﻠﻲ ﺑﺪون ﻧﻮﻳﺰ و ‪ y‬ﺗﺼﻮﻳﺮ ﺑﻌﺪ از‬
‫اﻋﻤﺎل اﻟﮕﻮرﻳﺘﻢ ﺑﺎزﻳﺎﺑﻲ ﺑﻪ ﺗﺼﻮﻳﺮ ﻧﻮﻳﺰي اﺳﺖ‪ .‬ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ در ﻣﻌﺎدﻟﻪ )‪،(10‬‬
‫‪ x‬ﺗﺼﻮﻳﺮ اﺻﻠﻲ ﺑﺪون ﻧﻮﻳﺰ و‪ y‬ﺗﺼﻮﻳﺮ ﺑﻌﺪ از اﻋﻤﺎل اﻟﮕﻮرﻳﺘﻢ ﺑﺎزﻳﺎﺑﻲ‪ ،‬‬
‫ﻣﻘﺪار ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻮط ﺑﻪ ﻫﺮ ﺗﺼﻮﻳﺮ‪  ،‬اﻧﺤﺮاف ﻣﻌﻴﺎر و ‪ C‬ﺿﺮﻳﺐ ﺛﺎﺑﺖ‬
‫ﺑﺮاي ﺟﻠﻮﮔﻴﺮي از ﻧﺎﭘﺎﻳﺪاري و ﺻﻔﺮ ﺷﺪن ﻣﺨﺮج در ﻣﻌﺎدﻟﻪ )‪ (10‬ﻣﻲ ﺑﺎﺷﺪ‪.‬‬
‫)ه(‬ ‫)د(‬
‫‪ MAE‬ﻛﻤﺘﺮ ﺑﻪ ﻣﻌﻨﻲ ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮ در اﻟﮕﻮرﻳﺘﻢ ﺑﺎزﻳﺎﺑﻲ ﻣﻲ ﺑﺎﺷﺪ‪SSIM .‬‬
‫ﺷﻜﻞ ‪) :6‬اﻟﻒ( ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ‪ ،‬ﺗﺼﺎوﻳﺮ اﺻﻼح ﺷﺪه ﺑﺎ )ب( ﻓﻴﻠﺘﺮ‬ ‫ﺑﺮاي دو ﺗﺼﻮﻳﺮ ﻳﻜﺴﺎن ﺑﺮاﺑﺮ ‪ 1‬اﺳﺖ و ﻫﺮ ﭼﻪ ‪ SSIM‬ﺑﻪ ﻋﺪد ﻳﻚ ﻧﺰدﻳﻜﺘﺮ‬
‫ﻣﻴﺎﻧﮕﻴﻦ‪) ،‬ج( ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ‪) ،‬د( ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ و )ه( ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬ ‫ﺑﺎﺷﺪ ﺑﻪ ﻣﻌﻨﺎي اﺧﺘﻼف ﻛﻤﺘﺮ ﺑﻴﻦ ﺗﺼﻮﻳﺮ ﺑﺪون ﻧﻮﻳﺰ و ﺗﺼﻮﻳﺮ ﺑﺎزﻳﺎﺑﻲ ﺷﺪه ﻣﻲ‬
‫ﺗﻄﺒﻴﻘﻲ‪.‬‬
‫ﺑﺎﺷﺪ ]‪.[11‬‬
‫ﺟﺪول )‪ (1‬ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ‪ ،‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ‬ ‫‪1 N -1M 1‬‬
‫‪MAE ‬‬ ‫‪∑ ∑  x(i, j ) - y (i, j ) ‬‬ ‫)‪(9‬‬
‫ﮔﻮﺳﻲ‪ ،‬ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮ ﺷﻜﻞ )‪-6‬اﻟﻒ( ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻫﻤﺎﻧﮕﻮﻧﻪ ﻛﻪ ﻣﺸﺎﻫﺪه‬ ‫‪N .M i 0 j 0‬‬
‫ﻣﻲ ﻛﻨﻴﺪ‪ ،‬روش ﭘﻴﺸﻨﻬﺎدي ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻳﺮ روﺷﻬﺎ‪ ،‬ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي دارد‪،‬‬ ‫) ‪(2  x  y  C1 )(2 xy  C 2‬‬
‫‪SSIM ( x, y ) ‬‬ ‫)‪(10‬‬
‫) ‪(  x   y  C1 )( x   y  C 2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫ﻫﻤﭽﻨﻴﻦ ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ آن از دو ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ و ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻛﻤﺘﺮ و‬
‫ﻧﺰدﻳﻚ ﺑﻪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪.‬‬ ‫ﻋﻤﻮﻣﺎ وﻗﺘﻲ ﻛﻪ ﺗﺼﻮﻳﺮ ﺑﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺗﻚ ﻓﺮﻛﺎﻧﺲ آﻟﻮده ﻣﻲ ﺷﻮد‪ ،‬ﻫﻤﻪ‬
‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻧﺘﺎﻳﺞ در داﻣﻨﻪ ﻧﻮﻳﺰ ﻣﺨﺘﻠﻒ‪ ،‬در ﺷﺒﻴﻪ ﺳﺎزي دوم‪ ،‬داﻣﻨﻪ ‪A‬‬ ‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه ﺑﻪ ﺻﻮرت ﻣﻮﺛﺮ ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ وﻟﻲ وﻗﺘﻲ‬
‫در ﻣﻌﺎدﻟﻪ )‪ (11‬ﺑﻴﻦ ‪ 0/01‬ﺗﺎ ‪ 1‬ﺗﻐﻴﻴﺮ داده ﺷﺪه اﺳﺖ و ﻣﻘﺪار ‪ MAE‬ﺑﺮ ﺣﺴﺐ‬ ‫ﻧﻮﻳﺰ ﭼﻨﺪﻳﻦ ﻓﺮﻛﺎﻧﺲ را آﻟﻮده ﻣﻲ ﻛﻨﺪ ﻣﺸﻜﻞ ﺑﻪ وﺟﻮد ﻣﻲ آﻳﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ در‬
‫‪ A‬ﺑﺮاي روﺷﻬﺎي ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ )‪ ،(AGNF‬ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ‬ ‫اوﻟﻴﻦ ﺷﺒﻴﻪ ﺳﺎزي‪ ،‬ﻣﺎ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ) ‪ n( x, y‬را ﺑﻪ ﺻﻮرت ﭼﻨﺪ ﻓﺮﻛﺎﻧﺴﻲ‬
‫)‪ ،(GNF‬ﻣﻴﺎﻧﻪ )‪ (MEDIAN‬و ﻣﻴﺎﻧﮕﻴﻦ)‪ ،(MEAN‬در ﺷﻜﻞ )‪ (7‬رﺳﻢ ﺷﺪه‬ ‫اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ در ﻣﻌﺎدﻟﻪ )‪ (11‬آورده ﺷﺪه اﺳﺖ‪:‬‬
‫اﺳﺖ‪ .‬وﻗﺘﻲ ﻛﻪ داﻣﻨﻪ ﻧﻮﻳﺰ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ‪ MAE ،‬ﻫﻢ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ‪ ،‬اﻣﺎ‬
‫) ‪n( x, y )  A[ sin(5.25 x  5.25 y )  sin( x  5.25 y‬‬
‫در ﻫﻤﻪ ﻣﻮارد‪ ،‬اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮي دارد‪.‬‬ ‫])‪ sin(8 y )  sin(8 x‬‬ ‫)‪(11‬‬
‫در روﺷﻬﺎي ﻣﻘﺎﻳﺴﻪ ﺷﺪه ﺷﺎﻣﻞ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ و ﻣﻴﺎﻧﻪ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ و‬
‫ﺟﺪول ‪ :1‬ﻣﻘﺎﻳﺴﻪ ﻧﺘﻴﺠﻪ اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ‪ ،‬ﺑﺮﺷﻲ ﮔﻮﺳﻲ‪،‬‬
‫ﻓﻴﻠﺘﺮﻫﺎي ﺑﺮﺷﻲ ﮔﻮﺳﻲ‪ ،‬ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﻧﺘﺎﻳﺞ ﻣﻨﺎﺳﺐ ﺑﺎﻳﺪ اﺑﺘﺪا ﺑﻌﻀﻲ از‬
‫ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮ ﺗﺼﻮﻳﺮ ﺷﻜﻞ )‪-6‬اﻟﻒ(‪.‬‬
‫ﭘﺎراﻣﺘﺮﻫﺎي آﻧﻬﺎ ﺗﻌﻴﻴﻦ ﺷﻮﻧﺪ‪ .‬ﻧﺘﺎﻳﺞ ﺷﺒﻴﻪ ﺳﺎزي ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﭘﻨﺠﺮه اي‬
‫پارامتر‬ ‫فيلتر برشی‬ ‫فيلتر برشی‬ ‫فيلتر ميانه‬ ‫فيلتر ميانگين‬
‫گوسی تطبيقی‬ ‫گوسی‬ ‫ﺑﺎ اﺑﻌﺎد ‪ 11×11‬ﺑﻬﺘﺮﻳﻦ اﻧﺘﺨﺎب ﺑﺮاي ﭘﻨﺠﺮه ﻓﻴﻠﺘﺮﻫﺎي ﻣﻴﺎﻧﻪ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ و ﺑﺮﺷﻲ‬
‫‪MAE‬‬ ‫‪١/۴٩۴‬‬ ‫‪١/۵١٨‬‬ ‫‪١/۵٩۵‬‬ ‫‪٢/٩۶٢‬‬ ‫ﮔﻮﺳﻲ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻫﻤﭽﻨﻴﻦ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺑﺮاي ﻓﻴﻠﺘﺮﻫﺎي ﻣﻴﺎﻧﻪ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ و‬
‫‪SSIM‬‬ ‫‪٠/٨٩١‬‬ ‫‪٠/٨٧۵‬‬ ‫‪٠/٨٠٩‬‬ ‫‪٠/٧۶٨‬‬
‫‪Time‬‬
‫‪٣/٨٧٨‬‬ ‫‪٩/٣١١‬‬ ‫‪١٠/٣٢٨‬‬ ‫‪٢/٩٢۶‬‬ ‫ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﺮاﺑﺮ ‪ 9 ،10‬و ‪ 4/5‬اﻧﺘﺨﺎب ﺷﺪه اﺳﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﺮاي‬
‫)‪(second‬‬
6

‫ ﻫﻤﭽﻨﻴﻦ ﭘﻴﭽﻴﺪﮔﻲ ﻣﺤﺎﺳﺒﺎﺗﻲ‬.‫از ﻧﻈﺮ ﻛﻤﻲ و ﻛﻴﻔﻲ ﻋﻤﻠﻜﺮد ﺑﻬﺘﺮي دارد‬

‫اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي از ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ و ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﻛﻤﺘﺮ و ﻧﺰدﻳﻚ ﺑﻪ ﻓﻴﻠﺘﺮ‬
‫ اﻳﻦ در ﺣﺎﻟﻲ اﺳﺖ ﻛﻪ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ در ﻛﺎﻫﺶ‬،‫ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‬
.‫ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺑﺴﻴﺎر ﻗﻮي ﺗﺮ از ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻋﻤﻞ ﻛﺮده اﺳﺖ‬

‫ﻣﺮاﺟﻊ‬
[1] B. Smolka., Nonlinear Techniques of Noise Reduction in
Digital Color Images, Silesian University Press, Poland,
2004.
[2] R. Drigger, P. Cox, T. Edwards., Introduction to Infrared &
Electro-Optical System, Artech House Publishers, 1999.
[3] R.C Gonzalez, R.E.Woods, S.L. Eddins., Digital Image
Processing using Matlab, Gatesmark Publishing, 2nd Edition,
2009.
[4] R.C Gonzalez, R.E.Woods., Digital Image Processing, 3rd .‫ ﺑﺮاي روﺷﻬﺎي ﻣﻮرد ﻣﻘﺎﻳﺴﻪ‬A ‫ ﺑﺮ ﺣﺴﺐ‬MAE ‫ ﻧﻤﻮدار ﻣﻘﺎدﻳﺮ‬:7 ‫ﺷﻜﻞ‬
Edition, Prentice Hall, 2007.
[5] I. Aizenberg, C. Butakoff C., "A windowed Gaussian notch ‫در ﻧﻬﺎﻳﺖ روش ﭘﻴﺸﻨﻬﺎدي ﺑﻪ ﺗﺼﻮﻳﺮي ﻛﻪ ﺗﻮزﻳﻊ ﻓﺮﻛﺎﻧﺴﻲ آن ﺑﺎ ﺗﺼﻮﻳﺮ‬
filter for quasi-periodic noise removal", Image and Vision
Computing, Vol. 26, No. 10, pp. 1347-1353, 2008. ‫ اﻋﻤﺎل ﺷﺪه و‬،‫ﻗﺒﻠﻲ ﻣﺘﻔﺎوت و داراي ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺑﻪ ﺻﻮرت ﻗﻄﺮي ﻣﻲ ﺑﺎﺷﺪ‬
[6] Aizenberg, C. Butakoff., "Frequency Domain Median-like
Filter for Periodic and Quasi-Periodic Noise Removal", SPIE
‫ ﻫﻤﺎن ﮔﻮﻧﻪ‬.‫( آورده ﺷﺪه اﺳﺖ‬8) ‫ در ﺷﻜﻞ‬،(‫ﻧﺘﻴﺠﻪ ﺑﻪ ﺻﻮرت ﻛﻴﻔﻲ )دﻳﺪاري‬
Proceedings of Image Processing, Vol. 4667, pp. 181-191, ‫ اﻳﻦ روش ﺑﻪ ﺧﻮﺑﻲ ﻣﻮﻓﻖ ﺑﻪ ﻛﺎﻫﺶ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ در‬،‫ﻛﻪ ﻣﺸﺎﻫﺪه ﻣﻲ ﻛﻨﻴﺪ‬
2002.
[7] I. Aizenberg, C. Butakoff, J. Astola, K. Egiazarian., .‫اﻟﻒ( ﺷﺪه اﺳﺖ‬-8) ‫ﺷﻜﻞ‬
"Nonlinear Frequency Domain Filter for Quasi Periodic
Noise Removal", Proceeding of International TICSP
Workshop on Spectra Methods and Multirate Signal
Processing, TICSP Series. 17, pp. 147-153, 2002.
[8] R Venkateswarlu, K.V. Sujata, B. Venkateswara Rao.,
"Centroid Tracker and Point Selection", SPIE Proceedings,
Vol. 1697, pp. 520-529, 1992.
[9] Szeliski, Computer Vision, Algorithms and Applications
,Springer, 2010.
[10] P. Moallem, M. Behnampour, "Adaptive Optimum Notch
Filter for Periodic Noise Reduction in Digital Images", (‫)ّب‬ (‫)اﻟﻒ‬
Amirkabir International Journal of Electronics and Electrical
Engineering, Vol. 42, pp. 1-8, 2010. ‫ )اﻟﻒ( ﺗﺼﻮﻳﺮ آﻟﻮده ﺑﻪ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﺑﻪ ﺻﻮرت ﻗﻄﺮي و )ب( ﻧﺘﻴﺠﻪ‬:8 ‫ﺷﻜﻞ‬
[11] Z. Wang, A. C. Bovik, H. R. Sheikh, and E. P. Simoncelli.,
"Image quality assessment: From error visibility to structural .(‫اﻋﻤﺎل ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻘﻲ ﭘﻴﺸﻨﻬﺎدي ﺑﻪ ﺗﺼﻮﻳﺮ ﻗﺴﻤﺖ )اﻟﻒ‬
similarity", IEEE Transactions on Image Processing, Vol. 13,
No. 4, pp. 600-612, Apr. 2004.
‫ﻧﺘﻴﺠﻪ ﮔﻴﺮي‬ -4
‫ﺑﻪ ﻣﻨﻈﻮر ﻛﺎﻫﺶ اﺛﺮ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ اﻳﻦ ﻣﻘﺎﻟﻪ ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﺗﻄﺒﻴﻘﻲ را اراﺋﻪ‬
،‫ در ﻣﺮﺣﻠﻪ اول‬.‫ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﺷﺎﻣﻞ دو ﻣﺮﺣﻠﻪ اﺻﻠﻲ اﺳﺖ‬.‫داده اﺳﺖ‬
‫ﻓﺮﻛﺎﻧﺴﻬﺎي ﻧﻮﻳﺰي ﺑﻪ وﺳﻴﻠﻪ آﺳﺘﺎﻧﻪ ﮔﺬاري ﭘﻴﺸﻨﻬﺎدي در ﻓﻀﺎي ﻃﻴﻒ ﺗﺼﻮﻳﺮ‬
‫ ﺳﭙﺲ ﺑﺮاي ﻫﺮ ﻓﺮﻛﺎﻧﺲ ﻧﻮﻳﺰ‬.‫ﺑﺎ ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺗﻄﺒﻴﻘﻲ آﺷﻜﺎر ﺷﺪه اﺳﺖ‬
‫ اﻟﮕﻮرﻳﺘﻢ رﺷﺪ ﻧﺎﺣﻴﻪ ﭘﻴﺸﻨﻬﺎدي ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻫﻤﻪ ﻓﺮﻛﺎﻧﺴﻬﺎي آﻟﻮده‬،‫اﺻﻠﻲ‬
،‫ ﺑﺮاي ﻛﺎﻫﺶ اﺛﺮ ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ‬،‫ در ﻣﺮﺣﻠﻪ دوم‬.‫ﺑﻪ ﻧﻮﻳﺰ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﺪه اﺳﺖ‬
‫ اﻟﮕﻮرﻳﺘﻢ‬.‫ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺗﻄﺒﻴﻖ ﺷﺪه ﺑﻪ ﺗﺼﻮﻳﺮ ﻧﻮﻳﺰي اﻋﻤﺎل ﺷﺪه اﺳﺖ‬
‫ﭘﻴﺸﻨﻬﺎدي ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ ﻓﻴﻠﺘﺮ ﻣﻴﺎﻧﻪ و ﻣﻴﺎﻧﮕﻴﻦ در ﺣﻮزه ﻓﺮﻛﺎﻧﺲ‬
‫و ﻓﻴﻠﺘﺮ ﺑﺮﺷﻲ ﮔﻮﺳﻲ ﺑﺮاي ﺗﺼﺎوﻳﺮي ﻛﻪ ﺑﺎ دو ﻧﻮﻳﺰ ﺗﻨﺎوﺑﻲ ﻣﺘﻔﺎوت ﺷﺒﻴﻪ‬
‫ ﻧﺘﺎﻳﺞ ﺗﺠﺮﺑﻲ ﻧﺸﺎن ﻣﻲ‬.‫ ﻣﻮرد ﻣﻘﺎﻳﺴﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ‬،‫ﺳﺎزي ﺷﺪه آﻟﻮده ﺷﺪه‬
‫دﻫﺪ ﻛﻪ اﻟﮕﻮرﻳﺘﻢ ﭘﻴﺸﻨﻬﺎدي ﻧﻪ ﺗﻨﻬﺎ ﻧﻴﺎز ﺑﻪ ﺗﻨﻈﻴﻢ ﭘﺎراﻣﺘﺮﻫﺎي اوﻟﻴﻪ ﻧﺪارد ﺑﻠﻜﻪ‬