فهرس المقالات Sparse Representation

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - A Study on Clustering for Clustering Based Image De-noising
  Hossein Bakhshi Golestani Mohsen Joneidi Mostafa Sadeghi
  10.7508/jist.2014.04.001
  In this paper, the problem of de-noising of an image contaminated with Additive White Gaussian Noise (AWGN) is studied. This subject is an open problem in signal processing for more than 50 years. In the present paper, we suggest a method based on global clustering of i أکثر

  In this paper, the problem of de-noising of an image contaminated with Additive White Gaussian Noise (AWGN) is studied. This subject is an open problem in signal processing for more than 50 years. In the present paper, we suggest a method based on global clustering of image constructing blocks. As the type of clustering plays an important role in clustering-based de-noising methods, we address two questions about the clustering. The first, which parts of the data should be considered for clustering? The second, what data clustering method is suitable for de-noising? Then clustering is exploited to learn an over complete dictionary. By obtaining sparse decomposition of the noisy image blocks in terms of the dictionary atoms, the de-noised version is achieved. Experimental results show that our dictionary learning framework outperforms its competitors in terms of de-noising performance and execution time. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - A New VAD Algorithm using Sparse Representation in Spectro-Temporal Domain
  Mohadeseh  Eshaghi Farbod  Razzazi Alireza Behrad
  10.7508/jist.2019.01.007
  This paper proposes two algorithms for Voice Activity Detection (VAD) based on sparse representation in spectro-temporal domain. The first algorithm was made using two-dimensional STRF (Spectro-Temporal Response Field) space based on sparse representation. Dictionaries أکثر

  This paper proposes two algorithms for Voice Activity Detection (VAD) based on sparse representation in spectro-temporal domain. The first algorithm was made using two-dimensional STRF (Spectro-Temporal Response Field) space based on sparse representation. Dictionaries with different atomic sizes and two dictionary learning methods were investigated in this approach. This algorithm revealed good results at high SNRs (signal-to-noise ratio). The second algorithm, whose approach is more complicated, suggests a speech detector using the sparse representation in four-dimensional STRF space. Due to the large volume of STRF's four-dimensional space, this space was divided into cubes, with dictionaries made for each cube separately by NMF (non-negative matrix factorization) learning algorithm. Simulation results were presented to illustrate the effectiveness of our new VAD algorithms. The results revealed that the achieved performance was 90.11% and 91.75% under -5 dB SNR in white and car noise respectively, outperforming most of the state-of-the-art VAD algorithms. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - افزایش تفکیک‌پذیری تک‌تصویری با در نظر گرفتن سازگاری در همسایگی پیکسل‌ها و استفاده از روش خودیادگیرنده
  ملیحه حبیبی علی‌رضا احمدی‌فرد حمید حسن پور
  در این مقاله، یک روش افزایش تفکیک‌پذیری خودیادگیرنده پیشنهاد گردیده که از اطلاعات پیکسل‌های مجاور هر پیکسل برای تخمین ارزش آن پیکسل استفاده شده است. برای این منظور، دو هرم با تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با اعمال متناوب الگوریتم‌های افزایش و کاهش نرخ نمونه‌بردار أکثر

  در این مقاله، یک روش افزایش تفکیک‌پذیری خودیادگیرنده پیشنهاد گردیده که از اطلاعات پیکسل‌های مجاور هر پیکسل برای تخمین ارزش آن پیکسل استفاده شده است. برای این منظور، دو هرم با تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با اعمال متناوب الگوریتم‌های افزایش و کاهش نرخ نمونه‌برداری بر تصویر ورودی ایجاد می‌شوند که به عنوان مجموعه تصاویر آموزشی مورد استفاده قرار می‌گیرند. روش پیشنهادی با مدل‌سازی ارتباط بین وصله‌های تصاویر در سطوح متناظر دو هرم تفکیک‌پذیری بالا و تفکیک‌پذیری پایین با استفاده از رگرسیون بردار پشتیبان، به تخمین مقادیر جدید پیکسل‌ها در تصویر خروجی می‌پردازد. از بازنمایی تنک به عنوان ویژگی هر وصله در تصاویر هرم با تفکیک‌پذیری پایین استفاده شده است. در این مقاله، جهت کاهش تارشدگی پیکسل‌های لبه، ابتدا پیکسل‌های لبه و غیر لبه مشخص می‌شوند. سپس به ازای پیکسل‌هایی که در نواحی غیر یکنواخت قرار دارند، پیکسل‌های همسایه مورد استفاده قرار نمی‌گیرند. لذا در روش پیشنهادی، ارزش پیکسل‌های همسایه هر پیکسل در نواحی یکنواخت، مدل شده و در تعیین ارزش نهایی دخالت داده می‌شود. نتایج حاصل از آزمایشات نشان داده که روش پیشنهادی عملکرد بهتری نسبت به سایر روش‌های مطرح‌شده در زمینه افزایش تفکیک‌پذیری تصویر از لحاظ کمی و کیفی داشته است. تفاصيل المقالة