رویکردی انطباقی برای بهبود بافت بر اساس یک اپراتور تفاضلی کسری با گام و ترتیب (مرتبه) غیرعددی

بهبود بافت تصویر موضوع مهمی در گرافیک و دید کامپیوتری و شناخت الگو است. با استفاده از مشتق کسری برای تحلیل مشخصه بافت، یک ماسک اپراتور تفاضلی کسری جدید با گام و مرتبه غیر عددی انطباقی در این مقاله برای بهبود تصویر بافت ارائه شده است. یک منطقه پشتیبان خود مشابه غیر منظم طبق مقیاس تشابه بافت محلی ایجاد شد که به طور موثر پیکسل با همبستگی و نویز پایین را حذف می کند. سپس از طریق تقسیم پیکسل و معرفی یک مدل قطعه خطی محلی برای برآورد مقدار خاکستری بین پیکسل‌ها، گام غیر عددی حاصل می‌تواند مشخصه خود تشابه ذاتی در بسیاری از انواع تصویر را بهبود بخشد. به علاوه با درک عمیق توزیع الگو بافت محلی در منطقه پشتیبان، انتخاب انطباقی مرتبه مشتق کسری نیز برای بررسی جزئیات بافت پیچیده اجرا می‌شود. در آخر ماسک اپراتور تفاضلی کسری غیر عددی که گام و مرتبه غیر عددی انطباقی را تلفیق می‌کند ایجاد می‌شود. نتایج تجربی نشان داد که برای تصاویری با محتوای بافت غنی مشخصه موثر درجه خود تشابه در الگو بافت طبق رویکرد پیشنهادی ما منجر یه بهبود تصویر در مقایسه با دیگر رویکردها شد.

Image texture enhancement is an important topic in computer graphics, computer vision and pattern recognition. By applying the fractional derivative to analyze texture characteristics, a new fractional differential operator mask with adaptive non-integral step and order is proposed in this paper to enhance texture images. A non-regular self-similar support region is constructed based on a local texture similarity measure, which can effectively exclude pixels with low correlation and noise. Then, through applying sub-pixel division and introducing a local linear piecewise model to estimate the gray value in between the pixels, the resulting non-integral steps can improve the characterization of self-similarity that is inherent in many image types. Moreover, with in-depth understanding of the local texture pattern distribution in the support region, adaptive selection of the fractional derivative order is also performed to deal with complex texture details. Finally, the non-regular fract