Analysis of methods and algorithms for image filtering and quality enhancement

Abstract

This paper addresses the prevalent issue of image noise and presents methods for its mitigation. The paper describes, analyses and tests a variety of image filtering techniques, with specific reference to their use in different contexts. The filtering methods can be classified into two principal categories: linear filters, which include the Gaussian and mean filters, and non-linear filters, which comprise the median filter, the Fast Fourier Transform (FFT), the Non-Local Means (NLM) filter, and the anisotropic diffusion filter. The efficacy of each filter is mathematically described and evaluated on RGB images using the Python programming language. The study delineates the evaluation metrics and their respective advantages and disadvantages. The Root Mean Square Error (RMSE) and Peak Signal-to-Noise Ratio (PSNR) are employed as criteria for the analysis of algorithm efficiency. Furthermore, the mean execution time for each algorithm is also monitored. The experimental data suggests that linear filters are relatively fast but produce inferior results and are best employed as preparatory measures. Non-linear filters have been demonstrated to be more robust and applicable to a variety of noise types, although it has been established that they require parameter fine-tuning. The study demonstrates that anisotropic diffusion is suitable for both manual image processing and real-time applications, offering an optimal balance between processing speed and denoised image quality. NLM is optimal for high-quality single image processing due to its superior results, despite a slower processing speed. FFT is noted for its efficiency in eliminating periodic noise. Further research will be conducted on advancing filtering techniques for different real-world scenarios and autonomous systems.

Стаття описує актуальну проблему зашумленості зображень і методи її вирішення. Проведено аналіз, тести та опис різних фільтрів, зокрема сфери їх застосування. Методи фільтрації розподілено на дві групи: лінійні, такі як фільтр Гауса та середнього значення, а також нелінійні, такі як медіанна фільтрація, швидке перетворення Фур'є (ШПФ), метод нелокальних середніх (НЛС) та анізотропна дифузія. Кожен фільтр описано математично, реалізовано з використанням мови програмування Python та протестовано на RGB-зображеннях. Робота описує критерії оцінювання, їх переваги та недоліки. Середньоквадратична помилка (СКП) та пікове співвідношення сигнал/шум (ПССШ) використовуються як критерії для аналізу ефективності алгоритмів. Також взято до уваги швидкість роботи кожного алгоритма. Загалом, експериментальні дані свідчать про те, що лінійні фільтри працюють швидше, але дають гірші результати і краще за все використовуються на підготовчому етапі. Нелінійні фільтри є більш надійними і можуть бути застосовані для різних типів шуму, хоча мають недолік у вигляді необхідності тонкого налаштування параметрів. Дослідження показує, що анізотропну дифузію можна використовувати як для ручної обробки зображень, так і для застосувань у реальному часі, оскільки вона забезпечує хороший компроміс між швидкістю обробки та якістю очищеного від шуму зображення. НЛС підходить для високоякісної обробки окремих зображень через свою низьку швидкість та високу якість обробленого зображення. Насамкінець, ШПФ виділяється своєю ефективністю у видаленні періодичного шуму. Ця стаття матиме продовження у вигляді розвитку та використанні методів фільтрації в різних реальних реалізаціях та автономних системах.