Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Neural Computing and Applications
Erschienen in: Neural Computing and Applications 7/2011

01.10.2011 | ICONIP2009

Automatically improving image quality using tensor voting

verfasst von: Toan Dinh Nguyen, Jonghyun Park, Soohyung Kim, Hyukro Park, Gueesang Lee

Erschienen in: Neural Computing and Applications | Ausgabe 7/2011

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A novel corrupted region detection technique based on tensor voting is proposed to automatically improve the image quality. This method is suitable for restoring degraded images and enhancing binary images. First, the input images are converted into layered images in which each layer contains objects having similar characteristics. By encoding the pixels in the layered images with second-order tensors and performing voting among them, the corrupted regions are automatically detected using the resulting tensors. These corrupted regions are then restored to improve the image quality. The experimental results obtained from automatic image restoration and binary image enhancement applications show that our method can successfully detect and correct the corrupted regions.
Vorheriger Artikel Image modeling with combined optimization techniques for image semantic annotation
Nächster Artikel Robust object tracking with occlusion handle

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Guy G, Medioni G (1997) Inference of surfaces, 3D Curves, and junctions from sparse, noisy, 3-D data. IEEE Trans PAMI 19(11):1265–1277CrossRef
2.
Medioni G, Lee MS, Tang CK (2000) A computational framework for segmentation and grouping. Elsevier
3.
Nguyen T, Park J, Kim S, Park H, Lee G (2009) Automatic image restoration based on tensor voting. In: Proceedings of ICONIP, pp 810–818
4.
Masnou S, Morel J (1998) Level lines based disocclusion. In: Proceedings of ICIP, pp 259–263
5.
Bertalmio M, Sapiro G, Caselles V, Ballester C (2000) Image inpainting. In: Proceedings of SIGGRAPH, pp 417–424
6.
Rares A, Reinders MJT, Biemond J (2005) Edge-based image restoration. IEEE Trans Image Process 14(10):1454–1468CrossRef
7.
Auclair-Fortier DZM-F (2006) A global approach for solving evolutive heat transfer for image denoising and inpainting. IEEE Trans Image Process 15(9):2558–2574CrossRef
8.
Heeger DJ, Bergen JR (1995) Pyramid-based texture analysis/synthesis. In: Proceedings of SIGGRAPH, pp 229–238
9.
Efros A, Leung T (1999) Texture synthesis by non-parametric sampling. In: Proceedings of ICCV, pp 1033–1038
10.
Lin W-C, Hays J, Wu C, Liu Y, Kwatra V (2006) Quantitative evaluation of near regular texture synthesis algorithms. In: Proceedings of CVPR, pp 427–434
11.
Bertalmio M, Vese L, Sapiro G, Osher S (2003) Simultaneous structure and texture image inpainting. In: Proceedings of CVPR, pp 707–710
12.
Drori I, Cohen-Or D, Yeshurun H (2003) Fragment-based image completion. In: Proceedings of SIGGRAPH, ACM Press, pp 303–312
13.
Criminisi PPA, Toyama K (2004) Region filling and object removal by exemplar-based inpainting. IEEE Trans Image Process 13(9):1200–1212CrossRef
14.
Wexler Y, Shechtman E, Irani M (2004) Space-time video completion. In: Proceedings of CVPR, pp 120–127
15.
Hartigan JA (1975) Clustering algorithms. Wiley
16.
Otsu N (1979) A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern 9(1):62–66MathSciNetCrossRef
17.
Kittler J, Illingworth J (1986) Minimum error thresholding. Pattern Recogn 19. 1:41–47
18.
Niblack W (1986) An introduction to image processing. Prentice Hall, Upper Saddle River
19.
Sauvola J, Pietikainen M (2000) Adaptive document image binarization. Pattern Recogn 32(2):225–236CrossRef
20.
Wang B, Li XF, Liu F, Hu F-Q (2005) Color text image binarization based on binary texture analysis. Pattern Recogn Lett 26(10):1568–1576CrossRef
21.
Garcia C, Apostolidis X (2000) Text detection and segmentation in complex color images. In: Proceedings of ICASS, pp 2326–2330
22.
Thillou C, Gosselin B (2004) Segmentation-based binarization for color degraded images. In: Proceedings of international conference on computer vision and graphics
23.
Lim J, Park J, Medioni GG (2007) Text segmentation in color images using tensor voting. Image Vis Comput 25(5):671–685CrossRef
24.
Abraham R, Marsden JE, Ratiu TS (1991) Manifolds, tensor analysis, and applications, 2nd edn. Springer, Berlin
25.
Akivis MA, Goldberg VV (1972) An introduction to linear algebra and tensors. Dover
26.
Simmonds JG (1994) A brief on tensor analysis, 2nd edn. Springer, BerlinMATH
Metadaten
Titel
Automatically improving image quality using tensor voting
verfasst von
Toan Dinh Nguyen
Jonghyun Park
Soohyung Kim
Hyukro Park
Gueesang Lee
Publikationsdatum
01.10.2011
Verlag
Springer-Verlag
Erschienen in
Neural Computing and Applications / Ausgabe 7/2011
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI
https://doi.org/10.1007/s00521-010-0394-4

Weitere Artikel der Ausgabe 7/2011

Neural Computing and Applications 7/2011 Zur Ausgabe

ICONIP2009

A GPU implementation for LBG and SOM training

Original Article

Glocalization pursuit support vector machine

ICONIP2009

Exchange rate prediction with non-numerical information

Original Article

Rule extraction from artificial neural networks to discover causes of quality defects in fabric production

ICONIP2009

FMI image based rock structure classification using classifier combination

ICONIP2009

Decoding ambisonic signals to irregular quad loudspeaker configuration based on hybrid ANN and modified tabu search