Gürültü Temizleme Simülatörü Tasarımı The Design of De-noising Simulator * 1 Fahri Vatansever, 1 Nedim Aktan Yalcin, 1 Yigit Cagatay Kuyu 1 Faculty of Engineering, Electrical-Electronics Engineering Dept., Uludag University, Turkey Özet Elektrik-elektronik mühendisliği alanındaki başlıca problemlerden birisi de çeşitli nedenlerden kaynaklanan ve işaretlerde, dolayısıyla da sistemlerin çalışmalarında bozulmalara neden olan istenmeyen lerin temizlenmesi/bastırılmasıdır. Bir ve iki boyutlu işaretlerdeki leri temizlemek için farklı algoritmalar geliştirilmiştir. Gerçekleştirilen çalışmada; bu farklı algoritmalarla karşılaştırmalı sonuçlar üretebilen ve eğitim amaçlı da kullanılabilen bir simülatör tasarlanmıştır. Kullanıcının yüklediği işaret veya görüntüleri, seçilen yöntemlerle (filtreler, dalgacık dönüşümleri vb.) temizleyen kullanıcı dostu simülatör sayesinde farklı algoritmaların adım adım çalışmaları, etkinlikleri ve performansları hem sayısal hem de grafiksel olarak karşılaştırmalı gözlenebilmektedir. Anahtar kelimeler: Gürültü, temizleme, simülatör. Abstract One of the main problems about electrical electronics engineering is de-noising/suppressing undesired noise which is produced various reasons and causes distortion of signals and systems failure. Different algorithms are developed for de-noising one dimensional and two dimensional signals. In carried out study, simulator which produces comparative results with using these different algorithms and can also be used for educational purposes is designed. Step by step operations, effectiveness and performance of dissimilar algorithms can be observed both graphically and numerically due to user friendly simulator which de-noises signals that uploaded by users with selected methods (filters, wavelet transforms, etc.) Key words: Noise, de-noising, simulator. 1. Giriş İşaretler, sistemlerin çalışmasını sağlayan temel unsurlardır. Dolayısıyla sistemlerin düzgün çalışması için bu işaretlerin bozulmaması gerekmektedir. Ancak devre ve sistemlerdeki işleyiş veya çevresel etkilerden dolayı işaretlerde değişiklikler/bozulmalar meydana gelmektedir. Oluşan bozulmalardan bir kısmı lerden kaynaklanmaktadır. Bundan dolayı nün bastırılması/temizlenmesi son derece önemlidir. Birçok alandaki işaret veya görüntü lerini temizlemek/bastırmak için farklı algoritmalar/teknikler/yöntemler kullanılmaktadır: değişik türlerde filtreler, dönüşümler vb. Literatürde de bu konuda çok sayıda çalışmalar yer almaktadır[1-24]. *Corresponding author: Address: Faculty of Engineering, Electrical-Electronics Engineering Dept., Uludag University, 16059, Bursa TURKEY. E-mail address: fahriv@uludag.edu.tr, Phone: +902242940905
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 974 Gerçekleştirilen çalışmada, bir veya iki boyutlu işaretlerdeki leri farklı algoritmalarla temizleyen arayüz programı tasarlanmıştır. Eğitim amaçlı da kullanılabilecek simülatör ile kullanıcılar; işaret veya görüntüleri, seçtikleri algoritmalarla/yöntemlerle kolaylıkla temizleyebilmekte, karşılaştırmalı sonuçlarla performans etkinliklerini gözlemleyebilmektedirler. Ayrıca öğrencilerin, simülatördeki işlem basamaklarını adım adım izleyerek bastırma/temizleme yöntemlerini/algoritmalarını kavramaları sağlanmaktadır. 2. Gürültü ve Gürültü Temizleme Algoritmaları Analog veya sayısal tüm işaretlerde/sistemlerde oluşması veya işaretin/sistemin den etkilenmesi mümkündür. Elektronikte, devrelerdeki işaretlerde oluşan ve istenmeyen rastgele dalgalanmalar/değişimler/bozulmalar olarak tanımlanabilir. İşaretlerdeki ve bozulmalar; türleri, kaynakları ve içerikleri çok çeşit olmakla birlikte Şekil 1'deki gibi gruplandırılabilirler. Ayrıca frekans spektrumu veya zaman domeni özelliklerine göre / işleme genel olarak Şekil 2'deki gibi sınıflandırılabilir[24]. GÜRÜLTÜ / BOZULMA (Distorsiyon) Elektronik Elektromanyetik Elektrostatik Haberleşme kanalları Kuantalama Akustik Isısal Kanal bozunma Akustik Atış Çoklu yol Akustik geribesleme ve yankı Kırpışma Yankı Patlama Sönümleme Geçiş süresi Şekil 1. Genel /bozulma türleri/kaynakları Gürültüler işarete/görüntüye eklenerek/çarpılarak lü işaretler oluşmaktadır (Şekil 3). Gürültü temizleme/bastırma, işaretten nün çıkarılması işlemidir. Bir veya iki boyutlu işaretlerdeki leri temizlemek/bastırmak için çok sayıda yöntem vardır. Zaman, frekans, dalgacık gibi farklı domenlerde kullanılan filtreler (doğrusal ve doğrusal olmayan filtreler, adaptif filtreler, ortalama filtreleri, median filtreler, wiener filtreler vb.), dönüşüm sonucu katsayı modellemeleri ve eşiklemeleri, istatistiksel değerlendirmeler gibi yöntemler sıklıkla kullanılmaktadır[24-25].
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 975 Geçici durum darbeleri Beyaz GÜRÜLTÜ Bant sınırlı beyaz Dürtüsel Darbant Renkli Şekil 2. Gürültünün genel sınıflandırılması x g (t) = x(t) + g(t) Gürültü x g (t) = x(t) g(t) İşaret + Gürültülü işaret x g (x, y) = x(x, y) + g(x, y) x g (x, y) = x(x, y) g(x, y) 3. Geliştirilen Simülatör ve Uygulamaları Şekil 3. İşarete eklenmesi MATLAB[25] kullanılarak geliştirilen simülatörün ana ekranı Şekil 4'te ve menüleriyle görevleri Tablo 1'de verilmektedir. Simülatöre lü işaret/görüntü yüklenebilmekte veya eğitim amaçlı temiz işaret/görüntülere belirlenen oran ve türlerde ler eklenebilmektedir. Seçilen yöntemlerle temizleme işlemi gerçekleştirilmekte, sonuçlar hem sayısal hem de grafiksel olarak gösterilebilmektedir. Ayrıca simülatördeki mevcut tüm yöntemlerle (Tablo 2) temizleme işlemleri yaptırılıp karşılaştırmalı sonuçlar da elde edilebilmektedir. Birinci simülasyon olarak eklenmiş bir boyutlu işaretin dalgacık dönüşüyle temizlenmesi işlem adımları Şekil 5'te verilmektedir. Benzer şekilde başka bir işaretin, FIR filtreler ile temizlenmesi aşamaları Şekil 6'da verilmektedir. Şekil 7'de ise karşılaştırmalı temizleme sonuç ekranı görülmektedir. Son simülasyon olarak da bir görüntünün "median" filtre ile temizlenmesi Şekil 8'de yer almaktadır. Şekil 5-8'lerde görüldüğü gibi, kullanıcı/öğrenci kolaylıkla lü işaret veya görüntüyü, seçtiği yöntemlerle kolay ve etkin bir şekilde temizleyebilmektedir. Ayrıca öğrenciler, yöntem parametrelerini değiştirerek işlem sonuçlarına etkilerini gözlemleyebilmektedirler.
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 976 Şekil 4. Tasarlanan simülatörün ana ekranı Tablo 1. Tasarlanan simülatörün menüleri ve görevleri Menü Ekran görüntüsü Görevi Dosya Yeni simülasyonlar gerçekleştirme Simülatöre işaret/görüntü yükleme o Bir boyutlu işaret çağırma/yükleme o İki boyutlu işaret (görüntü) çağırma/yükleme o Bir veya iki boyutlu lü işaret (görüntü) oluşturma ekranı Simülasyon sonuçlarını farklı biçimlerde kaydetme Simülasyon sonuçlarını yazdırma Programdan çıkış Temizleme Temizleme yönteminin seçilmesi Temizleme işleminin gerçekleştirilmesi Simülatördeki tüm yöntemlerle temizleme işleminin gerçekleştirilip karşılaştırmalı sonuçların gösterilmesi Yardım Simülatördeki yardım konularını inceleme Simülatör hakkındaki bilgilere erişme Tablo 2. Simülatördeki temizleme yöntemleri seçenekleri İşaret temizleme yöntemleri Görüntü temizleme yöntemleri Dalgacık parametreleri
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 977 Şekil 5. Birinci simülasyon için işlem adımları
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 978 Şekil 6. İkinci simülasyon için işlem adımları
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 979 Şekil 7. Üçüncü simülasyon için ekran görüntüsü Şekil 8. Dördüncü simülasyon için ekran görüntüsü 4. Sonuçlar Gerçekleştirilen çalışmada işaret ve görüntülerdeki leri temizlemek/bastırmak/gidermek için genel amaçlı simülatör tasarlanmıştır. Temel temizleme algoritmalarını/yöntemlerini barındıran kullanıcı dostu simülatör, bu konulardaki bilgileri kavratmak/pekiştirmek için eğitim amaçlı da kullanılabilmektedir. Kullanıcılar yükledikleri veya oluşturdukları bir veya iki boyutlu lü işaretleri, seçtikleri ve yöntemlerle kolay ve etkin bir şekilde temizleyebilmektedirler. Ayrıca parametre değişimleriyle ve karşılaştırmalı simülasyonlarla, yöntemlerinin etkinliklerini ve performanslarını görebilmektedirler. Kaynaklar [1] Buades A, Coll B, Morel J-M. A non-local algorithm for image denoising. IEEE Computer Society Conference on 2005;2:60-5. [2] Buades A, Coll B, Morel J-M. A Review of image denoising algorithms with a new One. Multiscale Modeling & Simulation 2005;4:490-530. [3] Starck J-L, Candes E J, Donoho D L. The curvelet transform for image denoising. Image Processing IEEE Transactions on 2002;11:670-684. [4] Dabov K, Foi A, Katkovnik V, Egiazarian K. Image denoising by sparse 3-D transformdomain collaborative filtering. Image Processing IEEE Transactions on 2007;16:2080-2095. [5] Mahmoudi M, Sapiro G. Fast image and video denoising via nonlocal means of similar neighborhoods. Signal Processing Letters IEEE 2005;12:839-842. [6] Chan T F, Osher S, Shen J. The digital TV filter and nonlinear denoising. Image Processing IEEE Transactions on 2001;10:231-241. [7] Tao C, Kai-Kuang M, Li-Hui C. Tri-state median filter for image denoising. Image Processing IEEE Transactions on 1999;8:1834-1838.
F. VATANSEVER et al./ ISITES2015 Valencia - Spain 980 [8] Moulin P, Juan L. Analysis of multiresolution image denoising schemes using generalized Gaussian and complexity priors. Information Theory IEEE Transactions on 1999; 45:909-919. [9] Beck A, Teboulle M, Fast gradient-based algorithms for constrained total variation image denoising and deblurring problems. Image Processing IEEE Transactions on 2009;2419-2434. [10] Hyvärinen A. Sparse code shrinkage: Denoising of nongaussian data by maximum likelihood estimation. Neural Computation MIT Press Journals 1999;11:1739-1768. [11] Zhang X-P, Desai MD. Adaptive denoising based on SURE risk. IEEE Signal Processing Letters 1998;5:265-267. [12] Donoho DL. De-noising by soft-thresholding. IEEE Transactions on Information Theory 1995;41:613-627. [13] Katkovnik V, Egiazarian K, Astola J. Adaptive window size image de-noising based on intersection of confidence intervals (ICI) Rule. Journal of Mathematical Imaging and Vision 2002;16:223-235. [14] Jing-tian T, Qing Z, Yan T, Bin L, Xiao-kai Z. Hilbert-Huang transform for ECG denoising. The 1st International Conference on Bioinformatics and Biomedical Engineering 2007;1:664-667. [15] Tang G, Qin A. ECG De-noising Based on Empirical Mode Decomposition. The 9th International Conference for Young Computer Scientists 2008;9:903-906. [16] Kawrakow I. On the de-noising of monte carlo calculated dose distributions. Physics and Engineering in Medicine 2002;47:3087-3103. [17] Kumar S, Kumar P, Gupta M, Nagawat AK. Performance comparison of median and wiener filter in image de-noising International Journal of Computer Applications 2010;12:27-31. [18] Wei D, Sheng-Lin Y, Shuan S. Image de-noising algorithm using adaptive threshold based on contourlet transform. Acta Electronica Sinica 2007;10:124-130. [19] Tyler B. Interpretation of TOF-SIMS images: multivariate and univariate approaches to image de-noising, image segmentation and compound identification. Applied Surface Science 2003;203:825-831. [20] Elboth T, Presterud IV, Hermansen D. Time-frequency seismic data de-noising. Geophysical Prospecting 2010;58:441-453. [21] Abdel-Galil T, El-Hag AH, Gaouda A, Salama MMA, Bartnikas R. De-noising of partial discharge signal using eigen-decomposition technique. IEEE Transactions on Dielectrics and Electrical Insulation 2008;15:1657-1662. [22] Patidar P, Gupta M, Sirvastava S, Nagawat AK. Image de-noising by various filters for different noise. International Journal of Computer Applications 2010; 9:45-50. [23] Michailovich O, Adam D. Robust estimation of ultrasound pulses using outlier-resistant denoising. IEEE Transactions on Medical Imaging 2003;3:368-381. [24] Vaseghi V, Advanced Digital Signal Processing and Noise Reduction. JohnWiley & Sons; 2008. [25] MATLAB. The MathWorks Inc., 2007.