A Novel Method for the Enhancement of Composite Materials’ Terahertz Image Using Unsharp Masking and Guided Filtering Technology

When terahertz imaging technology is used for the nondestructive testing of composite materials, the signal is often affected by the experimental environment and internal noise of the system, as well as the absorption and scattering effect of the tested materials. The obtained image has degradation phenomena such as low contrast, poor resolution of small targets and blurred details. In order to improve the image quality, this paper proposes a novel method for the enhancement of composite materials’ terahertz image by using unsharp masking and guided filtering technology. The method includes the processing steps of hard threshold shrinkage denoising based on discrete wavelet transform, amplitude imaging, unsharp masking, guided filtering, contrast stretching, and pseudo-color mapping. In this paper, these steps are reasonably combined and optimized to obtain the final resulting image. To verify the effectiveness of the proposed method, a 150–220 GHz high frequency terahertz frequency modulated radar imaging system was used to image three commonly used sandwich structure composites, and the enhancement processing were carried out. The resulting images with significantly enhanced contrast, detail resolution and edge information were obtained, and the prefabricated defects were all detected; Five objective evaluation indexes including standard deviation, mean gradient, information entropy, energy gradient and local contrast were used to compare and analyze the processing results of different image enhancement methods. The subjective and objective evaluation results showed that the proposed method can effectively suppress the noise in terahertz detection signals, enhance the ability of defect detection and positioning, and improve the accuracy of detection. The proposed method in this paper is expected to play a positive role in improving the practicability of terahertz imaging detection technology and expanding its application fields.

Restoration and enhancement of breast ultrasound images using extended complex diffusion based unsharp masking

Ultrasound is a well-known imaging modality for the interpretation of breast cancer. It is playing very important role for breast cancer detection that are missed by mammograms. The image acquisition is usually affected by the presence of noise, artifacts, and distortion. To overcome such type of issues, there is a need of image restoration and enhancement to improve the quality of image. This paper proposes a single framework for denoising and enhancement of ultrasound images, where a smoothing filter is replaced with an extended complex diffusion-based filter in an unsharp masking technique. The performance evaluation of the proposed method is tested on real ultrasound breast cancer images database and synthetic ultrasound image. The performance evaluation comprises qualitative and quantitative evaluation along with comparative analysis of pre-existing and proposed method. The quantitative evaluation metrics are mean squared error, peak-signal-to-noise ratio, correlation parameter, normalized absolute error, universal quality index, similarity structure index, edge preservation index, a measure of enhancement, a measure of enhancement by entropy, and second derivative like measurement. The result specifies that the proposed method is better suited approach for the removal of speckle noise which follows Rayleigh distribution, restoration of information, enhancement of abnormalities, and proper edge preservation.

Survey on Cardiomegaly Detection with Enhanced X-Ray Using Deep Learning

Cardiomegaly is an augmented (enlarged) heart. It is not a disease merely a sign of another condition. Cardiomegaly in the early stages, which is less severe, is called mild Cardiomegaly. These complications may give rise to conditions like Blood clots, Cardiac Arrest and sudden death, Heart failure, Heart murmur. Hence, detecting these kinds of states in the early stages helps in improving medications and reduce complications. In this paper, we will present various approaches available to detect this development using Deep learning and offer an automated system to detect the presence of Cardiomegaly in a patient. For the computerized system, we are using deep learning concepts such as U-Net and VGG16 and image enhancement (image prepossessing is required) methods like Unsharp Masking, Contrast Limited Adaptive Histogram, High-Frequency Emphasis Filtering. Accurate measure of CTR (cardiothoracic ratio) calculations can effectively diagnose the presence of Cardiomegaly in a patient.

Гібридний метод обробки зображень на конволюційних нейронних мережах

Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи. Бібл. 5, іл. 1.