論文の概要: Enhancing rice leaf images: An overview of image denoising techniques

• arxiv url: http://arxiv.org/abs/2511.00046v1
• Date: Tue, 28 Oct 2025 08:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.537062
• Title: Enhancing rice leaf images: An overview of image denoising techniques
• Title（参考訳）: 米葉画像の強調:画像復調技術の概要
• Authors: Rupjyoti Chutia, Dibya Jyoti Bora,
• Abstract要約: 画像強調は, イネの葉解析, 病原性検出, 栄養失調評価, 成長解析に必須である。 画像フィルターは一般的に、明るさ、コントラスト、シャープネスといった視覚的特徴を識別、変換、拡張するために使用される。 本研究では,CLAHE(Contrast Limited Adaptive Histogram Equalization, 適応ヒストグラム等化法)と併用して, イネ葉画像の効率的な復調法について, 画像復調法の比較検討を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital image processing involves the systematic handling of images using advanced computer algorithms, and has gained significant attention in both academic and practical fields. Image enhancement is a crucial preprocessing stage in the image-processing chain, improving image quality and emphasizing features. This makes subsequent tasks (segmentation, feature extraction, classification) more reliable. Image enhancement is essential for rice leaf analysis, aiding in disease detection, nutrient deficiency evaluation, and growth analysis. Denoising followed by contrast enhancement are the primary steps. Image filters, generally employed for denoising, transform or enhance visual characteristics like brightness, contrast, and sharpness, playing a crucial role in improving overall image quality and enabling the extraction of useful information. This work provides an extensive comparative study of well-known image-denoising methods combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) for efficient denoising of rice leaf images. The experiments were performed on a rice leaf image dataset to ensure the data is relevant and representative. Results were examined using various metrics to comprehensively test enhancement methods. This approach provides a strong basis for assessing the effectiveness of methodologies in digital image processing and reveals insights useful for future adaptation in agricultural research and other domains.
• Abstract（参考訳）: デジタル画像処理は、高度なコンピュータアルゴリズムを用いた画像の体系的な処理を伴い、学術的・実践的な分野で大きな注目を集めている。 画像強調は、画像処理チェーンにおいて重要な前処理段階であり、画質を改善し、特徴を強調する。 これにより、その後のタスク(セグメンテーション、特徴抽出、分類)がより信頼できるものになる。 画像強調は, イネの葉解析, 病原性検出, 栄養失調評価, 成長解析に必須である。 コントラスト強化に続くデノイングが主なステップである。 画像フィルターは一般的に、明るさ、コントラスト、シャープネスといった視覚的特徴を識別、変換、拡張するために使用され、全体的な画質を改善し、有用な情報の抽出を可能にする上で重要な役割を担っている。 本研究は,CLAHE(Contrast Limited Adaptive Histogram Equalization, 適応ヒストグラム等化法)と組み合わせた精米葉画像の効率的な復調法の比較研究である。 実験はイネの葉のイメージデータセット上で実施され、データの関連性および代表性を確認した。 各種測定値を用いて拡張法を総合的に検証した。 このアプローチは,デジタル画像処理における方法論の有効性を評価するための強力な基盤を提供し,農業研究やその他の領域における今後の適応に役立つ知見を明らかにする。

関連論文リスト

• Exploring the Efficacy of Partial Denoising Using Bit Plane Slicing for Enhanced Fracture Identification: A Comparative Study of Deep Learning-Based Approaches and Handcrafted Feature Extraction Techniques [0.0]
  ビット平面スライシングは、ノイズ干渉を低減し、情報的特徴を抽出することにより、医療画像を強化する。 本研究は, フラクチャー解析改善のための解を提供するための部分的 denoising 技術について検討する。 この研究の結果は、効率的な前処理の開発に関する貴重な洞察を与えてくれる。
  論文  参考訳（メタデータ） (2025-03-21T10:39:21Z)
• Contextual Checkerboard Denoise -- A Novel Neural Network-Based Approach for Classification-Aware OCT Image Denoising [1.8032335403003321]
  我々は、ノイズの多い画像のデータセットのみから雑音を学習できる新しいニューラルネットワークベースの手法、emphContextual Checkerboard Denoisingを導入する。 提案手法は画像品質を大幅に改善し,より鮮明で詳細なOCT画像を提供するとともに,診断精度を向上する。
  論文  参考訳（メタデータ） (2024-11-29T08:51:43Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
  既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。 視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:37:03Z)
• Semi-LLIE: Semi-supervised Contrastive Learning with Mamba-based Low-light Image Enhancement [59.17372460692809]
  本研究は、平均教師による半教師付き低照度強化(Semi-LLIE)フレームワークを提案する。 照度分布を忠実に伝達するために、意味認識によるコントラスト損失を導入し、自然色による画像の強調に寄与する。 また,大規模な視覚言語認識モデル(RAM)に基づく新たな知覚損失を提案し,よりリッチなテキストによる画像生成を支援する。
  論文  参考訳（メタデータ） (2024-09-25T04:05:32Z)
• Comparison of semi-supervised learning methods for High Content Screening quality control [0.34998703934432673]
  高濃度スクリーニング(HCS)は、高スループットで画像から複雑な細胞表現型を定量化する。 このプロセスは、アウト・オブ・フォーカス画像のぼかし、蛍光彩飽和、破片、高レベルのノイズ、予期しない自動蛍光、空のイメージなどの画像収差によって妨げられる。 簡単な半教師付き学習ソリューションを提供するために,画像アノテーションを必要としない深層学習の選択肢を評価する。
  論文  参考訳（メタデータ） (2022-08-09T08:14:36Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Learning Conditional Knowledge Distillation for Degraded-Reference Image Quality Assessment [157.1292674649519]
  劣化参照IQA(DR-IQA)という実用的な解を提案する。 DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。 私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
  論文  参考訳（メタデータ） (2021-08-18T02:35:08Z)
• Adaptively Sparse Regularization for Blind Image Restoration [0.0]
  ブラインド画像復元は画像の品質向上に広く利用されている。 主な目標は、ぼかしカーネルと潜むシャープなイメージを忠実に見積もることです。 本研究では,適応的スパース正規化最小化法を提案する。
  論文  参考訳（メタデータ） (2021-01-23T02:40:01Z)
• A Study of Image Pre-processing for Faster Object Recognition [0.0]
  良質な画像は、未処理のノイズ画像よりも認識率や分類率が高い。 物体の認識や分類率を抑える非処理画像から特徴を抽出することはより困難である。 本研究は,機械学習アルゴリズムやディープラーニングアルゴリズムの性能が,トレーニング画像の精度の向上や削減の観点から向上する画像前処理手法を提案する。
  論文  参考訳（メタデータ） (2020-10-31T02:55:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。