LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
5.5 Dung hợp ảnh dựa trên phƣơng pháp tập hợp EMD theo hai chiều
Các ảnh ngõ vào sẽ đƣợc phân giải theo từng hàng bằng EEMD, sau đó sẽ sắp xếp lại theo chiến lƣợc thành các ma trận với thành phần là các IMF tƣơng ứng. Ma trận thu đƣợc sẽ đƣợc tiếp tục biến đổi theo cột bằng EEMD, và cuối cùng là sắp xếp lại theo chiến lƣợc thành các ma trận IMF của ảnh.
5.5.1 Kết quả các IMF cho ảnh 1
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
5.6 Nhận xét kết quả và đánh giá
Đối với phƣơng pháp DWT, thì đây là phƣơng pháp ra đời từ rất sớm và đƣợc ứng dụng rất hiệu quả đối với việc xử lý ảnh nhƣ nén ảnh, dung hợp ảnh,… Và do phƣơng pháp này có thể ứng dụng trên dữ liệu hai chiều dựa trên các bộ lọc phân giải và bộ lọc tái tạo của các hàm cơ bản, nên nó hoạt động rất hiệu quả đối với ảnh. Tuy nhiên, phƣơng pháp này thực sự không hiệu quả đối với dữ liệu không tuyến tính và không ổn định. Các bộ lọc trƣợt trên từng pixel theo hàng và theo cột, nhƣng về tổng quan thì không hình thành đƣợc mối liên hệ với toàn bộ pixel hay ít nhất là các khối 8x8 hay 16x16 của ảnh.
EMD có ƣu điểm hơn so với DWT, nó là một phƣơng pháp thích nghi, rất hiệu quả trên các dữ kiệu không tuyến tính và không ổn định. Kết quả phân giải và dung hợp của DWT và EMD một cách trực quan thì không khác nhau nhiều, tuy nhiên, thời gian chạy mô phỏng của DWT nhanh hơn nhiều so với EMD, và EMD là phƣơng pháp một chiều, nên việc phân giải thành các IMF sẽ không hoàn toàn chứa hết các thành phần cạnh nét của ảnh.
BEMD vừa đáp ứng đƣợc tính thích nghi, vừa ứng dụng đƣợc trên dữ liệu hai chiều, nó đƣợc xây trên nền tảng EMD, áp dụng EMD cho từng hàng hay cột theo thứ tự (không cần có sự ƣu tiên về hƣớng), do đó, nó có sự liên kết giữa các pixel lân cận tốt hơn EMD (vector hóa ảnh). Kết quả phân giải của BEMD cho thấy rõ các cạnh nét của ảnh theo cả hai hƣớng một cách rõ ràng.
Sự phát triển của EEMD và EBEMD là đồng thời để khắc phục những khó khăn mà EMD và BEMD tồn tại, đó là hiện tƣợng mode mixing xảy ra khi dữ liệu có sự gián đoạn giữa các scale. Với sự trợ giúp của nhiễu với biên độ hữu hạn (nhƣng không phải vi phân), nó tạo ra các scale tham khảo trong suốt quá trình phân giải dữ liệu thành các IMF. Nhiễu thêm vào sẽ làm cho tỷ số tín hiệu trên nhiễu giảm, nhƣng không ảnh hƣởng nhiều đến kết quả, đồng thời các nhiễu thêm vào mỗi lần thử là ngẫu nhiên và không có mối liên hệ, nên sẽ khử lẫn nhau nếu số lần thử đủ lớn. Do đó, kết quả của EEMD và trên hết là kết quả của EBEMD tốt hơn, nhƣng thời gian chạy mô phỏng rất lâu, khối lƣợng tính toán lớn.
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 5 DUNG HỢP ẢNH, SO SÁNH CÁC PHƢƠNG PHÁP…
Bảng 5.1: So sánh thời gian xử lý giữa các phương pháp EMD, BEMD, EEMD và EBEMD, trong đó là độ lêch chuẩn giữa nhiễu và dữ liệu, N là số lần thử.
Phƣơng pháp Thời gian mô phỏng (s) Tỷ số tín hiệu trên nhiễu PSNR
EMD 12.4489
EEMD với , N=1 56.8936 11.6158 EEMD với , N=5 170.7431 157.1870 EEMD với , N=10 276.1218 162.7116 EEMD với , N=50 1.2751e+003 169.0290
BEMD 29.7338 EBEMD với , N=1 154.6750 45.8916 EBEMD với , N=5 746.7924 139.0026 EBEMD với , N=10 1.4900e+003 192.0493 EBEMD với , N=50 7.8744e+003 254.0527
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 6 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI
CHƯƠNG 6
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI
6.1 Kết luận
Sau khi nghiên cứu đề tài, có thể rút ra một số kết luận sau đây:
Hồng ngoại là một lĩnh vực có nhiều ứng dụng rất hay trong nhiều lĩnh vực. Tuy nhiên, đây là một lĩnh vực còn khá mới mẻ và đƣợc ứng dụng hạn chế ở nƣớc ta. Vì vậy, ngƣời viết mong rằng, lĩnh vực này sẽ đƣơc xem xét, nghiên cứu một cách hệ thống trong tƣơng lai gần.
Phƣơng pháp phân rã thực nghiệm EMD là một phƣơng pháp xử lí tín hiệu khá mới. Nó có những đặc tính sau:
o Ƣu điểm
Thuật toán đơn giản. (adsbygoogle = window.adsbygoogle || []).push({});
Là phƣơng pháp thích nghi dựa trên những đặc tính nội tại của tín hiệu nên nó thực sự hiệu quả với những dao động không tuyến tính và không ổn định.
Trở thành cặp bộ lọc khi dữ liệu đƣợc thêm vào nhiễu trắng.
o Nhƣợc điểm
Thời gian xử lí lâu.
Tín hiệu ngõ vào phải là một chiều.
Thời gian xử lí ảnh bằng phƣơng pháp EMD có thể đƣợc cải thiện bằng kỹ thuật Pre-allocation. Hoặc hơn nữa, vì thời gian xử lí phụ thuộc chủ yếu vào số điểm ảnh nên ta có thể dùng phép biến đổi ảnh xám (đối với ảnh màu) để xử lí. Ảnh sau xử lí sẽ đƣợc biến đổi lại ảnh màu. Thời gian tiết kiệm đƣợc sẽ tỉ lệ với số điểm ảnh.
6.2 Hướng phát triển 6.2.1 Hướng phát triển 1
Máy chụp hồng ngoại có khả năng cảm nhận nhiệt rất tốt. Vì vậy, có thể áp dụng những đặc tính này của hồng ngoại với xử lí ảnh để tạo hệ thống báo cháy hiện đại.
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 6 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI
6.2.2 Hướng phát triển 2
Mỗi loại thực vật hấp thụ và phản xạ ánh sáng hồng ngoại với cƣờng độ rất khác nhau. Vì vậy, chế tạo ra thiết bị chụp hình hồng ngoại gần có khả năng chẩn đoán tình trạng sức khỏe của thực vật sẽ rất có lợi đối với một quốc gia có nền nông nghiệp làm chủ đạo nhƣ nƣớc ta.
6.2.3 Hướng phát triển 3
Ảnh hồng ngoại gần còn một tên nữa là ảnh sai màu. Vì nó hiển thị màu sắc hoàn toàn không giống thực tế. Những thiết bị chụp hình ngày nay đều có một bộ lọc chặn hồng ngoại. Nhƣng thực tế không thể lọc hết đƣợc (Có thể chứng minh điều này khi dùng máy chụp hình quan sát đèn remote Tivi). Vì vậy, ảnh chụp sẽ không đúng hoàn toàn
(true color). Do vậy, một sự dung hợp giữa ảnh thƣờng và ảnh hồng ngoại gần có thể giải quyết vấn đề này.
6.2.4 Hướng phát triển 4
Vấn đề lớn nhất của phƣơng pháp EMD là thời gian xử lí. Vì vậy tối ƣu hóa code, dùng những chƣơng trình hỗ trợ xử lí song song hoặc chuyển code từ Matlab sang ngôn ngữ C cũng là những gợi ý có thể khắc phục vấn đề này.
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
CHƢƠNG 7
LƢU ĐỒ GIẢI THUẬT VÀ CODE MÔ PHỎNG
7.1 Dung hợp ảnh bằng phƣơng pháp DWT 7.1.1 Lƣu đồ giải thuật
Hình 7.1: Lưu đồ giải thuật dung hợp bằng DWT
7.1.2 Code chƣơng trình
Function [cA,cH,cV,cD]=dwt2(x, varargin)
Đọc file Ảnh ngõ vào 1 Đọc file Ảnh ngõ vào 2
Biến đổi DWT2 Biến đổi DWT2 Phân giải mức 1 cA1.1, cV1.1, cH1.1, cD1.1 Phân giải mức 1 cA1.2, cV1.2, cH1.2, cD1.2 Biến đổi DWT2 cA1.1 để
đƣợc mức phân giải 2
Biến đổi DWT2 cA1.2 để đƣợc mức phân giải 2
Phân giải mức 2 cA2.1, cV2.1, cH2.1, cD2.1
Phân giải mức 2 cA2.2, cV2.2, cH2.2, cD2.2
Dung hợp các thành phần tƣơng ứng tại từng mức phân giải (adsbygoogle = window.adsbygoogle || []).push({});
Biến đổi IDWT2 tại từng mức phân giải. Quá trình dung hợp và biến đổi IDWT2 đan xen nhau tại mỗi
mức phân giải.
⋮ ⋮
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
% [CA,CH,CV,CD] = DWT2(X,'wname') % [CA,CH,CV,CD] = DWT2(X,Lo_D,Hi_D) % Lo_D is the decomposition low-pass filter. % Hi_D is the decomposition high-pass filter. % Lo_D and Hi_D must be the same length. [Lo_D,Hi_D] = wfilters(varargin{1},'d'); next=2; % Check arguments for Extension and Shift. DWT_Attribute = getappdata(0,'DWT_Attribute'); DWT_Attribute = dwtmode('get');
shift = DWT_Attribute.shift2D; for k = next:2:nbIn-1
switch varargin{k}
case 'mode' , dwtEXTM = varargin{k+1}; case 'shift' , shift = mod(varargin{k+1},2); end
% Compute sizes. lf = length(Lo_D);
sx = size(x); % Extend, Decompose & Extract coefficients. first = 2-shift;
flagPer = isequal(dwtEXTM,'per'); if ~flagPer
sizeEXT = lf-1; last = sx+lf-1; else
sizeEXT = lf/2; last = 2*ceil(sx/2); end x = double(x); if length(sx)==2 y = wextend('addcol',dwtEXTM,x,sizeEXT); z = conv2(y,Lo_D(:)','valid'); a = convdown(z,Lo_D,dwtEXTM,sizeEXT,first,last); h = convdown(z,Hi_D,dwtEXTM,sizeEXT,first,last); z = conv2(y,Hi_D(:)','valid'); v = convdown(z,Lo_D,dwtEXTM,sizeEXT,first,last); d = convdown(z,Hi_D,dwtEXTM,sizeEXT,first,last); else a = cell(0,3); h = cell(0,3); v = cell(0,3); d = cell(0,3); for k = 1:3 y = wextend('addcol',dwtEXTM,x(:,:,k),sizeEXT);
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE a = cat(3,a{:}); h = cat(3,h{:}); v = cat(3,v{:}); d = cat(3,d{:}); function x = idwt2(a,h,v,d,varargin) % X = IDWT2(CA,CH,CV,CD,'wname')
% X = IDWT2(CA,CH,CV,CD,Lo_R,Hi_R) reconstructs as above, % using filters you specify:
% Lo_R is the reconstruction low-pass filter. % Hi_R is the reconstruction high-pass filter. % Lo_R and Hi_R must be the same length.
Các hàm dwt2 hay idwt2 đều đƣợc hỗ trợ sẵn trong chƣơng trình Matlab.
7.2 Dung hợp bằng phƣơng pháp EMD 7.2.1 Lƣu đồ giải thuật
Hình 7.2: Lưu đồ giải thuật dung hợp bằng EMD
7.2.2 Code chƣơng trình
function allmode=emd(Y) Y = im2double(Y(:)); X1=transpose(Y); xsize=length(X1); dd=1:xsize; TNM=fix(log2(xsize))-1; for jj=1:xsize, mode(jj,1) = Y(jj);
Đọc file Ảnh ngõ vào 1 Đọc file Ảnh ngõ vào 2
EMD EMD
IMFs IMFs
Dung hợp các IMFs tƣơng ứng
Tái cấu trúc các IMFs
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE end xend = X1; nmode = 1; while nmode <= TNM, xstart = xend; SD = 1; while SD >= 0.3,
[spmax, spmin]=extrema(xstart);
upper= spline(spmax(:,1),spmax(:,2),dd); lower= spline(spmin(:,1),spmin(:,2),dd); mean_ul = (upper + lower)/2;
prevh = xstart - mean_ul; (adsbygoogle = window.adsbygoogle || []).push({});
SD = sum ( ((prevh - xstart).^2) ./ (xstart.^2) );
xstart=prevh; end
xend = xend - xstart; nmode=nmode+1; for jj=1:xsize, mode(jj,nmode) = xstart(jj); end end for jj=1:xsize, mode(jj,nmode+1)=xend(jj); end allmode=mode; end
function [C,D] = fusion(A,B,method) % Dung hợp các IMFs % METHOD là
%- 'max' : D = abs(A) >= abs(B) ; C = A(D) + B(~D) %- 'min' : D = abs(A) <= abs(B) ; C = A(D) + B(~D) %- 'mean' : C = (A+B)/2 ; D = ones(size(A))
%- 'rand' : C = A(D) + B(~D); D is a boolean random matrix %- 'img1' : C = A
%- 'img2' : C = B
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
7.3 Dung hợp bằng phƣơng pháp BEMD 7.3.1 Lƣu đồ giải thuật
Hình 7.3: Lưu đồ giải thuật dung hợp bằng BEMD
7.3.2 Code chƣơng trình
% pesuedo-BEMD, clear all
file_name='image1.gif';
object=double(imread(file_name)); % image data size in one-dimension N=size(object,1);
M=size(object,2); TNM=8;
% decomposition in the vertical dimension for i=1:N,
Đọc file Ảnh ngõ vào 1 Đọc file Ảnh ngõ vào 2
BEMD theo chiều thứ 1 BEMD theo chiều thứ 1 BEMD theo chiều thứ 2 BEMD theo chiều thứ 2
Dung hợp các IMFs tƣơng ứng theo hai chiều
Dung hợp các IMFs tƣơng ứng theo hai chiều
Các IMFs của ảnh 1 Các IMFs của ảnh 2 Dung hợp các IMFs tƣơng ứng của hai ảnh
Tái cấu trúc các IMFs Ảnh dung hợp
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE temp=object(i,:); rslt=emd(temp); for j=1:TNM, rsltd1(i,:,j)=transpose(rslt(:,j)); end end
% decomposition in the horizental dimension for i=1:M, temp=object(:,i); rslt=emd2(temp); for j=1:TNM, rsltd2(:,i,j)=rslt(:,j); end end
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
7.4 Dung hợp bằng phƣơng pháp EEMD 7.4.1 Lƣu đồ giải thuật
Hình 7.4: Lưu đồ giải thuật dung hợp bằng EEMD
7.4.2 Code chƣơng trình
function allmode = eemd(Y,Nstd,NE,TNM) xsize=length(Y); dd=1:xsize; Đọc file Ảnh ngõ vào 1 𝑓1(𝑥, 𝑦) Vector hóa ảnh thành 𝑥1(𝑡) Đọc file Ảnh ngõ vào 1 𝑓2(𝑥, 𝑦) Vector hóa ảnh thành 𝑥2(𝑡) 𝑥𝑖(𝑡) = 𝑥1+ 𝑤𝑖(𝑡) Cộng nhiễu vào ảnh 𝑥𝑖(𝑡) = 𝑥2+ 𝑤𝑖(𝑡) Cộng nhiễu vào ảnh EMD EMD Tập hợp các IMFs của từng 𝑥𝑖(𝑡) Tập hợp các IMFs của từng 𝑥𝑖(𝑡)
Lấy trung bình của các IMFs tƣơng ứng (adsbygoogle = window.adsbygoogle || []).push({});
Lấy trung bình của các IMFs tƣơng ứng
Ma trận gồm các cột là các IMFs Ma trận gồm các cột là các IMFs
Dung hợp các IMFs tƣơng ứng
Tái cấu trúc các IMFs
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
Ystd=std(Y); % Standard deviatation of a vector Y=Y/Ystd;
% Initialize saved data TNM2=TNM+2; for kk=1:TNM2, for ii=1:xsize, allmode(ii,kk)=0.0; end end for ii=1:NE,
% adding noise, as the same data but will be added different noises to % generate different ensemble members
for i=1:xsize,
temp=randn(1,1)*Nstd; % 'randn(n,m)' returns an n-by-m matrix
containing pseudorandom values drawn from the standard normal distribution.
X1(i)=Y(i)+temp; X2(i)=Y(i)-temp; end % Sifting X1 xorigin = X1; xend = xorigin;
% Save the initial data into the first column for jj=1:xsize, mode(jj,1) = xorigin(jj); end nmode = 1; while nmode <= TNM, xstart = xend; iter = 1; while iter<=5, [spmax, spmin]=extrema(xstart); upper= spline(spmax(:,1),spmax(:,2),dd); lower= spline(spmin(:,1),spmin(:,2),dd); mean_ul = (upper + lower)/2;
xstart = xstart - mean_ul; iter = iter +1;
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
end end
% save the trend for jj=1:1:xsize,
mode(jj,nmode+1)=xend(jj); end
% add mode to the sum of modes from earlier ensemble members allmode=allmode+mode;
% sifting X2 xorigin = X2; xend = xorigin;
% save the initial data into the first column for jj=1:1:xsize, mode(jj,1) = xorigin(jj); end nmode = 1; while nmode <= TNM, xstart = xend; iter = 1; while iter<=5, [spmax, spmin]=extrema(xstart); upper= spline(spmax(:,1),spmax(:,2),dd); lower= spline(spmin(:,1),spmin(:,2),dd); mean_ul = (upper + lower)/2;
xstart = xstart - mean_ul; iter = iter +1;
end
xend = xend - xstart; nmode=nmode+1; % save a mode for jj=1:1:xsize, mode(jj,nmode) = xstart(jj); end end
% save the trend for jj=1:1:xsize,
mode(jj,nmode+1)=xend(jj); end
% add mode to the sum of modes from earlier ensemble members allmode=allmode+mode;
end (adsbygoogle = window.adsbygoogle || []).push({});
allmode=allmode/NE; allmode=allmode*Ystd;
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
end
7.5 Dung hợp bằng phƣơng pháp EBEMD 7.5.1 Lƣu đồ giải thuật
Hình 7.5: Lưu đồ giải thuật dung hợp bằng EBEMD
7.5.2 Code chƣơng trình
clear;
Đọc file Ảnh ngõ vào 1 𝑓1(𝑥, 𝑦) Đọc file Ảnh ngõ vào 1 𝑓2(𝑥, 𝑦)
Truy xuất ảnh theo từng hàng và áp dụng EEMD lên các hàng của
ảnh
Truy xuất ảnh theo từng hàng và áp dụng EEMD lên các hàng của
ảnh
Sử dụng sơ đồ chiến lƣợc để sắp xếp lại các IMFs thành các khối
ma trận tƣơng ứng Sử dụng sơ đồ chiến lƣợc để sắp
xếp lại các IMFs thành các ma trận tƣơng ứng
Truy xuất các cột của các khối ma trận và lần lƣợt áp dụng EEMD
lên các cột đó Truy xuất các cột của các khối ma
trận và lần lƣợt áp dụng EEMD lên các cột đó
Sắp xếp lại các IMFs theo sơ đồ chiến
Sắp xếp lại các IMFs theo sơ đồ chiến Kết hợp các khối ma trận thành khối thống nhất Kết hợp các khối ma trận thành khối thống nhất Dung hợp các IMFs Ảnh dung hợp
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
% specify ensemble number nesb=100;
% decomposition in the first dimension and arrange the output for i=1:N, temp=lena2(i,:); rslt=eemd(temp,0.2,nesb,4); for j=1:N, for k=1:5, rsltd1(i,j,k)=rslt(j,k+1); end end end
% decomposition in the second direction for k=1:5, for j=1:N, temp2=rsltd1(:,j,k); rslt=eemd(temp2,0.2,nesb,4); for i=1:N, for kk=1:5, rslt2d(i,j,k,kk)=rslt(i,kk+1); end end end end % combine modes for i=1:N for j=1:N, for m=1:5, rsltf(i,j,m)=0; for k=m:5, rsltf(i,j,m)=rsltf(i,j,m)+rslt2d(i,j,k,m); rsltf(i,j,m)=rsltf(i,j,m)+rslt2d(i,j,m,k); end
LUẬN VĂN TỐT NGHIỆP CHƢƠNG 7 LƢU ĐỒ GIẢI THUẬT VÀ CODE
rsltf(i,j,m)=rsltf(i,j,m)-rslt2d(i,j,m,m); end
end end
LUẬN VĂN TỐT NGHIỆP TÀI LIỆU THAM KHẢO
TÀI LIỆU THAM KHẢO
[1] Niclas Börlin niclas. (2009). Image Analysis Wavelets and Multiresolution Processiing. 1-6 (adsbygoogle = window.adsbygoogle || []).push({});
[2] V.Srinivasa rao, Dr P.Rajesh Kumar, G.V.H.Prasad, M.Prema Kumar, S.Ravichand. (2010). Discrete Cosine Transform Vs Discrete Wavelet Transform: An Objective Comparison of Image Compression Techniques for JPEG Encoder. 87-90.
[3] Ali Al-Haj. (2007). Journal of Computer Science. Combined DWT-DCT Digital Image Watermarking. 740-746.
[4] Sabine Süsstrunk, Clément Fredembach, Daniel Tamburrino. (2010). Automatic Skin Enhancement with Visible and Near-Infrared Image Fusion.1-4
[5] M. K. Bhowmik, D. Bhattacharjee, M. Nasipuri, D. K. Basu & M. Kundu.