Read more
Die Rauschunterdrückung und Optimierung von Ressourcen auf jeder Ebene der Lieferkette ist ein schwieriges Optimierungsproblem, vor allem, wenn die Wissensbasis aus großen Datensätzen generiert wird. Digitale Bildverarbeitung und Bilddatenwissenschaft sind die Hauptbereiche, in denen Optimierungsprobleme und verrauschte Datensätze aufgrund von Mutation, der Unsicherheit der Eingaben und der Vielseitigkeit der Natur auftreten. Der Rauschunterdrückungsalgorithmus bietet eine modulare Lösung für Optimierungsprobleme in der Bildverarbeitungsindustrie. Die vorgeschlagene Arbeit (HIPID: Hadoop Image Processing Interface Denoising), bei der MapReduce-Aufgaben mit In-Situ-Berechnungen arbeiten, bei denen sich die Berechnungen in Richtung der Daten bewegen, was die Ausführungszeit des wiederholten Kopierens von Daten reduziert. Die beabsichtigte Arbeit umfasst die Untersuchung von verteilten Systemen, Rauschunterdrückungstechniken in der Bildverarbeitung, um das Rauschen in Bildern durch einen adaptiven Filter mit der Optimierung zu reduzieren. Außerdem wird der Ansatz auf die HIPI-Umgebung angewendet, um die Ausführungszeit, den PSNR und den MSE von Bildern zu analysieren, um einen besseren PSNR-Wert für qualitative visuelle Ergebnisse zu erreichen.
About the author
Professor Nidhi Sharma obladaet bol'shim opytom w oblasti CSE i imeet horoshie publikacii w Elsevier. Professor Sachin Bagga imeet opyt raboty okolo 10 let i imeet publikacii w IEEE, Springer, Elsevier.
