Методы, базирующиеся на использовании различий характеристик изображения и шума в области пространственного спектра

Оптимальное приближение дерева отображает иерархическую интерпретацию вейвлет-разложения. Таким образом, если коэффициент вейвлета имеет сильное присутствие на определенном узле, то в случае его сигнала его присутствие должно быть более выраженным у его родительских узлов. Если это ложное срабатывание, то такое постоянное присутствие будет отсутствовать. Отслеживаемые вейвлет-локальные максимумы в масштабном пространстве, используя древовидную структуру. б. Статистическое моделирование коэффициентов вейвлета.

Этот подход фокусируется на некоторых более интересных и привлекательных свойствах Вейвлет-преобразования, таких как многомасштабная корреляция между вейвлет-коэффициентами, локальная корреляция между коэффициентами соседства и т. д. Этот подход имеет неотъемлемую цель совершенствования точного моделирования данных изображения с использованием WaveletTransform. 3. Адаптивные преобразования данных.

Недавно получил широкое распространение новый метод под названием IndependentComponentAnalysis (ICA). Метод ICA был успешно реализован в [36, 37] при шумоподавлении негауссовых данных. Одна из исключительных достоинств использования ICA заключается в том, что это предположение о том, что сигнал является негауссовым, что помогает денатурировать изображения с негауссовым и гауссовским распределением. Недостатками методов на основе ICA по сравнению с методами, основанными на вейвлетах, являются вычислительные затраты, поскольку они используют скользящее окно, и для этого требуется выборка данных, свободных от шума, или по меньшей мере два кадра изображения той же сцены. В некоторых приложениях может быть трудно получить данные о бесплатной шумовой подготовке.

ЗАКЛЮЧЕНИЕ

Сравнительное исследование различных методов шумоподавления цифровых изображений показывает, что вейвлет-фильтры превосходят другие стандартные фильтры пространственных доменов. Хотя все пространственные фильтры хорошо работают на цифровых изображениях, но у них есть некоторые ограничения, связанные с ухудшением разрешения. Эти фильтры работают путем сглаживания, что приводит к размытию изображения. Вейвлет-преобразование лучше всего подходит для производительности из-за его свойств, таких как разреженность, множественное разрешение и многомасштабирование. Методы порогового значения, используемые с дискретнымвейвлетом, просты в реализации.

Список использованных источников

.

Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения. — Успехи физических наук, 1996, т.166, № 11, стр. 1145−1170.

Дьяконов В., Абраменкова И. MATLAB. Обработка сигналов и изображений. Специальный справочник. — СПб.: Питер, 2002, 608 с.Илюшин. Теория и применение вейвлет-анализа. — 

http://atm563.phus.msu.su/Ilyushin/index.htm.Р. Гонсалес, Р. Вудс Цифровая обработка изображений. М.: Техносфера, 2005.

Блаттер К. Вейвлет-анализ. Основытеории.// - М. — Техносфера. — 2006, — 279с.