Wavelet-Based Hidden Markov Trees for Noise Reduction

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60461373%3A22340%2F08%3A00020849" target="_blank" >RIV/60461373:22340/08:00020849 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

Wavelet-Based Hidden Markov Trees for Noise Reduction

Original language description

In the field of signal processing, the Discrete Wavelet Transform (DWT) has proved very useful for recovering signals from additive Gaussian noise by the means of wavelet thresholding. During this procedure, wavelet coefficients with small magnitudes areset to zero, however, usually without taking into account their mutual dependencies. The Hidden Markov Models (HMM) are designed to capture such dependencies by modelling the statistical properties of the coefficients. In this paper, we process a testing intensity image with added Gaussian noise. To compute the hidden Markov models parameters, we employ the iterative expectation-maximization (EM) training algorithm. The outcome of the training process is used for estimation of the noise-free image which is reconstructed from the recalculated wavelet coefficients. The above technique is compared with the NormalShrink method of adaptive threshold computation and outperforms this technique in our experiments.

Czech name

Skryté Markovovy stromy wavelet koeficientů

Czech description

V oblasti zpracování signálů se diskrétní wavelet transformace osvědčila mimojiné při odstraňování aditivního Gausovského šumu ze signálů využívaje techniku prahování wavelet koeficinetů. V rámci této techniky jsou koeficienty s nízkou absolutní hodnotouvynulovány bez ohledu na vzájemné závislosti, které mezi těmito koeficienty panují. Skryté Markovovy modely jsou navrženy pro modelování těchto závislostí pomocí statistických vlastností koeficientů. V tomto příspěvku pracujeme s pokusným intenzitním obrázkem s přidaným Gausovským šumem. Pro výpočet parametrů skrytých Markovových modelů používáme metodu maximální věrohodnosti. Modely s parametry pocházejícími z výsledků tohoto učícího procesu jsou poté použity pro odhad původního obrazu bez šumu pomocíwavelet rekonstrukce z upravených wavelet koeficientů. Tato popsaná metoda je porovnána s metodou NormalShrink pro prahování wavelet koeficinetů s adaptivním výpočtem prahu a v rámci našich experimentů se prokazuje jako úspěšnější.

Type

D - Article in proceedings

CEP classification

JD - Use of computers, robotics and its application

OECD FORD branch

—

Project

—

Continuities

Z - Vyzkumny zamer (s odkazem do CEZ)

Publication year

2008

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Article name in the collection

16th Annual Conf. Proc. Techn. Computing Prague 2008

ISBN

978-80-7080-692-0

ISSN

—

e-ISSN

—

Number of pages

10

Pages from-to

—

Publisher name

Humusoft

Place of publication

Praha

Event location

Praha

Event date

Nov 11, 2008

Type of event by nationality

EUR - Evropská akce

UT code for WoS article

—