Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Skryté Markovovy stromy wavelet koeficientů

Identifikátory výsledku

  • Kód výsledku v 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>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Wavelet-Based Hidden Markov Trees for Noise Reduction

  • Popis výsledku v původním jazyce

    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.

  • Název v anglickém jazyce

    Wavelet-Based Hidden Markov Trees for Noise Reduction

  • Popis výsledku anglicky

    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.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JD - Využití počítačů, robotika a její aplikace

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2008

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

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

  • ISBN

    978-80-7080-692-0

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    10

  • Strana od-do

  • Název nakladatele

    Humusoft

  • Místo vydání

    Praha

  • Místo konání akce

    Praha

  • Datum konání akce

    11. 11. 2008

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku