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
—