Пороги для вейвлета 2D использование стратегия Birgé-Massart
[THR,NKEEP] = wdcbm2(C,S,ALPHA,M)
wdcbm2(C,S,ALPHA)
wdcbm2(C,S,ALPHA,prod(S(1,:)))
[THR,NKEEP] = wdcbm2(C,S,ALPHA,M) возвращает зависимые уровнем пороги THR и количества коэффициентов, которые будут сохранены NKEEP, для шумоподавления или сжатия. THR получен, использовав содействующее правило выбора вейвлета на основе стратегии Birgé-Massart.
[C,S] структура разложения вейвлета изображения, чтобы быть de-noised или сжатый, на уровне j = size(S,1)-2.
ALPHA и M должны быть вещественные числа, больше, чем 1.
THR матрица 3 j; THR(:,i) содержит зависимые пороги уровня в этих трех ориентациях: горизонталь, диагональ, и вертикальный, для уровня i.
NKEEP вектор из длины j; NKEEP(i) содержит количество коэффициентов, которые будут сохранены на уровне i.
j, M и ALPHA задайте стратегию:
На уровне j+1 (и более грубые уровни), все сохранено.
Для уровня i от 1 до j, ni самые большие коэффициенты сохранены с ni = M / (j+2-i) ALPHA.
Обычно ALPHA = 1.5 для сжатия и ALPHA = 3 для шумоподавления.
Значение по умолчанию для M M = prod(S(1,:)), длина самых грубых коэффициентов приближения, поскольку предыдущая формула ведет поскольку i = j+1 к nj+1 = M = prod(S(1,:)).
Рекомендуемые значения для M от prod(S(1,:)) к 6*prod(S(1,:)).
wdcbm2(C,S,ALPHA) эквивалентно wdcbm2(C,S,ALPHA,prod(S(1,:))).
% Load original image.
load detfingr;
nbc = size(map,1);
% Perform a wavelet decomposition of the image
% at level 3 using sym4.
wname = 'sym4'; lev = 3;
[c,s] = wavedec2(X,lev,wname);
% Use wdcbm2 for selecting level dependent thresholds
% for image compression using the adviced parameters.
alpha = 1.5; m = 2.7*prod(s(1,:));
[thr,nkeep] = wdcbm2(c,s,alpha,m)
thr =
21.4814 46.8354 40.7907
21.4814 46.8354 40.7907
21.4814 46.8354 40.7907
nkeep =
624 961 1765
% Use wdencmp for compressing the image using the above
% thresholds with hard thresholding.
[xd,cxd,sxd,perf0,perfl2] = ...
wdencmp('lvd',c,s,wname,lev,thr,'h');
% Plot original and compressed images.
colormap(pink(nbc));
subplot(221), image(wcodemat(X,nbc)),
title('Original image')
subplot(222), image(wcodemat(xd,nbc)),
title('Compressed image')
xlab1 = ['2-norm rec.: ',num2str(perfl2)];
xlab2 = [' % -- zero cfs: ',num2str(perf0), ' %'];
xlabel([xlab1 xlab2]);
Birgé, Л.; П. Мэссарт (1997). “От выбора модели до адаптивной оценки”, в Д. Полларде (редактор), Festchrift для Ль. Ле Кама, Спрингера, стр 55–88.