Вейвлет изображения шумоподавления
обозначает изображение в полутоновом или RGB IMDEN
= wdenoise2(IM
)IM
с использованием эмпирического байесовского метода. The bior4.4
вейвлет используют с апостериорным медианным пороговым правилом. Шумоподавлением сведено к минимуму floor(log2([M N]))
и wmaxlev([M N],'bior4.4')
где M
и N
- размеры строк и столбцов изображения. IMDEN
является деноизированной версией IM
.
Для изображений RGB, по умолчанию, wdenoise2
проецирует изображение на цветовое пространство анализа основных компонентов (PCA) перед шумоподавлением. Чтобы денонсировать изображение RGB в исходном цветовом пространстве, используйте ColorSpace
Пара "имя-значение".
деноидирует изображение IMDEN
= wdenoise2(IM
,LEVEL
)IM
до уровня разрешения LEVEL
. LEVEL
- положительное целое число, меньше или равное floor(log2(min([M N])))
где M
и N
- размеры строк и столбцов изображения. Если не задано, LEVEL
по умолчанию является минимальным floor(log2(min([M N])))
и wmaxlev([M N],wname)
где wname - используемый вейвлет ('bior4.4'
по умолчанию).
[
возвращает масштабирующие и деноизированные коэффициенты вейвлета в IMDEN
,DENOISEDCFS
] = wdenoise2(___)DENOISEDCFS
использование любого из предыдущих синтаксисов.
[
возвращает коэффициенты масштабирования и вейвлета входа изображения в IMDEN
,DENOISEDCFS
,ORIGCFS
] = wdenoise2(___)ORIGCFS
использование любого из предыдущих синтаксисов.
[
возвращает размеры коэффициентов приближения в самой грубой шкале вместе с размерами коэффициентов вейвлета во всех шкалах. IMDEN
,DENOISEDCFS
,ORIGCFS
,S
] = wdenoise2(___)S
является матрицей с той же структурой, что и S
выхода wavedec2
.
[
возвращает сдвиги вдоль строки и столбца размерностей для вращений цикла. IMDEN
,DENOISEDCFS
,ORIGCFS
,S
,SHIFTS
] = wdenoise2(___)SHIFTS
2-by- (нумерация + 1)2
матрица, где каждый столбец SHIFTS
содержит сдвиги по размерности строки и столбца, используемые в циклическом вращении и numshifts
- значение CycleSpinning
.
[___] = wdenoise2(___,
возвращает деноизированное изображение с дополнительными опциями, заданными одним или несколькими Name,Value
)Name,Value
аргументы в виде пар, с использованием любого из предыдущих синтаксисов.
wdenoise2(___)
без выходных аргументов строит графики оригинального изображения вместе с деноизмененным изображением на текущем рисунке.
[1] Абрамович, Ф., Я. Бенджамини, Д. Л. Донохо, и И. М. Джонстон. «Адаптация к неизвестной разреженности путем управления частотой ложного обнаружения». Annals of Statistics, Vol. 34, Number 2, pp. 584-653, 2006.
[2] Antoniadis, A., and G. Oppenheim, eds. Вейвлеты и статистика. Лекции по статистике. Нью-Йорк: Springer Verlag, 1995.
[3] Donoho, D. L. «Progress in Wavelet Analysis and WVD: A Ten Minute Tour». Прогресс в области Wavelet Analysis and Applications (Y. Meyer, and S. Roques, eds.). Gif-sur-Yvette: Editions Frontiéres, 1993.
[4] Donoho, D. L., I. M. Johnstone. Идеальная пространственная адаптация методом усадки вейвлет. Биометрика, том 81, стр. 425-455, 1994.
[5] Donoho, D. L. «De-noising by Soft-Thresholding». Транзакции IEEE по теории информации, том 42, № 3, стр. 613-627, 1995.
[6] Donoho, D. L., I. M. Johnstone, G. Kerkyacharian, and D. Picard. «Усадка вейвлет: асимптопия?» Журнал Королевского статистического общества, серия B, том 57, № 2, стр. 301 - 369, 1995.
[7] Джонстон, И. М. и Б. У. Сильверман. «Иглы и солома в стогах сена: эмпирические оценки Байеса возможных разреженных последовательностей». Анналы статистики, том 32, № 4, стр. 1594 - 1649, 2004.