WaveletsandFilterBanks20127.pptVIP

* * * * * * * * B1 B1 Bk 选择 1: 变换域 – 独立的子带 Mk(y; pk) (BTB)-1 B1 B1 BTk B1 B1 Bk (BTB)-1 B1 B1 BTk B1 B1 Bk (BTB)-1 B1 B1 BTk B1 B1 Bk (BTB)-1 B1 B1 BTk 选择 2: 空间域 – 独立的子带 Mk(y; pk) B1 B1 Bk (BTB)-1 B1 B1 BTk B1 B1 Bk (BTB)-1 B1 B1 BTk 选择 3: 空间域 – 混合子带 Mk(y; pk) MF， UDWT 8x8 (i,i) 子带, i=1..4, ?=20 Option 1 Option 2 Option 3 三种方法的比较 DWT, sigma=20. UDWT ?=10 UDWT ?=20 8x8 UDCT ?=10 量化级别的影响 8x8 UDCT ?=10 变换的影响 ?=10 训练图像的影响 MFs for UDCT 8x8 (i,i) bands, i=2..6. ?=5 ?=10 ?=15 ?=20 噪声方差的影响 观察: 不同方差得到的 MF可以用下式拟合： 噪声方差的影响 Comparison between M20(v) and 0.5M10(2v) for basis [2:4]X[2:4] 与 BLS-GSM的比较 （Bayesian Least SquaresGaussian Scale Mixture） 与 BLS-GSM的比较 （Bayesian Least SquaresGaussian Scale Mixture） 其他降质模型 JPEG 失真去除 JPEG失真去除 图像锐化 图像锐化 结论 在冗余变换下的去噪 MF是经过训练的。 非线性优化的线性化。 很容易能够适应于各种复杂的退化模型。 线性逆问题的数学结果 An iterative thresholding algorithm for linear　inverse problems with a　sparsity constraint Ingrid Daubechies， Michel Defrise， Christine De Mol ２００６，　六月　　　　 线性逆问题的一般模型 一般的规整化策略 基于稀疏约束的规整化 特殊情况 软阈值 求解方法 特殊情况： 特殊情况 Ｐ＞１ Ｐ＝１ 强收敛性 解的稳定性　 下面是不同的正交基压缩的结果 Haar db fourier Haar db fourier 另一个侧面：消失矩 小波的第m阶矩 如果小波前M阶矩为零，那么所有具有如下多项式形式的信号的小波系数为零。 这为什么重要呢？因为，如果我们使用具有足够高的消失矩的小波，那么低于该消失矩的多项式的小波系数都为零，能够达到很好的压缩效果。 所有的信号在平滑部分都能够写成多项式（Taylor展开） 这是小波能够成功压缩的原因。 为什么能够有效？(II)无条件基 小波的一个很重要的特点是可以成为一个无条件基，不光是在 L2, 还可以在更广泛的一类平滑空间中，如 Sobolev 和 H?lder 类. 因此， “收缩” 目标的小波系数（用软阈值）就是做一个平滑运算。 Fourier 基没有这类性质。 空间自适应收缩算法 全局一致的收缩参数虽然从理论上来看，误差风险和最小风险之间的量级基本相同，但是效果并不理想； 主要原因在于不同的点上小波系数的方差是变化的 一个点的Wiener滤波（信号和噪声都是高斯模型）： 问题： 能不能在信号的小波变换域估计局部信号方差？ 可以。（M. Vettelli) 滤波流程 Variance estimation = max(0, SlY2(l) - sn2) w w ^ Wiener filtering X(k) = +sn2 Y(k) ^ s 2(k) s ^ 2(k) ^ sm2(k) ^ ^ s ^ 2(k) sm2(k) ^ = arg min Var sm2(k) ^ 滤波结果 Donoho’s hard thresholding sn=25, PSNR = 26.34 dB 局部自适应 sn=25, PSNR = 29.84 dB 上下文相关的局部模型 M. Vettelli 将其局部化参数进一步改进： 思想是：在一个点的邻域内，有可能存在大量和当前点不属于同一类的点，放在一起来估计当前点的方差会造成较大的误差。 怎么衡量点之间的相似性