Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "filtracja szumów" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Zastosowanie metod regularyzacji do filtracji zakłóceń pomiarowych rejestrowanych obrazów
Application of regularization methods to picture reconstruction
Autorzy:
Iwaniec, J.
Powiązania:
https://bibliotekanauki.pl/articles/156491.pdf
Data publikacji:
2011
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
filtracja szumów
rekonstrukcja obrazu
regularyzacja
noise reduction
picture reconstruction
regularization
Opis:
Praca dotyczy zagadnienia redukcji szumów pomiarowych obrazów z zastosowaniem metod regularyzacji. W pracy przedstawiono rezultaty filtracji obrazu testowego (16×16 pikseli) przeprowadzonej przy użyciu metody regularyzacji Tichonowa, TSVD, DSVD oraz ME [1, 3]. Do rekonstrukcji obrazów o dużych rozmiarach zastosowano sformułowaną i zaimplementowaną przez autorkę iteracyjną przybliżoną metodę filtracji obrazów opartą o metody regularyzacji. Wykazano przydatność sformułowanych metod w przypadku obrazów, których rekonstrukcja nie jest możliwa do przeprowadzenia innymi metodami ze względu na zbyt dużą utratę informacji spowodowaną nałożeniem szumów.
In practical applications of signal processing, the problem of picture reconstruction on the basis of a recorded noisy picture is frequently encountered. Such a problem is an inverse, ill-posed problem (Fig. 1), which means that even small disturbances of the recorded picture have significant influence on the accuracy of picture reconstruction. Therefore, in this paper, for the purposes of pictures noise reduction, regularization methods were used. Noisy pictures were filtered by means of the Tikhonov regularisation [1, 3], Truncated SVD (TSVD) [1, 3], Damped SVD (DSVD) [1,3] and Maximal Entropy (ME) [1,3] methods. Noise reduction of the test picture of dimensions 16×16 pixels was carried out by means of the algorithm (Fig. 2) requiring decomposing matrix modelling noise into singular values, which, in case of pictures of significant dimensions, requires significant computational effort. Therefore, for the purposes of regularization of pictures of significant dimensions (512×512 pixels) the iterative approximate method (Fig. 3) formulated by the author was used. The method idea consists in application of the selected regularization method to regularization of the issue (1), where [A1(k)] is a matrix consisted of elements lying in the vicinity of the matrix [A] main diagonal, corresponding to the kth part of the considered picture written in the form of vector (Fig. 3). The obtained results prove that the formulated and implemented methods can be used for noise reduction of pictures, the reconstruction of which is impossible to carry out by means of other methods because of the excessive loss of information resulting from imposed noise.
Źródło:
Pomiary Automatyka Kontrola; 2011, R. 57, nr 1, 1; 86-89
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Handling class label noise in medical pattern classification systems
Autorzy:
Sáez, J. A.
Krawczyk, B.
Woźniak, M.
Powiązania:
https://bibliotekanauki.pl/articles/333813.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
Tematy:
machine learning
pattern classification
class noise
noise filtering
decision support systems
uczenie maszynowe
klasyfikacja wzorców
filtracja zakłóceń
filtracja szumów
systemy wspomagania decyzji
Opis:
Pattern classification systems play an important role in medical decision support. They allow to automatize and speed-up the data analysis process, while being able to handle complex and massive amounts of information and discover new knowledge. However, their quality is based on the classification models built, which require a training set. In supervised classification we must supply class labels to each training sample, which is usually done by domain experts or some automatic systems. As both of these approaches cannot be deemed as flawless, there is a chance that the dataset is corrupted by class noise. In such a situation, class labels are wrongly assigned to objects, which may negatively affect the classifier training process and impair the classification performance. In this contribution, we analyze the usefulness of existing tools to deal with class noise, known as noise filtering methods, in the context of medical pattern classification. The experiments carried out on several real-world medical datasets prove the importance of noise filtering as a pre-processing step and its beneficial influence on the obtained classification accuracy.
Źródło:
Journal of Medical Informatics & Technologies; 2015, 24; 123-130
1642-6037
Pojawia się w:
Journal of Medical Informatics & Technologies
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies