阳谷网站开发,搜索引擎优化课程,网站的统计代码,手机网站 微信链接怎么做#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️ 博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。 ⛳️座右铭行百里者半于九十。 本文目录如下 目录 1 概述 2 运行结果 3 参考文献 4 Matlab代码实现 1 概述
文献来源 1992年班贝格和史密斯提出了定向滤波器组DFB用于2D信号的有效定向分解。由于系统的不可分离性将DFB扩展到更高的维度同时仍保留其吸引人的功能是一个具有挑战性且以前未解决的问题。我们提出了一个名为NDFB的新滤波器组系列它可以通过简单高效的树形结构实现任意N维Nges2信号的定向分解。在三维中所提出的NDFB的理想通带是基于矩形的金字塔从原点向不同方向辐射并平铺整个频率空间。所提出的NDFB通过N-D冗余因子为N的迭代滤波器组实现了完美的重构。所提出的NDFB的角分辨率可以通过简单的展开规则调用更多级别的分解来迭代细化。通过将NDFB与新的多尺度金字塔相结合我们提出了表面变换可用于在多维数据中有效地捕获和表示类似表面的奇点
原文摘要
Abstract:
In 1992, Bamberger and Smith proposed the directional filter bank (DFB) for an efficient directional decomposition of 2-D signals. Due to the nonseparable nature of the system, extending the DFB to higher dimensions while still retaining its attractive features is a challenging and previously unsolved problem. We propose a new family of filter banks, named NDFB, that can achieve the directional decomposition of arbitrary N-dimensional (Nges2) signals with a simple and efficient tree-structured construction. In 3-D, the ideal passbands of the proposed NDFB are rectangular-based pyramids radiating out from the origin at different orientations and tiling the entire frequency space. The proposed NDFB achieves perfect reconstruction via an iterated filter bank with a redundancy factor of N in N-D. The angular resolution of the proposed NDFB can be iteratively refined by invoking more levels of decomposition through a simple expansion rule. By combining the NDFB with a new multiscale pyramid, we propose the surfacelet transform, which can be used to efficiently capture and represent surface-like singularities in multidimensional data
随着现代计算机和成像设备功能的增长高分辨率 3D 甚至更高维度的体积数据越来越多地用于广泛的应用包括生物医学成像、地震成像、河外天文学、计算机视觉以及视频处理和压缩。为了有效地分析和表示如此大量的数据我们需要创建和使用来自各个工程领域的新工具包括信号处理。在本文中我们提出了一套新的工具即N-维度定向滤波器组 NDFB 和表面可以捕获和表示位于光滑表面上的信号奇异点。这种奇点通常在3D医学图像中观察到其中图像大多是平滑的除了在某些边界表面上以及在视频信号中移动物体在3-D空间/时间空间中雕刻出光滑的表面。
对于2-D信号沿着平滑曲线捕获奇点的类似问题已经得到了广泛的研究。在不声称详尽无遗的情况下我们想举几个例子包括可操纵金字塔 [1]、定向滤波器组 [2]、二维定向小波 [2]、曲线 [3]、复杂小波 [4]、[5]、轮廓 [6]、带状 [7] 和剪切 [8]。在所有这些二维表示中我们特别感兴趣的一种方法是定向滤波器组DFB它最初由班贝格和史密斯[2]提出随后由几位作者[2]-[10]改进。德国足协通过l-级树结构分解导致2l具有楔形频率分区的子带如图1a所示。同时DFB是一种非冗余变换并提供完美的重建即原始信号可以从其抽取的通道中精确重建。DFB的方向选择性和高效结构使其成为许多图像处理应用的有吸引力的候选者。通过将DFB与拉普拉斯金字塔相结合Do和Vetterli [7]构建了轮廓为稀疏图像表示提供了定向多分辨率变换。 2 运行结果 部分代码
%% We add Gaussian noise to the video sequence disp( ); disp(Step 2: Add white Gaussian noise to the sequence.); sigma 20; % standard deviation Xn double(X) sigma * randn(size(X)); r input(Press enter to play the noisy sequence ...); PlayImageSequence(uint8(Xn));
%% Surfacelet Denoising disp( ); disp(Step 3: Apply surfacelet transform on the noisy sequence and hard-threshold the coefficients); r input(Press enter to continue ...);
disp( ); disp(Processing ...);
Pyr_mode 1.5; % For better performance, choose Pyr_mode 1. However, this setting requires more RAMs. Xd surfacelet_denoising_3D(Xn, Pyr_mode, sigma); Xd(Xd 255) 255; Xd(Xd 0) 0; disp(Done!); disp( ); r input(Press enter to show the denoised sequence ...); skip 10; % To exclude the boundary effect PlayImageSequence(uint8(Xd(:,:, skip1 : end - skip)));
% Plot the frame-by-frame PSNR values PSNR_surf zeros(size(Xd, 3) - 2 * skip, 1); for n skip1 : size(Xd, 3) - skip PSNR_surf(n - skip) PSNR(double(X(:,:, n)), Xd(:,:,n)); end
figure plot([(skip1) : (size(Xd, 3) - skip)], PSNR_surf); axis tight; title([Average PSNR num2str(mean(PSNR_surf))], FontSize, 12); xlabel(Frame Number, FontSize, 12); ylabel(PSNR (dB), FontSize, 12);
3 参考文献 文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。 Multidimensional Directional Filter Banks and Surfacelets | IEEE Journals Magazine | IEEE Xplore
4 Matlab代码实现
