при БВП, когда на каждом уровне изменяется масштаб. Если точность оценивания не будет выше по сравнению с традиционной пороговой обработкой, проводимой по всему изображению, то внедрение текстурно-зависимой обработки, требующей вычислительных затрат, теряет смысл. Для повышения точности оценивания ФФ учитывать априорную информацию виде закона распределенияо мультипликативного шума. Такая задача решается для РСА-изображений, для спекл-шума, и детально следующей главе. 2.3. Поиск оценок вейвлет-коэффициентов при неоднородной текстуре при обобщенном распределении Гаусса Обобщенное распределение Гаусса подходит для описания таких гистограмм, которые имеют симметричный унимодальный характер с изменяющимся эксцессом. Такие гистограммы вейвлет-коэффициентов наблюдается у изображений с кусочно-регулярными структурами типа «Лена», «Лодка», ИК-изображений и т.д. На рисунке 2.4 приведены гистограммы вейвлеткоэффициентов изображения «Лена», искаженного мультипликативным экспоненциальным шумом. Из рисунка 2.4 видно, что на нижних уровнях вейвлетпреобразования гистограммы коэффициентов представляют реализацию гауссовской плотности вероятности, а на верхних уровнях распределение Лапласа. Обобщенное распределение Гаусса случайной величины X с нулевым математическим ожиданием имеет вид [67, 72]: == ^Г^ехр{-(G<^)/; [ , -х <*<+-. р>0, (2.34) где а2 дисперсия, Р параметр, определяющий эксцесс для кривой распределения, при этом В(р(а) = Р . 0(Ж, i 2Г<1/ р) а Г(\!р) 116 |
коэффициентов ВЧ субполос при ВВП, когда на каждом уровне изменяется масштаб. Если точность оценивания не будет выше по сравнению с традиционной пороговой обработкой, проводимой по всему изображению, то внедрение текстурно-зависимой обработки, требующей вычислительных Ь затрат, теряет смысл. Для повышения точности оценивания параметров распределения Пирсона и оценок вейвлет-коэффициентов необходимо учитывать априорную информацию о виде закона распределения мультипликативного шума. Такая задача решается для РСА-изображений, для которых известны статистические модели спекл-шума, и детально обсуждается в следующей главе. 4.2.5. Поиск оценок вейвлет-коэффициентов при неоднородной текстуре при обобщенном распределении Гаусса. Обобщенное распределение Гаусса подходит для описания таких гистограмм, которые имеют симметричный унимодальный характер с изменяющимся эксцессом. Такие гистограммы вейвлет-коэффициентов наблюдается у изображений с кусочно-регулярными структурами типа «Лена», «Лодка», ИК-изображений и т.д. На рис.4.2.4 приведены гистограммы вейвлеткоэффициентов изображения «Лена», искаженного мультипликативным экспоненциальным шумом. Из рис.4.2.4 видно, что на нижних уровнях вейвлетпреобразования гистограммы коэффициентов представляют реализацию гауссовской плотности вероятности, а на верхних уровнях —распределениек Лапласа. Обобщенное распределение Гаусса случайной величины X с нулевым математическим ожиданием имеет вид /91, 109/: / A,(x) = 5(p,a)exp{-(G(p,a)x)3} , о о < х < + о о , р>0, (4.2.33) где сг дисперсия, р параметр, определяющий эксцесс для кривой распределения, при этом |