|
(1.26)), полученными для разных тестовых изображений и пример которых приведен в таблице 1.1. В результате экспериментов также выявлено, что изменения СКО при разных типах вейвлетов остаются такими же и пропорциональны интенсивности мультипликативного шума. Данный факт иллюстрируется рисунком 1.16, полученным по данным для нормального, экспоненциального и гамма распределений. Значительно большое влияние на величину СКО, как видно из рисунка 1.17, оказывает текстура изображений. Изображене «Лодка» (рисунок 1.9) относится к изображениям с кусочно-регулярной текстурой, содержащими большие сегменты с примерно одинаковой яркостью. Несмотря на действие мультипликативного шума, разрушающего такие структуры, более гомогенные изображения дают меньшее СКО, чем гетерогенные изображения типа «Город» (рисунок 1.11). Таким образом, из результатов статистического моделирования следует, что применение пороговой обработки вейвлет-коэффициентов при сжатии зашумленных данных будет сопровождаться слабой зависимостью от вида закона распределения мультипликативного шума и типа вейвлета, но эффективность в большей степени зависит от типа пороговой обработки (величины порога) и класса изображения (его текстурированности). Имеет смысл определить также место вейвлет-фильтрации среди методов и алгоритмов пространственной фильтрации, описанных выше. Сравнительная характеристика рассмотренных выше методов пороговой вейвлет-обработки и локальных адаптивных фильтров минимума СКО представлена в таблица 1.2. Данные получены для экспоненциального мультипликативного шума, искажающего изображение «Лена». Зависимости изменений СКО и ПОСШ от интенсивности экспоненциального мультипликативного шума при разных способах обработки помещены на рисунке 1.18. Из таблицы 1. 2 и рисунка 1.18 видно, что наилучшее шумоподавление достигается при использовании фильтров Винера (1.36), Ли (1.32) и грубой пороговой обработки (1.37) вейвлеткоэффициентов. 46 |
таблицы с другими объективными показателями качества (соотношениями (1.1.11), (1.1.12), (1.1.6) — (1.1.8)), полученными для разных тестовых изображений и пример которых приведен в табл. 1.2.1. В результате экспериментов также выявлено, что изменения СКО при разных типах вейвлетов остаются такими же и пропорциональны интенсивности мультипликативного шума. Данный факт иллюстрируется рис. 1.2.18, полученным по данным для нормального, экспоненциального и гамма распределений. Значительно большое влияние на величину СКО, как видно из рис. 12.19, оказывает текстура изображений. Изображения «Лена» (рис. 1.2.7), «Лодка» (рис. 1.2.8) относятся к изображениям с кусочно-регулярной текстурой, содержащими большие сегменты с примерно одинаковой яркостью. Несмотря на действие мультипликативного шума, разрушающего такие структуры, более гомогенные изображения дают меньшее СКО, чем гетерогенные изображения типа «Город» (рис.1.2.12). Таким образом, из результатов статистического моделирования следует, что применение пороговой обработки вейвлет-коэффициентов при сжатии зашумленных данных будет сопровождаться слабой зависимостью от вида закона распределения мультипликативного шума и типа вейвлета, но эффективность в большей степени зависит от типа пороговой обработки (величины порога) и класса изображения (его текстурированности). ч I 5 8 Имеет смысл определить также место вейвлет-фильтрации среди методов и алгоритмов пространственной фильтрации, описанных выше. Сравнительная характеристика рассмотренных выше методов пороговой вейвлет-обработки и локальных адаптивных фильтров по критерию минимума СКО представлена в табл.1!2.2. Данные получены для экспоненциального мультипликативного шума, искажающего изображение «Лена». Зависимости изменений СКО и ПОСШ от интенсивности экспоненциального мультипликативного шума при разных способах обработки помещены на рис. 1.2.20. Из табл. 1.2.2 и рис. 1.2.20 видно, что наилучшее шумоподавление достигается при использовании фильтров Винера (1.2.12), Ли (1.2.8) и грубой пороговой обработки (1.2.13) вейвлет-коэффициентов. Табл. 1.2.2. 6 3 Фильтр Значения СКО Дисперсия шума Ощ 40,53 121,24 222,72 344,26 497,33 662,36 862,95 1088,7 1339,6 16252 Медианный фильтр (окно 3x3) 24,483 51,196 95,951 155,73 226,63 316,08 421,5 532,02 665,88 820,54 Медианный фильтр (8x8) 126,21 143,78 174,83 215,25 266,98 330,77 405,13 491,17 593,94 716,25 Фильтр Винера (3x3) 11,1 36,358 76,074 130,43 199,61 282,64 382,7 496,45 626,21 783,34 Фильтр Винера (8x8) 17,841 30,987 53,55 85,418 132,78 196,46 274,44 376,28 489,54 624,9 Фильтр Куана 78,937 95,639 114,26 148,09 190,54 239,39 304,52 391,06 482,7 599,37 Фильтр Ли 107,54 118,81 134,04 164,67 197,72 239,86 291,68 369,43 446,66 544,94 Вейвлетфильтрация («жесткий» порог) 18,732 33,922 54,618 86,2 124,03 170,44 228,43 299,1 376,77 479,47 Вейвлетфильтрация («мягкий» порог) 25,256 75,652 136,64 229,67 321,35 422,54 545,64 675,4 824,92 1001,1 |