Доказать последнее утверждение аналитически не удается из-за сложности учета множества факторов. В таких случаях можно использовать в качестве доказательства имитационное моделирование. Для решения поставленной задачи было проведено имитационное моделирование на ЭВМ с целью выявления эффективности обработки вышеуказанными алгоритмами изображений, искаженных мультипликативным шумом с различными плотностями вероятностей. На первом этапе исследований был получен алгоритм для обнаружения участков изображения с определенным типом текстуры при действии шума, который использует коэффициенты вариации, вычисляемые в пределах локальных окон. Данный алгоритм подробно излагается в гл.2 диссертации. Затем для каждого найденного таким образом сегмента выдвигалась и проверялась гипотеза по критерию %2 о виде закона распределения шума. В эксперименте использовались нормальное, экспоненциальное и гамма распределения. После определения вида закона распределения оценивались его параметры, а также находились оценки математического ожидания и дисперсии шума в каждом сегменте. Для различных комбинаций вышеуказанных параметров, то есть параметров вида текстуры и шума определялись алгоритмы фильтрации, обеспечивающие наибольшую эффективность в смысле пикового отношения сигнал/шум (ПОСШ) и минимума величины среднеквадратической ошибки оценивания (СКО). Таким образом, в результате проведенных экспериментов была составлена база данных, таблицы которой содержат числовые параметры алгоритмов фильтрации, соответствующих различным комбинациям параметров текстур и шума. Собственно алгоритм фильтрации заключается в анализе текстуры изображения, выделения сегментов одинаковой текстурой (то естьс V/ классификации точек), определения закона распределения вероятностей шума в сегментах и оценивании параметров найденного закона распределения шума, по которым из таблиц выбирается соответствующий метод обработки. Пример составления таблиц для случая вейвлет-фильтрации приведен в таблице 1.5. Величины порогов вычислялись по методу VisuShrink. 58 |
Доказать последнее утверждение аналитически не удается из-за сложности учета множества факторов. В таких случаях можно использовать в качестве доказательства имитационное моделирование. * Для решения поставленной задачи было проведено имитационное моделирование на ЭВМ с целью выявления эффективности обработки вышеуказанными алгоритмами изображений, искаженных мультипликативным Г шумом с различными плотностями вероятностей. На первом этапе исследований был получен алгоритм для обнаружения участков изображения с определенным типом текстуры при действии шума, который использует коэффициенты вариации, вычисляемые в пределах локальных окон. Данный алгоритм подробно излагается в гл.2 диссертации. Затем для каждого найденного таким образом сегмента выдвигалась и проверялась гипотеза по критерию х о виде закона распределения шума. В эксперименте использовались нормальное, экспоненциальное и гамма распределения. После определения вида закона распределения оценивались его параметры, а также находились оценки математического ожидания и дисперсии шума в каждом сегменте. Для различных комбинаций вышеуказанных параметров, то есть параметров вида текстуры и шума определялись алгоритмы фильтрации, обеспечивающие наибольшую эффективность в смысле пикового отношения сигнал/шум (ПОСШ) и минимума величины среднеквадратической ошибки оценивания (СКО). Таким образом, в результате проведенных экспериментов была составлена база данных, таблицы которой содержат числовые параметры алгоритмов фильтрации, соответствующих различным комбинациям параметров текстур и шума. Собственно алгоритм фильтрации заключается в анализе текстуры изображения, выделения сегментов с одинаковой текстурой (то есть классификации точек), определения закона распределения вероятностей шума в сегментах и оценивании параметров найденного закона распределения шума, по которым из таблиц выбирается соответствующий -71 |