تحقیق حذف نویز با استفاده از تبدیل موجک

توضیحات

عنوان: حذف نویز تصاویر پزشکی با استفاده از تبدیل موجک

• چکیده
• مقدمه                                                                                                                  
• حذف نویز در حوزه موجک با آستانه سراسری                                                                  
• دسته بندی نویزها                                                                                                   
•  مدل نویز اسپکل                                                                                                     
• فیلترهای متداول کاهش اسپکل                                                                                  
• بیشینه تحقیق                                                                                                         
•  کلاسیفایر SUnSAL                                                                                                            
•  تبدیل تترولت                                                                                                       
• روش پیشنهادی                                                                                                     
•  تحلیل کیفی                                                                                                         
• مدلیابی توزیع گوسین تعمیم یافته ضرایب وولت اولتراسوند                                              
• بحث و بررسی آستانه موجک                                                                                    
• نتیجه گیری

مقدمه

امروزه تبدیل موجک به یکی از مهمترین ابزارها در زمینه تحلیل های عددی و پردازش سیگنال و تصویر تبدیل شده است. با توجه به خواص تبدیل موجک، کارایی این تبدیل در حذف نویز نیز به اثبات رسیده است. هدف اصلی در حذف نویز این است که سیگنال بازسازی شده تا حد امکان به سیگنال اصلی نزدیک بوده و در عین حال خواصی اصلی سیگنال میزان همواری آن نیز حفظ شود. اولین گام های موثر در زمینه حذف نویز در حوزه موجک توسط دونوهو و جانستون با معرفی روش کاهش اندازه ضرایب موجک برداشته اند. در این روش ابتدا آستانه سراسری که برای تمام ضرایب موجک در زیر باندهای تبدیل مقداری واحد در نظر گرفته می شود محاسبه شده، سپس بر روی ضرایب تفصیل تبدیل موجک، عمل آستانه گذاری انجام می شود. بدین معنی که ضرایب کوچکتر از آستانه، صفر شده و ضرایب بزرگتر نیز بر طبق قانون آستانه گذاری تغییر می کند. قانون آستانه گذاری در روش پیشنهادی دونوهو می تواند آستانه گذار سخت یا نرم باشد. در آستانه گذار سخت، ضرایب با اندازه بزرگ تر از آستانه بدون تغییر باقی می ماند ولی در آستانه گذار نرم، از اندازه ضرایب بزرگ تر از آستانه، به مقدار آستانه کاسته می شود. این روش، هرچند بعضا سیگنالی بیش از حد هموار ایجاد می کند، ولی مقدمه ای بر توسعه بحث حذف نویز از سیگنال در دو زمینه بوده است. انجام تحقیق 

اولین زمینه شامل روش هایی برای به دست آوردن مقدار آستانه بهینه است. ازمهم ترین روش های این دسته، روش های shrink و HMT است. این روش ها، به صورت زیرباند وفقی هستند. بدین معنی که برای هر زیرباند تبدیل موجک سیگنال، آستانهای مجزا انتخاب می شود. آستانه در روش shrink با کمینه کردن تخمین نااریب ریسک اشتاین برای هر زیرباند به دست می آید که البته در این روش در حالت های تنک، به جای آستانه shrink از همان مقدار آستانه سراسری دونوهو استفاده می شود. روش HMT نیز با استفاده از درخت مخفی مارکوف، آمارگان مشترک ضرایب موجک در طی مقیاس ها را توصیف کرده و آستانه مناسب را برای هر زیرباند به دست می آورد.

زمینه دوم توسعه روش های حذف نویز با استفاده از موجک، شامل بررسی اثر آستانه گذاری مختلف است. هر کدام از آستانه گذاری های سخت و نرم که در روش پیشنهادی دونوهو استفاده شدند، دارای مزایا و معایبی هستند به عنوان مثال تخمین آستانه گذاری نرم دارای بایاس بزرگتری نسبت به آستانه گذار سخت است. زیرا این آستانه گذار اندازع ضرایب بزرگتر از آستانه را به مقدار آستانه کاهش می دهد. از سوی دیگر، با توجه به ناپیوستگی موجود در آستانه گذار سخت، تخمین این آستانه گذار واریانس بزرگتری داشته و می تواند ناپایدار گردد، پس نسبت به تغییرات جزیی در داده ها حساس است. برای رفع این مشکلات، آستانه گذارهایی چون semi-soft و garrote ارائه شده اند که می توان از آنها به عنوان مصالحه ای بین توابع سخت و نرم نام برد. همچنین در [1] و [2] دسته آستانه گذارهایی ارائه شده که با تنظیم پارامترهای متغیر آنها می توان به آستانه گذارهای مختلف دست پیدا کرد.

شبکه های عصبی مصنوعی در دو دهه اخیر کاربردهای فراوانی در اکثر علوم مهندسی داشته اند. یکی از مهم ترین این کاربردها، تخمین توابع غیرخطی است. مساله حذف نویز را نیز می توان از دیدگاهی دیگر، به عنوان تخمین ضرایب موجک سیگنال اصلی از روی ضرایب موجک سیگنال نویزی به حساب آورد. از اینرو در مقالات مختلف روش های متعددی برای ترکیب شبکه های عصبی مصنوعی با تبدیل موجک ارائه شده و در حذف نویز سیگنال مورد استفاده قرار گرفته اند. در شبکه های عصبی موجک که توسط Zhang پیشنهاد شد، توابع پایه موجک به جای توابع فعال ساز شبکه عصبی قرار می گیرند. در آموزش این نوع شبکه، پارامترهای مقیاس و انتقال توابع موجک نیز علاوه بر وزن های شبکه آموزش می بینند. از کاربردهای این نوع شبکه در حذف نویز، می توان به [3] اشاره کرد که در آن سیگنال GPR  با استفاده از شبکه های موجک حذف نویز شده است. Lotric در [4] با ترکیب روش حذف نویز در حوزه موجک با شبکه های عصبی پرسپترون چندلایه به نتایج خوبی در زمینه سری های زمانی نویزی دست یافت. Zhang نیز با ترکیب ایده شبکه های عصبی آستانه گذار را ارائه داد. در این روش، ضرایب تفصیل تبدیل موجک سیگنال نویزی وارد شبکه آستانه گذار می شود و پس از آستانه گذاری ضرایب و عبور از عملگر وارون موجک، سیگنال بازسازی شده به دست می آید. در روش Zhang تنها مقدار آستانه آموزش یافته و شکل آستانه گذار ثابت در نظر گرفته می شود.

توجه:

برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.