Microsoft Word - WienerShrink.doc

Слични документи
4

Microsoft PowerPoint - Ispitivanje povezanosti Regresija redovni decembar 2007 [Compatibility Mode]

Microsoft Word - SIORT1_2019_K1_resenje.docx

Техничко решење: Метода мерења ефективне вредности сложенопериодичног сигнала Руководилац пројекта: Владимир Вујичић Одговорно лице: Владимир Вујичић

KATUŠIĆ ANTONIO.pdf

Microsoft Word - pitalice.doc

Орт колоквијум

I колоквијум из Основа рачунарске технике I СИ- 2017/2018 ( ) Р е ш е њ е Задатак 1 Тачка А Потребно је прво пронаћи вредности функција f(x

1

Microsoft Word - predavanje8

7-18.doc

Microsoft Word - Novi proizvod - Sistem za komunikaciju 720 v1.doc

FAKULTET STROJARSTVA I BRODOGRADNJE KATEDRA ZA STROJARSKU AUTOMATIKU SEMINARSKI RAD IZ KOLEGIJA NEIZRAZITO I DIGITALNO UPRAVLJANJE Mehatronika i robot

УНИВЕРЗИТЕТ У НОВОМ САДУ ОБРАЗАЦ 6

My_P_Red_Bin_Zbir_Free

Glasnik075.pdf

VIK-01 opis

Microsoft Word - Svrha projekta.doc

7. predavanje Vladimir Dananić 14. studenoga Vladimir Dananić () 7. predavanje 14. studenoga / 16

Орт колоквијум

MAZALICA DUŠKA.pdf

Napredno estimiranje strukture i gibanja kalibriranim parom kamera

Техничко решење: Метода мерења реактивне снаге у сложенопериодичном режиму Руководилац пројекта: Владимир Вујичић Одговорно лице: Владимир Вујичић Аут

Microsoft Word - 15ms261

SVEUČILIŠTE U ZAGREBU

12_Predavanja_OPE

ALIP1_udzb_2019.indb

Satnica.xlsx

(Microsoft Word - VULETA PREL\310EC GRUI\3061.doc)

Microsoft Word - oae-09-dom.doc

Microsoft PowerPoint - sis_av14_2002.ppt

Development Case

PowerPoint Presentation

Kick-off meeting VIK

Техничко решење: Софтвер за симулацију стохастичког ортогоналног мерила сигнала, његовог интеграла и диференцијала Руководилац пројекта: Владимир Вуји

УНИВЕРЗИТЕТ У НОВОМ САДУ ОБРАЗАЦ 6

VELEUČILIŠTE VELIKA GORICA REZULTATI STUDENTSKE ANKETE PROVEDENE NA VELEUČILIŠTU VELIKA GORICA ZA ZIMSKI SEMESTAR AKADEMSKE 2013/2014 GODINE 1. Uvod E

Slide 1

Matematika 1 - izborna

Microsoft Word - Tok casa Elektronski elementi Simeunovic Bosko

Slide 1

Microsoft Word - WLA-5200AP_QSG_HRV_7modes_1.doc

Microsoft Word - Master 2013

Microsoft Word - Master 2013

Sveučilište u Zagrebu

Microsoft PowerPoint - MODELOVANJE-predavanje 9.ppt [Compatibility Mode]

Sonniger katalog_2017_HR_ indd

Technology management performance indicators in global country rankings

ANALIZE MASENOM SPEKTROMETRIJOM SEKUNDARNIH MOLEKULARNIH IONA ZA PRIMJENE U FORENZICI

8 2 upiti_izvjesca.indd

УНИВЕРЗИТЕТ У НОВОМ САДУ ОБРАЗАЦ 6

НАЦРТ РЕАЛИЗАЦИЈЕ СТУДИЈСКОГ ПРОГРАМА ОСНОВНИХ СТРУКОВНИХ СТУДИЈА ШКОЛСКЕ 2010/11

Numerička matematika 11. predavanje dodatak Saša Singer web.math.pmf.unizg.hr/~singer PMF Matematički odsjek, Zagreb NumMat 2019, 11. p

Metode za automatsko podešavanje boje i svjetline slike

1 Polinomi jedne promenljive Neka je K polje. Izraz P (x) = a 0 + a 1 x + + a n x n = n a k x k, x K, naziva se algebarski polinom po x nad poljem K.

Stručno usavršavanje

(Microsoft Word vje\236ba - LIMES FUNKCIJE.doc)

Skalarne funkcije više varijabli Parcijalne derivacije Skalarne funkcije više varijabli i parcijalne derivacije Franka Miriam Brückler

Slide 1

Sveučilište u Zagrebu Fakultet prometnih znanosti Zavod za inteligentne transportne sustave Katedra za primijenjeno računarstvo Vježba: #7 Kolegij: Ba

Microsoft PowerPoint - IS_G_predavanja_ [Compatibility Mode]

Microsoft Word - Metod za ekstrakciju 3D modela organa iz medicinskih MRI snimaka

Microsoft Word - vjezba_1_grupa_B.docx

НАСТАВНИ ПЛАН ОДСЕКА ЗА ТЕЛЕКОМУНИКАЦИЈЕ И ИНФОРМАЦИОНЕ ТЕХНОЛОГИЈЕ 2. година 3. семестар Предмет Статус Часови (П + В + Л) Кредити 3.1 Математика 3 O

Microsoft Word - Smerovi 1996

Klasifikacija slika kucnih brojeva dubokim konvolucijskim modelima

Uvod u obične diferencijalne jednadžbe Metoda separacije varijabli Obične diferencijalne jednadžbe Franka Miriam Brückler

Kriteriji ocjenjivanja 6razred

PowerPoint Presentation

D12_5 MNE_Dio 04 - Procjena EE Investicija F1

My_ST_FTNIspiti_Free

Microsoft PowerPoint - BATERIJA_testova1.ppt

Prostorna kalibracija LYSO detektora osetljivog na poziciju

Pojačavači

Satnica.xlsx

Daljinski upravljiva utičnica

I година Назив предмета I термин Вријеме II термин Вријеме Сала Математика : :00 све Основи електротехнике

I година Назив предмета I термин Вријеме II термин Вријеме Сала Математика : :00 све Основи електротехнике

I година Назив предмета I термин Вријеме II термин Вријеме Сала Математика : :00 све Основи електротехнике

PowerPoint Presentation

I година Назив предмета I термин Вријеме Сала Математика :00 све Основи електротехнике :00 све Програмирање

Pravilnik o priključenju spremnika energije na elektroenergetski sustav Zlatko Ofak (HOPS), Alan Župan (HOPS), Tomislav Plavšić (HOPS), Zora Luburić (

Postojanost boja

Microsoft PowerPoint - vezbe 4. Merenja u telekomunikacionim mrežama

Sos.indd

PowerPoint-Präsentation

Задатак 4: Центрифугална пумпа познате карактеристике при n = 2900 min -1 ради на инсталацији приказаној на слици и потискује воду из резервоара А у р

Microsoft Word - Lekcija 11.doc

505

EMC doc

oae_10_dom

23. siječnja od 13:00 do 14:00 Školsko natjecanje / Osnove informatike Srednje škole RJEŠENJA ZADATAKA S OBJAŠNJENJIMA Sponzori Medijski pokrovi

Tamara Basic.qxp

SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA Seminarski rad u okviru predmeta Računalna forenzika BETTER PORTABLE GRAPHICS FORMAT Matej

(Microsoft Word - Dr\236avna matura - studeni osnovna razina - rje\232enja)

OBRAZAC 1. Vrednovanje sveucilišnih studijskih programa preddiplomskih, diplomskih i integriranih preddiplomskih i diplomskih studija te strucnih stud

Prezentator: Nataša Dvoršak Umag, 20.listopad 2006

Slide 1

Projektovanje informacionih sistema i baze podataka

Транскрипт:

SVEUILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAUNARSTVA ZAVOD ZA ELEKTRONIKE SUSTAVE I OBRADBU INFORMACIJA SEMINAR IZ NMDOS-a: Potiskivanje šuma korištenjem wavelet transfomacije i optimalnih filtara Franjo Tonkovi Ivan Krsnik Sijeanj 2005.

Sadržaj: 1. Uvod...2 2. Empirijsko Wiener filtriranje u wavelet domeni...3 3. Testiranje sustava... 4 3.1 Simulacije u MATLABU:...4 3.1.1 Puštanje zašumljenog test signala kroz sustav..4 3.1.2 Simulacija sa zvunim signalom...7 3.1.3 Propuštanje slike kroz naš sustav...8 3.2 Matlab kod korišten u testiranju...10 4. Zakljuak... 12 1

1 Uvod Ovaj seminar iznosi jednostavan nain potiskivanja šuma rezanjem wavelet koeficjenata, koristei empirijski wienerov filter u wavelet domeni. Wavelet transformacija je vrlo brzo postala dominantna u obradi signala i slike. Wavelet ekspanzija teži ka sakupljanjem energije u relativno mali broj velikih koeficjenata. To svojstvo kompaktnosti energije kod wavelet transformacije ini wavelet domenu privlanom za obradu signala. Osnovna ideja: s-korisni signal (nepoznati deterministiki kontinuirani vremenski signal s(t)) n-bijeli gausov šum y-signal x u wavelet domeni H-filter pomou kojeg u wavelet domeni dobivamo wavelet koeficjente korisnog signala theta, iz zašumljenog y. Filter koji se pokazuje kao najbolji, u smislu minimizacije maksimalne srednje kvadratne pogreške (MSE) je wienerov filter Hw!"# $%& '()* % $& + )$%& '()* % $&!",%$'() SLIKA 1: Usporedba razliitih tipova filtera 2

2 Empirijsko Wiener filtriranje u wavelet domeni IDEJA: Imamo rezanje wavelet filtarskih koeficjenata temeljeno na wavelet transformaciji, a tada se taj rezultat uzima kao model (pilot estimacija) za dobivanje wienerovog filtra u odvojenoj (druga grana) wavelet domeni. SLIKA 2: Shema sustava Koriste se dvije wavelet transformacije DWT1 i DWT2. Wavelet u prvoj grani se koristi da se dobije standardna wavelet estimacija signala s1, bazirana na wavelet koeficjentima Nt. Taj signal s1 predstavlja model signala koji se u drugoj grani koristi za filtriranje wienerovim filtrom u wavelet domeni, a za tu granu imamo drugaiju wavelet transformaciju-dwt2. Kod wienerovog filtra treba znati i spektar šuma i spektar signala, a to nije uvijek sluaj i zna predstavljati problem. Mi raunamo wavelet, a ne obine spektre. Da dobijemo pouzdanu estimaciju svih koeficjenata signala Ns=Nt+Nd, signal s1 transformiramo sa DWT2, da se dobije theta21, koja se koristi za dizajn empirijskog wienerovog filtra u DWT2 domeni. Razlika izmeu DWT1 i DWT2 garantira da operator DWT2/DWT1 rasteže koeficjente sa theta1 u vei broj koeficjenata theta21. Ovdje opisana metoda potiskivanja šuma se zove WienerShrink, a ona je u usporedbi sa metodom praga fina metoda i daje bolje rezultate. Klasino rezanje koeficjenata previše odreže wavelet koeficjente, a WienerShrink zbog rastezanja koeficjenata daje kvalitetnije rezultate. 3

3 Testiranje sustava: Estimator MSE (Doppler test signal) MSE (Heavisine test signal) MSE (Bumps test signal) MSE (Blocks test signal) Hard treshold 0.209 0.102 0.392 0.121 Wiener shrink (hard) 0.121 0.075 0.242 0.118 Hybrid shrink 0.274 0.094 0.439 0.226 Wiener shrink (Hybrid) 0.140 0.069 0.285 0.167 Ideal Wiener 0.069 0.037 0.183 0.064 TABLICA 1: MSE za razliite tehnike estimacije, uz 5 razliitih test signala 3.1 Simulacije u MATLABU: 3.1.1 Puštanje zašumljenog test signala kroz sustav Signal sa kojime smo mi u matlabu proveli simulaciju, dobili smo ovako: x = linspace(0,4*pi,1024); ulaz_orig=diric(x,7); SLIKA 3: isti test signal na ulazu 4

Nakon što smo ga zašumili sa bijelim šumom, dobili smo sljedei signal: SLIKA 4: Zašumljeni test signal na ulazu Nakon što smo isprobavanjem ustanovili da najbolje rezultate dobivamo za threshold faktor 0.4, uz SNR_ulaz =17.8982, SNR_gornja_grana =-25.7928, SNR_izlaz =-42.8576, signali na oznaenim mjestima na glavnoj shemi izgledaju: SLIKA 5: Signal na izlazu iz gornje grane 5

SLIKA 6: Signal na izlazu Sada emo pokazati kakvi su rezultati dobiveni uz neadekvatno izabrane threshold faktore: Threshold faktor=0.1, SNR_ulaz =18.2912db, SNR_gornja_grana = -22.9808db, SNR_izlaz =- 32.2638db. SLIKA 7: Signal na izlazu iz gornje grane uz premali Threshold faktor SLIKA 8: Signal na izlazu uz premali Threshold faktor 6

Threshold faktor=1, SNR_ulaz =17.7879db, SNR_gornja_grana =-14.9846db, SNR_izlaz =- 22.9371db. SLIKA 9: Signal na izlazu iz gornje grane uz preveliki Threshold faktor SLIKA 10: Signal na izlazu uz preveliki Threshold faktor 3.1.2 Simulacija sa zvunim signalom: Kroz naš sustav propustili smo zašumljeni zvuk gitare, koristei dosta veliki bijeli šum, uz treshold faktor = 0.014. Na ulazu je odnos signal/šum: SNR_ulaz =-37.0543 db. Nakon prolaska kroz gornju granu, odnos signal/šum je: SNR_gornja_grana = -40.3923 db. Odnos signal/šum na izlazu je: SNR_izlaz = -49.4227 db. Smanjivši bijeli šum na ulazu 100 puta, uz treshold faktor od 0.006 dobili smo: Na ulazu je odnos signal/šum: SNR_ulaz = -49.0201 db. Nakon prolaska kroz gornju granu, odnos signal/šum je: SNR_gornja_grana = -53.4234db. Odnos signal/šum na izlazu je: SNR_izlaz = -59.6028 db. 7

3.1.3 Propuštanje slike kroz sustav Ovakvi sustavi za odšumljivanje se uz neke modifikacije mogu koristiti i za filtriranje slika: (a) Originalna slika (b) Slika zašumljena sa bijelim šumom (c) Hard treshold filtriranje (MSE=92.44) (d)wienershrink filtriranje (MSE=61.37) SLIKA 11: Potiskivanje šuma slike 8

(a) Originalna slika (b) Slika zašumljena sa bijelim šumom (c) Hard treshold filtriranje (MSE=74.93) (d)wienershrink filtriranje (MSE=48.07) SLIKA 12: Potiskivanje šuma slike 9

3.2 Matlab kod korišten u testiranju % (1) Propuštanje zašumljenog signala kroz sustav %zadavanje istog signala x = linspace(0,4*pi,1024); ulaz_orig=diric(x,7) %zadavanje bijelog šuma bijeli_sum=randn(1,1024); %ulazni zašumljeni signal ulaz=ulaz_orig+bijeli_sum/10; figure,plot(ulaz_orig),title('ulaz') figure,plot(ulaz),title('ulaz_sum') %wavelet transformacija(prva) ulaznog signala a=swt(ulaz,5,'db1'); %razliite metode raunanja optimalne razine praga thr1 = thselect(a, 'rigrsure') thr2 = thselect(a, 'heursure') thr3 = thselect(a, 'sqtwolog') thr4 = thselect(a, 'minimaxi') %soft threshold filtriranje u wavwlet domeni %a_tresh=wthresh(a,'s',thr); %mi smo sami izabrali prag koji daje najbolje rezultate a_tresh=wthresh(a,'s',0.01); %inverzna wavelet transformacija s1=iswt(a_tresh,'db1'); %signal na izlazu iz gornje grane figure, plot(s1); title('izlaz gornje grane') %wavelet transformacija(druga) signala na izlazu iz gornje grane i %ulaznog signala a2=swt(s1,5,'sym4'); a3=swt(ulaz,5,'sym4'); %raunanje wienerovog filtra broj=a2.^2; naz=broj+(var(ulaz))^2; hw=broj./naz; theta2=a3.*hw; %inverzna wavelet transformacija izlaz=iswt(theta2,'sym4'); %signal na izlazu 10

figure, plot(izlaz); title('izlaz'); % (2) prupuštanje zašumljenog zvuka gitare kroz sustav %uitavanje wav datoteke [snd,fs, nbits] = wavread('gitara.wav'); snd=(snd(1:114880,1))'; %zadavanje bijelog šuma bijeli_sum=randn(1,114880); bijeli_sum=bijeli_sum/1000; %zašumljeni signal gitare ulaz=snd+bijeli_sum; %zapisivanje signala u wav datoteku, da se kasnije može poslušati wavwrite(ulaz,fs,nbits,'zasumljeni_ulaz') %wavelet transformacija(prva) ulaznog signala a=swt(ulaz,5,'sym5'); %razliite metode raunanja optimalne razine praga % thr1 = thselect(a, 'rigrsure') % thr2 = thselect(a, 'heursure') % thr3 = thselect(a, 'sqtwolog') % thr4 = thselect(a, 'minimaxi') %hard threshold filtriranje u wavwlet domeni %a_tresh=wthresh(a,'s',thr1); %mi smo sami izabrali prag koji daje najbolje rezultate a_tresh=wthresh(a,'h',0.006); %inverzna wavelet transformacija s1=iswt(a_tresh,'sym5'); %signal na izlazu iz gornje grane %zapisivanje signala u wav datoteku, da se kasnije može poslušati wavwrite(s1,fs,nbits,'izlaz_gornje_grane'); %wavelet transformacija(druga) signala na izlazu iz gornje grane i %ulaznog signala a2=swt(s1,5,'sym4'); a3=swt(ulaz,5,'sym4'); %raunanje wienerovog filtra broj=a2.^2; naz=broj+(var(ulaz))^2; hw=broj./naz; theta2=a3.*hw; %inverzna wavelet transformacija izlaz=iswt(theta2,'sym4'); %signal na izlazu %zapisivanje signala u wav datoteku, da se kasnije može poslušati 11

wavwrite(izlaz,fs,nbits,'izlaz'); 4 Zakljuak Ovdje prikazana WienerShrink metoda za potiskivanje šuma pomou waveleta je hibridna metoda standardnog wavelet filtriranja pomou praga i empirijskih Wienerovih tehnika filtriranja. Rezultat je filtar u wavelet domeni koji se približio optimalnom Wienerovom filtru. Iako je kod navedene metode potrebno dva puta raunati wavelet transformacije, rezultati koji se tako dobivaju znatno su bolji od klasinih metoda, tako da to ne bi smjelo stvarati vei problem. Mi smo WienerShrink metodu realizirali u Matlabu. Reazlizirali smo Wienerov filtar kopristei pilot estimaciju koju smo pak realizirali tako da smo primjenili fiksni prag kod rezanja koeficijenata u wavelet domeni. Metodu je mogue primjeniti za potiskivanje šuma kod signala, zvuka i slike. WienerShrink metoda u svim tim sluajevima daje bolje rezultate od klasinog wavelt filtriranja pomou praga. Daljnje usavršavanje WienerShrink metode može ii u smjeru odreivanja najoptimalnijih wavelet transformacija za pojedinu granu 12