Dekonwolucja Wienera
Wygląd
Dekonwolucja Wienera – zastosowanie filtru Wienera w celu oddzielenia szumu, który podlega splotowi z pierwotnym sygnałem. Jest ona dokonywana w domenie częstotliwości.
Dekonwolucja Wienera jest często stosowana w cyfrowym przetwarzaniu sygnałów (np. w optyce), ponieważ łatwo jest przy jej pomocy określić spektrum częstotliwości niezaburzonego sygnału. Dodatkowym efektem jego zastosowania w przypadku obrazu, jest także pozbycie się rozmycia[1]. Zastosowanie dekonwolucji Wienera minimalizuje błąd średniokwadratowy[1][2]. Jeśli szum jest równy zero, zastosowanie filtru Wienera, jest równe filtrowi odwrotnemu[3]. Były także próby zastosowania uczenia głębokiego w celu polepszenia efektów dekonwolucji Wienera[4].
Przypisy[edytuj | edytuj kod]
- ↑ a b Wiener Filtering. [dostęp 2022-03-18].
- ↑ Jhon Silva-Castro, Lifeng Li. Deconvolution of blast vibration signals by wiener filtering. „Inverse problems in science and engineering”. 26, s. 1522–1538, 2018.
- ↑ Gonzalez 2018 ↓, s. 359.
- ↑ Jiangxin Dong, Stefan Roth, Bernt Schiele „Deep Wiener Deconvolution: Wiener Meets Deep Learning for Image Deblurring. [dostęp 2022-03-18].” – Advances in Neural Information Processing Systems 33 (NeurIPS 2020).
Bibliografia[edytuj | edytuj kod]
- Rafael C. Gonzalez: Digital image processing. Wyd. Fourth edition, Global edition. New York, NY: 2018. ISBN 1-292-22304-9. OCLC 991765590.