WikiDer > Стационарное вейвлет-преобразование

Stationary wavelet transform


В Стационарное вейвлет-преобразование (SWT)[1] это вейвлет-преобразование алгоритм, предназначенный для преодоления отсутствия трансляционной инвариантности дискретное вейвлет-преобразование (DWT). Трансляционная инвариантность достигается удалением субдискретизаторов и повышающих дискретизаторов в DWT и повышающей дискретизации коэффициентов фильтра с коэффициентом в -й уровень алгоритма.[2][3][4][5] SWT по своей сути является избыточной схемой, так как выход каждого уровня SWT содержит такое же количество выборок, что и вход, поэтому для разложения N уровней существует избыточность N в вейвлет-коэффициентах. Этот алгоритм более известен как "алгоритм à trous"по-французски (слово ужасный означает отверстия на английском языке), что означает добавление нулей в фильтры. Он был введен Holschneider et al.[6]

Выполнение

На следующей блок-схеме изображена цифровая реализация SWT.

3-х уровневый банк фильтров SWT

На приведенной выше диаграмме фильтры на каждом уровне являются версиями предыдущего уровня с повышенной дискретизацией (см. Рисунок ниже).

SWT фильтры

КОМПЛЕКТ

Приложения

Ниже описаны несколько приложений SWT.

  • Шумоподавление сигнала
  • Распознавание образов
  • Классификация изображений мозга [7]
  • Патологическое обнаружение головного мозга[8]

Синонимы

  • Избыточное вейвлет-преобразование
  • Алгоритм à trous
  • Квазинепрерывное вейвлет-преобразование
  • Трансляционно-инвариантное вейвлет-преобразование
  • Инвариантное смещение вейвлет-преобразования
  • Цикл прядения
  • Максимальное вейвлет-преобразование с перекрытием (MODWT)
  • Недекимированное вейвлет-преобразование (UWT)

Смотрите также

Рекомендации

  1. ^ Джеймс Э. Фаулер: Избыточное дискретное вейвлет-преобразование и аддитивный шум, содержит обзор различных имен для этого преобразования.
  2. ^ А.Н. Акансу и Ю. Лю, О методах разложения сигналов, Оптическая инженерия, стр. 912-920, июль 1991 г.
  3. ^ М.Дж. Шенса, Дискретное вейвлет-преобразование: объединение алгоритмов A Trous и Mallat, IEEE Transactions on Signal Processing, Vol 40, No 10, Oct.1992.
  4. ^ М.В. Тазебай, А. Акансу, Прогрессивная оптимальность в банках иерархических фильтров, Proc. Международная конференция IEEE по обработке изображений (ICIP), том 1, стр. 825-829, ноябрь 1994 г.
  5. ^ М.В. Тазебай, А. Акансу, Адаптивные преобразования поддиапазонов в частотно-временных эксцизерах для систем связи DSSS, IEEE Transactions on Signal Processing, Vol 43, No. 11, pp. 2776-2782, Nov. 1995.
  6. ^ М. Хольшнайдер, Р. Кронланд-Мартине, Дж. Морле и П. Чамитчян. Алгоритм реального времени для анализа сигналов с помощью вейвлет-преобразования. В Вейвлеты, частотно-временные методы и фазовое пространствоС. 289–297. Спрингер-Верлаг, 1989.
  7. ^ Чжан, Ю. (2010). «Извлечение признаков МРТ головного мозга с помощью стационарного вейвлет-преобразования и его применения». Журнал биологических систем. 18 (s1): 115–132. Дои:10.1142 / S0218339010003652.
  8. ^ Донг, З. (2015). «Магнитно-резонансная классификация изображений головного мозга с помощью стационарного вейвлет-преобразования и обобщенной машины проксимальных опорных векторов собственных значений». Журнал медицинской визуализации и информатики здоровья. 5 (7): 1395–1403. Дои:10.1166 / jmihi.2015.1542.