Dekonwolucja Wienera

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. Zastosowanie dekonwolucji Wienera minimalizuje błąd średniokwadratowy. Jeśli szum jest równy zero, zastosowanie filtru Wienera, jest równe filtrowi odwrotnemu. Były także próby zastosowania uczenia głębokiego w celu polepszenia efektów dekonwolucji Wienera.

Przypisy

1 2 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

Rafael C. Gonzalez: Digital image processing. Wyd. Fourth edition, Global edition. New York, NY: 2018. ISBN 1-292-22304-9. OCLC 991765590.

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[:1-1] 1 2 Wiener Filtering. [dostęp 2022-03-18].

[:2-2] Jhon Silva-Castro, Lifeng Li. Deconvolution of blast vibration signals by wiener filtering. „Inverse problems in science and engineering”. 26, s. 1522–1538, 2018.

[CITEREFGonzalez2018359-3] Gonzalez 2018 ↓, s. 359.

[:3-4] 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).