1) Bayes threshold denoising
贝叶斯阈值去噪
1.
a image denoising algorithm based on inter correlation of wavelet coefficients at finer scales, the method base on statistics about noise in inter scale relativity, and propose a zero tree like structure, and we combine it with classical Bayes threshold denoising, then make up a novel method, and this method has a better denoisin
本文首先总结了多尺度几何变换的一些基本原理和近年来的发展,并比较了他们各自的特点和不同,并着重对小波和Contourlet变换的图像去噪技术进行了介绍;其次,分析了噪声点在小波域上的分布特点,并根据这些特点提出了两种小波去噪方法:(1)一种细尺度间系数相关性的去噪方法,此方法通过对噪声点在小波变换后在细尺度内噪声的相关性进行统计,提出了一种细尺度内的“类零树”结构,基于这种结构并结合传统贝叶斯阈值去噪方法,提出了一种新的图像去噪方法,这种方法比传统贝叶斯去噪方法有更好的去噪效果;(2)提出一种结合小波边缘保护和“类零树”结构的去噪方法,这种方法借鉴了一种考虑了尺度间小波系数相关性的边缘检测的思想,通过这种尺度间系数相关性去检测边缘信息,对去噪后丢失的图像边缘进行了“修补”,从而解决了第一种方法部分丢失边缘的不足;最后,引入了Non-local均值方法,并将其运用在Contourlet域下。
3) BayesShrink thresholding
贝叶斯萎缩阈值
4) threshold Bayesian distance classifier
阈值贝叶斯分类
1.
The threshold Bayesian distance classifier is used to classify steganography in the high-dimensional feature vector space.
提出了一种基于双向马尔可夫模型的JPEG图象的通用隐写分析方法,利用量化后分块DCT系数的中低频系数间的相关性,提取DCT块内和块间的特征,采用阈值贝叶斯分类方法进行识别,并且与SVM分类器的识别效果进行了比较。
5) Bayesian shrinkage
贝叶斯软阈值
1.
A novel SAR despeckling method using Bayesian shrinkage in local wavelet coefficient domain is presented.
提出了一种抑制SAR图像斑点噪声的小波域贝叶斯软阈值方法。
6) threshold denoising
阈值去噪
1.
A wavelet threshold denoising algorithm for CR images is put forward here.
提出一种CR医学图像的小波阈值去噪算法,对含噪图像进行小波分解得到图像的小波系数,采用文中提出的阈值算法对系数进行去噪处理,根据处理后的系数重建CR图像。
2.
Selection of the mother wavelet and threshold value and the adjusting method of the coefficient in vibration signal threshold denoising are researched.
对振动信号阈值去噪中的小波母函数、阈值大小以及系数的量化方法的选择进行了研究。
3.
Wavelet threshold denoising is applied to it and calculation method is realized in MATLAB.
对汽车道路试验中测得的座椅处的振动信号进行了分析,将小波阈值去噪方法用于对该信号的去噪,并在MATLAB中实现了去噪算法。
补充资料：贝叶斯公式
贝叶斯公式为利用搜集到的信息对原有判断进行修正提供了有效手段。在采样之前，经济主体对各种假设有一个判断（先验概率），设为，{}。
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
关于先验概率的分布，通常可根据经济主体的经验判断确定(当无任何信息时，一般假设各先验概率相同)，较复杂精确的可利用包括最大熵技术或边际分布密度以及相互信息原理等方法来确定先验概率分布。
当采样得到样本值后，当事人对各假设的判断(后验概率)为
，= 1， 2， %26#8230;， (5.5)
在实际经济生活中，信息搜寻工作不是一次就完成的。当信息搜寻进行到某一阶段，设已进行了 次采样( =1，2，%26#8230;)，此时经济主体对各假设的后验概率的认识为
=1， 2， %26#8230;， (5.6)
其中，表示在第次采样前对假设的判断，当 =1时即表示第一次采样前的先验概率，从而式(5.5)变成式(5.6)的一个特例，即，将其记为。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条