جداسازی نویز از سیگنال با استفاده از تحلیل مولفه های اصلی یا PCA
چهارشنبه 23 دی 1394 ساعت 03:42 ب.ظ | نوشته ‌شده به دست رسول نیک بخت | ( نظرات )
[1] یک روش آماری است که با اعمال یک تبدیل متعامد به مجموعه از متغیرهای وابسته،  آن‌ها را به متغیرهای غیر وابسته خطی یا همان مؤلفه‌های اصلی تبدیل می‌کند.
جهت استفاده از این روش آماری ابتدا ماتریس کواریانس داده های موجود را تشکیل داده و سپس با محاسبه مقادیر ویژه این ماتریس و بردار های ویژه متناسب با آن،  تحلیل PCA را انجام می دهیم.
اگر توزیع مولفه های نویز در دسترس باشد (به عنوان مثال دارای توزیع گوسی باشند) و یا در حالت کلی تر مولفه های نویز مستقل از هم باشد می توان با استفاده از نتایج حاصل از Random Matrix theory مولفه های اصلی مربوط به نویز را از مولفه های اصلی مربوط به نویز جدا کرد.
شبیه سازی Matlab:



[1] Principal component analysis

ادامه مطلب
مرتبط با: Random Matrix Theory , Denoising ,


بازسازی تصاویر با استفاده از حسگری فشرده
چهارشنبه 23 دی 1394 ساعت 11:47 ق.ظ | نوشته ‌شده به دست رسول نیک بخت | ( نظرات )

حذف نویز  از تصاویر یکی از نیازهای اساسی در پردازش تصاویر دیجیتال می باشد. عمل حذف نویز می توان در دروبین های دیجیتال و یا وسایل ثانویه انجام گیرد. با توجه به رشد روزافزون فناوری تصاویر گرفته شده تا رزولوشون بالای بوده و  حجم اطلاعات پردازشی  روز به روز بیشتر می شود.

از طرفی در سال های اخیر تئوری حسگری فشرده به عنوان روشی برای اکتساب اطلاعات از  سیگنال های تنک مطرح شده است. تنک به این که این سیگنال تحت تبدیلات خطی نظیر فوریه، ویولت و .... تنها دارای تعداد  اندکی ضرایب غیر صفر می باشند.

ادامه مطلب
مرتبط با: Compressed sesing , Denoising ,


 
دیگر موارد
تعداد مطالب :
تعداد نویسندگان :
آخرین بروز رسانی :
بازدید امروز :
بازدید دیروز :
بازدید این ماه :
بازدید ماه قبل :
بازدید کل :
آخرین بازدید :

شبکه اجتماعی فارسی کلوب | Buy Website Traffic | Buy Targeted Website Traffic