جستجوی مقالات مرتبط با کلیدواژه « wavelet Packet » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه «wavelet Packet» در نشریات گروه «فنی و مهندسی»-
در این مقاله روش جدیدی برای فشرده سازی تصاویر رادار روزنه ترکیبی (SAR) با رویکرد بلوکی مبتنی بر الگوریتم EZBC، ارائه می-شود. در روش پیشنهادی به منظور حفظ بهتر لبه ها و ساختار بافتی خاص تصاویر SAR، به جای تبدیل موجک از تبدیل موجک بسته ای استفاده می شود. به منظور افزایش کارایی الگوریتمEZBC در فشردهسازی بهتر تصاویر SAR که انرژی آن تنها در زیر باندهای فرکانس پایین متمرکز نیست، یک نسخه اصلاح شده از این الگوریتم به نامMEZBC ارائه می گردد که با تبدیل موجک به کار گرفته، منطبق باشد. روش پیشنهادی علاوه بر ایجاد نرخ فشردهسازی بالا برای تصاویر SAR، قابلیت مقیاس پذیری کامل کیفیت و نیز حفظ خاصیت کد کردن بلوکی ضرایب در حوزه تبدیل موجک را داراست. به علاوه این روش طوری اصلاح شده است که قابلیت پشتیبانی از کد کردن نواحی مورد علاقه (ROI) در تصویر را نیز فراهم آورد. نتایج پیاده سازی بیانگر عملکرد بهتر الگوریتم پیشنهادی برای فشرده سازی تصاویر SAR نسبت به سایر روش های شناخته شده در تمامی نرخ بیت ها می باشد.کلید واژگان: الگوریتم EZBC, موجک بسته ای, رادار روزنه ترکیبی (SAR), فشرده سازی تصویر و ناحیه مورد علاقه}In this paper, a block-based method in wavelet domain for SAR image coding is presented based on the EZBC algorithm. To better preserve edges and textural structure in SAR images, instead of using traditional dyadic wavelet transform, a packet wavelet is employed. To improve the efficiency of the EZBC algorithm for SAR image coding, a modified version of this algorithm, is proposed. This modified version, which is called MEZBC, is better adapted to wavelet packet coefficients. The proposed algorithm is fully SNR scalable and supports block-based coding of wavelet coefficients. MEZBC is also further modified to support regions of interest (ROI) coding in SAR images. experimental results show that the proposed algorithm provides a better performance for SAR image coding than other well-known algorithms in almost all bit rates.Keywords: EZBC Algorithm, Image Compression, Region of Interest, SAR Image, Wavelet Packet, MEZBC}
-
در این مقاله آنتروپی بسته موجک برای بازشناسی احساسات از گفتار در حالت مستقل از گوینده پیشنهاد شده است. پس از پیش پردازش، بسته موجک db3 سطح 4 در هر فریم محاسبه شده است و آنتروپی شانون در گره های آن به عنوان ویژگی در نظر گرفته شده است. ضمنا ویژگی های نوایی گفتار شامل فرکانس چهار فرمنت اول، جیتر یا دامنه تغییرات فرکانس گام و شیمر یا دامنه تغییرات انرژی به عنوان ویژگی های پرکاربرد در حوزه تشخیص احساسات در کنار ضرایب فرکانسی کپسترال مل (MFCC) برای تکمیل بردار ویژگی مورد استفاده قرار گرفته اند. طبقه بندی با استفاده از ماشین بردار پشتیبان (SVM) انجام شده است و ترکیب های مختلفی از بردار ویژگی در حالت چند دسته ای برای همه احساسات و دودسته ای نسبت به حالت طبیعی مورد بررسی قرار گرفته اند. 46 بیان مختلف از جمله واحد در دادگان احساسی دانشگاه برلین به زبان آلمانی انتخاب شده که توسط 10 گوینده مختلف با حالت های احساسی ناراحتی، خوشحالی، ترس، ملالت، خشم و حالت طبیعی بیان شده اند. نتایج نشان می دهند استفاده از ضرایب آنتروپی به عنوان بردار ویژگی نرخ بازشناسی را در حالت چند دسته ای بهبود می بخشد. علاوه بر آن ویژگی های پیشنهادی در ترکیب با سایر ویژگی ها باعث بهبود نرخ تشخیص احساس خشم، ترس و خوشحالی نسبت به حالت طبیعی می شوند.
کلید واژگان: تشخیص احساسات از گفتار, بسته موجک, ضرایب آنتروپی شانون, ماشین بردار پشتیبان}In this paper، wavelet packet entropy is proposed for speaker-independent emotion detection from speech. After pre-processing، wavelet packet decomposition using wavelet type db3 at level 4 is calculated and Shannon entropy in its nodes is calculated to be used as feature. In addition، prosodic features such as first four formants، jitter or pitch deviation amplitude، and shimmer or energy variation amplitude besides MFCC features are applied to complete the feature vector. Then، Support Vector Machine (SVM) is used to classify the vectors in multi-class (all emotions) or two-class (each emotion versus normal state) format. 46 different utterances of a single sentence from Berlin Emotional Speech Dataset are selected. These are uttered by 10 speakers in sadness، happiness، fear، boredom، anger، and normal emotional state. Experimental results show that proposed features can improve emotional state detection accuracy in multi-class situation. Furthermore، adding to other features wavelet entropy coefficients increase the accuracy of two-class detection for anger، fear، and happiness.Keywords: Speech emotion recognition, wavelet Packet, shannon entropy coefficients, support vector machine} -
در این تحقیق فیلتر جدیدی برای بهینه سازی تصویر در حوزه ی زمان فرکانس ارائه می شود. آستانه گذاری سخت و نرم1 از قدیمی ترین و معمول ترین روش ها در کاهش نویز می باشند. براساس این روش ها، با اعمال تبدیل های گوناگون بر سیگنال، ضرایب کوچک دنباله ها متعلق به نویز فرض شده و حذف می گردد. سپس از ضرایب باقیمانده، تصویر بازسازی می شود. در مطالعات اخیر، استفاده از ویولت به عنوان تبدیلی در حوزه ی زمان-فرکانس، برای محاسبه ی ضرایب وحذف نویز مطرح شده است. برخی از ضرایب این تبدیل نسبت به نویز تاثیر کمتری پذیرفته و کارایی آنها به عنوان مبنایی برای تخمین تصویر اصلی، به کمک دیگر زیر تصاویر، نشان داده شده است. در این مقاله ایده ی استفاده از زیر تصویر تخمین تبدیل ویولت، به زیر تصاویر حاصل از تبدیل بسته های ویولت تعمیم داده شده است. به این ترتیب، با حذف برخی از ضرایب تبدیل ویولت، بر اساس تصویر تقریب حاصل از تبدیل بسته های ویولت دو بعدی، می توان تصویر بهتری به دست آورد. در واقع برای ایجاد تصویر اصلی، از زیر تصاویر با نویز کمتر استفاده می کنیم. در مقایسه باروش های متداول آستانه گذاری سخت و نرم، روش پیشنهادی عملکرد بهتری نشان می دهد. هم چنین، از محاسن دیگر این روش امکان فشرده سازی تصویر به حجمی برابر یک چهارم تصویراصلی، به همراه سه پارامتر اسکالر می باشد، که برای کاربردهایی از قبیل مخابره ی تصاویر یا ذخیره سازی بسیار مفید است. افزایش کنتراست تصاویر به میزان قابل توجه، از مزایای دیگر این روش می باشد. روش پیشنهادی بر روی 100 تصویر از پایگاه داده LIVE آزمایش گردید. روش آستانه گذاری نرم حدود 1.12% نسبت به روش آستانه گذاری سخت، روش POAC حدود 1.94% نسبت به آستانه گذاری نرم و روش POAC با بسته های ویولت حدود 1.48% نسبت به روش POAC بهترعمل می کند. با روش پیشنهادی بسته های ویولت به صورت میانگین حدود 2.17% افزایش PSNR خواهیم داشت.
کلید واژگان: حذف نویز, بسته های ویولت, زیرتصویر تقریب, بهینه سازی}In this paper we propose a new approach in the wavelet domain for image denoising. In recent researches wavelet transform has introduced a time-Frequency transform for computing wavelet coefficient and eliminating noise. Some coefficients have effected smaller than the other''s from noise، so they can be use reconstruct images with other subbands. We have developed Approximation image to estimate better denoised image. Naturally noiseless subimage introduced image with lower noise. Beside denoising we obtain a bigger compression rate. Increasing image contrast is another advantage of this method. Experimental results demonstrate that our approach compares favorably to more typical methods of denoising and compression in wavelet domain. 100 images of LIVE Dataset were tested، comparing signal to noise ratios (SNR)، soft thresholding was %1. 12 better than hard thresholding، POAC was %1. 94 better than soft thresholding and POAC with wavelet packet was %1. 48 better than POAC.Keywords: Approximation, compression, denoising, subimage, wavelet packet}
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.