タグ付けされた質問 「total-variation」

この質問は、Signal Processing Stack Exchangeで回答できるため、Stack Overflowから移行されました。 7年前に移行され ました。 これは信号に依存することがわかっていますが、新しいノイズの多い信号に直面すると、急激な遷移を維持しながら信号をノイズ除去しようとするトリックのバッグは何ですか（たとえば、あらゆる種類の単純な平均化、つまりガウスとの畳み込みがなくなります）。私はしばしばこの質問に直面し、自分が何をしようとしているかわからないように感じます（スプライン以外にも、適切な鋭い移行を真剣に打ち倒すことができます）。 PSサイドノートとして、ウェーブレットを使用した良い方法を知っているなら、それが何であるかを教えてください。彼らはこの分野で多くの可能性を秘めているように思えますが、90年代には論文の方法がうまくいくことを示唆する十分な引用がある論文がいくつかありますが、介在年。確かにそれ以降、いくつかの方法は一般的に「最初に試すこと」であることが判明しました。

21 noise  wavelet  denoising  smoothing  total-variation 

私は入力画像を持っています： そして、ガボールフィルターを使用した葉の静脈検出の出力ですが、出力は本当にノイズが多くなります。 トータルノイズ除去を使用してみましたが、結果は良くありません： しかし、葉脈の細かい部分を失いたくないので、中央値フィルターは私の問題に合わない

12 image-processing  computer-vision  image  image-segmentation  total-variation 

ほぼ一定の大きさであるが一定ではない位相を持つ複雑な関数（たとえば、MRI画像）があるとします。f∗f∗f^* を見つけて総変動項を含む目的関数を設定する最適化問題がある場合（ノイズ除去または圧縮センシングなど）、通常は次の形式になります。f∗f∗f^* obj1(f)=…+TV(f)obj1(f)=…+TV(f) obj_1(f) = \ldots + \text{TV}(f) ただし、は区分的に一定の大きさであると想定しているので、次のように使用する方がよいと思います。fff obj2(f)=…+TV(|f|)obj2(f)=…+TV(|f|) obj_2(f) = \ldots + \text{TV}(|f|) ただし、勾配ベースのソルバーの場合、obj2の勾配を知る必要があります。用傾斜：である。勾配は何ですか？obj1(f)obj1(f)obj_1(f)TV′(TV(f))TV′(TV(f))\text{TV}'\left(TV(f)\right)obj2(f)obj2(f)obj_2(f) 更新： 直感的には、次のようなものを想定します（フェーズはに影響を与えないため、フェーズは「そのまま」にしておきます）。obj2obj2obj_2 TV′(TV(|f|))∗eiarg(f)TV′(TV(|f|))∗eiarg⁡(f) \text{TV}'\left(TV(|f|)\right)* e^{i \arg(f)} しかし、複雑な分析に関する私の知識は非常に限られており、これが意味をなすかどうかはわかりません。

7 image-processing  noise  denoising  gradient  total-variation