xwt_visushrink — 2D `smoothing` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "xwt_visushrink", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

xwt_visushrink: 入力 → 出力

*Die Abbildung ist die tatsächliche Ausgabe auf einer synthetischen 128×128-Eingabe. Links Eingabe, rechts Ausgabe (ein Nicht-Bild-Rückgabewert wird als Wert gezeigt).*

Verwendung

VisuShrink-artige Wavelet-Rauschunterdrückung. Zerlegt mit `db4 über 2 Stufen, wendet Soft-Thresholding auf die Detailkoeffizienten jeder Stufe an und rekonstruiert anschließend per inverser Transformation (VisuShrink bestimmt diesen Schwellenwert normalerweise automatisch aus dem Rauschpegel, hier jedoch handelt es sich um eine vereinfachte Version, bei der er direkt über a` vorgegeben wird).

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

`a は閾値(0.05+0.5*a で 0.05〜0.55)を振る —— 大きいほど強く平滑化されディテールが失われる。b` は未使用。出力は元画像サイズに切り詰めて [0,1] にクリップ。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_smoothing_rank

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

In Studio ausprobieren

Das Programm unten ist nachweislich lauffähig (gleiche Eingabe wie die Abbildung). In der Studio-Hilfe wird dieser Block zu Schaltflächen, die es sofort laden und ausführen.