Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouAntônio Chaves Alterado mais de 9 anos atrás
1
Estimação Bayesiana de Sinais Baseada em Ôndulas Mário A. T. Figueiredo Instituto de Telecomunicações, and Departamento de Engenharia Electrotécnica e de Computadores Instituto Superior Técnico Lisboa, PORTUGAL
2
W Sinal Original y “Discrete wavelet transform” (DWT) W DWT inversa Sinal processado Exemplos: compressão estimação (e.g., “denoising”) 1 Coeficientes observados Coeficientes processados Regra de processamento Processamento de sinais baseado na transformada discreta
3
Sinal discreto W x DWT (periódica) W x Coeficientes Decorrelação “mais branco” do que x 2 Ortonormal W W = I T Esparsa é dominada por “poucos” coeficientes “grandes” x = [x 1,…x n ] = [ 1,…, n ] Características da DWT
4
y = x + n Ruído branco gaussiano Sinal original Sinal ruidoso DWT Wy = Wx + Wn (W é ortonormal) 3 W y W T ^ Estimator ^ x x = W (Wy) T ^ + n’ Estimação baseada em ôndulas (remoção de ruído)
5
4 Representação dominada por “poucos” coeficientes “grandes” DWT DFT Sinal “vulgar” Coeficientes da DWT: esparsos
6
5 Sinal “vulgar” Ruído branco gaussiano Histograma dos valores absolutos Histograma dos valores absolutos ~10 4 DWT Coeficientes da DWT: esparsos
7
Sugere : - Manter os coeficientes grandes que dominam a representação - Eliminar os pequenos, “provavelmente” dominados por ruído. 6 Valores de n’ Valores de p( ) Esparsa, ou “heavy tailed” e n’ têm características estatísticas diferentes Gaussiana p(n’) = n’ Como estimar ? Remoção de ruído baseada na DWT
8
7 Objectivo: Manter os coeficientes “grandes” e eliminar os restantes. Questões: qual ( ) ? Que limiar ? Regras de limiar (“thresholding rules”) “hard” “soft” s H Donoho and Johnstone (1994), outros... ^ ^ Remoção de ruído baseada na DWT
9
8 Métodos para escolha de limiar: - Limiar universal (VisuShrink) Donoho & Johnstone (1994). - Limiar que depende do nível da decomposição e estimado a partir dos coeficientes observados com base no “Steins unbiased risk estimator” (SURE) (SureShrink); Donoho & Johnstone (1995). - Validação cruzada (“cross-validation”); Weyrich & Warhola (1994) e Nason (1994). - Métodos bayesianos; Vidakovik (1994), Chipman, Kolaczyk, & McCulloch (1995), Crouse, Nowak, & Baraniuk (1997), Figueiredo & Nowak (1998). Remoção de ruído baseada na DW”T: técnicas propostas
10
9 Sinal original Sinal ruidoso Sinal estimado “soft threshold” “Sure criterion” Remoção de ruído baseada na DWT: Exemplo
11
10 = n’ Modelo de observação: n’ ~ i.i.d. gaussianos média nula variância 2 Função de verosimilhança: p N Conhecimento a priori: p Lei de Bayes: p( ) = p p p Probabilidade (conhecimento) a posteriori Função de custo L( ’) - Custo associado com a estimativa ’ quando o verdadeiro valor é Revisão: estimação bayesiana
12
11 Objectivo: regra de estimação ^ Critério: minimizar o valor expectável a posteriori do custo (“posterior expected loss”) Exemplos: L( ’) = || ’ (média a posteriori) L( ’) = (máximo a posteriori - MAP) Revisão: estimação bayesiana
13
12 y = x + n DWT Wy = Wx + Wn + n’ Modelo de observação / função de verosimilhança Relembrar... Ruído branco gaussiano (W é ortonormal) p(y|x) = N (x, 2 I) p( ) = N ( , 2 I) Funções de veromilhança semelhantes nos domínios do sinal e da DWT Remoção de ruído baseada na DWT: Formulação bayesiana
14
13 …induz, no “domínio do sinal”, p X (x) dx = p (Wx) d p X (x) = p (Wx) …porque det(W)=1, dx = d Propriedade de descorrelação da DWT. Coeficientes a priori independentes. Função densidade de probabilidade a priori, no “domínio dos coeficientes” p ) com = Wx Formulação bayesiana
15
Teoria da decisão bayesiana Verosimilhança “prior” Custo L(x,x’) 14 x = (y) regra de estimação óptima ^ x = W T Bayes ( ) = W T Bayes (W y) ^ Sob certas condições (fracas) no custo L(x,x’) : W y W T ^ Estimador Bayes (.) ^ x = W T Formulação bayesiana
16
15 Verosimilhança e probabilidade a priori exprimem independência Estimação independente; i.e., coeficiente por coeficiente Justifica que se considere apenas um coeficiente . p | ~ N ( , 2 ) Função de verosimilhança simples Pergunta: o que deve exprimir a fdp a priori, p( ) ? Resposta: o carácter esparso dos coeficientes da DWT Formulação bayesiana: escolha do “prior”
17
16 Proposta: Exprime total ignorância acerca da “escala” em que está representado …no seguinte sentido: Mudança de escala (por ex., de volt para milivolt): ’= k Outra interpretação: p(log(| )) = const. Formulação bayesiana: escolha do “prior”
18
17 Características de: Extremamente “heavy-tailed” Tão “heavy-tailed” que é impróprio. …não é uma função densidade de probabilidade “vulgar”. Limite de uma família de Student-t Formulação bayesiana: escolha do “prior”
19
18 Lei de Bayes: Escreva-se: Em que p’( ) está não normalizada: Obviamente: Conclusão: p( ) não depende da normalização do “prior” Revisão: estimação bayesiana com “prior” impróprio
20
19 Lei de Bayes com “prior” não normalizado Exemplo clássico: estimador de máxima verosimilhança: …não é mais do que um estimador MAP com p’( ) = const.=A Revisão: estimação bayesiana com “prior” impróprio
21
Dificuldade: com 20...a própria fdp a posteriori é imprópria: Solução: Escrita alternativa para p( ): Bayes hierárquico. Aplicação de uma técnica de Bayes empírica (“empirical Bayes”) O “prior”proposto
22
21 A fdp a priori é equivalente ao seguinte modelo hierárquico: p | = N ( , 2 ) p | = N ( , 2 ) p 2 ) “Prior” de Jeffreys Estimação bayesiana hierárquica
23
p 2 ) Invariante sob mudanças de escala (ignorância) p 2 ) a b aa bb 22 mesma área, mesma probabilidade = Universal: não depende de escolha de escala Estimação bayesiana: “prior” de Jeffreys
24
23 1. Estimar 2 com base na fdp marginal: 2. Utilizar essa estimativa no critério de Bayes: = Bayes ( | 2 ) Estimaçao bayesiana empírica
25
24 p | 2 ) = N ( , 2 + 2 ) z z+z+ p | = N ( , 2 )...porque + n N(,2)N(,2) N(,2)N(,2) p 2 ) ~ “prior de Jeffreys” 22 p | = N ( , 2 ) = E[ | , ] = ^ 2 + 2 Estimaçao bayesiana empírica
26
25 Limiar “universal” Nova regra de “threshold/shrinkage”
27
26 Nova regra versus “hard” e “soft” “thresholding” (com o mesmo limiar) Nova regra versus “hard” e “soft” “thresholding”
28
27 Comparação de desempenho: sinal “Blocks”
29
28 Comparação de desempenho: sinal “Bumps”
30
29 Comparação de desempenho: sinal “Doppler”
31
30 Comparação de desempenho: sinal “HeaviSine”
32
31 + ruído processamento Exemplo em restauração de imagens
33
32 + ruído processamento Exemplo em restauração de imagens
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.