Estudio comparativo de técnicas de reducción de ruido en señales industriales mediante Transformada Wavelet Discreta y selección adaptativa del umbral

Antonio Cedeño Pozo

Cuba

Universidad de las Ciencias Informáticas

Rafael Trujillo Codorniú

Cuba

Instituto Superior Minero Metalúrgico de Moa

|

Aceptado: 07-02-2018

|
DOI: https://doi.org/10.1016/j.riai.2013.03.003
Datos de financiación

Descargas

Palabras clave:

Transformada wavelet, Ruido, Señales industriales, Ruido gaussiano

Agencias de apoyo:

Universidad de las Ciencias Informáticas (UCI). Instituto Superior Minero Metalúrgica de Moa (ISMM).

Resumen:

Las técnicas de reducción de ruido son ampliamente utilizadas en la grabación de audio, la edición de imágenes y en el procesamiento de señales industriales. La idea es reconstruir los datos originales a partir de la señal ruidosa suprimiendo toda, o casi toda, la distorsión generada por el ruido inherente a los procesos físicos. En el presente trabajo se realiza una comparación de diferentes métodos de supresión de ruido que se basan en la selección adaptativa del umbral. Estas técnicas han sido usadas extensivamente en el procesamiento de imágenes pero el objetivo de este trabajo es evaluar su rendimiento en la reducción de ruido de señales industriales. En particular se analiza el comportamiento de los métodos Bayes Shrink, Normal Shrink, Modified Shrink y Neight Shrink para la reducción de ruido gaussiano en estas señales. A tales efectos se utilizó un conjunto de señales patrón, que incluye a las señales propuestas por Donoho y otras mediciones representativas obtenidas de procesos reales en las plantas de Níquel cubanas. Las pruebas realizadas revelan que el algoritmo Neigh Shrink es el que mejor se comporta en los datos analizados.
Ver más Ver menos

Citas:

Chang, S. G., Yu, B., Vetterli, M., 2000. Adaptive wavelet thresholding for image denoising and compression. IEEE Transactions on Image Processing 9 (9), 1532–1546.

Dolabdjian, C., Fadili, J., Leyva, E. H., 2002. Classical low-pass filter and real-time wavelet-based denoising technique implemented on a DSP: a comparison study. The European Physical Journal Applied Physics 20, 135– 140.

Donoho, D., Johnstone, I., Johnstone, I. M., 1993. Ideal spatial adaptation by wavelet shrinkage. Biometrika 81, 425–455.

Donoho, D., Johnstone, I. M., 1995. Adapting to unknown smoothness via wavelet shrinkage. Journal of the American Statistical Association 90, 1200–1224.

Elyasi, I., Zarmehi, S., 2009. Elimination noise by adaptive wavelet threshold. World Academy of Science, Engineering and Technology 56, 56–86.

Kaur, L., Gupta, S., Chauhan, R. C., 2002. Image denoising using wavelet thresholding. In: Indian Conference on Computer Vision, Graphics and Image Processing, Ahmedabad.

Leigh, A., Wong, A., Clausi, D. A., Fieguth, P., 2011. Comprehensive analysis on the effects of noise estimation strategies on image noise artifact suppression performance. Proceedings of the IEEE International Symposium on Multimedia ISM ’11, 97–104.

Rioul, O., Vetterli, M., Oct. 1991. Wavelet and signal processing. IEEE Signal processing Magazine 8 (4), 14–38.

Sihag, R., Sharma, R., Setia, V., 2011. Wavelet thresholding for image de-noising. IJCA Proceedings on International Conference on VLSI, Communications and Instrumentation (ICVCI) (14), 20–24, published by Foundation of Computer Science.

Solano, J. J. P., 2002. Supresion de interferencias mediante transformadas ´ wavelet en sistemas de comunicacion con espectro ensanchado por salto de ´ frecuecia. Ph.D. thesis, Universidad de Valencia.

Xia, R., Meng, K., Qian, F., Wang, Z.-L., 2007. Online wavelet denoising via a moving window. Acta Automatica Sinica 33 (9), 897 – 901.

Ver más Ver menos