فهرس المقالات Variational Bayes

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Wavelet-based Bayesian Algorithm for Distributed Compressed Sensing
  Razieh Torkamani Ramezan Ali Sadeghzadeh
  10.7508/jist.2019.02.001
  The emerging field of compressive sensing (CS) enables the reconstruction of the signal from a small set of linear projections. Traditional CS deals with a single signal; while one can jointly reconstruct multiple signals via distributed CS (DCS) algorithm. DCS inversio أکثر

  The emerging field of compressive sensing (CS) enables the reconstruction of the signal from a small set of linear projections. Traditional CS deals with a single signal; while one can jointly reconstruct multiple signals via distributed CS (DCS) algorithm. DCS inversion method exploits both the inter- and intra-signal correlations via joint sparsity models (JSM). Since the wavelet coefficients of many signals is sparse, in this paper, the wavelet transform is used as sparsifying transform, and a new wavelet-based Bayesian DCS algorithm (WB-DCS) is proposed, which takes into account the inter-scale dependencies among the wavelet coefficients via hidden Markov tree model (HMT), as well as the inter-signal correlations. This paper uses the Bayesian procedure to statistically model this correlations via the prior distributions. Also, in this work, a type-1 JSM (JSM-1) signal model is used for jointly sparse signals, in which every sparse coefficient vector is considered as the sum of a common component and an innovation component. In order to jointly reconstruct multiple sparse signals, the centralized approach is used in DCS, in which all the data is processed in the fusion center (FC). Also, variational Bayes (VB) procedure is used to infer the posterior distributions of unknown variables. Simulation results demonstrate that the structure exploited within the wavelet coefficients provides superior performance in terms of average reconstruction error and structural similarity index. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - استنتاج بیزین تغییراتی در حذف نویز از تصاویر فراطیفی با استفاده از متغیرهای پنهان مبتنی بر خوشه‌بندی
  طاهره بحرینی عباس ابراهیمی مقدم مرتضی  خادمی هادی صدوقی یزدی
  حذف نویز از تصاویر فراطیفی گامی اجتناب‌ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش‌های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش‌ها به شباهت‌های مکانی- طیفی به طور هم‌زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گر أکثر

  حذف نویز از تصاویر فراطیفی گامی اجتناب‌ناپذیر برای بهبود کیفیت این نوع تصاویر است و روش‌های بسیاری در این زمینه توسط محققان پیشنهاد شده است. اغلب این روش‌ها به شباهت‌های مکانی- طیفی به طور هم‌زمان توجه ندارند. زمانی که روش حذف نویز، داده را به صورت سراسری بدون در نظر گرفتن شباهت‌های مکانی- طیفی به کار می‌برد، معمولاً بر روی پیکسل‌های با سطح پایین نویز تأثیر نامطلوب می‌گذارد؛ آن هم زمانی که در داده فراطیفی، تعداد زیادی از پیکسل‌ها نویز کمی دارند و تعداد اندکی از پیکسل‌ها به وسیله سطح بالای نویز تخریب می‌شوند. در این مقاله، ابتدا شباهت‌های مکانی- طیفی موجود در تصاویر با تعریف متغیر پنهان مبتنی بر خوشه‌بندی استخراج می‌شود. در ادامه، یک روش تجزیه ماتریس رتبه‌پایین مبتنی بر این متغیرهای پنهان برای حذف نویز تصاویر فراطیفی و بهبود مقاومت در مقابل انواع نویز (در مقایسه با سایر روش‌ها) پیشنهاد می‌شود. کارایی روش پیشنهادی با شش روش جدید بر روی تصاویر واقعی آلوده به نویز به صورت بصری مقایسه شده و برای مقایسه کمی، همان آزمایش‌ها روی تصاویر بدون نویزی که با شش نوع نویز ترکیب شده و تصاویری نزدیک به داده واقعی ایجاد کرده‌اند مقایسه شده است. نتایج شبیه‌سازی نشان می‌دهد که با اعمال متغیر پنهان در چارچوب استنتاج بیزین تغییراتی، عملکرد روش حذف نویز بهبود می‌یابد و روش پیشنهادی عملکرد بهتری نسبت به سایر روش‌های مورد مقایسه دارد. تفاصيل المقالة