Projektkatalog til TiSib2 - Wavelets -

Transkript

1 Projektkatalog til TiSib2 - Wavelets - HKa

2 Projekt forløb I vælger jeres projekt fra kataloget inden onsdag den 14. november. I melder ind til mig, hvem I er i gruppe med, og hvilket projekt I vil lave. Projektet strækker sig over 3 kursus-uger. Der er ingen undervisning i de 2 første projektuger (uge 46 og uge 47). I arbejder selv i grupperum, eller, hvor I finder det mest hensigtsmæssigt. Jeg er på mit kontor i undervisningstiden og I skal være mere end velkomne på mit kontor, med spørgsmål (lok. 426 c)). Projektet afleveres senest mandag den 26. november kl på mit kontor (evt. under døren). Jeg læser projektet igennem til den 28. november Den 28. november (uge 48) præsenterer I jeres projekt for de andre grupper/klassen. Krav til aflevering og rapport Alle projektrapporter følger vedlagte skabelon Formal lab reports (dog må sideanatllet gerne overskride de 8 sider som er nævnt). En projektgruppe må gerne bestå af 2 eller 3 studerede (men ikke flere). Rapporten skal afleveres og godkendes. 2

3 Wavelet kompression af lyd Prøv at lave jeres eget wavelet-codec til kompression af tale og musik. Codec bygges op på den sædvanlige måde: Del signalet op i blokke af passende længde. Lav wavelet-transformation af blokkene, og smid herefter detaljerne væk. Transformer nu tilbage igen og lim blokkende sammen. Prøv følgende og kom med kommentarer undervejs (skriv jeres kommentarer ned): Prøv med mere eller mindre overlappende vinduer (0-50%). Prøv med forskellige blokstørrelser. Kan kanteffekterne høres? Prøv med de forskellige metoder til udvidelse af signalet som afhjælper kanteffekter. Virker noget bedre end andet. Prøv med forskellige metoder til kvantisering (soft-, hard-thresholdning). Hvis I har mod på det så prøv med wavelet-packets og en passende valgt kost-funktion til at lave bedste basis. Overordnet skal jeres codec opfylde følgende betingelser: Samplingsfrekvens 44.1kHz. Analysen og syntese af mono signal. I bruger Daubechies wavelets (f.eks. db4, db12 eller db20). Ingen real-tidskrav, I behøver ikke gemme jeres komprimerede data, behold dem blot i jeres program og pak direkte ud. Programmering sprog bestemmer I selv. Husk at udregne kompressions-ratio. Test af codec Prøv at lave en lyttetest af jeres codec, og tag jeres wav-fil med i næste uge. Til lyttetesten kan i f.eks. bruge det klassisk klaverstykke. Claire du Lune af Debussy. Litteratur: Hvis I vil arbejde med wavelet packets og lyd kompression kan I læse i: eller [W]: Wickenhauser, Mladen Victor, Acoustic Signal Compression with Wavelet Packets,... [E]: Erne M., et al., Best Wavelet-packet bases for audio coding using perceptual and ratedistortion criteria, 3

4 Wavelet kompression af billeder Prøv at lave jeres eget wavelet-codec til kompression af still-billeder. Codec et bygges op på den sædvanlige måde: Lav wavelet-transformationen af billedet til et vist niveau, smid herefter detaljerne væk (kvantisering). Transformer nu tilbage igen. Prøv nedenstående og kom med kommentarer undervejs (skriv jeres kommentarer ned, vi samler op i næste uge): Prøv med forskellige wavelets, bliver resultatet bedre ved mere glatte wavelets (for debwavelets er dette ensbetydende med højre orden). I JPEG2000 bruges waveletten bio.9.7 eller bio.5.3 (Se evt. i [GW] chap. 8). Prøv med forskellige metoder til kvantisering (soft-, hard-thresholdning). Prøv både en oktav-bånd- og en fuld-dekomposition. Hvis I har mod på det så prøv med wavelet-packets og en passende valgt kost-funktion til at lave bedste basis. Hvordan ser histogrammerne ud for de forskellige komponenter er wavelettranformationen.? Prøv med forskellige billeder. Husk at udregne kompressions-ratio. Litteratur: [GW]: R.C.Gonzalez, R.E.Woods, Digital Image Processing; 2e, Prentice Hall. [C]: Cohen A., Wavelets and multiscale metods in Image Processing, 4

5 Wavelet og detektion af spring og irregulariteter Prøv at lave jeres egen algoritme til detektion af transienter. Algoritmen bygges op på følgende måde: Lav wavelet-transformation til et vist niveau. Bestem transienterne i det wavelettransformerede område og transformer disse tilbage til det oprindelige område. I kan f.eks. prøve at gøre følgende: Læs om f.eks. Wavelets og bestemmelse at irregulariteter og spring i [W] (ikke helt let, prøv bare at forstå det overordnede ideer). Prøv at bestemme transienter i syntetsisk signaler eller signaler som I selv skaffer (kom evt. til mig, hvis I ingen selv kan finde). Litteratur: [W]: Jump and sharp cusp detection by wavelets, YAZHEN WANG, Biometrika 82 (1995), pp

6 Wavelets og fusion af billeder Prøv at lave jeres egen algoritme til fusion af to billeder taget ved et digitalkamera. Algoritmen bygges op på følgende måde: Lav wavelet-transformation af de 2 billeder, kombiner de to wavelettransformerede billeder og transformer nu tilbage igen. I kan f.eks. prøve at gøre følgende: Læs om Wavelet-based fusion af billeder i [GJ]. Prøv at tage to billeder med et digitalkamera, af det samme motiv, men hvor forskellige ting er i fokus. Prøv om I vha. fusions-teknikken kan lave et billede som tager det bedste fra begge billeder. Prøv at lave eksperimenter med fusion-funktioner i MatLabs-wavelets toolbox. Litteratur: [GJ]: Gonzalo Pajares, Jesús Manuel de la Cruz, Wavelet-based image fusion tutorial, Pattern Recognition Volume 37, Issue 9, September 2004, Pages

7 Wavelet og støjfjernelse Prøv at arbejde med wavelets til støjfjernelse i enten billede eller lyd. Algoritmen bygges op på den sædvanlige måde: Lav wavelet-transformation til et vist niveau. Kvantiser det wavelettransformerede signal på passende måde og transformer disse tilbage til det oprindelige område. I kan f.eks. prøve at følgende: Wavelet tarnsformationer til forskellige niveauer. Forskellig typer wavelets.. Forskellige kvantiseringemetoder (hard- soft-thresholdning) osv. jf. Undervisningen. Afprøv også Translation invarians-metoden til støjfjernelse Supplerende litteratur: [M]: Mallat, A Wavelet Tour of signal Processing, PH (i uddrag) 7

8 - Optimal valg af wavelest - Prøv at arbejde med at vælge den optimale wavelet I forbindelse med kompression af signaler. Jeres arbejde kan baseres på dele af artikel [GOB]. Opgaven vil udbygge resulterene i opgaven En wavelet famile. Litteratur [GOB]: R. A. Gopinath, J. E. Odegard, and C. S. Burrus. Optimal wavelet representation of signals and the wavelet sampling theorem. IEEE Trans. on CAS II, 41(4): , April

9 - Wavelet-projekt efter eget valg Kom hen til mig og få en snak om dit forslag til projekt. 9