Published January 1, 2023
| Version v1
Publication
Open
De-Noising of Sparse Signals Using Mixture Model Shrinkage Function
- 1. New York University
- 2. International Islamic University, Islamabad
- 3. Tampere University
Description
In this work a new thresholding function referred to as 'mixture model shrinkage' (MMS) based on the minimization of a convex cost function is proposed. Normally, thresholding functions underestimate larger signal amplitudes during the de-noising process. The proposed model is a more flexible shrinkage function as it solves the underestimation problem to a greater extent and thus efficiently de-noises the signal without affecting signal amplitudes. The Expectation minimization (EM) algorithm is used to find the model parameters along with the majorization-minimization (MM) algorithm that minimize the monotonic cost function. The proposed model is then applied for de-noising group sparse signals and Shepp Logan phantom images. Our experimental study shows that MMS outclasses current thresholding functions and overlapping group shrinkage algorithm without results suffering from underestimation. Furthermore, the proposed model has the smallest Root Mean Square Error (RMSE) for de-noising group sparse signals.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في هذا العمل، يتم اقتراح دالة عتبة جديدة يشار إليها باسم "انكماش نموذج الخليط" (MMS) بناءً على تقليل دالة التكلفة المحدبة. عادة، تقلل وظائف العتبة من سعة الإشارة الأكبر أثناء عملية إزالة الضوضاء. النموذج المقترح هو وظيفة انكماش أكثر مرونة لأنه يحل مشكلة التقليل من شأن الإشارة إلى حد كبير وبالتالي يزيل الضوضاء بكفاءة دون التأثير على سعة الإشارة. تُستخدم خوارزمية تقليل التوقعات (EM) للعثور على معلمات النموذج جنبًا إلى جنب مع خوارزمية تقليل التكبير (MM) التي تقلل من دالة التكلفة الرتيبة. ثم يتم تطبيق النموذج المقترح على الإشارات المتفرقة لمجموعة إزالة الضوضاء وصور شب لوغان الوهمية. تُظهر دراستنا التجريبية أن MMS تتفوق على وظائف العتبة الحالية وخوارزمية انكماش المجموعة المتداخلة دون أن تعاني النتائج من التقليل من شأنها. علاوة على ذلك، يحتوي النموذج المقترح على أصغر خطأ في متوسط الجذر التربيعي (RMSE) للإشارات المتفرقة لمجموعة إزالة الضوضاء.Translated Description (French)
Dans ce travail, une nouvelle fonction de seuillage appelée « rétrécissement du modèle de mélange » (MMS) basée sur la minimisation d'une fonction de coût convexe est proposée. Normalement, les fonctions de seuillage sous-estiment les amplitudes de signal plus importantes pendant le processus de débruitage. Le modèle proposé est une fonction de retrait plus flexible car il résout le problème de sous-estimation dans une plus grande mesure et élimine ainsi efficacement le bruit du signal sans affecter les amplitudes du signal. L'algorithme de minimisation des attentes (EM) est utilisé pour trouver les paramètres du modèle ainsi que l'algorithme de minimisation de la majorisation (MM) qui minimisent la fonction de coût monotone. Le modèle proposé est ensuite appliqué pour le débruitage des signaux clairsemés du groupe et des images fantômes de Shepp Logan. Notre étude expérimentale montre que le MMS surpasse les fonctions de seuillage actuelles et l'algorithme de rétrécissement de groupe qui se chevauchent sans que les résultats ne souffrent de sous-estimation. En outre, le modèle proposé présente la plus petite erreur quadratique moyenne (RMSE) pour les signaux clairsemés du groupe de débruitage.Translated Description (Spanish)
En este trabajo se propone una nueva función de umbral denominada 'contracción del modelo de mezcla' (MMS) basada en la minimización de una función de coste convexa. Normalmente, las funciones de umbral subestiman las amplitudes de señal más grandes durante el proceso de eliminación de ruido. El modelo propuesto es una función de contracción más flexible, ya que resuelve el problema de subestimación en mayor medida y, por lo tanto, elimina el ruido de la señal de manera eficiente sin afectar las amplitudes de la señal. El algoritmo de minimización de expectativas (EM) se utiliza para encontrar los parámetros del modelo junto con el algoritmo de mayorización-minimización (MM) que minimizan la función de costo monótona. El modelo propuesto se aplica a las señales dispersas del grupo de reducción de ruido y a las imágenes fantasma de Shepp Logan. Nuestro estudio experimental muestra que MMS supera las funciones de umbral actuales y el algoritmo de contracción de grupo superpuesto sin que los resultados sufran una subestimación. Además, el modelo propuesto tiene el error cuadrático medio (RMSE) más pequeño para eliminar el ruido de las señales dispersas del grupo.Files
10018212.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:fc864e6947cd1c2bd4f0826ecb077fc8
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إزالة الضوضاء من الإشارات المتناثرة باستخدام وظيفة انكماش نموذج الخليط
- Translated title (French)
- Dé-bruitage des signaux épars à l'aide de la fonction de rétrécissement du modèle de mélange
- Translated title (Spanish)
- Eliminación del ruido de señales dispersas utilizando la función de contracción del modelo de mezcla
Identifiers
- Other
- https://openalex.org/W4316660930
- DOI
- 10.1109/access.2023.3237255
References
- https://openalex.org/W1788070522
- https://openalex.org/W1975377467
- https://openalex.org/W1975992194
- https://openalex.org/W1979109614
- https://openalex.org/W2006663170
- https://openalex.org/W2010977676
- https://openalex.org/W2053691921
- https://openalex.org/W2054360077
- https://openalex.org/W2095106682
- https://openalex.org/W2108456818
- https://openalex.org/W2115388399
- https://openalex.org/W2118064110
- https://openalex.org/W2130187411
- https://openalex.org/W2139282590
- https://openalex.org/W2146842127
- https://openalex.org/W2148556090
- https://openalex.org/W2151035455
- https://openalex.org/W2436538294
- https://openalex.org/W2490662969
- https://openalex.org/W2517205314
- https://openalex.org/W2586189899
- https://openalex.org/W2620850570
- https://openalex.org/W2747727817
- https://openalex.org/W2929378800
- https://openalex.org/W2942634615
- https://openalex.org/W3077327398
- https://openalex.org/W3092483329
- https://openalex.org/W3118064383
- https://openalex.org/W3121216533
- https://openalex.org/W3130041500
- https://openalex.org/W3159622829
- https://openalex.org/W3171641764
- https://openalex.org/W3199716252
- https://openalex.org/W3200625292
- https://openalex.org/W3202797901
- https://openalex.org/W4210678434
- https://openalex.org/W4214907853
- https://openalex.org/W4220999568
- https://openalex.org/W4285204949
- https://openalex.org/W4294640578