Wyniki wyszukiwania - Biblioteka Nauki

1

Adaptive shrinkage on dual-tree complex wavelet transform for denoising real-time MR images

100%

Venuji Renuka S. , Reddy Edla D.

Biocybernetics and Biomedical Engineering

|

2019

|

tom Vol. 39, no. 1

133--147

EN

Performance of denoising filters which are based on the principle of wavelet thresholding greatly depends upon selection of the threshold value. An objective method is proposed in this paper for computing the optimum value of threshold in DTCWT based denoising. At optimum threshold, annoying intensity transitions of pixels in the homogeneous regions of the images, contributed by noise get completely suppressed and the true edges remain unaffected. For finding optimum value of threshold a newly derived quality metric termed as Optimum Denoising Index (ODI), which quantifies both the edge-preservation and smoothing of homogeneous regions is used. The ODI values corresponding to mean, median, Gaussian, Wiener, Bilateral, Kuwahara filters and wavelet thresholding are 0.1192±0.0118, 0.2196±0.0125, 0.1283±0.0118, 0.2106±0.0145, 0.1590±0.0331, 0.2200±0.0101 and 0.2516±0.0094, respectively. The wavelet thresholding has better edge-preservation and denoising capacity than the said denoising schemes. The ODI is highly correlated with its existing alternatives like Peak Signal to Noise Ratio (PSNR) and Structured Similarity Index Metric (SSIM) with values 0.9165 0.0536 and 0.9050 0.0452 respectively. This shows ODI is a good alternative to PSNR and SSIM.

2

Load identification method of ball mill based on the CEEMDAN-wavelet threshold - PMMFE

80%

Yang L. , Yang H.

Gospodarka Surowcami Mineralnymi

|

2024

|

tom T. 40, z. 2

163--180

EN

In order to address the difficult problem of ball mill load identification during milling operation, the multi-scale fuzzy entropy algorithm is introduced into ball mill load identification and an innovative ball mill load identification method is proposed - the complete integrated empirical decomposition based on adaptive noise (CEEMDAN)-joint denoising with wavelet thresholding-multi-scale fuzzy entropy biased mean value (PMMFE) ball mill load identification method. Firstly, the vibration signals of ball mill bearings are denoised by the CEEMDAN-wavelet threshold joint denoising method and the analysis reveals that this method has obvious advantages over other denoising methods; secondly, the fuzzy entropy, multi-scale fuzzy entropy, and multi-scale fuzzy entropy deviation of denoised vibration signals are computed, the relationship between each entropy feature and the mill load is analysed in-depth and in an information-rich manner. Finally, the least squares support vector algorithm is used to identify the load of the feature vector. The analysis of the measured vibration signals reveals that the overall recognition rate of this method is 84.4%, which is significantly higher than that of other denoising methods and the combination of feature parameters, and the experiments show that the mill load recognition method based on CEEMDAN-wavelet thresholding-PMMFE is able to effectively identify the different loading states of ball mills.

PL

W celu rozwiązania trudnego problemu identyfikacji obciążenia młyna kulowego podczas operacji mielenia, do identyfikacji obciążenia młyna kulowego wprowadzono wieloskalowy algorytm entropii rozmytej oraz zaproponowano innowacyjną metodę identyfikacji obciążenia młyna kulowego – pełną zintegrowaną dekompozycję empiryczną opartą na szumie adaptacyjnym (CEEMDAN) – wspólne odszumianie z progowaniem falkowym – wieloskalowa metoda identyfikacji obciążenia młyna kulowego metodą rozmytej entropii z odchyleniem wartości średniej (PMMFE). Po pierwsze, sygnały wibracyjne łożysk młyna kulowego są odszumiane za pomocą wspólnej metody odszumiania CEEMDAN z progowaniem falkowym, a analiza pokazuje, że metoda ta ma oczywiste zalety w porównaniu z innymi metodami odszumiania; po drugie, obliczana jest rozmyta entropia, wieloskalowa rozmyta entropia i wieloskalowe rozmyte odchylenie entropii odszumionych sygnałów wibracyjnych, a związek między każdą cechą entropii a obciążeniem młyna jest analizowany dogłębnie i w sposób bogaty w informacje. Na koniec, algorytm wektora wsparcia najmniejszych kwadratów jest wykorzystywany do identyfikacji obciążenia wektora cech. Analiza zmierzonych sygnałów wibracyjnych pokazuje, że ogólny wskaźnik rozpoznawania tej metody wynosi 84,4%, co jest znacznie wyższe niż w przypadku innych metod odszumiania i kombinacji parametrów cech, a eksperymenty pokazują, że metoda rozpoznawania obciążenia młyna oparta na progowaniu falkowym CEEMDAN-PMMFE jest w stanie skutecznie identyfikować różne stany obciążenia młynów kulowych.

3

Implementation of chaotic atom search optimized SWIN transformer architecture for efficient corpus callosum segmentation in brain MRI images

80%

Avasarala P. S. , Govindakumar S.

Przegląd Elektrotechniczny

|

2023

|

tom R. 99, nr 12

185--189

EN

A crucial component of the brain that facilitates neuronal communication between the two halves of the brain is the corpus callosum (CC). Processing sensorial, motor, and sophisticated intellectual impulses is the major job of the corpus callosum, which integrates and transfers data from both cerebral hemispheres. Segmentation the CC from brain MRIs is a highly challenging technique because of the low brightness of the surrounding organs and tissues. CNN has historically performed better in segmenting medical images, but in 2021 Microsoft researchers created a novel transformer-based structure that outperformed the prior classification methods. As a result, we propose a CC segmentation method based on the Chaotic Atom Search Optimized Swin (Shifted Window) Transformer architecture. The brain MR imaging database is collected using the opensource OASIS platform. Wavelet Thresholding preprocessing compresses the brain MR images and lowers unneeded noise. The corpus callosum is segmented from images of the skull using the proposed Swin framework, which has been developed and trained. The suggested framework is implemented in the Python environment, and metrics like as accuracy, recall, precision, and F1-score are analyzed and compared with existing systems.

PL

Kluczowym elementem mózgu, który ułatwia komunikację neuronalną między dwiema połówkami mózgu, jest ciało modzelowate (CC). Przetwarzanie impulsów czuciowych, motorycznych i wyrafinowanych intelektualnych to główne zadanie ciała modzelowatego, które integruje i przesyła dane z obu półkul mózgowych. Segmentacja CC na podstawie rezonansu magnetycznego mózgu jest techniką bardzo wymagającą ze względu na niską jasność otaczających narządów i tkanek. W przeszłości CNN radziło sobie lepiej w segmentacji obrazów medycznych, ale w 2021 r. badacze firmy Microsoft stworzyli nowatorską strukturę opartą na transformatorach, która przewyższała wcześniejsze metody klasyfikacji. W rezultacie proponujemy metodę segmentacji CC opartą na architekturze transformatora Chaotic Atom Search Optimized Swin (Shifted Window). Baza danych obrazowania MR mózgu jest gromadzona przy użyciu platformy OASIS typu open source. Wstępne przetwarzanie Wavelet Thresholding kompresuje obrazy MR mózgu i obniża niepotrzebne szumy. Ciało modzelowate jest segmentowane na podstawie obrazów czaszki przy użyciu proponowanego modelu Swin, który został opracowany i przeszkolony. Sugerowany framework jest zaimplementowany w środowisku Python, a wskaźniki takie jak dokładność, przypominanie, precyzja i wynik F1 są analizowane i porównywane z istniejącymi systemami.