2.2. Finite ridgelet transformRecen

2.2. Finite ridgelet transform
Recently, the curvelet and ridgelet transforms [27,28,24] have been generating a lot of interest due to their superior performance over wavelets. While wavelets have been very successful in applications such as denoising and compact approximations of images containing zero dimensional (point) singularities, they do not isolate the smoothness along edges that occurs in images because they lack flexible directionality. Wavelets are thus more appropriate for the reconstruction of sharp point-like singularities than lines or edges. These shortcomings of wavelets are well addressed by the ridgelet and curvelet transforms, as they extend the functionality of wavelets to higher dimensional singularities, and are effective

ผลลัพธ์ (ไทย) 2:

2.2 ริดจ์ จำกัด
เปลี่ยนเมื่อเร็วๆ นี้ curvelet และแปลงริดจ์ [27,28,24] ได้รับการสร้างความสนใจอย่างมากเนื่องจากการประสิทธิภาพที่เหนือกว่าของพวกเขามากกว่าแสง ในขณะที่คลื่นได้รับความสำเร็จอย่างมากในการใช้งานเช่น denoising และใกล้เคียงที่มีขนาดกะทัดรัดของภาพที่มีมิติเป็นศูนย์ (จุด) เอกพวกเขาไม่ได้แยกความเรียบเนียนตามขอบที่เกิดขึ้นในภาพเพราะพวกเขาขาดยืดหยุ่นทิศทาง wavelets จึงเหมาะสมมากขึ้นสำหรับการฟื้นฟูบูรณะเอกจุดเช่นที่คมชัดกว่าเส้นหรือขอบ ข้อบกพร่องเหล่านี้ของแสงที่แตกต่างกันโดยริดจ์และแปลง curvelet เช่นที่พวกเขาขยายการทำงานของแสงเพื่อเอกมิติที่สูงขึ้นและมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

2.2 . จำกัดอันดับเปลี่ยน
เมื่อเร็ว ๆนี้และแปลง 27,28,24 ยู่อันดับ [ ] มีการสร้างความสนใจมาก เนื่องจากประสิทธิภาพที่เหนือกว่าในคลื่น . ในขณะที่คลื่นที่ได้รับการประสบความสำเร็จมากในการใช้งานเช่น denoising และกระชับการภาพที่มีมิติเอก ( จุด ) , ศูนย์พวกเขาไม่ได้แยกเรียบขอบที่เกิดขึ้นในภาพ เพราะไม่มีfl exible ทิศทาง คลื่นจึงมีความเหมาะสมสำหรับการฟื้นฟูของแหลม เช่น เอกกว่าเส้นขอบ เหล่านี้เป็นข้อบกพร่องของคลื่นและ addressed โดยอันดับยู่แปลง พวกเขาขยายฟังก์ชันการทำงานของคลื่นที่สูงกว่าเอกมิติ ,และมีประสิทธิภาพ