Débruitage | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

Le débruitage est une technique d'édition qui consiste à supprimer des éléments indésirables (« bruit »), afin de rendre un document, un signal (numérique ou analogique) ou un environnement plus intelligible ou plus pur. Ne pas confondre le débruitage avec la réduction de bruit. Sur le plan sonore, le débruitage consiste à réduire ou anéantir le rendu d'ondes sonores « parasites » (ou « bruit »). Trois techniques principales sont utilisées couramment (sous Matlab et pour un débruitage de bruit blanc) : L'amplification sélective des fréquences où le bruit de fond est le plus gênant (le plus sensible) : c'est le principe du filtrage analogique audio Dolby. Débruitage par convolution gaussienne : la méthode « historique » de débruitage d'un fichier audio numérique. Se fait, par exemple, sous Matlab. Le seuillage dans une base de Fourier : si l'image (ou le signal) est concentrée sur un petit nombre de coefficients d'une base orthonormée, le seuillage des coefficients est un débruitage efficace. On peut affiner ces débruitages en utilisant une union de bases orthonormées, afin de modifier les coefficients d'une DCT locale. Fichier:GRC - Exemple débruitage.png|Les radios font le plus souvent usage de débruiteurs numériques. Ici pour [[GNU]] Radio. Fichier:Denoising of ocean acoustic signals using wavelet-based techniques (IA denoisingofocean1094531952).pdf|{{en}} (Thèse) Barsanti (1996): ''Débruitage des signaux acoustiques de l'océan à l'aide de techniques basées sur les vaguelettes''. Il s'agit d'une technique mise au point en 1971 par Philips pour les platines cassettes, et commercialisée sous l'acronyme DNL (Dynamic noise limiter). Elle est réalisée par une carte électronique conçue autour d'un circuit intégré spécifique. National Semiconductor a étendu cette technique au traitement du téléphone à longue distance sous l'acronyme dynamic noise reduction (DNR).

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (17)

Personnes associées (23)

Unités associées (2)

Concepts associés (29)

Cours associés (80)

Séances de cours associées (668)

MOOCs associés (13)

Débruitage

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Réseau neuronal convolutif

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.

Neuronal Dynamics - Computational Neuroscience of Single Neurons

The activity of neurons in the brain and the code used by these neurons is described by mathematical neuron models at different levels of detail.

Neuronal Dynamics - Computational Neuroscience of Single Neurons

The activity of neurons in the brain and the code used by these neurons is described by mathematical neuron models at different levels of detail.

Conversion electromécanique I

Circuits magnétiques, aimants permanents, conversion électromécanique, actionneurs.

MICRO-428: Metrology

The course deals with the concept of measuring in different domains, particularly in the electrical, optical, and microscale domains. The course will end with a perspective on quantum measurements, wh

PHYS-467: Machine learning for physicists

Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi

COM-500: Statistical signal and data processing through applications

Building up on the basic concepts of sampling, filtering and Fourier transforms, we address stochastic modeling, spectral analysis, estimation and prediction, classification, and adaptive filtering, w

Plasma-based Electroacoustic Actuator for Broadband Sound Absorption

Stanislav Sergeev

Environmental noise, mostly related to human activities, has an immense impact on public health. The development of noise reduction technologies is paramount in addressing this problem. Because of pra

EPFL2022

Lightweight HI source finding for next generation radio surveys

Jean-Paul Richard Kneib, Frédéric Courbin, Austin Chandler Peel, Emma Elizabeth Tolley, Aymeric Alexandre Galan, Mark Thomas Sargent

Future deep HI surveys will be essential for understanding the nature of galaxies and the content of the Universe. However, the large volume of these data will require distributed and automated proces

ELSEVIER2022

Modeling for Ultra Low Noise CMOS Image Sensors

Raffaele Capoccia

The low-light performance of a CMOS image sensor (CIS) is one of the most important performance metrics in a camera, whether it is used in products for consumer electronics or in an image-acquisition

EPFL2020

Explore la législation environnementale, la lutte contre la pollution, les règlements sur le bruit et l'impact de la construction sur l'environnement.

Explore les modèles linéaires généralisés, les méthodes bayésiennes, la détection comprimée et la perception dans les statistiques à haute dimension.

Explore les modèles de diffusion, en mettant l'accent sur la production d'échantillons provenant d'une distribution et l'importance de la dénigrement dans le processus.