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.
Cours associés (33)
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
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
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
Afficher plus
Concepts associés (16)
Bruit numérique
Dans une , on appelle bruit numérique toute fluctuation parasite ou dégradation que subit l'image de l'instant de son acquisition jusqu'à son enregistrement. Le bruit numérique est une notion générale à tout type d'image numérique, et ce quel que soit le type du capteur à l'origine de son acquisition (appareil photo numérique, scanner, caméra thermique...etc). Les sources de bruit numérique sont multiples, certaines sont physiques liées à la qualité de l’éclairage, de la scène, la température du capteur, la stabilité du capteur de l'image durant l'acquisition, d'autres apparaissent durant la numérisation de l'information.
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.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.