@phdthesis{oai:sucra.repo.nii.ac.jp:00018916,
 author = {Naw, Jacklin Nyunt},
 month = {},
 note = {102 p., Acknowledgements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1 Introduction   15
1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 Problem Statements and Objectives . . . . . . . . . . . . . . . . . . 16
1.3 Overviews . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4 Organization of the Thesis . . . . . . . . . . . . . . . . . . . . . . . 19

2 Parametric Wiener Filter Based on Image Power Spectrum Sparsity   20
2.1 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2 Parametric Wiener Filter . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Wiener Filter . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Parametric Wiener Filter (PWF) . . . . . . . . . . . . . . 23
2.2.3 Noise Variance Estimation . . . . . . . . . . . . . . . . . . . 25
2.2.4 Best-Parameter Determination . . . . . . . . . . . . . . . . . 27
2.3 Parameter Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.1 Power Spectrum Sparsity of an Image . . . . . . . . . . . . . 28
2.4 Implementation of Parametric Wiener Filter . . . . . . . . . . . . . 37
2.5 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3 Noise Level Estimation on Weak-Texture Patch using Image Power Spectrum Sparsity   58
3.1 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 Noise Level Estimation . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.2.1 Weak-Texture Image Patch . . . . . . . . . . . . . . . . . . 61
3.2.2 Noise Level Estimation . . . . . . . . . . . . . . . . . . . . . 63
3.3 Implementation of Proposed Method . . . . . . . . . . . . . . . . . 65
3.4 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4 Flexible Edge Component Detection by Image Power Spectrum Sparsity   77
4.1 Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2 Proposed Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2.1 Power Spectrum Sparsity . . . . . . . . . . . . . . . . . . . . 81
4.2.2 Edge component Determination by Thresholding . . . . . . 82
4.2.3 Diagram of Proposed Method . . . . . . . . . . . . . . . . . 84
4.3 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

5 Conclusion and Future Work   92
5.1 Summary of the Research . . . . . . . . . . . . . . . . . . . . . . . 92
5.2 Future Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94, 指導教員 : 島村徹也, text, application/pdf},
 school = {埼玉大学},
 title = {Image Denoising Based on Image Power Spectrum Sparsity},
 year = {2019},
 yomi = {ナウ, ジャクリン ニュント}
}