Redução de ruído em imagem usando limiarização wavelet adaptativa baseada no fator de predição linear

As técnicas de limiarização wavelet, através de ajustes dos coeficientes wavelets, têm como função básica reduzir ou eliminar efeitos indesejados em meios de comunicação de dados, em especial aplicativos computacionais, armazenamento digital, em alguma etapa desse processo as informações podem ser modificadas por diversas interferências, principalmente devido ao ruído. A redução ou eliminação de ruído em imagem se tornou um procedimento importante para melhorar os problemas encontrados nas características visuais desse tipo de sinal. A eficiência das funções de limiarização baseadas na transformada wavelet para redução de ruído é fundamental para a qualidade da imagem, devido apresentar menos efeitos de bordas e texturas, além da redução de ruído ser mais uniforme. Diversas funções de limiarização são propostas para melhorar o desempenho na redução do ruído em imagem, no entanto, alguns desses métodos apresentam problemas incluindo ausência de bordas e texturas, baixa suavidade, descontinuidade da função, além de parâmetros determinados por tentativa e erro. Este trabalho, para aprimorar essas deficiências, propõe um método de redução de ruído de imagem de ressonância magnética cerebral, na proposta, utiliza-se a limiarização wavelet adaptativa reduzindo ou anulando os coeficientes ruidosos da transformada wavelet que são considerados irrelevantes para a imagem processada, além do ajuste do limiar com base no Fator de Predição Linear, que considera a correlação entre a imagem original e ruidosa. O parâmetro de predição linear utiliza as informações temporais das imagens, de acordo com as características das imagens ruidosa e original, ponderando um novo limiar que é aplicado na função de limiarização para o ajuste dos coeficientes da transformada, resultando na redução do ruído. A técnica proposta foi comparada com técnicas tradicionais na literatura. Os resultados experimentais mostram que o método apresenta melhorias significativas em métricas de MSE (Mean Squared Error), PSNR (PeakSignal-to-Noise Ratio) e SSIM (Structural Similarity Index).