232_088-208CP-TW
發佈日期 :
2009-04-29
|
| 發明專利說明書 |
| ※申請案號：087119071 | ※I P C 分類：H04N 1/38 | |
| 一、 | 發明名稱： |
| 適應性權重模糊均值影像濾波器之設計與硬體合成方法(全文下載) | |
| 二、 | 中文發明摘要： |
| 本發明提出一個有效的非線性加權模糊均值濾波器可以濾除影像中高密度污染之高斯突波雜訊(Gaussian impulse noise)。僅藉由單一週期，濾波器的權重便可以根據模糊規則來調整。這些模糊規則是依據影像的歷史統計資料(histogram)所訂定的。在知識庫中所有的模糊規則可同時平行推論以評估輸入訊號的自然特性並且調適濾波器。統計上的分析保證所發明之濾波方法即使在影像已經完全地被污染的情況下依然具有強固性與穏定的效能。本濾波器中的各個重要元件由LR模糊基本元件所合成。該基本元件採用類比電流模式的技術以達到高速、低功率、小電路面積的目標。每一個基本元件都同時地執行每秒20,000,000模糊推論，因此可以使得合成的濾波器每秒至少處理50張256點見方的影像。此實為一高速的濾波器。 |
| 三、 | 英文發明摘要： |
| This invention proposes a novel nonlinear filter called adaptive weighted fuzzy mean (AWFM) filter which is capable of removing Gaussian and impulse noises in high-density polluted images. Via a single epoch, the weights of the filter are adapted according to a small set of fuzzy rules, which are constructed by a proposed procedure. All the fuzzy rules in the knowledge base infer concurrently for input nature estimation and filter adaptation. Statistic analyses ensure that this AWFM filtering possesses robust and consistent performance even when images are thoroughly polluted. The AWFM filter is synthesized with generic LR fuzzy cells which adopts CMOS analog current mode technology to subject high speed, low power, and small circuit area objectives. Simulations show that parallel inferences realized by the generic LR fuzzy cells, each of which performs 20M FLIPS (fuzzy logic inferences per second) promise that the synthesized AWFM filter is able to process up to 50 256x256 images per second. |
| 四、 | 指定代表圖： |
| (一)本案指定代表圖為： 第（ ）圖 | |
| (二)本代表圖之元件符號簡單說明： |
| 五、 | 本案若有化學式時，請揭示最能顯示發明特徵的化學式： |
| 六、 | 發明說明： |
| 【發明所屬之技術領域】 | |
| [0001] | 本發明提出一個有效的非線性加權模糊均值濾波器可以濾除影像中高密度污染之高斯突波雜訊(Gaussian impulse noise)。 |
| 【先前技術】 | |
| [0002] | 傳統上設計非適應性、非時變性濾波器時，必須要先了解輸入訊號的特性。然而，在許多應用上由於無法取得有關輸入訊號的完整知識或者是因為輸入訊號是時變性的，因此存在著許多不確定性。為了配合不確定性，許多文章如A. C. Tan等人於1997年IEEE Trans. Circuits Syst. II第44卷第5期第358-370頁報導適應性演算法已經被提出。這些適應性演算法中如Petrus C. W.等人於1996年美國專利第5,581,494號所示無非是使用最小均方誤差(Least Mean Square Error),或最小平均絕對誤差(Least Mean Absolute Error)等遞迴的方法來調整濾波器參數。然而，當訓練訊號(desired signal)無法取得或是不確定時，用這樣的方法便無法得到合理的效果。並且，在高速的濾波程序中，若反覆許多次遞迴地讓濾波器學習會需要許多的時間，因此不適合使用這樣的演算法。在硬體的實現方面，最小均方誤差或最小平均絕對誤差式的遞迴演算法需要複雜的電路以管理儲存體以及控制反覆遞迴的動作。由目前技術水平，要達到小電路、高速濾波是不可能的。因此，本發明提出了一個較直接的適應性濾波方法以及其硬體之合成方法，以達到小電路高速濾波的目標。本發明所提出適應性濾波器具有高穩定性，無須多次遞迴調整便可以快速有效地將受到污染的影像復原回來。並且不論是雜訊比例的如何，影像皆可以復原。再者，所發明濾波器具有輸入相依(input-dependent)與時變(time-variable)特性，其會根據輸入自行調整相關之權重，因此不需要事先了解輸入的先天特性。 |
| [0003] | 近年來模糊集合理論(fuzzy set theory)如X.-J. Zeng等人於1995年IEEE Trans. Fuzzy Systems第3卷第2期第219-235頁報導已經成功地應用在非線性與不確定性系統的估計上，並且具有小記憶體需求、較短調適時間、容易實現等優點。基於模糊邏輯的方法，本發明提出一個高穩定性、高效率的濾波器稱之為適應性權重模糊均值濾波器(Adaptive Weighted Fuzzy Mean, AWFM)。此AWFM濾波器波器僅參考數條模糊規則即可自行調節本身的特性,AWFM為C.S. Lee等人於1997年Int. J. Fuzzy Sets and Systems第89卷第2期第157-180頁所報導之WFM濾波器的延伸，這些模糊規則是由一簡單且不需要遞迴反覆學習之演算法求得的，圖1顯示此AWFM濾波器之方塊圖。每當輸入訊號x(i,j)到達WFM濾波器時，知識庫中的一組模糊規則便執行模糊推論來調節WFM濾波器的權重。WFM濾波器的輸出ywfm(i,j)便被送到另外一組模糊規則做輸入品質評估並且調節模糊檢測器(fuzzy detector)的權重，以使模糊檢測器可以正確地檢測到雜訊振幅ξ(i,j)。整個AWFM濾波器的輸出最後由動態選擇器(dynamic selector)在ξ(i,j)、ywfm(i,j)、ywfm(i,j)+ξ(i,j)、以及ywfm(i,j)-ξ(i,j)之中來挑選。 |
| [0004] | 在硬體的實現方面，傳統的濾波器硬體合成有兩大類如1989年B.S.Song於IEEE J.of Solid-State Circuits第24卷第320-324頁報導，或公告第135264號，第217475號中華民國專利為類比取樣資料(analog sampled-data)；以及可區分為如1993年J. Silva-Martinez等人於IEEE J. of Solid-State Circuits第993-1001頁報導，公告第182719號,159301號,143145號中華民國專利之連續時間(continuous-time)技術。前者通常在低雜訊應用上有較高的準確性，而後者可以實現在較高頻的應用上。然而，這些濾波器大多是線性並且沒有考慮輸入相依(input-dependent)與時變(time-variant)的實現。為了能夠完整實現AWFM濾波器的優點，發明人在此提出了一個硬體合成的方法，此方法採用1998年IEEE. Trans. on Fuzzy Systems第6卷第2期第266-285頁中，由發明人所報導之完全互補金氧半(full CMOS)電流模式(current mode)之通用型LR模糊基本元件(generic LR fuzzy cells)來實現AWFM濾波器。在國際上發表的論文中已經證明該LR模糊基本元件實現高速度的模糊邏輯推論並且具有良好的互補金氧半雜訊免疫力(CMOS noise immunity)許多類型的模糊規則都可以用這些基本元件之間的連接來表示就像傳統數位系統中的邏輯閘一般。 |
| [0005] | WFM濾波器基本上是以一個以模糊數(fuzzy numbers)為運算的均值濾波器。傳統均值濾波器無法濾除高比例添加突波雜訊，然而WFM可以簡單有效地完成這項工作。考慮一張無雜訊大小為N1×N2具有L灰度(gray level)的影像S記為 。其中每一點圖素(pixel)之灰階值的範圍介於0到L-1之間。於是,S中圖素的灰階污染可以用[0, L-1]的模糊子集合(fuzzy subsets)來表示。每個模糊子集代表一個關於灰度值的抽象觀念(意即明亮度特性)。例如，"暗(dark, DK),中等(median, MD)或亮(bright, BR)"。而這些模糊子集合的隸屬度函數便指出一個圖素屬於某一個特定抽象觀念的程度。這些模糊集合如C.-S Lee等人於1997年Int. J. Fuzzy Sets and Systems第89卷第2期第157-180頁報導可以從影像的灰度值分佈圖來求得，或由相關領域的專家來給定。影像S在傳送到某個影像處理系統的輸入端時可能會受到污染，因此需要一個濾波器來濾除雜訊。令 與 分別為原始輸入影像及WFM濾過的輸出影像。X中某圖素x(i, j)可能被雜訊n(i,j)污染使得其灰度值為x(i,j)=s(i,j)+n(i,j)。WFM濾波器的目的便是要參考表示S明亮度的模糊集合，然後以濾過的輸出訊號yWFM(i,j)來估計s(i,j)。 |
| [0006] | 在WFM中用到的模糊集合H. J. Zimmermann等人於1991年Fuzzy set theory and its applications報導是一種L-R類型的模糊數，可用下列方程式表示： 其中對於任意實數y, L(y)=R(y)=LR(y)=max(0, 1-y),意即,L和R具有相同的形狀函數LR,並且μ(x)可以用[mM, αM, βM]LR來表示。 |
| [0007] | 令WFM(．)表示WFM濾波器的函數。於是，第(i,j)個已濾完影像的圖素可以明確地描述為 其中Xa×b(i,j)是一個大小axb以輸入圖素x(i,j)為中心的取樣矩陣，例如 WFM濾波器的功能便可以由如下定義的一組模糊規則來描述。 |
| [0008] | WFM中所引用的模糊規則以下列通式來表示：If U is M then V is fM(U)其中M是一個由[mM, αM, βM]LR表示的模糊集合,U和V分別為大小為axb的矩陣[u(i,j)]axb與[v(i,j)]axb(WFM中a=b=3)，而命題"Uis M"及"Vis fM(U)"分別為命題矩陣[u(i, j)is M]axb及[v(i,j)is fM(U)]axb。結論模糊集fM(U)定義如下  當中μM(u(i, j))為針對輸入訊號u(i, j)的前提"u(i,j)is M"的配合度(matching degree)。在推論期間，結論"V is fM(U)"被解模糊(defuzzify)為明確輸出v以當作推論結果。解模糊公式如下所示： |
| [0009] | 對於過濾一個圖素,WFM(.)首先激發下列三條模糊規則來執行三個不同的模糊均值程序：Rule1: IfXis DK then YDK is fDK(X) |
| [0010] | Rule2:IfXis MD then YMD is fMD(X) |
| [0011] | Rule3:IfXis BR then YBR is fBR(X) |
| [0012] | 其中DK表示”暗”的模糊集合,MD表示”中等”的模糊集合,BR表示”亮”的模糊集合，這些模糊規則分別產生三個解模糊後的明確值yDK、yMD、與yBR。除了三個模糊均值程序之外,WFM亦執行一個如下列Rule 4所定義的模糊估測(fuzzy estimation)。 |
| [0013] | H. J. Zimmermann於1991年Fuzzy set theory and its applications報導一個LR類型模糊區間(fuzzy interval)I具有兩個形狀函數L和R以及四個參數(mIl,mIr) R2ں{-∞,∞}, αI,和βI來構成I的隸屬度函數 此模糊區間於是以記為I=[mIl,mIr,αI,βI]LR |
| [0014] | C.S. Lee等人於1997年Int.J.Fuzzy Sets and Systems第89卷第2期第157-180頁報導於WFM的模糊估測器(fuzzy estimator)所敘述之ES是由下列的模糊規則所實現Rule 4: If X is I then the fuzzy eatimate ES of X is fI(X) 其中X是一個大小axb(WFM中為3x3)以x(i,j)為中心的取樣矩陣；I是一個由灰度分佈圖(histogram)求得的模糊區間。在根據方程式(4)求得Rule 4的解模糊輸出es(X)。 |
| [0015] | 最後，藉由如下Rule 5來實現一個決策程序，從Rule 1到Rule 3所產生的三個中間輸出之中,Rule 5選擇一個當作WFM的最後輸出：Rule 5: If Yt is closest_to_ES then YWFM is fclosest_to_ES(Yt)其中向量Yt=(yDK, yMD, yBR),而定義於[0, L-1]的模糊集合closest_to_ES由下列隸屬度函數來描述  |
| [0016] | 表1. WFM濾波器優先權選擇電路的真值表 |
| [0017] | 表2.動態選擇器優先權選擇電路的真值表 |
| [0018] | 表3. AWFM、WFM、以及各種不同均值與中位數濾波器對於不同突波雜訊效能之比較 |
| 【發明內容】 | |
| 【實施方式】 | |
| 【圖式簡單說明】 | |
| [0054] | 圖1 AWFM濾波器之方塊圖 |
| [0055] | 圖2兩種LR模糊推論基本元件的功能方塊圖a)表示具有單一眾數隸屬度函數的模糊集合,b)表示具有眾數區間的模糊區間。 |
| [0056] | 圖3 LR隱含基本元件的減法器(SUB)和除法器(DIV)方塊的詳細電路a)SUB方塊的詳細電路圖b)DIV方塊的詳細電路 |
| [0057] | 圖4解模糊元件的架構圖 |
| [0058] | 圖5 WFM濾波器的合成：(a)WFM濾波器的架構,(c)WFM濾波器中決策模組的合成(b)以LR模糊基本元件合成[定義1]的模糊規則，圖6 WFM濾波器中決策模組的MAX方塊的詳細電路 |
| [0059] | 圖7 WFM中取最大值器(MAX)方塊與優先權選擇電路的搭配 |
| [0060] | 圖8模糊檢測器的架構 |
| [0061] | 圖9動態選擇器的架構 |
| [0062] | 圖10 (a)AWFM, WFM,與中位數濾波器對於被雜訊污染的"Lena"影像之MAE曲線，橫軸為雜訊發生機率p 1…適應性權重模糊均值濾波器(AWFM), 2…權重模糊均值濾波器(WFM), 3…中位數濾波器(medium) |
| [0063] | 圖10 (b)AWFM, WFM與中位數濾波器對於被雜訊污染的"Baboon"影像之MAE曲線，橫軸為雜訊發生機率p |
| [0064] | 圖10 (c)AWFM, WFM,與中位數濾波器對於被雜訊污染的"Lena"影像之MSE曲線，橫軸為雜訊發生機率p |
| [0065] | 圖10 (d)AWFM, WFM,與中位數濾波器對於被雜訊污染的"Baboon"影像之MSE曲線，橫軸為雜訊發生機率p |
| [0066] | 圖11對於影像House模糊檢測器與傳統檢測器的結果(實際的突波振幅為100) |
| [0067] | 圖12對於影像Lena模糊檢測器與傳統檢測器的結果(實際的突波振幅為100) |
| [0068] | 圖13對於影像Airplane模糊檢測器與傳統檢測器的結果(實際的突波振幅為100) |
| [0069] | 圖14對於影像Sailboat模糊檢測器與傳統檢測器的結果(實際的突波振幅為100) |
| [0070] | 圖15評估AWFM的功效(a)無雜訊影像"Lena", (b)中位數濾波器的結果,(c)WFM的結果,(d)AWFM的結果,(e)無雜訊影像"Peppers", (f)中位數濾波器的結果,(g)WFM的結果,(h)AWFM的結果。 |
| [0071] | 圖16評估AWFM的功效(a)雜訊機率p=0.5的"Lena"影像,(b)中位數濾波器的結果,(c)WFM的結果,(d)AWFM的結果,(e)雜訊機率p=0.5的"Peppers"影像,(f)中位數濾波器的結果,(g)WFM的結果,(h)AWFM的結果 |
| [0072] | 圖17評估AWEM的功效(a)雜訊機率p=1的"Lena"影像,(b)中位數濾波器的結果,(c)WFM的結果,(d)AWFM的結果, (e)雜訊機率p=1的"Peppers"影像,(f)中位數濾波器的結果,(g)WFM的結果,(h)AWFM的結果 |
| [0073] | 圖18 "Baboon"影像的測試結果(a)高斯突波雜訊機率p=0.2 (b)算數平均濾波器的結果(c)中位數濾波器的結果(d)AWFM濾波器的結果 |
| [0074] | 圖19 "Baboon"影像的測試結果(a)高斯突波雜訊機率p=1.0 (b)算數平均濾波器的結果(c)中位數濾波器的結果(d)AWFM濾波器的結果 |
| 【主要元件符號說明】 | |
| [0019] | 1‧‧‧WFM濾波器 |
| [0020] | 37‧‧‧雙輸出N型互補金氧半電流鏡(cmirrorn 2) |
| [0021] | 2,21‧‧‧模糊規則 |
| [0022] | 36‧‧‧P型互補金氧半電流鏡(cmirrorp) |
| [0023] | 22‧‧‧模糊檢測器 |
| [0024] | 55‧‧‧全比例電流源(rull scale (255)current source) |
| [0025] | 3‧‧‧減法器 |
| [0026] | 91‧‧‧未汙染模糊區間代表符號(I_unc) |
| [0027] | 311‧‧‧取最大器輸出接腳1(max1) |
| [0028] | 92‧‧‧未決定模糊區間1(I_und1) |
| [0029] | 23‧‧‧動態選擇器 |
| [0030] | 54,96‧‧‧優先順位選擇(Prioritized selection) |
| [0031] | 31‧‧‧取最大值器(MAX) |
| [0032] | 312‧‧‧取最大值器輸出接腳2(max2) |
| [0033] | 313‧‧‧取最大值器輸出接腳3(max3) |
| [0034] | 32,33‧‧‧除法器(DIV) |
| [0035] | 314‧‧‧取最大值器輸出接腳(max4) |
| [0036] | 35‧‧‧取最小值(MIN) |
| [0037] | 34‧‧‧隸屬度之形狀函數(LR (x)) |
| [0038] | 39‧‧‧電流m減電流x(mSUBx) |
| [0039] | 4‧‧‧解模糊(DFZ) |
| [0040] | 40‧‧‧電流x減電流m(xSUBm) |
| [0041] | 36a‧‧‧雙輸出P型互補金氧半電流鏡(cmirrorp 2, P-type Metal Oxide Semiconductor current mirror with two outputs) |
| [0042] | 5y‧‧‧決策模組 |
| [0043] | 41‧‧‧乘除法器(Mul/Div) |
| [0044] | 93‧‧‧未決定模糊區間2(I_und2) |
| [0045] | 42‧‧‧電流複製器(電流鏡)(Current copier, current mirror)) |
| [0046] | 51‧‧‧模糊集f1之規則模組1(rule module 1 for fuzzy setf1) |
| [0047] | 52‧‧‧模糊集f2之規則模組2(rule module 2 for fuzzy setf2) |
| [0048] | 5e‧‧‧模糊估計子之規則模組(rule module ES for fuzzy estimator) |
| [0049] | 5m‧‧‧模糊集fm之規則模組(rule module m for fuzzy setfm |
| [0050] | 81‧‧‧模糊區閘I-pos之規則模組(rule module 1 for fuzzy interval I_pos) |
| [0051] | 94‧‧‧正值突波雜訊模糊區間(I_pos) |
| [0052] | 82‧‧‧模糊區閘I-neg之規則模組(rule module 1 for fuzzy interval I_neg) |
| [0053] | 95‧‧‧負值突波雜訊模糊區間(I_neg) |
| 七、 | 申請專利範圍： |
| 1.一種適應性權重模糊均值濾波器(AWFM),包括：LR模糊基本元本元件合成本濾波器中的各個重要元件；一含有模糊規則知識庫，利用歷史統計資料(histogram)改變隸屬度函數(membership function)之參數，以提供權重模糊均值濾波器.模糊檢測器(fuzzy detector),以及動態選擇器(dynamic selector)作為調適權重的參考；非線性加權模糊均值濾波器可以濾除影像中高密度污染之高斯突波雜訊(Gaussian impulse noise),僅藉由單一週期，濾波器的權重便可以根據模糊規則來調整；該模糊規則是依據影像的歷史統計資料所訂定的；在知識庫中所有的模糊規則可同時平行推論以評估輸入訊號的自然特性並且調適濾波器；統計上的分析保證所發明之濾波方法即使在影像已經完全地被污染的情況下依然具有強固性與穩定的效能。 2.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中權重模糊均值濾波器(WFM)前端接收外部輸入而後端耦接模糊檢測器，用以評估輸入特性以及初步濾除雜訊。 3.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中模糊檢測器前端接收外部輸入並耦接權重模糊均值濾波器而後端耦接動態選擇器，藉著比較外部輸入與權重模糊均值濾波器的初步濾波結果來估計大小為nxn之取樣視窗(sampling window)中心點的雜訊振幅。 4.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中動態選擇器前端耦接模糊檢測器並接收外部輸入以及權重模糊均值濾波器之初步濾波結果，從外部輸入、外部輸入減丟模糊檢測器所檢測出來的正值雜訊振幅、外部輸入加上模糊檢測器所檢測出來的負值雜訊振幅絕對值、權重模糊均值濾波器之初步濾波結果等四者中選擇一個為最後濾波輸出。 5.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中模糊規則知識庫各模糊規則所使用之模糊集合之隸屬度函數之調整方法為使用靜態知識庫(static knowledge base): (1)使用標準參考影像資料庫中之參數；(2)使用欲去除雜訊之影像本身之原始隸屬度函數。 6.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中模糊規則知識庫各模糊規則所使用之模糊集合之隸屬度函數之調整方法為使用動態知識庫(dynamic knowledge base)由傳送端傳送標準參考影像之參數至接收端之動態知識庫中；由傳送端傳送影像本身之原始隸屬度函數至接收端之動態知識庫中。 7.如申請專利範圍第2項所述之適應性權重模糊均值濾波器，其中權重模糊均值濾波器(WFM),包含4條模糊規則(1)第一條模糊規則為找出濾除雜訊後影像亮度偏暗的部份；(2)第二條模糊規則為找出濾除雜訊後影像亮度中等的部份；(3)第三條模糊規則為找出濾除雜訊後影像亮度偏亮的部份；(4)第四條模糊規則為找出濾除雜訊後影像之正確亮度。 8.如申請專利範圍第3項所述之適應性權重模糊均值濾波器，其中模糊檢測器，使用三條模糊規則(1)第一條模糊規則為檢測正高斯突波雜訊之振幅；(2)第二條模糊規則為檢測負高斯突波雜訊之振幅；(3)第三條模糊規則為檢測平均高斯突波雜訊之振幅。 9.如申請專利範圍第4項所述之適應性權重模糊均值濾波器，其中動態選擇器使用四條模糊規則(1)第一條模糊規則為選取WFM之輸入訊號為AWFM之輸出；(2)第二條模糊規則為選取WFM之輸出訊號為AWFM之輸出；(3)第三條模糊規則為選取WFM之輸出訊號減去模糊檢測器之輸出訊號為AWFM輸出；(4)第四條模糊規則為選取WFM之輸出訊號加上模糊檢測器之輸出訊號為AWFM輸出。 10.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，其中所有AWFM濾波器硬體合成之技術，應用類比電流模式之技術，使用LR模糊基本元件(Generic LR Fuzzy Cells)來合成。 11.如申請專利範圍第1項所述之適應性權重模糊均值濾波器，如LR模糊基本元件包含兩種LR模糊推論基本元件(LR fuzzy implication cell)的功能方塊圖；係減法器(SUB)、除法器(DIV)、隸屬度之形狀函數(LR(x))、取最大值器(MAX)與取最小值(MIN), a)表示具有單一眾數隸屬度函數的模糊集合,b)表示具有眾數區間的模糊區間；以及解模糊元件。 12.如申請專利範圍第2項所述之適應性權重模糊均值濾波器，其中權重模糊均值濾波器(WFM)之模糊估測器(fuzzy estimator)電路，同時使用包含有模糊區間之模糊推論元件與解模糊元件來執行模糊估測。 13.如申請專利範圍第1項所述適應性權重模糊均值濾波器，其中模糊規則知識庫有關模糊規則之硬體合成方法，係同時使用包含模糊區間之模糊推論元件與解模糊元件來合成模糊規則。 14.如申請專利範圍第2項所述之適應性權重模糊均值濾波器，其中權重模糊均值濾波器(WFM),其硬體之合成包含m+1個規則模組電路,m個具有相同電路結構，其使用nxn個相同含有單眾數(single mode)LR模糊集合之LR模糊基本元件及一個解模糊元件，另一個為(1)一模糊估測器(fuzzy estimator),使用nxn個含有模糊區間之LR模糊基本元件及一個解模糊元件；及(2)一個決策模組，其使用m個電流模式之絕對值SUB電路、一個多輸入及多輸出之求最大值的MAX電路、以及一組優先權選擇電路； 15.如申請專利範圍第14項所述之適應性權重模糊均值濾波器，其中m為權重模糊均值濾波器所參考之模糊規則中所含之模糊集合數目。 16.如申請專利範圍第14項所述適應性權重模糊均值濾波器，其中之WFM決策模組電路，包含同時使用絕對值SUB電路、具有多輸入及多輸出之MAX電路、以及優先權選擇電路。 17.如申請專利範圍第14項所述適應性權重模糊均值濾波器，其中具有多輸入及多輸出之MAX電路，使用差動方式使得具有最大輸入電流之相對輸出接腳具有最低電壓；而MAX電路配合優先權選擇電路使得決策模組具有唯一輸出。 18.如申請專利範圍第17項所述所述適應性權重模糊均值濾波器，其中配合優先權選擇電路與MAX電路，使得僅一開關之啟動訊號具有高(high)電壓以對應到最大輸入電流。使用如此優先權選擇電路與MAX電路來選擇唯一之電流。 19.如申請專利範圍第3項所述之適應性權重模糊均值濾波器，其中模糊檢測器電路使用規則模組與電流鏡將雜訊振幅檢測出來，其中電流鏡為一平均分流電路。 20.如申請專利範圍第4項所述適應性權重模糊均值濾波器，其中動態選擇器電路，使用模糊基本推論元件求得WFM輸出與原始訊號輸入之差值落於每個模糊區間的隸屬度，利用這些隸屬度再配合以多輸入輸出之MAX電路與優先權選擇電路便可以動態地選取最佳之AWFM輸出。 |
| 八、 | 圖式： |
 圖1  圖2(a)  圖2(b)  圖3(a)  圖3(b)  圖4  圖5(a)  圖5(b)  圖5(c)  圖6  圖7  圖8  圖9  圖10(a)  圖10(b)  圖10(c)  圖10(d)  圖11  圖12  圖13  圖14  圖15  圖16  圖17  圖18  圖19 |
瀏覽數:
分享