Lissage

lisseC'est une méthode de traitement de données couramment utilisée. En statistique et en traitement d'images, des fonctions approximatives sont généralement établies pour capturer les principaux modèles dans les données afin de supprimer le bruit, les détails structurels ou les phénomènes transitoires afin de lisser un ensemble de données.

Au cours du processus de lissage, les points de données du signal sont modifiés de sorte que les points de données individuels causés par le bruit soient abaissés et ceux qui sont inférieurs aux points de données adjacents soient augmentés, ce qui donne un signal plus lisse.

Chemin en douceur

Il existe deux raisons principales pour lesquelles le lissage est utilisé pour l’analyse des données :

• Si l’hypothèse de régularité est raisonnable, davantage d’informations peuvent être obtenues à partir des données ;
• Offrant une analyse flexible et robuste, il existe de nombreux algorithmes différents pour le lissage, mais le lissage des données est généralement effectué à l'aide d'une estimation de densité et d'histogrammes.

Algorithme de lissage

• Moyenne mobile : souvent utilisée pour capturer des tendances importantes dans des enquêtes statistiques répétées. Dans le traitement d'images et la vision par ordinateur, le lissage est utilisé pour la représentation de l'espace d'échelle.
• Lissage rectangulaire/lissage non pondéré : remplace les points du signal par la moyenne de m points connectés, où m est un entier positif appelé « largeur de lissage », généralement un nombre impair.

Applications spécifiques du lissage

• Lissage additif
• Estimation de Good-Turing
• Lissage de Jelinek-Mercer (interpolation)
• Lissage de Katz (backoff)
• Lissage de Witten-Bell
• Remise absolue
• Kneser – Lissage Ney