The aim of this thesis is implementation of wavelet transform algorithm for noise reduction. The noise reduction itself is focused on improving informative capabilities of sonographic (ultrasound) images in medicine. For this purpose, thresholding of detailed coefficients on individual levels of multiresolution analysis was used. Common procedures were not used for searching for the most suitable thresholds of those levels. The alternative concept's design is based on fundamental empirical approach, where the individual thresholds are optimised by evolution algorithms. However, with this algorithmic procedure, more problems manifest regarding the objective evaluation of the success of noise reduction. Because of this, the program uses commonly used parameters such as mean square error of the whole image, linear slope edge approximation, relative contrast of two differently bright and distinct points and the standard deviation of compact surface. Described theoretical knowledge is used in developed application DTWT. It executes multilevel decomposition and reversed reconstruction by discrete time wavelet transform, thresholding of detailed coefficients and final evaluation of performed noise reduction. The developed tool can be used separately to reduce noise. For our purposes, it has been modified in way, that it executed through the component for evolutionary optimization of parameters (Optimize Parameters) in created scenario in RapidMiner program. In the optimization process, this component used evaluation received from DTWT program as fitness function. Optimal thresholds were sought separately for three wavelet families - Daubeschies, Symmlets and Coiflets. The evolution algorithm chose soft threshold for all three wavelet families. In comparison to hard threshold, it is more suitable for noise reduction, but it has tendencies to blur the edges more. The devised method had in most cases greater evaluated success of noise reduction with wavelet transform with threshold search done by evolution algorithms, than commonly used filters. In visual comparison however the wavelet transform introduced some minor depreciating artefacts into the image. It is always about compromise between noise reduction and maximal preservation of image information. Objectively evaluating this dilemma is not easy and is always dependant on subjective viewpoint which in case of sonographic images is that of the attending physician.

Cílem diplomové práce je implementace algoritmu vlnkové transformace pro následné využití při redukci šumu. Samotné potlačování šumu je zaměřeno k zlepšování vypovídající schopnosti sonografických (ultrazvukových) obrazů v medicíně. Využilo se u něj metody prahování detailních koeficientů jednotlivých úrovní mnohaměřítkové analýzy. Při hledání nejvhodnějších prahů se nevycházelo z žádného z běžných postupů pro odhad těchto hladin. Návrh alternativního pojetí vychází ze základního empirického přístupu, kdy jsou jednotlivé prahy optimalizovány za pomoci evolučních algoritmů. S tímto zalgoritmizováným postupem se však projevují problémy objektivního vyhodnocení úspěšnosti redukce šumu. Program za tímto účelem využívá obecně používaných parametrů: střední kvadratickou chybu celého obrazu, strmost jasových změn na zvolené hraně, relativní kontrast dvou dostatečně jasově rozdílných bodů a směrodatnou odchylku jednolité plochy. Popsané teoretické poznatky jsou využity v naprogramované aplikaci DTWT. Ta realizuje víceúrovňovou dekompozici a zpětnou rekonstrukci diskrétní vlnkovou transformací s diskrétním časem, prahování detailních koeficientů a výsledné ohodnocení provedeného potlačení šumu. Tento vyvinutý nástroj lze využít samostatně pro redukci šumu. Pro naše účely byl ale upraven tak, aby se spouštěl prostřednictvím komponenty pro evoluční optimalizaci parametrů (Optimize Parameters) v navrženém scénáři v programu RapidMiner. V optimalizačním procesu využívala tato komponenta jako fitness funk¬ci předané ohodnocení od programu DTWT. Nejvhodnější prahy byly separátně vyhledávány pro tři rodiny vlnek – Daubeschies, Symlety a Coiflety. Evoluční algoritmus vybral u všech tří rodin měkký práh. Ten je ve srovnání s tvrdým prahem pro potlačování šumu vhodnější, ale má tendenci více rozmazávat hrany. Navržená metoda vyhodnotila ve většině případů lepší úspěšnost redukce šumu u vlnkové transformace s vyhledáním prahů evolučními algoritmy, než u běžně používaných filtrů. Při vizuálním porovnání již ale vnášela vlnková transformace do obrazu mírné znehodnocující artefakty. Jedná se vždy o kompromis mezi největším potlačením šumu a zároveň největším zachováním užitečné obrazové informace. Vyhodnotit objektivně toto dilema není jednoduché a záleží vždy na subjektivním pohledu, v případě sonografických snímků pohledu ošetřujícího lékaře.

A