การประมวลผลสัญญาณ

ฉันต้องการทราบขอบเขตของการเรียงต่อหกเหลี่ยมในภาพถ่ายเหมือนในภาพด้านล่าง: สำหรับฉันแล้วดูเหมือนว่าวิธีการมาตรฐานที่กริดสแควร์คือการตรวจจับมุม (เช่นแสนอร่อย) ก่อนแล้วจึงแยกเส้นที่ยาวที่สุดผ่านการแปลง Houghหรือสิ่งที่คล้ายกัน นี่ไม่ใช่วิธีที่ดีที่สุดในการปูกระเบื้องด้วยเลขฐานสิบหกเนื่องจากความยาวของเส้นด้านนอกสั้นกว่าและเป็นการยากที่จะแยกพวกมันออกจากเส้นอื่น มีอัลกอริธึมที่จะแก้ไขปัญหานี้หรือไม่? มันเป็นเรื่องดีที่จะมีทางออกใน opencv แต่ฉันก็สนใจในความคิดทั่วไป อัปเดต: ด้วย python และ opencv ฉันสามารถรับผลลัพธ์นี้ได้: นี่คือรหัสของฉัน: import cv2 import numpy as np imgOrig = "test1"; img = cv2.imread(imgOrig+".jpg"); lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3) imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) size = img.shape m …

16 image-processing  opencv  image-segmentation 

ในเอกสารบางเล่มฉันได้อ่านว่าเสียงรบกวนเพิ่มเติมนั้น จำกัด อยู่ที่สีขาวแบบเกาส์เซียน ฉันจะจำลองเสียงประเภทนี้ใช้ MATLAB ได้อย่างไร

16 matlab  noise  gaussian 

ฉันเพิ่งได้ เข้าใจผิดโดยพิจารณาจากเสา s = 1 เนื่องจากมีการตอบสนองที่ไม่สิ้นสุดที่ความถี่ 1 แต่การตอบสนองเป็นเพียง 1 เท่านั้นทีนี้คุณจะได้รับการตอบสนองความถี่จากเสาหรือไม่? ประการที่สองทฤษฎีบอกว่าระบบมีเสถียรภาพเมื่อเสาอยู่ในระนาบ s ซ้ายและจึงสลายตัวตามเวลา แต่เดี๋ยวก่อน. ไม่ "เสา" หมายถึงการตอบสนองที่ไม่มีที่สิ้นสุด - การเติบโตในเวลา? ในที่สุดคำถามที่ถูกต้องใน DSP คืออะไร? IMO, Dย่อมาจากดิจิตอลในขณะที่ s- โดเมนเป็นแบบอะนาล็อก ฉันไม่พบแท็กแปลง s-plane หรือ Laplace เพื่อติดป้ายกำกับโพสต์ของฉัน อัปเดตขอบคุณสำหรับคำตอบ ดูเหมือนว่าฉันจะได้รับยกเว้นสิ่งเล็กน้อย แต่สิ่งพื้นฐาน - ความสัมพันธ์ของเสา (และเลขศูนย์) กับความถี่ โดยทั่วไปเหตุใดค่าลักษณะเฉพาะ (หรือคุณจะเรียกsssตัวดำเนินการ / ตัวแปร) ที่เกี่ยวข้องกับความถี่ได้อย่างไร มันควรเกี่ยวข้องกับการเติบโตแบบเลขชี้กำลังและการแปลงแบบ Laplace ฉันค่อนข้างเข้าใจว่าเสานั้นมีค่าลักษณะเฉพาะ (โดยเฉพาะอย่างยิ่งสำหรับการเกิดซ้ำโดยสิ้นเชิง) แต่สิ่งนี้เกี่ยวข้องกับความถี่อย่างไร

16 continuous-signals  frequency-response  transfer-function  laplace-transform  poles-zeros 

ฉันรู้ว่ามีตัวกรอง FIR 4 ประเภทที่มีเฟสเชิงเส้นนั่นคือการหน่วงกลุ่มคงที่: (M = ความยาวของการตอบสนองต่อแรงกระตุ้น) การตอบสนองแรงกระตุ้นสมมาตร M = คี่ ภูตผีปีศาจ รับผิดชอบ สมมาตร M = เท่ากัน ภูตผีปีศาจ รับผิดชอบ แอนตี้ - สมมาตร, m = คี่ ภูตผีปีศาจ รับผิดชอบ แอนตี้ - สมมาตร, m = แม้ของ แต่ละคนมีลักษณะของมัน ประเภทใดที่ใช้กันมากที่สุดในตัวกรอง FIR พร้อมการออกแบบเฟสเชิงเส้นและทำไม :)

16 filters  filter-design  finite-impulse-response 

ฉันคิดว่า DSP จะทำได้โดยใช้ FFT บางส่วนของสัญญาณปรับเปลี่ยนตัวอย่างที่เป็นผลมาจาก FFT (เนื่องจากพวกเขาเป็นตัวแทนของสเปกตรัมของสัญญาณ + เสียงของเรา) และลบสัญญาณที่ไม่ต้องการและนอกเหนือจาก FFT ผกผันเพื่อให้ได้เวลา การเป็นตัวแทนโดเมนของสัญญาณกรอง (ลบเสียงรบกวนแล้ว) อย่างไรก็ตามสิ่งนี้ไม่ได้ทำแทนเราทำงานทั้งหมดในโดเมนเวลาโดยใช้ฟังก์ชั่นหน้าต่าง ทำไม? ถ้าเราคูณฟังก์ชันของหน้าต่างในโดเมนเวลามากกว่าที่เราเชื่อว่าการตอบสนองความถี่ของฟังก์ชันหน้าต่างกับสเปกตรัมของสัญญาณในโดเมนความถี่ของเรานั้นเป็นอย่างไร ฉันหมายถึงถ้าเราเพิ่งทำงานทั้งหมดในโดเมนความถี่ด้วยการเพิ่มสัญญาณของเราด้วยการตอบสนองความถี่ของตัวกรองนั่นจะเป็นการกรองใช่ไหม แต่ที่นี่เราทำทุกสิ่งในโดเมนเวลาแทนที่จะใช้หน้าต่าง -> ให้ดูว่าความสับสนของฉันมาจากไหน สำหรับตัวกรองแบบอะนาล็อกเช่นตัวกรองความถี่ต่ำเรามีพัลส์เช่นการตอบสนองความถี่ เมื่อเรากรองสัญญาณเราจะเพิ่มสเปกตรัมของสัญญาณอย่างมีประสิทธิภาพด้วยพัลส์เช่นการตอบสนองความถี่ของตัวกรอง สิ่งนี้จะลดความถี่ทั้งหมดในสัญญาณของเราเหนือการตัดออกเป็น 0 นี่คือการทำงานของตัวกรองสัญญาณความถี่ต่ำ ทำไมไม่ทำเช่นเดียวกันกับตัวกรองดิจิตอลด้วย?

16 filters  frequency-spectrum  filter-design  window-functions  analog 

ฉันต้องการสร้างเสียงรบกวนสีขาวในโดเมนความถี่แล้วแปลงเป็นโดเมนเวลาโดยใช้ python เพื่อทำความเข้าใจกับปัญหาฉันเพียงแค่สร้างเสียงรบกวนสีขาวในโดเมนเวลาและเปลี่ยนเป็นโดเมนความถี่: import scipy.signal as sg import numpy as np import matplotlib.pyplot as plt e = np.random.normal(0,1,1e3) E = sg.fft(e) plt.figure("Bode plot") plt.subplot(211) plt.title("Magitude") plt.plot(abs(E)) plt.subplot(212) plt.title("Phase") plt.plot(np.angle(E)) plt.show() ฉันไม่ได้ดูอย่างที่คาด: คำถาม: เสียงสีขาวไม่ควรที่จะตอบสนองขนาดแบนหรือไม่? (จำนวนเท่ากันสำหรับทุกความถี่) อะไรคือความสัมพันธ์ระหว่างค่าเบี่ยงเบนมาตรฐาน (1 ในตัวอย่างของฉัน) และขนาดและเฟส ขอบคุณล่วงหน้า!

16 fft  noise  python 

หากเรามีการแปลงฟูริเยร์ระยะสั้นสำหรับการวิเคราะห์สัญญาณได้ดีกว่าการแปลงฟูริเยร์แบบไม่ต่อเนื่องแล้วความต้องการที่นำไปสู่การพัฒนาการแปลงเวฟเล็ตคืออะไร?

16 wavelet 

ส่วนประกอบความถี่สูงและความถี่ต่ำมีความหมายอะไรในภาพ วิธีแยกความถี่สูงและองค์ประกอบความถี่ต่ำของภาพโดยใช้ฟิลเตอร์ทวิภาคี

16 image-processing  filters  image  multi-scale-analysis  edge-preserving-filter 

คุณสามารถแสดงคำอธิบายคุณลักษณะของมาตราส่วนและตัวชี้การหมุนแบบคงที่เพื่อใช้ในการตรวจจับคุณสมบัติหรือไม่ แอปพลิเคชั่นนี้ใช้สำหรับตรวจจับรถยนต์และมนุษย์ในวิดีโอที่ถ่ายโดย UAV โดยใช้ตัวจําแนกหลายคลาส จนถึงตอนนี้ฉันได้ดู SIFT และ MSER (ซึ่งเลียนแบบค่าคงที่) ฉันยังดูที่ LESH, LESH ขึ้นอยู่กับแบบจำลองพลังงานในท้องที่ แต่คำนวณด้วยวิธีที่ไม่แปรเปลี่ยนแบบหมุนได้ฉันพยายามคิดหาวิธีที่จะใช้ประโยชน์จากพลังงานในท้องถิ่นเพื่อสร้างค่าคงที่แบบหมุนได้ คำอธิบายคุณลักษณะฉันอ่านที่นี่มีทางเลือกฟรีอะไรบ้างสำหรับ SIFT / SURF ที่สามารถใช้ในแอปพลิเคชันเชิงพาณิชย์ได้ ว่า "ถ้าคุณกำหนดทิศทางไปยังจุดสนใจและหมุนแผ่นภาพตามนั้นคุณจะได้ค่าความแปรปรวนแบบหมุนได้ฟรี" แต่ไม่รู้ว่าสิ่งนี้จะช่วยบรรเทาได้อย่างไรหรือฉันจะนำสิ่งนี้ไปใช้กับปัญหาของฉันได้อย่างไร ชื่นชมขอบคุณ

16 computer-vision  local-features  classification  object-recognition  sift 

ฉันกำลังพยายามหาวิธีตรวจจับคนที่ใช้กล้องเพียงแค่ 3 เมตรเหนือพื้นดิน นี่คือเฟรมที่กล้องคืนมา: อัปเดต: การทดสอบวิดีโอ -> http://dl.dropbox.com/u/5576334/top_head_shadow.avi ในการทำเช่นนั้นก่อนอื่นฉันต้องเข้าใจว่าฉันต้องทำการแบ่งส่วนหลังแบบพื้นหน้า นั่นคือส่วนที่ง่าย ด้วยหน้ากากเบื้องหน้าฉันสามารถทำงานง่ายๆเช่น Hough transform เพื่อค้นหาแวดวง แต่วิธีนี้ตรวจจับได้เพียง 60% ของหัวรวมถึงผลบวกที่ผิดพลาดมากมาย ฉันสามารถใช้เทคนิคง่ายๆอื่น ๆ เช่นการแบ่งส่วนสี แต่ฉันพบว่าคนหัวแตกต่างกันมากเห็นจากด้านบนเพราะทรงผมสีผมจำนวนของพวกเขา ... ตัวเลือกอื่นที่ฉันคิดไว้คือความเป็นไปได้ในการใช้ HOG Descriptors หรือคุณลักษณะที่คล้ายกับ Haar แต่ฉันต้องการฐานข้อมูลที่กว้างขวางของผู้คนที่เห็นจากด้านบนเพื่อฝึกฝนโมเดล ฉันไม่พบอะไรแบบนั้น ฉันคิดว่านี่จะเป็นปัญหาที่เกิดขึ้นอีกมาก แต่ฉันไม่สามารถพบได้มากในวรรณคดีหรืออินเทอร์เน็ต ความช่วยเหลือในการแก้ไขงานนี้จะได้รับการชื่นชม :-) ปรับปรุง: สำหรับข้อมูลเพิ่มเติมเป้าหมายคือการใช้วิธีการทั่วไปบางอย่างเพื่อให้การติดตามการเดินเท้า ต้นแบบตัวแรกจะถูกทดสอบใน Mall

16 image-processing  computer-vision  opencv 

ในแง่ของอนุสัญญาการตั้งชื่อที่เหมาะสมหรือเป็นที่ยอมรับของกราฟิก DSP หรือเอาท์พุทของเครื่องมืออะไรคือความแตกต่างระหว่างคำว่าสเปกตรัม, สเปกโตรแกรม, สเปกโตรกราฟ, และคำที่คล้ายกันและชนิดของแผนภูมิกราฟ CRT . เพิ่ม: นอกจากนี้ฉันยังพบคำว่า sonogram ที่ใช้ในหนังสือสองเล่มสำหรับกราฟิกสเปกตรัมเทียบกับเวลา เมื่อใดจึงอาจเหมาะสมในการตั้งค่าตามเงื่อนไขข้อใดข้อหนึ่งข้างต้นหรือในทางกลับกัน

16 frequency-spectrum  terminology  visualization 

ฉันมีสัญญาณที่สุ่มตัวอย่างแต่ละ 1 ns (1e-9 วินาที) และมีสมมุติ 1e4 คะแนน ฉันต้องการกรองความถี่สูงจากสัญญาณนี้ สมมติว่าฉันต้องกรองความถี่ที่สูงกว่า 10 MHz ฉันต้องการที่สำหรับความถี่ต่ำกว่าสัญญาณความถี่ cutoff จะถูกส่งผ่านไม่เปลี่ยนแปลง มันหมายถึงการเพิ่มขึ้นของตัวกรองจะเป็น 1 สำหรับความถี่ที่ต่ำกว่าความถี่การตัด ฉันต้องการระบุลำดับตัวกรอง ฉันหมายถึงตัวกรองคำสั่งแรกมีความชัน 20 เดซิเบล / ทศวรรษ (กำลังม้วนออก) หลังจากความถี่ตัดตัวกรองลำดับที่สองมีความลาดชัน 40 เดซิเบล / เด ธ หลังจากความถี่ตัดออกและอื่น ๆ รหัสประสิทธิภาพสูงเป็นสิ่งสำคัญ

16 filter-design  lowpass-filter  python 

จากสิ่งที่ฉันเคยได้ยินการตรวจจับแบบบีบอัดสามารถใช้กับสัญญาณเบาบางเท่านั้น ถูกต้องหรือไม่ หากเป็นกรณีนี้สัญญาณกระจัดกระจายจะแยกความแตกต่างจากสัญญาณ band Band ใด ๆ ได้อย่างไร? สัญญาณทั้งหมดสามารถขยายได้เพื่อรวมส่วนสัญญาณหร็อมแหร็มหรือศูนย์ค่าสัมประสิทธิ์กว่ามันจะกลายเป็นสัญญาณหร็อมแหร็มในกรณีที่? การบีบอัดการตรวจจับตลอดเวลาดึงข้อมูลหรือสัญญาณได้อย่างสมบูรณ์แบบหรือไม่? เพิ่มเติม: โดยวิธีการที่ฉันเพิ่งเริ่มเรียนรู้สิ่งเหล่านี้ดังนั้นจุดประสงค์ของคำถามนี้คือการได้ลิ้มรสสิ่งเหล่านี้

16 image-processing  image-compression  transform  compressive-sensing 

ฉันมีภาพที่ประกอบด้วย 'มุม' หลายอันซึ่งประกอบเป็นรูปร่างกริด: หลังจากการค้นหาบางอย่างดูเหมือนว่า Hough จะเป็นแบบที่ดีเพราะมันไม่ได้มีปัญหากับการแบ่งเป็นแถว อย่างไรก็ตามปัญหาที่ฉันมีคือเส้นของฉัน 'อ้วน' และการตรวจจับขอบใด ๆ ที่ฉันเรียกใช้ (Canny ในกรณีนี้) เลือกขอบของเส้นไม่ใช่เส้นตรง: ซึ่งหมายความว่าการแปลง Hough สิ้นสุดลงโดยเลือกหนึ่ง (หรือทั้งสองอย่าง) ของ 'ด้าน' ของเส้นกริดของฉันและไม่ใช่กึ่งกลาง เนื่องจากฉันรู้ว่าสิ่งที่ฉันกำลังมองหา (รูปร่างคล้ายกริดนี้มักจะอยู่ในแนวเดียวกันเสมอ) มีวิธีที่ดีกว่าในการทำส่วน 'การตรวจจับขอบ' เพื่อให้เส้นกึ่งกลางหรือให้ฉันดู ที่วิธีการที่แตกต่างกันโดยสิ้นเชิง?

16 image-processing  hough-transform 

ฉันพยายามที่จะทำซ้ำความคิดจากหน้า Eigenfaceในวิกิพีเดีย จากภาพตัวอย่างร้อยภาพที่แสดงโดยเมทริกซ์ข้อมูล (ซึ่งภาพแต่ละภาพแบนไปเป็นเวกเตอร์ที่มีความยาวnดังนั้นXคือ100XX\bf XnnnXX\bf X100100100เมทริกซ์คูณ ) ฉันได้คำนวณการสลายตัวของ SVD:nnn X=UΣVTX=UΣVT\begin{equation} \bf X = U \Sigma V^{T} \end{equation} ด้วยเหตุนี้: XXT=UΣ2UTXXT=UΣ2UT\begin{equation} \bf X X^{T} = U \Sigma^2 U^{T} \end{equation} โดยการย่อยของที่ใหญ่ที่สุด eigenmodes ฉันสามารถใกล้เคียงกับเมทริกซ์ (ขอσ 1 ≥ σ 2 ≥ ⋯ ):qqqσ1≥σ2≥⋯σ1≥σ2≥⋯\sigma_1 \ge \sigma_2 \ge \cdots X≈σ1u1vT1+σ2u2vT2+⋯+σquqvTqX≈σ1u1v1T+σ2u2v2T+⋯+σquqvqT\begin{equation} {\bf X} \approx \sigma_1 u_1 v_1^{T} + …

16 computer-vision  linear-systems  linear-algebra