การประมวลผลสัญญาณ

ฉันมีภาพและฉันต้องการวัดรายละเอียดในนั้น อีกวิธีในการดูคือการวัดว่าภาพนั้นพร่ามัวอย่างไร วิธีหนึ่งคือการวิเคราะห์องค์ประกอบความถี่สูงในการแปลงฟูริเยร์ของภาพ มีวิธีอื่นใดหรือดีกว่า

16 image-processing  fourier-transform 

สมมติว่าเรามีสัญญาณnnnซึ่งประกอบด้วยเสียงรบกวนแบบเกาส์เซียนสีขาว หากเราปรับสัญญาณนี้โดยการคูณมันด้วยsin2ωtsin⁡2ωt\sin 2\omega tสัญญาณที่ได้จะยังคงมีสเปคตรัมของพลังงานสีขาว นี่คือตัวอย่างของหนึ่งกระบวนการ cyclostationary x(t)=n(t)sin2ωtx(t)=n(t)sin⁡2ωtx(t) = n(t) \sin2\omega t สมมติว่าตอนนี้เรา demodulate สัญญาณนี้ที่ความถี่ωω\omegaโดยการผสมกับสัญญาณออสซิลเลเตอร์ไซน์และโคไซน์สร้างสัญญาณ I และ Q: Q = x ( t ) × cos ω tI=x(t)×sinωtI=x(t)×sin⁡ωtI = x(t) \times \sin\omega t Q=x(t)×cosωtQ=x(t)×cos⁡ωtQ = x(t) \times \cos\omega t การสังเกตอย่างไร้เดียงสาว่าสเปคตรัมพลังงานของx(t)x(t)x(t) (ถ่ายในช่วงเวลาที่มากกว่า1/f1/f1/f ) นั้นเป็นสีขาวเราคาดหวังว่าIIIและQQQทั้งสองจะมีเสียงเกาส์เซียนสีขาวของแอมพลิจูดเดียวกัน อย่างไรก็ตามสิ่งที่เกิดขึ้นจริงคือIIIสร้างพื้นที่สี่เหลี่ยมจัตุรัสโดยการสุ่มเลือกส่วนของ timeseries x(t)x(t)x(t)มีความแปรปรวนสูงในขณะที่QQQ , 90 องศาออกจากเฟสตัวอย่างส่วนย่อยความแปรปรวนที่ต่ำกว่า: ผลลัพธ์คือความหนาแน่นของสเปกตรัมเสียงรบกวนใน I …

16 noise  modulation  cyclostationary-random-process 

ในบริบทการประมวลผลภาพ / สัญญาณที่เราได้เห็น / เรารู้ว่าถ้ามีตัวอย่าง 4 ตัวอย่างและถ้าเราหาค่าเฉลี่ยของ 4 ตัวอย่างเหล่านั้นเราบอกว่าตัวอย่างผลลัพธ์คือตัวอย่างผลลัพธ์กรองความถี่ต่ำที่ผ่านการกรอง สิ่งนี้มีความเกี่ยวข้องมากในบริบทการประมวลผลภาพ ตอนนี้การดำเนินการซึ่งหมายถึงการกรองผ่านสูงคืออะไรค้นหาตัวอย่างสูงสุด 4 ตัวอย่างและนำไปวางไว้เป็นตัวอย่างผลลัพธ์

16 lowpass-filter  highpass-filter 

ฉันมีระบบสื่อสารไร้สายที่ฉันจำลองใน Matlab ฉันกำลังทำการลายน้ำผ่านการปรับเฟสของสัญญาณที่ส่งเล็กน้อย การจำลองของฉันใช้ค่า I (inphase) และ Q (quadrature) ดั้งเดิมและเพิ่มในลายน้ำ ฉันต้องจำลองอัตราความผิดพลาดของบิตที่เกิดขึ้นหลังจากถูกส่ง สำหรับตอนนี้ฉันแค่ต้องเพิ่มสัญญาณรบกวนความร้อนจำนวนมากในสัญญาณ เนื่องจากฉันมีสัญญาณที่แสดงเป็นช่อง I และ Q มันจะง่ายที่สุดในการเพิ่มAWGN (เสียงรบกวนแบบเกาส์สีขาวเสริม) ลงใน I และ Q โดยตรง หนึ่งความคิดคือการเพิ่มเสียงให้กับทั้งสองช่องอย่างอิสระ แต่ปรีชาญาณของฉันบอกฉันว่านี่ไม่เหมือนกับการเพิ่มไปยังสัญญาณโดยรวม ดังนั้นฉันจะเพิ่มเสียงรบกวนเมื่ออยู่ในฟอร์มนี้ได้อย่างไร

16 noise  gaussian 

ตัวกรอง IIR อาจถูกนำมาใช้เป็นรูปแบบโดยตรง 1 หรือ 2 แต่คุณจะตัดสินใจว่าจะใช้รูปแบบใด ข้อดีและข้อเสียของแต่ละข้อคืออะไร?

16 filters  infinite-impulse-response 

ฉันมีภาพ 2 มิติซึ่งฉันต้องการกรองสัญญาณต่ำด้วยข้อ จำกัด / ตัวชี้วัดคุณภาพเหล่านี้: ฉันไม่สามารถ "เพิ่ม" แสงให้กับภาพดังนั้นแต่ละพิกเซลในผลลัพธ์ควรเป็น <= พิกเซลที่สอดคล้องกันในอินพุต ความถี่ cutoff ต่ำสุดควรเป็นพารามิเตอร์สำหรับการทดสอบ การใช้ตัวกรองนี้ซ้ำ ๆ ไม่ควรเปลี่ยนผลลัพธ์อย่างมีนัยสำคัญ เวลาที่ใช้ในการเรียกใช้อัลกอริธึม (5 นาทีสำหรับภาพ 5MPix นั้นสมเหตุสมผล) ลดปริมาณแสงที่ถูกกรองให้น้อยที่สุด ด้านล่างนี้เป็นวิธีที่ฉันลองใช้พร้อมกับข้อบกพร่อง: ตัวกรองแบบเกาส์เหมือนปกติจากนั้นดึงผลลัพธ์ลงมาเพื่อให้สอดคล้องกับข้อ จำกัด 1. สิ่งนี้สอดคล้องกับ 3 จุดแรกได้เป็นอย่างดี แต่ลดแสงได้มากกว่าที่จำเป็นมาก ปรับพาราโบลา "ขึ้น" ผ่านจุด "ต่ำ" และพาราโบลา "ลดลง" ระหว่างพวกเขาให้เรียบ วิธีนี้ใช้งานได้ดีใน 1D แต่ใช้ในแนวนอนก่อนแล้วจึงสร้างผลลัพธ์ที่ไม่ดีในแบบ 2D ใช้เวลานานมาก แต่ไม่นานเกินไปสำหรับใบสมัครของฉัน อย่างไรก็ตามการใช้ตัวกรองนี้ซ้ำแล้วซ้ำอีกจะเปลี่ยนผลลัพธ์อย่างมาก หากอินพุต (1D) เป็นพาราโบลา "ลง" ที่สมบูรณ์แบบ …

16 image-processing  lowpass-filter 

เวฟ Gabor เป็นคลื่นไซน์แบบมอดูเลตแบบเกาส์ ( แหล่งที่มา ) Gabor wavelets เกิดจากสององค์ประกอบตัวส่งสัญญาณไซน์ที่ซับซ้อนและซองแบบเกาส์เซียน (ที่มา ) และ ในความเป็นจริงเวฟเล็ตที่แสดงในรูปที่ 2a (เรียกว่าเวฟเล็ต Morlet) ไม่มีอะไรมากไปกว่าคลื่นไซน์ (เส้นโค้งสีเขียวในรูปที่ 2b) คูณด้วยซองเกาส์ (เส้นโค้งสีแดง) (ที่มา ) ชื่อเหล่านี้แตกต่างกันสำหรับสิ่งเดียวกันหรือไม่? ปรับปรุง: เพื่อไม่ให้สับสนกับ " Gabor transform " ซึ่งดูเหมือนจะเป็นอีกชื่อหนึ่งของ "STFT with a Gaussian window" นอกจากนี้ยังมีอะตอมของ Gaborด้วยซึ่งฉันคิดว่าเป็นเช่นเดียวกับ Gabor wavelet? ตั้งแต่ถามคำถามนี้ในวิชาคณิตศาสตร์ฉันได้พบคำเช่น " Gabor / Morlet wavelet " และ"Gabor-Morlet transform"ซึ่งหมายความว่าพวกมันเหมือนกัน สิ่งนี้เคยถูกถามมาก่อน: …

16 wavelet  terminology  time-frequency 

ฉันได้อ่านภาพนี้: นำ FFT ของมัน (2D) แล้ว Inverse FFT เพื่อให้ได้ภาพกลับมาอย่างแน่นอน รหัสที่ให้ไว้สำหรับการอ้างอิง: imfft = fft2(photographer); im = uint8(ifft2(imfft)); imshow(im); %Output is same image แต่เมื่อฉันเปลี่ยนฟูเรียร์และมีส่วนที่แท้จริงเท่านั้น imfft = real(fft2(photographer)); im = uint8(ifft2(imfft)); imshow(im); ฉันได้รับภาพเช่นนี้ ( โปรดทราบว่าการเปลี่ยนแปลงขนาดไม่เกี่ยวข้องและเนื่องจากการบันทึกจากตัวจัดการรูป Matlab ): ใครสามารถอธิบายทฤษฎี (คณิตศาสตร์) ที่อยู่เบื้องหลังฉันได้ไหม ขอบคุณ

16 image-processing  fft  fourier-transform 

หากตรงตามเงื่อนไขที่สมมาตรตัวกรอง FIR จะมีเฟสเชิงเส้น สิ่งนี้ไม่เป็นความจริงสำหรับตัวกรอง IIR อย่างไรก็ตามสำหรับแอปพลิเคชันใดที่ไม่ดีที่จะใช้ตัวกรองที่ไม่มีคุณสมบัตินี้และสิ่งที่จะเป็นผลกระทบเชิงลบ?

16 filters  filter-design  fir 

ตอนนี้ฉันกำลังจัดการกับการประมวลผลภาพใน Python ผ่าน PIL (Python Image Library) เป้าหมายหลักของฉันคือการนับจำนวนเซลล์สีในภาพอิมมูโนวิทยา ฉันรู้ว่ามีโปรแกรมห้องสมุดฟังก์ชั่นและบทแนะนำที่เกี่ยวข้องและฉันตรวจสอบเกือบทั้งหมด เป้าหมายหลักของฉันคือการเขียนโค้ดด้วยตนเองตั้งแต่เริ่มต้นให้มากที่สุด ดังนั้นฉันพยายามหลีกเลี่ยงการใช้ไลบรารีและฟังก์ชันภายนอกมากมาย ฉันเขียนโปรแกรมส่วนใหญ่แล้ว ดังนั้นนี่คือสิ่งที่เกิดขึ้นทีละขั้นตอน: โปรแกรมใช้เวลาในไฟล์ภาพ: และประมวลผลสำหรับเซลล์สีแดง (โดยทั่วไปแล้วจะปิดค่า RGB ต่ำกว่าเกณฑ์ที่กำหนดสำหรับสีแดง): และสร้างแผนที่บูลีนของมัน (จะวางส่วนหนึ่งของมันเพราะมันใหญ่) ซึ่งโดยทั่วไปแล้วจะวาง 1 ทุกที่ที่มันพบกับพิกเซลสีแดงในภาพที่สองที่ประมวลผลข้างต้น 22222222222222222222222222222222222222222 20000000111111110000000000000000000000002 20000000111111110000000000000000000000002 20000000111111110000000000000000000000002 20000000011111100000000000000000001100002 20000000001111100000000000000000011111002 20000000000110000000000000000000011111002 20000000000000000000000000000000111111002 20000000000000000000000000000000111111102 20000000000000000000000000000001111111102 20000000000000000000000000000001111111102 20000000000000000000000000000000111111002 20000000000000000000000000000000010000002 20000000000000000000000000000000000000002 22222222222222222222222222222222222222222 ฉันตั้งใจสร้างเฟรมนั้นคล้าย ๆ กับเส้นขอบด้วย 2s เพื่อช่วยฉันในการนับจำนวนกลุ่ม 1s ในแผนที่บูลีนนั้น คำถามของฉันสำหรับพวกคุณคือทำไมฉันจะนับจำนวนเซลล์ (กลุ่ม 1s) ได้อย่างมีประสิทธิภาพในแผนที่บูลีนแบบนั้น? ฉันพบhttp://en.wikipedia.org/wiki/Connected-component_labelingซึ่งดูมีความเกี่ยวข้องและคล้ายคลึงกันมาก …

16 python 

ฉันมีสัญญาณที่วัดได้ที่ 100Hz และฉันจำเป็นต้องใช้ตัวกรองการปรับให้เรียบของ Savitzky-Golay กับสัญญาณนี้ อย่างไรก็ตามในการตรวจสอบอย่างใกล้ชิดสัญญาณของฉันไม่ได้ถูกวัดที่อัตราคงที่ที่สมบูรณ์แบบเดลต้าระหว่างการวัดอยู่ระหว่าง 9.7 ถึง 10.3 มิลลิวินาที มีวิธีใช้ตัวกรอง Savitzky-Golay กับข้อมูลที่มีระยะห่างไม่เท่ากันหรือไม่? มีวิธีอื่นที่ฉันสามารถสมัครได้หรือไม่?

16 filters  smoothing 

ก่อนอื่นฉันหวังว่านี่เป็นบอร์ดการแลกเปลี่ยนที่ถูกต้อง ฉันขอโทษถ้ามันไม่ได้ ฉันกำลังทำงานกับสิ่งที่ต้องการให้ฉันปรับเทียบกล้อง ฉันใช้รหัสสำเร็จในการทำสิ่งนี้ใน OpenCV (C ++) ฉันกำลังใช้ฟังก์ชั่นกระดานหมากรุก inbuilt และกระดานหมากรุกที่ฉันพิมพ์ออกมาแล้ว มีบทเรียนมากมายบนอินเทอร์เน็ตที่ระบุมุมมองกระดานหมากรุกมากกว่าหนึ่งมุมมองและแยกมุมออกจากแต่ละเฟรม มีชุดมุมมองที่เหมาะสมที่สุดสำหรับฟังก์ชั่นเพื่อรับการปรับเทียบกล้องที่แม่นยำที่สุดหรือไม่? ส่งผลต่อความแม่นยำของการสอบเทียบคืออะไร ตัวอย่างเช่นถ้าฉันให้ภาพในมุมมองเดียวกัน 5 ภาพโดยไม่ย้ายอะไรเลยมันจะให้ผลลัพธ์ที่ตรงเมื่อฉันพยายามยกเลิกการซ่อนเว็บแคมของฟีด FYI สำหรับทุกคนที่เยี่ยมชม:ฉันเพิ่งค้นพบว่าคุณจะได้รับการสอบเทียบกล้องที่ดีกว่าโดยใช้ตารางวงกลมที่ไม่สมมาตรและฟังก์ชั่น OpenCV ที่เกี่ยวข้อง

16 image-processing  camera  opencv 

ฉันกำลังทำการวิจัยเกี่ยวกับวิธี FFT และคำที่มักจะเกิดขึ้นคือ "ถังขยะความถี่" จากสิ่งที่ฉันเข้าใจนี่มีบางอย่างเกี่ยวข้องกับวงดนตรีที่สร้างขึ้นรอบความถี่ของไซน์อยด์ที่ให้มา แต่ฉันก็ไม่สามารถหาวิธีได้ ฉันยังหาวิธีที่จะไปจากถังขยะที่กำหนดไปยังความถี่ที่เกี่ยวข้อง แต่ก็ยังไม่มีสัญชาตญาณว่าถังขยะความถี่คืออะไร

16 fft 

ฉันได้อ่านแล้วว่าการแปลงฟูริเยร์ไม่สามารถแยกความแตกต่างของส่วนประกอบด้วยความถี่เดียวกัน แต่ระยะต่างกัน ตัวอย่างเช่นในMathoverflowหรือxrayphysicsที่ฉันได้รับชื่อคำถามของฉันจาก: "การแปลงฟูริเยร์ไม่สามารถวัดสองเฟสด้วยความถี่เดียวกันได้" ทำไมสิ่งนี้ถึงเป็นจริงในเชิงคณิตศาสตร์?

15 fourier-transform  fourier 

ใครช่วยอธิบายเกี่ยวกับการทำให้ค่าเฉลี่ยของเซพสทรัลเป็นมาตรฐานได้อย่างไรสมบัติความเท่าเทียมของการบิดมีผลต่อเรื่องนี้อย่างไร จะต้องทำ CMN ในการจดจำลำโพงแบบ MFCC หรือไม่? ทำไมคุณสมบัติของ convolution จึงเป็นความต้องการพื้นฐานของ MFCC? ฉันยังใหม่กับการประมวลผลสัญญาณนี้มาก กรุณาช่วย

15 mfcc