การประมวลผลสัญญาณ

ฉันถูกส่งมาที่นี่จากคำถามนี้ใน stackoverflowโปรดยกโทษให้ฉันหากคำถามนั้นเจาะจงเกินไปและไม่ใช่ในลักษณะที่นี่ :) ภารกิจคือการหาแก้วที่มีของเหลวเฉพาะในนั้น ให้ฉันแสดงภาพแล้วอธิบายสิ่งที่ฉันพยายามบรรลุและวิธีที่ฉันพยายามบรรลุจนถึงในคำอธิบายด้านล่างภาพ รูปภาพ : (ดูเหมือนว่าฉันต้องการอย่างน้อย 10 ชื่อเสียงในการโพสต์รูปภาพและลิงก์ดังนั้นลิงก์จะต้องทำ :( มิฉะนั้นคุณสามารถดูคำถามล้นสแต็คได้) คำอธิบายโดยละเอียด : ฉันพยายามใช้อัลกอริทึมที่จะตรวจจับแก้วที่มีรูปร่างเฉพาะใน opencv (แก้วอาจถูกเปลี่ยนโดยมุมถ่าย / ระยะทางของกล้องที่แตกต่างกัน) นอกจากนี้ยังจะมีแว่นตาอื่น ๆ ของรูปร่างอื่น ๆ แก้วที่ฉันกำลังค้นหาจะเต็มไปด้วยของเหลวสีบางอย่างที่จะแยกความแตกต่างจากแก้วที่มีสีอื่น ถึงตอนนี้ฉันได้ลองใช้ตัวแยกฟีเจอร์ SIFT เพื่อพยายามค้นหาฟีเจอร์บางอย่างในกระจกแล้วจับคู่พวกมันกับรูปอื่น ๆ ที่มีกระจกอยู่ วิธีการนี้ใช้งานได้เฉพาะในสภาพที่เฉพาะเจาะจงซึ่งฉันจะมีกระจกในตำแหน่งที่เฉพาะเจาะจงมากและพื้นหลังจะคล้ายกับภาพการเรียนรู้ ปัญหาก็คือว่าแก้วเป็นวัตถุ 3 มิติและฉันไม่รู้วิธีแยกฟีเจอร์จากสิ่งนั้น (อาจมีภาพถ่ายหลายภาพจากมุมที่แตกต่างกันที่เชื่อมโยงอย่างใด?) ตอนนี้ฉันไม่รู้ว่าฉันจะใช้วิธีการอื่นได้อย่างไร ฉันได้พบเบาะแสบางอย่างเกี่ยวกับเรื่องนี้ (ที่นี่/programming/10168686/algorithm-improvement-for-coca-cola-cola-can-shape-recognition#answer-10219338 ) แต่ดูเหมือนว่าลิงก์จะใช้งานไม่ได้ ปัญหาอีกประการหนึ่งก็คือการตรวจสอบ "ระดับความว่างเปล่า" ที่แตกต่างกันในแก้วนั้น แต่ฉันก็ไม่สามารถที่จะค้นหาตัวกระจกได้อย่างถูกต้อง คำแนะนำของคุณเกี่ยวกับวิธีการในงานนี้คืออะไร? จะเป็นการดีกว่าถ้าใช้วิธีอื่นเพื่อค้นหาคุณลักษณะวัตถุ 3 มิติในพื้นที่ หรือจะเป็นการดีกว่าถ้าใช้วิธีอื่นทั้งหมด? ฉันเคยได้ยินเกี่ยวกับอัลกอริทึม "เรียนรู้" …

10 image-processing  opencv  object-recognition  sift 

ฉันมีภาพต่อไปนี้: มีรูปโค้งอยู่บนภาพ ฉันต้องการหาศูนย์กลางของวงกลมที่มีส่วนโค้ง ฉันพยายามแปลง opencv และ hough เป็นวงกลม แต่ก็ไม่มีผลลัพธ์

10 image-processing  opencv 

ฉันอ่านในหนังสือของฉัน (การจำแนกรูปแบบทางสถิติโดย Webb และ Wiley) ในส่วนเกี่ยวกับ SVM และข้อมูลที่ไม่สามารถแบ่งแยกได้แบบเส้นตรง: ในปัญหาที่เกิดขึ้นจริงในโลกแห่งความเป็นจริงหลายอย่างจะไม่มีขอบเขตเชิงเส้นคั่นระหว่างชั้นเรียนและปัญหาของการค้นหาไฮเปอร์เพลนแบบแยกที่ดีที่สุดนั้นไร้ความหมาย แม้ว่าเราจะต้องใช้เวกเตอร์ฟีเจอร์ที่ซับซ้อนเพื่อแปลงข้อมูลให้เป็นพื้นที่คุณลักษณะมิติสูงซึ่งคลาสแยกกันเป็นเส้นตรงซึ่งจะนำไปสู่การปรับข้อมูลให้เหมาะสมมากเกินไป .Φ ( x )Φ(x)\Phi(x) เหตุใดจึงเปลี่ยนข้อมูลเป็นพื้นที่คุณลักษณะมิติสูงซึ่งคลาสใดที่แยกกันเป็นเส้นตรงนำไปสู่การ overfitting และความสามารถในการวางหลักเกณฑ์ทั่วไปไม่ดี?

10 classification 

ฉันแค่สงสัยว่าระบบโฟกัสอัตโนมัติของกล้องทำงานอย่างไร การประมวลผลชนิดใดที่ทำกับภาพเพื่อปรับโฟกัส มีรหัสที่มีอิสระซึ่งตรวจจับระดับโฟกัสของภาพหรือวิดีโอหรือไม่?

10 image-processing 

ใครบ้างสามารถแนะนำวิธีกำจัดสัญญาณรบกวน (ที่ระบุไว้ในสี่เหลี่ยมสีแดง) จากทุกจุดในภาพต่อไปนี้ในขณะที่รักษาเส้นสีขาวไว้ได้?

10 matlab  image-processing  opencv 

ฉันกำลังพยายามปรับเทียบลำโพงล้ำเสียงด้วยจุดประสงค์ของการส่งสัญญาณที่คาดเดาได้ แต่อนิจจาฉันยังคงมีปัญหาอาจเกิดจากการขาด DSP-fu ของฉัน พื้นหลังเล็กน้อย ฉันต้องการให้สามารถเล่นเสียงที่ใกล้เคียงที่สุดกับการบันทึกที่ปรับเทียบที่ฉันมี เท่าที่ฉันเข้าใจทฤษฎีฉันต้องค้นหาฟังก์ชั่นการถ่ายโอนลำโพงและถอดรหัสสัญญาณที่ฉันต้องการปล่อยออกมา บางสิ่งเช่นนี้ (ในโดเมนความถี่): X -> H -> XH ในกรณีที่Xมีการส่งสัญญาณปล่อยออกมาHเป็นฟังก์ชั่นการถ่ายโอนลำโพงและXHเป็นครั้งX Hส่วน ( ./) Hในขณะนี้ควรให้ฉัน ตอนนี้เพื่อที่จะปล่อยสัญญาณที่สอบเทียบแล้วมันควรจะถูกหารด้วยH: X/H -> H -> X เกิดอะไรขึ้น วางลำโพงและไมโครโฟนที่ปรับเทียบห่างกัน 1 เมตรบนขาตั้งกล้อง บันทึกการกวาดแบบเส้นตรงกว่า 30+ 150KHz-20KHz, ยาว 20ms และบันทึกที่ 500 KS / s สัญญาณที่มีการจัดตำแหน่งและเฉลี่ยโดยใช้สคริปต์ Matlab / Octave ด้านล่างภายใต้สคริปต์จะเห็นสัญญาณที่ได้ files = dir('Mandag*'); rng = [1.5e6, …

10 matlab  audio  frequency-response 

ฉันมีไมโครโฟนที่วัดเสียงเมื่อเวลาผ่านไปในหลาย ๆ ตำแหน่งในอวกาศ เสียงที่ถูกบันทึกทั้งหมดมาจากตำแหน่งเดียวกันในอวกาศ แต่เนื่องจากเส้นทางที่แตกต่างจากจุดต้นทางไปยังไมโครโฟนแต่ละตัว สัญญาณจะถูกเปลี่ยน (เวลา) และผิดเพี้ยน ความรู้เบื้องต้นได้ถูกนำมาใช้เพื่อชดเชยเวลาที่ดีที่สุดเท่าที่จะทำได้ แต่ก็ยังมีการเปลี่ยนแปลงเวลาอยู่ในข้อมูล ยิ่งตำแหน่งการวัดใกล้เคียงกับสัญญาณมากเท่าไหร่ ฉันสนใจที่จะจำแนกยอดเขาโดยอัตโนมัติ ด้วยสิ่งนี้ฉันหมายความว่าฉันกำลังมองหาอัลกอริทึมที่ "มอง" ที่สัญญาณไมโครโฟนสองตัวในพล็อตด้านล่างและ "จดจำ" จากตำแหน่งและรูปคลื่นที่มีสองเสียงหลักและรายงานตำแหน่งเวลาของพวกเขา: sound 1: sample 17 upper plot, sample 19 lower plot, sound 2: sample 40 upper plot, sample 38 lower plot ในการทำเช่นนี้ฉันวางแผนที่จะทำการขยาย Chebyshev รอบจุดสูงสุดแต่ละจุดและใช้เวกเตอร์ของสัมประสิทธิ์ Chebyshev เป็นอินพุตไปยังอัลกอริธึมคลัสเตอร์ (k-mean?) ดังตัวอย่างต่อไปนี้เป็นส่วนหนึ่งของสัญญาณเวลาที่วัดที่ตำแหน่งใกล้เคียงสอง (สีน้ำเงิน) ประมาณ 5 ชุดโดย Chebyshev มากกว่า …

10 matlab  discrete-signals  interpolation  classification 

ฉันกำลังเขียนโปรแกรมที่เฉลี่ยน้ำหนักของผู้ใช้ในแต่ละวัน ฉันวางแผนที่จะใช้ค่าเฉลี่ยเคลื่อนที่ 5 จุด (วันปัจจุบันสองก่อนหน้าและสองหลัง) บางครั้งจุดข้อมูลหายไป 1-2 วัน ปกติแล้วกรณีเหล่านี้มีการจัดการอย่างไร (ถ้ามีตัวกรอง low-pass ที่ดีกว่าที่ฉันสามารถใช้ได้ฉันชอบคำแนะนำ)

10 lowpass-filter  moving-average 

ฉันกำลังพยายามเพิ่มเอกสารสำหรับฟังก์ชั่นหน้าต่างทั้งหมดใน scipy.signal และฉันติดอยู่ที่Slepian (เหมือนกับ DPSS?) และหน้าต่างเกาส์ทั่วไปที่ฉันไม่เคยได้ยินมาก่อน มีตัวแปรสองตัวที่เป็นพารามิเตอร์รูปร่างของบางประเภทpในแบบเกาส์ทั่วไปและwidthใน Slepian ( sigดูเหมือนจะเป็นซิกม่า, ส่วนเบี่ยงเบนมาตรฐาน) 2 คำถาม: แทนที่จะเป็นวิศวกรรมย้อนกลับและการคาดเดาทุกคนสามารถอธิบายสิ่งที่เรียกว่าตัวแปรเหล่านี้และสิ่งที่พวกเขาทำ? คุณช่วยอธิบายว่าหน้าต่างเหล่านี้มีประโยชน์ต่อการใช้งานหรือที่ไหน? def general_gaussian(M, p, sig, sym=True): """Return a window with a generalized Gaussian shape. The Gaussian shape is defined as ``exp(-0.5*(x/sig)**(2*p))``, the half-power point is at ``(2*log(2)))**(1/(2*p)) * sig``. """ if M < 1: return np.array([]) …

10 window-functions 

พิจารณาสัญญาณรูปคลื่นที่ 4 ต่อไปนี้: signal1 = [4.1880 11.5270 55.8612 110.6730 146.2967 145.4113 104.1815 60.1679 14.3949 -53.7558 -72.6384 -88.0250 -98.4607] signal2 = [ -39.6966 44.8127 95.0896 145.4097 144.5878 95.5007 61.0545 47.2886 28.1277 -40.9720 -53.6246 -63.4821 -72.3029 -74.8313 -77.8124] signal3 = [-225.5691 -192.8458 -145.6628 151.0867 172.0412 172.5784 164.2109 160.3817 164.5383 171.8134 178.3905 180.8994 …

10 computer-vision  frequency-spectrum  autocorrelation  speech-recognition 

ฉันไม่รู้ว่าคำถามนี้จะสมเหตุสมผลหรือไม่เพราะฉันใหม่กับ dsp มาก ในการจู่โจมที่ จำกัด ของฉันเกี่ยวกับเสียง dsp ฉันได้เจอ: การปรับความถี่ Amplitude Modulation การสังเคราะห์สารเติมแต่ง การสังเคราะห์การหักลบ คำถามของฉันคือ: เหล่านี้เป็นหมวดหมู่พื้นฐานที่สำคัญของการจัดการสัญญาณ (โดยเฉพาะสำหรับเสียง) หรือไม่ กล่าวอีกนัยหนึ่งว่าเอฟเฟกต์และสิ่งแฟนซีทั้งหมดที่ FL Studio พร้อมกับชุดปลั๊กอินเต็มรูปแบบสามารถทำได้ถูกแบ่งออกเป็นซีรีย์และการรวมกันของการดำเนินงาน 4 ข้อด้านบน? หรือจะมีทั้งพวงมากกว่า? DAW ที่ทันสมัยพร้อมปลั๊กอินสามารถแยกย่อยประเภทใด ๆ ในลักษณะนี้ได้หรือไม่? 4 หมวดหมู่ข้างต้นมีเหตุผลในตัวเองใช่ไหม! พื้นหลังเล็กน้อย: โดยพื้นฐานแล้วฉันกำลังพยายามสร้างซินธิไซเซอร์ / ตัวแก้ไขเสียงขั้นพื้นฐาน (แต่ยืดหยุ่นมาก) เป็นโครงการเพื่อเรียนรู้ทั้งการเขียนโปรแกรมและเสียง dsp การใช้จาวาฉันเริ่มต้นด้วยการเลียนแบบคลาสซินเดอเรเตอร์ในโลกแห่งความจริงขั้นพื้นฐานการเรียกสิ่งต่าง ๆ เช่น Oscillator และ LFO และสิ่งที่คล้ายกัน แต่ทุกครั้งที่ฉันเรียนรู้สิ่งใหม่ฉันพบว่าตัวเองต้องเขียนทุกอย่าง ฉันกำลังพยายามที่จะเริ่มต้นใหม่อีกครั้งและมากับวัตถุพื้นฐานและโครงสร้างของโปรแกรม เพื่อให้ถูกต้องฉันต้องรู้ว่าฉันควรอนุญาตให้วัตถุเหล่านี้โต้ตอบ ฯลฯ ได้อย่างไร ... …

10 audio  music  modulation 

Disclaimer : ฉันโพสต์คำถามนี้ใน StackOverFlowแต่ได้เรียนรู้ว่ามันเหมาะกว่าที่นี่ ฉันเป็นคนใหม่ในการประมวลผลภาพดังนั้นฉันอยากถามคุณเกี่ยวกับการหาทางออกที่ดีที่สุดสำหรับปัญหาของฉันไม่ใช่ช่วยรหัส ฉันไม่สามารถนึกถึงความคิดที่ดี แต่อยากจะขอคำแนะนำจากคุณ ฉันกำลังทำงานในโครงการที่ใช้ OpenCV ในการนับยานพาหนะจากไฟล์วิดีโอหรือกล้องถ่ายทอดสด คนอื่นที่ทำงานในโครงการดังกล่าวโดยทั่วไปติดตามวัตถุที่เคลื่อนไหวแล้วนับพวกเขา แต่แทนที่จะเป็นเช่นนั้นฉันต้องการทำงานกับมุมมองที่ต่างออกไป ขอให้ผู้ใช้ตั้งค่า ROI (ภูมิภาคที่สนใจ) ในหน้าต่างวิดีโอและทำงานเฉพาะในภูมิภาคนี้ (ด้วยเหตุผลบางอย่างเช่นไม่ต้องการจัดการกับทั้งเฟรมและเพิ่มประสิทธิภาพบางอย่าง) ดังที่แสดงด้านล่าง (ผู้ใช้สามารถตั้งค่า ROI มากกว่าหนึ่งและขอให้ผู้ใช้กำหนดความสูงของ ROI ประมาณสองเท่าของรถยนต์ปกติตามสัดส่วน) ฉันได้ดำเนินการขั้นพื้นฐานไปแล้วบางอย่างเช่นการอัปเดตพื้นหลังตัวกรองสัณฐานวิทยาการทำซ้ำและการทำให้วัตถุเคลื่อนที่เป็นภาพไบนารีอย่างเช่นด้านล่าง หลังจากทำเสร็จแล้วฉันพยายามนับพิกเซลสีขาวของเฟรมด้านหน้าเบื้องหน้าสุดท้ายและประเมินว่าเป็นรถยนต์หรือไม่โดยตรวจสอบจำนวนพิกเซลสีขาวทั้งหมด . เพื่ออธิบายฉันวาดกราฟิกตัวอย่าง: อย่างที่คุณเห็นมันเป็นเรื่องง่ายที่จะคำนวณพิกเซลสีขาวและตรวจสอบว่ามันเป็นเส้นโค้งตามเวลาและพิจารณาว่ารถยนต์หรือเสียงรบกวนหรือไม่ ปัญหา ฉันค่อนข้างประสบความสำเร็จจนกระทั่งรถสองคันผ่าน ROI ของฉันพร้อมกัน อัลกอริทึมของฉันนับพวกเขาอย่างไม่ถูกต้องเป็นรถยนต์คันเดียว ฉันลองแนวทางที่แตกต่างกันสำหรับปัญหานี้และคล้ายกับสิ่งนี้เช่นรถถังยาว แต่ฉันไม่พบวิธีแก้ปัญหาที่น่าพอใจ คำถาม เป็นไปได้หรือไม่ที่จะจัดการกับภารกิจนี้ด้วยวิธีการนับจำนวนพิกเซลนี้ ถ้าไม่คุณแนะนำอะไร

10 computer-vision  opencv  motion-detection 

ฉันใช้รุ่น "KISS FFT" โดย Mark Borgerding ยอมรับอาร์เรย์ของค่าอินพุตแบบคงที่ 16 บิตและสร้างอาร์เรย์ผลลัพธ์แบบ 32 บิต ฉันได้ค้นพบว่าถ้าแอมพลิจูดอินพุทมีค่าต่ำมากค่าผลลัพธ์แบบลอยออกมาเป็นศูนย์ แต่ถ้าฉันเพียงแค่ปรับอินพุต (โดยการพูดปัจจัยที่ 16) ดังนั้นค่าเอาท์พุตที่น้อยกว่าจึงเป็นศูนย์ รายละเอียดเพิ่มเติม. (ไม่ใช่ว่ามันมีความสำคัญมากสำหรับวัตถุประสงค์ของฉัน แต่เพื่อความมั่นคงฉันจะหารค่าลอยตัวที่เกิดขึ้นโดยใช้ตัวคูณสเกลเดียวกัน) อย่างไรก็ตามนี่ดูเหมือนว่าจะทำงานได้ในแง่ของการสร้างผลลัพธ์เมื่อก่อนหน้านี้ฉันเพิ่งได้รับบัฟเฟอร์ของศูนย์เกือบทั้งหมด แต่ฉันสงสัยว่ามีเหตุผลบางอย่างที่อาจเป็นวิธีที่ไม่ถูกต้อง (โปรดทราบว่าวิธีการนี้หมายความว่ามี "ความหยาบ" / ข้อมูลละเอียดมากขึ้นและโดยเฉพาะอย่างยิ่งเสียงรบกวนระดับต่ำที่ปกติจะไม่มีอยู่ในปัจจุบันฉันเกือบจะสงสัยว่ามันจะเป็นการฉลาดที่จะฉีด เสียงรบกวนในระดับต่ำเพื่อแทนที่ค่าศูนย์ในอินพุต)

10 fft 

ฉันพยายามตรวจสอบสถานที่สำคัญทางกายวิภาคที่กำหนดโดยแพทย์ในปริมาณที่สร้างขึ้นใหม่โดยอัตโนมัติ CT แพทย์ใช้สถานที่สำคัญเหล่านี้เพื่อวัดพารามิเตอร์เฉพาะของผู้ป่วย ฉันพยายามใช้ตัวบอกคุณสมบัติ SIFT เนื่องจากสถานที่สำคัญทางกายวิภาคเหล่านี้เป็น "จุดสำคัญ" สิ่งนี้ทำงานได้ไม่ดีนักเนื่องจากจุดสังเกตคือจุด (หรือพื้นที่เล็ก ๆ ) ซึ่งโดยทั่วไปไม่ใช่ "จุดสนใจ" ตามที่กำหนดโดย SIFT ฉันกำลังมองหาอัลกอริธึมการจับคู่รูปแบบ / เทมเพลตมากมาย แต่เมื่อฉันไม่มีปัญหาการหมุน / การแปล / สเกลฉันพบว่าคุณสมบัติที่แยกออกมานั้นไม่แยกความแตกต่างของจุดสังเกตแต่ละจุดให้เพียงพอ (จากสถานที่สำคัญอื่น ๆ จุดสังเกตที่สำคัญ) เพื่อฝึกอบรมตัวจําแนกที่มีประสิทธิภาพเพียงพอ (อย่างน้อย 80% ของความถูกต้องในการตรวจจับ) โปรดแจ้งให้เราทราบหากฉันไม่ได้ระบุปัญหาให้ชัดเจนเพียงพอ ฉันขอขอบคุณคำแนะนำใด ๆ ขอบคุณ! ภาพตัวอย่าง: กากบาท x ตัวเล็กและสี่เหลี่ยมจัตุรัสเล็ก ๆ อยู่เหนือจุดสังเกตที่ฉันต้องการตรวจจับ (ฉันลืมที่จะพูดถึงว่าฉันมีชุดฝึกอบรมพร้อมกับจุดสังเกตที่มีป้ายกำกับ) เส้นสีขาวแสดงถึงมาตรการที่ใช้ เหล่านี้เป็นบางกรณีที่แตกต่างกัน (แน่นอนฉันไม่สามารถโพสต์เสียงสามมิติเต็มรูปแบบ)

10 image-processing  3d  template-matching 

เมื่อเร็ว ๆ นี้ฉันได้พบกับบันทึกย่อของ"Waterbed effect"ในบันทึกบางส่วนของ A. Megretski สำหรับหลักสูตร MIT เกี่ยวกับ "ระบบควบคุมหลายตัวแปร" นี่คือข้อความที่ตัดตอนมา: ผลกระทบที่พบบ่อยซึ่งมักเกี่ยวข้องกับศูนย์และเสาที่ไม่แน่นอนของพืชเปิดวงทำให้ทฤษฎีเป็นไปไม่ได้ที่จะทำให้ฟังก์ชั่นการถ่ายโอนแบบลูปปิด "เล็ก" พร้อมกันทุกความถี่: ถ้าความกว้างของการตอบสนองความถี่ลดลงในส่วนหนึ่งของสเปกตรัม มันอาจจะต้องใหญ่ขึ้นในส่วนอื่น ๆ เอฟเฟกต์นี้บางครั้งเรียกว่าเอฟเฟกต์ที่นอนน้ำสามารถอธิบายได้ทางคณิตศาสตร์ในแง่ของความไม่เท่าเทียมกันที่กำหนดไว้ในฟังก์ชั่นการถ่ายโอนแบบลูปปิด ในพื้นฐานของผลลัพธ์ดังกล่าวคือการระบุลักษณะเลียนแบบของการตอบสนองแบบวงปิดที่เป็นไปได้ทั้งหมดรวมถึงความสัมพันธ์แบบครบวงจร Cauchy สำหรับฟังก์ชั่นการวิเคราะห์ ฉันไม่คิดว่าฉันเคยได้ยินเรื่องนี้มาก่อน ใครช่วยอธิบายผลกระทบในแง่ที่เป็นประโยชน์ได้มากกว่านี้? เมื่อใดที่ฉันจะได้รับผลกระทบนี้ในทางปฏิบัติ

10 feedback  control-systems