การประมวลผลสัญญาณ

การเข้ารหัส Huffman เป็นวิธีการเข้ารหัสเอนโทรปีที่ใช้กันอย่างแพร่หลายในการบีบอัดข้อมูล มันถือว่าเรามีความรู้ที่สมบูรณ์เกี่ยวกับสถิติของสัญญาณ อย่างไรก็ตามมีรุ่นของการเข้ารหัส Huffman ที่ใช้กับการสตรีมสื่อและอาจไม่รู้ทุกอย่างเกี่ยวกับสถิติของสัญญาณ ตัวเข้ารหัส Huffman ที่ปรับได้เหล่านี้ทำงานอย่างไร

10 compression 

ฉันหมายถึงเอกสารต่อไปนี้: การวัดชีพจรเต้นของหัวใจโดยอัตโนมัติแบบไม่ต้องสัมผัสโดยใช้การถ่ายภาพวิดีโอและการแยกแหล่งกำเนิดตาบอด ในบทความข้างต้นผู้เขียนสามารถสกัดสัญญาณการเต้นของหัวใจออกจากส่วนประกอบ RGB ฉันลองนึกภาพกระบวนการดังต่อไปนี้ R' = R + cardiac pulse G' = G + cardiac pulse B' = B + cardiac pulse R ', G' และ B 'เป็นองค์ประกอบสีที่สังเกตได้จากกล้อง R, G, B เป็นส่วนประกอบของสีสำหรับบุคคลโดยสมมติว่าเขาไม่มีชีพจรการเต้นของหัวใจ ดูเหมือนว่าเราจะมี 4 แหล่ง (R, G, B, ชีพจรเต้นของหัวใจ) ตอนนี้เรากำลังพยายามได้รับ 1 ใน 4 แหล่งที่มา (Cardiac Pulse) จาก 3 สัญญาณผสม …

10 ica  source-separation 

เมื่ออุปกรณ์ดิจิตอล (PC, เครื่องเล่นสื่อพกพา ฯลฯ ) เล่นไฟล์เสียงดิจิตอล (ogg, mp3, flac และอื่น ๆ ) เอาต์พุตสัญญาณเสียงจะเหมือนเดิมเสมอไม่ว่าจะเป็นอุปกรณ์ประเภทใดหรือยี่ห้อใด ดังนั้นคุณภาพเสียงไม่ควรแตกต่างกัน ตัวอย่างเช่นฉันมี iPod ที่เล่นไฟล์ mp3 ถ้าฉันเล่นไฟล์เดียวกันบนเครื่องเล่นสื่อยี่ห้ออื่นคุณภาพของเสียงควรเหมือนกันเพราะมันเป็นสัญญาณเดียวกัน (ไม่มีอีควอไลเซอร์หรือการดัดแปลงเสียงใด ๆ ) มันเป็นเรื่องจริงเหรอ? ถ้าเป็นจริงฉันก็คิดว่ามันเป็นเพียงหูฟัง / ลำโพงที่มีความสำคัญเท่าที่คุณภาพเสียงเกี่ยวข้อง PS: คำตอบทั้งหมดเป็นสิ่งที่ดีจริงๆ! หวังว่าฉันจะยอมรับได้ทั้งหมด

10 audio 

เมื่อทำการถอดรหัสสัญญาณย่านความถี่แคบด้วยตัวกรองสัญญาณแบบรวมซ้อน (CIC) ตัวกรอง FIR ใดที่เหมาะสมกว่าในการชดเชยการตอบสนองของ CIC แบบอิสระ?

10 filter-design 

จากหนังสือเรียนรู้ว่า DTFT ของ u[n]ยู[n]u[n] ได้รับจาก U(ω)=πδ(ω)+11−e−jω,−π≤ω&lt;π(1)(1)ยู(ω)=πδ(ω)+11-อี-Jω,-π≤ω&lt;πU(\omega)=\pi\delta(\omega)+\frac{1}{1-e^{-j\omega}},\qquad -\pi\le\omega <\pi\tag{1} อย่างไรก็ตามฉันไม่ได้เห็นตำราเรียนของ DSP ที่อย่างน้อยก็แกล้งทำเป็นให้เสียงที่มาไม่มากก็น้อย (1)(1)(1). Proakis [1] เกิดขึ้นครึ่งขวาของด้านขวามือของ (1)(1)(1) โดยการตั้งค่า z=ejωZ=อีJωz=e^{j\omega} ใน ZZ\mathcal{Z}- การเปลี่ยนแปลงของ u[n]ยู[n]u[n]และบอกว่าถูกต้องยกเว้น ω=2πkω=2πk\omega=2\pi k(ซึ่งแน่นอนว่าถูกต้อง) จากนั้นเขาก็กล่าวว่าที่เสาของZZ\mathcal{Z}- เปลี่ยนเราต้องเพิ่มแรงกระตุ้นเดลต้ากับพื้นที่ของ ππ\piแต่นั่นดูเหมือนสูตรสำหรับฉันมากกว่าสิ่งอื่นใด Oppenheim and Schafer [2] พูดถึงในบริบทนี้ แม้ว่ามันจะไม่ตรงไปตรงมาเพื่อแสดงลำดับนี้สามารถแสดงโดยการแปลงฟูริเยร์ต่อไปนี้: ซึ่งตามด้วยสูตรเทียบเท่ากับ (1)(1)(1). น่าเสียดายที่พวกเขาไม่ได้มีปัญหาในการแสดงให้เราเห็นว่าหลักฐาน "ไม่ตรงไปตรงมา" หนังสือที่ฉันไม่รู้จริง ๆ แต่ฉันพบเมื่อมองหาหลักฐาน (1)(1)(1)คือการแนะนำการประมวลผลสัญญาณดิจิตอลและการออกแบบตัวกรองโดย BA Shenoi บนหน้า 138มี "มา" ของ(1)(1)(1)แต่น่าเสียดายที่มันผิด ฉันถามคำถาม"DSP-puzzle"เพื่อให้ผู้คนแสดงสิ่งที่ผิดกับการพิสูจน์นั้น] ดังนั้นคำถามของฉันคือ: ใครสามารถให้หลักฐาน …

10 discrete-signals  fourier-transform  dtft  proof 

Adaptive IIR filters นั้นไม่ตรงไปตรงมาและอาจไม่เสถียร หลายคนบอกว่าตัวกรอง IIR แบบปรับตัวใช้ค่าสัมประสิทธิ์น้อยกว่าตัวกรอง FIR สิ่งที่ฉันอยากรู้คือค่าสัมประสิทธิ์จำนวนเท่าไหร่ที่สามารถบันทึก IIR ได้? ฉันพยายามใช้ตัวกรอง IIR แบบปรับตัวเพื่อประเมินฟังก์ชั่นการถ่ายโอนของตัวกรอง FIR แบบ 32 คำสั่ง สมมติว่าตัวกรอง IIR มีM+ N+ 1M+N+1M+N+1 ค่าสัมประสิทธิ์: a1,a2, . . . ,aM,ข0,ข1, . . .ขยังไม่มีข้อความa1,a2,...,aM,b0,b1,...bNa_1, a_2, ..., a_M, b_0, b_1, ...b_N. ฉันพบว่าผลการประเมินเป็นที่ยอมรับได้ก็ต่อเมื่อM+ N+ 1 ≥ 30M+N+1≥30M+N+1 \ge 30สามารถบันทึกได้เพียง 2 ค่าสัมประสิทธิ์ ในโครงการจริงเช่น FPGA 50 …

10 infinite-impulse-response  fir  adaptive-filters 

ฉันพยายามที่จะทำลงทะเบียนภาพโดยใช้ความสัมพันธ์ขั้นตอนที่อธิบายไว้ในกระดาษเรดดี้ Chatterji ในกรณีของฉันรูปภาพอาจถูกปรับขนาดและแปลให้สัมพันธ์กัน อัลกอริทึมสำหรับการค้นหาสเกลสัมพัทธ์ตามที่ฉันเข้าใจคือ (ดู: แผนผังลำดับงานจากกระดาษ ): F1 = DFT(I1) F2 = DFT(I2) H1 = Highpass(F1) H2 = Highpass(F2) L1 = LogPolar(Magnitude(H1)) L2 = LogPolar(Magnitude(H2)) PC = PhaseCorrelate(L1,L2) PM = norm(PC) R = IDFT(PhaseCorr/PM) P = Peak(R) Scale = LogBase^P[1] สเกลให้ค่าที่ดูไร้สาระ (แตกต่างจากภาพต่อภาพและไม่ถูกต้อง) แต่ไม่สนใจสเกลวิธีการสหสัมพันธ์เฟสเดียวกันนั้นใช้ได้ผลดีสำหรับการแปล และฉันก็สงสัยว่าฉันมีปัญหากับการแปลงขั้ว - นี่คือตัวอย่างที่ฉันแก้ไขสำหรับการแปล - รูปภาพด้านซ้ายเป็นต้นฉบับและด้านขวาถูกตัดและแปล - วิธีแก้ไขจะปรากฏที่ด้านบนของ …

10 image-processing  dft  opencv 

ฉันมีภาพที่ถ่ายโดยกล้องโทรศัพท์มือถือโดยเน้นที่ส่วนหนึ่งของมัน ฉันต้องการที่จะรู้ว่า - ประมาณ - ซึ่งเป็นพื้นที่ที่มุ่งเน้น ตัวอย่างเช่นกล่องขอบเขตรอบ ๆ พื้นที่ที่มุ่งเน้น ตัวอย่าง:

10 image-processing  opencv  blur 

ดังนั้นสิ่งนี้เกี่ยวข้องกับตำราอาหารและฉันพยายามแก้ไขมันอาจจะสองทศวรรษที่แล้วเลิกและได้รับการเตือนถึงปัญหาที่ไม่ได้แก้ไข แต่มันก็ด่าไปข้างหน้า แต่ฉันก็ยังตกอยู่ในโคลนตม นี่คือตัวกรอง Bandpass แบบง่าย (BPF) ที่มีความถี่เรโซแนนท์และเสียงก้อง :Ω0Ω0\Omega_0QQQ H(s)=1QsΩ0(sΩ0)2+1QsΩ0+1H(s)=1QsΩ0(sΩ0)2+1QsΩ0+1 H(s) = \frac{\frac{1}{Q}\frac{s}{\Omega_0}}{\left(\frac{s}{\Omega_0}\right)^2 + \frac{1}{Q}\frac{s}{\Omega_0} + 1} ที่ความถี่พ้อง |H(jΩ)|≤H(jΩ0)=1|H(jΩ)|≤H(jΩ0)=1 |H(j\Omega)| \le H(j\Omega_0) = 1 และมีการกำหนดแถบแบนด์ด้านบนและล่าง |H(jΩU)|2=∣∣H(jΩ02BW/2)∣∣2=12|H(jΩU)|2=|H(jΩ02BW/2)|2=12 |H(j\Omega_U)|^2 = \left|H\left(j\Omega_0 2^{BW/2} \right)\right|^2 = \tfrac12 |H(jΩL)|2=∣∣H(jΩ02−BW/2)∣∣2=12|H(jΩL)|2=|H(jΩ02−BW/2)|2=12 |H(j\Omega_L)|^2 = \left|H\left(j\Omega_0 2^{-BW/2} \right)\right|^2 = \tfrac12 เราขอเรียกร้องเหล่านี้"bandedges ครึ่งอำนาจ" เนื่องจากเราเป็นเสียงเราจึงกำหนดแบนด์วิดท์ในอ็อกเทฟและในโลกอะนาล็อกแบนด์วิดท์นี้ในอ็อกเทฟเกี่ยวข้องกับเป็น:BWBWBWQQQ 1Q=2BW−12BW−−−−√=2sinh(ln(2)2BW)1Q=2BW−12BW=2sinh⁡(ln⁡(2)2BW) \frac{1}{Q} = \frac{2^{BW} - 1}{\sqrt{2^{BW}}} …

10 audio  bandwidth  math  bilinear-transform 

ฉันมักจะสะดุดกับความคิดที่ว่าสัญญาณสองส่วนขึ้นไปมีความสัมพันธ์กันเพื่ออธิบายแบบกึ่งทางการว่าพวกมันอยู่ด้วยกัน ตัวอย่างเช่นในการประมวลผลภาพพิกเซลสองลูกบนคุณลักษณะขอบมีความสัมพันธ์กันในขณะที่สองส่วนที่อยู่ติดกันของโครงสร้าง 3 มิติที่แสดงหยดน้ำในการจำลองอนุภาคมีความสัมพันธ์น้อยกว่า คำถามของฉันคือสิ่งที่เป็นความคิดที่แน่นอนที่อยู่เบื้องหลังความคิดนี้

10 statistics  correlation  terminology 

ในหนังสือประมวลผลสัญญาณหลายเล่มอ้างว่า DFT ถือว่าสัญญาณที่แปลงเป็นระยะ (และนี่คือเหตุผลว่าทำไมการรั่วไหลของสเปกตรัมเช่นอาจเกิดขึ้นได้) ทีนี้ถ้าคุณดูนิยามของ DFT ก็ไม่มีข้อสันนิษฐานแบบนั้น อย่างไรก็ตามในบทความ Wikipediaเกี่ยวกับการแปลงฟูริเยร์แบบไม่ต่อเนื่อง (DTFT) มีการระบุไว้ว่า เมื่อมีการป้อนข้อมูลตามลำดับ x [ n ]x[n]x[n] คือ ยังไม่มีข้อความNN-periodic, Eq.2 สามารถลดลงเป็นการแปลงฟูริเยร์โดยสิ้นเชิง (DFT) ดังนั้นสมมติฐานนี้เกิดขึ้นจาก DTFT หรือไม่ ที่จริงแล้วเมื่อคำนวณ DFT ฉันจริง ๆ แล้วทำการคำนวณ DTFT ด้วยการสันนิษฐานว่าสัญญาณเป็นระยะ?

10 discrete-signals  signal-analysis  dft 

ดังนั้นฉันจะได้รับการแปลงฟูริเยร์ด้วย ตอนนี้ฉันเข้าใจได้อย่างชัดเจนว่ามันทำอะไรและจะติดตามชั้นเรียนคณิตศาสตร์ในไม่ช้า แต่จากนั้นฉันก็ไปอ่านเกี่ยวกับการแปลงเลซและฉันก็สูญเสียมันไป ช่วงเวลาของสัญญาณคืออะไร? เหตุใดฟูเรียร์จึงเปลี่ยนเป็นกรณีพิเศษของการแปลง Laplace ฉันจะเข้ามาจับกับ Laplace transform ได้อย่างไร? ฉันเคยดูที่แหล่งข้อมูลเหล่านี้ก่อนที่ฉันจะถามคำถามนี้: อะไรคือความหมายของ "การตอบสนองต่อแรงกระตุ้น" และ "การตอบสนองความถี่" วิธีแยกแยะระหว่างโดเมนความถี่ที่แตกต่างกันอย่างไร Amplitude vs Frequency Response ทำไมการแปลงฟูริเยร์จึงสำคัญมาก? http://en.wikipedia.org/wiki/Laplace_transform

10 fourier-transform  homework  z-transform  reference-request  laplace-transform 

ฉันเคยเห็นสิ่งนี้ถูกกล่าวถึงสองครั้งในหนังสือบางเล่มที่ฉันอ่านดังนั้นฉันต้องการตรวจสอบให้แน่ใจ ซองจดหมายที่ซับซ้อนเป็นเพียงการรวมกันขององค์ประกอบที่แท้จริงและพื้นที่สี่เหลี่ยมจัตุรัสของสัญญาณโดยที่ค่าสัมบูรณ์คือซองจดหมาย (ของจริง)? ฉันได้อ่านหน้าวิกินี้แล้ว แต่ฉันไม่แน่ใจว่าฉันเข้าใจอย่างสมบูรณ์ ซองจดหมายที่ซับซ้อนเป็นเพียงส่วนจริงและจินตภาพของสัญญาณ passband รวมกันหรือไม่? ขอบคุณ.

10 fourier-transform  hilbert-transform  quadrature 

ฉันเพิ่งตระหนักว่า FFT ไม่สมบูรณ์แบบ หมายความว่าถ้าฉันรับสัญญาณจากนั้นรับ FFT จากนั้นทำ FFT ผกผันเอาท์พุทผลลัพธ์ที่ได้นั้นไม่เหมือนกับอินพุท นี่คือภาพเพื่อแสดงสิ่งที่ฉันหมายถึง: ฉันคิดว่าภาพนั้นอธิบายได้ด้วยตนเอง สัญญาณ IFFT เป็นเพียงการแปลงผกผันของ "FFT spectrum" และพล็อต "ความแตกต่าง" คือความแตกต่างระหว่างสัญญาณ IFFT และสัญญาณดั้งเดิม ( )IFFT - OriginalIFFT - Original\text{IFFT - Original} เห็นได้ชัดว่ามีสิ่งของบางอย่างแม้ว่าจะเล็กจริง ๆ ฉันอยากรู้ว่าทำไมพวกเขาถึงเกิดขึ้นตั้งแต่แรก เป็นเพราะหน้าต่าง จำกัด ของการแปลงฟูริเยร์หรือไม่? หรือเพราะบางสิ่งในอัลกอริทึม FFT หมายเหตุ:พล็อตนี้มี 32 คะแนน แต่ฉันได้ตรวจสอบกับ 100, 1,000, 1024, 256 และ 64 คะแนนและมีสิ่งตกค้างนี้ในความแตกต่างของขนาดที่คล้ายกันเสมอ (ทั้งหรือ )10−1610−1610^{-16}10−1510−1510^{-15}

10 fft  fourier-transform  dft 

สมมติว่ามีเวกเตอร์ DFT XX\mathbf{X} ด้วยความยาว N ซึ่งนำเสนอสมมาตรคอนจูเกตที่ซับซ้อนรอบจุดกึ่งกลางนั่นคือ X(1)=X(N−1)∗X(1)=X(N−1)∗X(1) = X(N-1)^*, X( 2 ) = X( N- 2)* * * *X(2)=X(ยังไม่มีข้อความ-2)* * * *X(2) = X(N - 2)^* และอื่น ๆ X( 0 )X(0)X(0) และ X( N/ 2)X(ยังไม่มีข้อความ/2)X(N/2)คือความถี่ DC และ Nyquist ตามลำดับดังนั้นจึงเป็นจำนวนจริง องค์ประกอบที่เหลือมีความซับซ้อน ทีนี้สมมติว่ามีเมทริกซ์ TT\mathbf{T}มีขนาด ยังไม่มีข้อความ× Nยังไม่มีข้อความ×ยังไม่มีข้อความN \times Nซึ่งคูณเวกเตอร์ X Y = T …

10 dft  equalization  linear-algebra