การประมวลผลสัญญาณ

ฉันได้ของเล่นหุ่นยนต์ที่ติดตามแล้วและฉันควบคุมมันด้วย iPhone หุ่นยนต์ส่งสัญญาณภาพกล้องถ่ายทอดสดตามขนาดเฟรมที่รู้จักและฉันแสดงผลบน UIImage ฉันได้เพิ่มตัวชี้เลเซอร์ไปยังหุ่นยนต์และแก้ไขมันควบคู่ไปกับแกนของหุ่นยนต์ ฉันพยายามตรวจจับจุดเลเซอร์ชี้บนภาพและพยายามคำนวณความใกล้เคียงของวัตถุ หากจุดเลเซอร์อยู่ไกลจากศูนย์กลางฉันรู้ว่าหุ่นยนต์ติดอยู่กับผนังและต้องการสำรอง ฉันจะตรวจจับจุดสีขาวสว่างแดงบนหน้าจอได้อย่างไร วิธีแก้ปัญหาอย่างหนึ่งก็คือการสุ่มตัวอย่างสีของพิกเซลภายในรัศมีของศูนย์กลางและตรวจจับสีสว่างหยด ใครสามารถแนะนำอัลกอริทึมสำหรับกิจกรรมนี้ได้บ้าง อีกวิธีหนึ่งก็คือการติดตามตำแหน่งเฉลี่ยของจุดในช่วงสองสามเฟรมสุดท้ายซึ่งจะเป็นการลดรัศมีการคาดเดา หากไม่มีจุดภายในขอบเขตที่กำหนดไว้ล่วงหน้าภูมิภาคการค้นหาอาจถูกขยาย ในที่สุดฉันต้องการที่จะสอนหุ่นยนต์ให้ตรวจจับพรมรอบ ๆ มัน Carpet สะท้อนตัวชี้เลเซอร์ในทางใดทางหนึ่งและฉันต้องการเข้าใจจำนวนเฟรมรอบ ๆ หุ่นยนต์ที่มีคุณสมบัติคล้ายกัน หากฉันรู้ว่าตัวชี้เลเซอร์อยู่ที่หน้าจอฉันสามารถคลิปสี่เหลี่ยมเล็ก ๆ จากภาพนั้นและเปรียบเทียบกับอีกอันหนึ่งได้ มีวิธีที่มีประสิทธิภาพในการเปรียบเทียบภาพขนาดเล็กหลาย ๆ ภาพกับอีกภาพหนึ่งเพื่อทำความเข้าใจหรือไม่ว่าภาพเงาของพวกเขาตรงกันหรือไม่? ฉันสังเกตเห็นว่าเลเซอร์ถูกสะท้อนออกจากพื้นผิวมันวาวและทิศทางของการสะท้อนนี้อาจบอกฉันบางอย่างเกี่ยวกับการวางแนวของพื้นผิวในอวกาศตามกฎหมายของการหักเห ขอบคุณ!

9 computer-vision 

ฉันเป็นวิศวกรเคมีไม่ใช่ EE ดังนั้นมันจึงค่อนข้างยาก ฉันกำลังพยายามหาวิธีนำแอมพลิจูดเทียบกับข้อมูลเวลาและแปลงเป็นความถี่เทียบกับเวลา สัญชาตญาณแรกของฉันคือการแบ่งข้อมูลของฉันออกเป็นชิ้น ๆ ดำเนินการ FFT ในแต่ละอัน น่าเสียดายที่ช่วงเวลาของแต่ละชิ้นเข้าใกล้ศูนย์จึงไม่มีข้อมูลเพียงพอที่จะรับข้อมูลความถี่ที่ถูกต้องได้อีกต่อไป (ความถี่ต่ำต้องใช้เวลามากกว่าชิ้นเล็กมาก) ดังนั้น ... ฉันจะทำสิ่งนี้ได้อย่างไร ฉันแน่ใจว่านี่เป็นปัญหาที่โด่งดังที่ใครบางคนได้แก้ไขไปแล้ว นี่คือการแปลงรูปแบบที่ฉันกำลังมองหาซึ่งแสดงด้วยคลื่นเสียง (โน้ตเปียโน G) อย่างที่คุณเห็นกราฟนี้เป็นแกนสามแกนโดยที่สีที่สามแสดงด้วยสี ขอบคุณ!

9 fourier-transform  frequency  transform 

สำหรับแบบจำลองพื้นที่รัฐเชิงเส้นที่มีรัฐเสียนอิสระและเสียงออกและการคาดเดาที่สมบูรณ์แบบสำหรับสถานะเริ่มต้นKalman ประมาณว่ามีคุณสมบัติดังต่อไปนี้: ที่ไหนE(x^k|k−xk)=0E(x^k|k−xk)=0 E(\hat{x}_{k|k} - x_k) = 0 Pk|k=Var(x^k|k−xk), or Var(x^k|k), or Var(xk)?Pk|k=Var(x^k|k−xk), or Var(x^k|k), or Var(xk)? P_{k|k} = Var(\hat{x}_{k|k} - x_k),\text{ or }Var(\hat{x}_{k|k}),\text{ or }Var(x_k) ? xkxkx_kเป็นสถานะ ณ เวลาที่ซึ่งเป็นการสุ่มkkk x^k|kx^k|k\hat{x}_{k|k}และเป็นคาลมาน esitmates กล่าวคือเอาท์พุทของตัวกรองคาลมานPk|kPk|kP_{k|k} มีการอ้างอิงถึงสิ่งเหล่านี้หรือไม่? ขอบคุณ!

9 kalman-filters 

ฉันกำลังเรียนระบบมัลติมีเดียในวิทยาการคอมพิวเตอร์ MSc ของฉันและฉันมีปัญหาบางอย่างในการทำความเข้าใจสูตรสำหรับความถี่นามแฝง - สิ่งนี้อาจเกิดจากความเข้าใจผิดเกี่ยวกับสัญญาณนามแฝงของฉัน ความเข้าใจของฉันเกี่ยวกับสัญญาณนามแฝงคือถ้าคุณขีดตัวอย่างสัญญาณอินพุตของคุณ (เช่นตัวอย่างในอัตราที่น้อยกว่าความถี่สูงสุดสองเท่า) จากนั้นเราสามารถสร้างนามแฝงได้เนื่องจากเราสุ่มตัวอย่างไม่บ่อยพอที่จะจับรายละเอียดความถี่สูง สัญญาณนามแฝงเป็นผลมาจากการรับค่าตัวอย่างเหล่านี้และเข้าร่วมกับพวกเขาด้วยเส้นโค้งเรียบ ดังนั้นสัญญาณที่ได้จึงมีความถี่ครึ่งหนึ่งของความถี่สุ่มตัวอย่างเนื่องจากไซนัสบริสุทธิ์บริสุทธิ์จะต้องใช้สองตัวอย่างต่อการแกว่ง (1 สำหรับแต่ละจุดเปลี่ยน) - นี่หมายความว่าความถี่นามแฝงควรเป็นหน้าที่ของความถี่สุ่มตัวอย่าง สูตรสำหรับความถี่นามแฝงคือความแตกต่างที่แน่นอนของความถี่สัญญาณและจำนวนเต็มคูณที่ใกล้เคียงที่สุดของความถี่การสุ่มตัวอย่างใครบางคนสามารถอธิบายสิ่งนี้ให้ฉันได้หรือไม่ ขอบคุณล่วงหน้า!

9 audio  sampling  continuous-signals  aliasing 

ฉันอ่านบทเกี่ยวกับการแปลงฟูริเยร์โดยสิ้นเชิงในหนังสือของ Lyons - ทำความเข้าใจกับการประมวลผลสัญญาณดิจิตอล - และไม่สามารถเข้าใจย่อหน้าสุดท้ายเกี่ยวกับความสมมาตร มีคุณสมบัติสมมาตรเพิ่มเติมของ DFT ที่สมควรกล่าวถึงในตอนนี้ ในทางปฏิบัติเราจำเป็นต้องกำหนด DFT ของฟังก์ชันอินพุตจริงเป็นบางครั้งซึ่งดัชนีอินพุทถูกกำหนดเหนือทั้งค่าบวกและค่าลบ หากฟังก์ชั่นอินพุตจริงนั้นเป็นเลขคู่จะเป็นจริงเสมอและสม่ำเสมอ นั่นคือถ้าจริงดังนั้นอยู่ทั่วไปไม่ใช่ศูนย์และเป็นศูนย์ ในทางกลับกันถ้าฟังก์ชั่นการป้อนข้อมูลจริงเป็นเลขคี่ดังนั้นจะเป็นศูนย์เสมอและคือ โดยทั่วไปไม่ใช่ศูนย์nnnX( m )X(ม.)X(m)x ( n ) = x ( - n )x(n)=x(-n)x(n) = x(−n)Xจริง( m )Xจริง(ม.)X_{\textrm{real}}(m)Ximag( m )Ximag(ม.)X_{\textrm{imag}}(m)x ( n ) = - x ( - n )x(n)=-x(-n)x(n) = −x(−n)Xจริง( m )Xจริง(ม.)X_{\textrm{real}}(m)Ximag( m )Ximag(ม.)X_{\textrm{imag}}(m) หมายเหตุ:X( …

9 discrete-signals  dft 

ทฤษฎีเบื้องหลัง LPC คืออะไร เหตุใดการใช้งาน LPC บางอย่างจึงมีความทนทานต่อการส่งผ่านหรือการเข้ารหัสข้อผิดพลาดเชิงปริมาณมากกว่าแผนการเข้ารหัสเสียงที่บีบอัดอื่น ๆ สามารถใช้วิธีการ LPC สำหรับการทำนายคำในระยะสั้นหรือแบบเดียวกับการใช้ตัวกรองคาลมานได้หรือไม่? การใช้ LPC มีเงื่อนไขหรือข้อ จำกัด อะไรบ้าง

9 linear-systems  voice  compression  linear-prediction 

ฉันกำลังดูแพลตฟอร์มที่ใช้ฮาร์ดแวร์สำหรับระดับการเฝ้าระวังของแอปพลิเคชัน ฉันต้องการระบุใบหน้าของผู้คนตามที่ปรากฏในฉาก ฉันไม่ได้ตั้งใจจะใช้การจดจำใบหน้าจริงๆ (หลังจากนั้นหรือภายหลัง) การวางแนวใบหน้าสามารถทำได้โดยตรงเพื่อการใช้งานจริง ตรวจจับใบหน้าครั้งเดียวไม่จำเป็นต้องดำเนินการต่อไป มีอัลกอริทึมที่รวดเร็ว (มีประสิทธิภาพ) ในการตรวจจับใบหน้าจากแหล่งวิดีโอสดหรือไม่?

9 hardware-implementation  face-detection 

ฉันมีภาพ RGB พร้อมสัญญาณต่าง ๆ เป้าหมายหลักของฉันคือการนับสัญญาณที่สัมผัสกับเส้นขอบภาพ แนวทางและปัญหา ฉันเริ่มโดยการโหลดภาพ [รูป 1] จากนั้นแปลงเป็นสีเทาและใช้ตัวกรองมัธยฐานเพื่อกำจัดเสียงรบกวน [รูปที่ 1] 2] จากนั้นฉันก็ทำการไบนาริมิเตอร์ด้วยค่า 0.2 ซึ่งส่งผลให้รูปที่ 3 ในขณะนี้ฉันได้รับภาพที่ถูกจัดรูปแบบของฉัน แต่ปัญหาคือบางส่วนที่เป็นสัญลักษณ์เดียวกันปรากฏในภูมิภาคต่าง ๆ แทนที่จะเป็นเพียงภาพเดียว ตอนนี้เป้าหมายของฉันคือการรวมภูมิภาคที่เป็นวัตถุเดียวกันดังนั้นฉันสามารถใช้bwlabelเพื่อนับจำนวนสัญญาณที่อยู่ในภาพและใช้imclearborderเพื่อกำจัดสิ่งที่อยู่ในเส้นขอบและใช้bwlabelอีกครั้งเพื่อให้ได้ความแตกต่างระหว่าง ทั้งสอง. วิธีการของฉันคือการใช้bwmorph, Dilateการขยายวัตถุและแล้วพยายามที่จะกรอกพวกเขาด้วย,imfill holesแต่ปัญหาคือถ้าฉันขยายมันในปริมาณเล็กน้อย [รูป 4] imfillดูเหมือนจะไม่เติมพวกเขาถ้าฉันขยายพวกมันด้วยจำนวนมาก [รูปที่ 5] วัตถุทั้งหมดเริ่มรวม :( รหัส img=im2double(imread('image.png')); figure, imshow(img) img_gray=rgb2gray(img); imshow(img_gray); img_mediana=medfilt2(img_gray, [3 3]); figure, imshow(img_mediana); img_bin=im2bw(img_mediana, 0.2); imshow(img_bin) img_dilate=bwmorph(img_bin, 'Dilate', 10); …

9 matlab  image-segmentation 

นี่คือด้านการเดินทางจากฉันแอปการนอนกรน ฉันมีรอยแตกในการสร้างสัญญาณเสียงอัตโนมัติเพื่อดูว่า "สัมพันธ์" กับการนอนกรน / การหายใจได้ดีหรือไม่ ฉันมีอัลกอริธึมอย่างง่าย (สร้าง 1.0 เป็นองค์ประกอบซีโรทซึ่งเป็นสัญญาณที่ดี) แต่ฉันสงสัยว่าจะประเมินผลลัพธ์เพื่อตรวจสอบว่าการหาค่าสัมพันธ์อัตโนมัตินั้นดีหรือไม่และอาจใช้วิธีนี้เพื่อแยก แหล่งกำเนิดเสียงที่เป็นไปได้ต่างๆ คำถาม # 1: RMS ของ autocorrelation (การข้ามองค์ประกอบศูนย์) เป็นตัวชี้วัด "คุณภาพ" ที่ดีหรือไม่หรือมีอะไรที่ดีกว่า หากต้องการอธิบายอย่างละเอียด: ฉันแค่ต้องการวิธีตัวเลข (เทียบกับ "มอง" ที่แผนภูมิ) เพื่อแยกแยะสัญญาณที่สัมพันธ์กันโดยอัตโนมัติสูงจากสัญญาณที่สัมพันธ์กันไม่ดี (ฉันไม่รู้จริง ๆ พอที่จะรู้ว่ามีคำถามอื่น ๆ ที่จะถาม) ผลลัพธ์เริ่มต้นบางอย่าง: ในบางกรณีความสัมพันธ์อัตโนมัติ (อย่างใดอย่างหนึ่ง RMS หรือยอด) แสดงการกระโดดอย่างมากบนกรน - การตอบสนองที่แม่นยำที่ฉันต้องการดู ในกรณีอื่น ๆ ไม่มีการเคลื่อนไหวที่ชัดเจนเลยในมาตรการเหล่านี้ (และนี่อาจเป็นกรนต่อเนื่องสองครั้งที่มีการตอบสนองสองครั้ง) และในสถานการณ์ที่มีสัญญาณรบกวนสูง Update - 22 พฤษภาคม: …

9 autocorrelation 

ขณะนี้ฉันกำลังทำงานกับและเปรียบเทียบประสิทธิภาพของตัวตรวจจับคุณลักษณะหลายตัวที่ OpenCV ใช้เป็นพื้นฐานสำหรับการจับคู่คุณลักษณะทางภาพ ฉันใช้คำอธิบายSIFT ผมได้ประสบความสำเร็จการจับคู่ที่น่าพอใจ (หลังจากปฏิเสธการแข่งขันที่ไม่ดี) เมื่อตรวจสอบMSERและหมา (ร่อน)คุณสมบัติ ขณะนี้ฉันกำลังทดสอบโค้ดของฉันกับGFTT (ฟีเจอร์ที่ดีในการติดตาม - มุมแฮร์ริส)เพื่อรับการเปรียบเทียบและเนื่องจากในขั้นตอนสุดท้ายชุดของฟีเจอร์ GFTT จะพร้อมใช้งานจากกระบวนการติดตามคุณลักษณะที่มองเห็น ฉันใช้cv::FeatureDetector::detect(...)ซึ่งให้ฉันด้วยstd::vector<cv::KeyPoint>ที่เต็มไปด้วยการตรวจพบคุณลักษณะ / keypoints / ภูมิภาคที่น่าสนใจ โครงสร้างcv::KeyPointประกอบด้วยข้อมูลพื้นฐานเกี่ยวกับตำแหน่งของสถานที่รวมถึงข้อมูลเกี่ยวกับsizeและoctaveที่ตรวจพบจุดสำคัญ ผลลัพธ์แรกของฉันกับGFTTนั้นแย่มากจนกระทั่งฉันเปรียบเทียบค่าทั่วไปsizeและoctaveพารามิเตอร์ในคุณสมบัติที่แตกต่างกัน: MSERตั้งค่าขนาด (ระหว่าง 10 ถึง 40px) และทำให้อ็อกเทฟเป็น 0 DoG (SIFT)ตั้งค่าทั้งขนาดและอัตราส่วนคู่ ( ขนาด /อัตราส่วนคู่ระหว่าง 20 และ 40) GFTTพารามิเตอร์อยู่เสมอ : size = 3 , octave = 0 ฉันเข้าใจว่าเป็นเพราะวัตถุประสงค์หลักของฟีเจอร์ GFTTไม่ได้ถูกใช้ในการจับคู่ แต่ใช้เพื่อการติดตามเท่านั้น สิ่งนี้อธิบายคุณภาพของผลลัพธ์การจับคู่ต่ำเนื่องจากตัวอธิบายที่ดึงออกมาจากคุณสมบัติเล็ก ๆ …

9 image-processing  opencv  computer-vision 

ฉันมีสเปกตรัมสองอันของวัตถุทางดาราศาสตร์เดียวกัน คำถามสำคัญคือ: ฉันจะคำนวณการเปลี่ยนแปลงสัมพัทธ์ระหว่าง spectra เหล่านี้และได้รับข้อผิดพลาดที่แม่นยำในการเปลี่ยนแปลงนั้นได้อย่างไร รายละเอียดเพิ่มเติมถ้าคุณยังอยู่กับฉัน แต่ละสเปกตรัมจะเป็นอาร์เรย์ที่มีค่า x (ความยาวคลื่น), ค่า y (ฟลักซ์) และข้อผิดพลาด การเปลี่ยนความยาวคลื่นจะเป็นพิกเซลย่อย สมมติว่าระยะห่างของพิกเซลเป็นประจำและมีเพียงการเลื่อนความยาวคลื่นเดียวที่ใช้กับสเปกตรัมทั้งหมด ดังนั้นคำตอบสุดท้ายจะเป็นดังนี้: 0.35 +/- 0.25 พิกเซล spectra ทั้งสองนั้นจะมีความต่อเนื่องที่ไม่มีรูปแบบมาแทนที่ด้วยคุณสมบัติการดูดซับที่ค่อนข้างซับซ้อน (dips) ที่ไม่ได้สร้างแบบจำลองได้ง่าย (และไม่ได้เป็นคาบ) ฉันต้องการหาวิธีที่เปรียบเทียบสเปกตรัมทั้งสองโดยตรง สัญชาตญาณแรกของทุกคนคือการทำครอสสัมพันธ์ แต่ด้วยการเลื่อนพิกเซลย่อยคุณจะต้องสอดแทรกระหว่างสเปคตรัม วิธีการปัจจุบันของฉันคือทำให้ข้อมูลราบรื่นขึ้นโดยใช้เคอร์เนลแบบเกาส์เซียนแล้วจึงทำให้ผลที่ได้เป็นไปอย่างราบรื่นและเปรียบเทียบสเปกตรัมสองอันที่แยกกัน - แต่ฉันไม่ไว้ใจ (โดยเฉพาะข้อผิดพลาด) ไม่มีใครรู้วิธีที่จะทำอย่างถูกต้องหรือไม่ นี่คือโปรแกรมไพ ธ อนสั้น ๆ ที่จะสร้างสเปกตรัมของเล่นสองอันที่ถูกเลื่อนด้วย 0.4 พิกเซล (เขียนเป็น toy1.ascii และ toy2.ascii) ที่คุณสามารถเล่นได้ แม้ว่าโมเดลของเล่นนี้จะใช้คุณสมบัติแบบเกาส์เซียนอย่างง่าย แต่สมมติว่าข้อมูลจริงไม่สามารถใช้กับโมเดลแบบง่ายได้ import numpy as …

9 sampling  cross-correlation  smoothing 

เมื่อสัญญาณถูกมอดูเลตไปยังพาหะในสเปกตรัมคลื่นแม่เหล็กไฟฟ้าสัญญาณนั้นจะครอบครองส่วนเล็ก ๆ ของสเปกตรัมรอบความถี่พาหะ นอกจากนี้ยังทำให้สายรัดด้านข้างถูกสร้างขึ้นที่ความถี่สูงกว่าและต่ำกว่าความถี่พาหะ แต่วิธีการเหล่านั้นถูกสร้างขึ้นใน AM และ FM และทำไมมี sidebands มากมายที่สร้างขึ้นใน FM ในขณะที่มีเพียงสองตัวที่ถูกสร้างขึ้นใน AM? โปรดยกตัวอย่างที่ใช้งานได้จริงเพราะฉันรู้แล้วว่ามันถูกสร้างขึ้นทางคณิตศาสตร์ได้อย่างไร สิ่งที่ฉันรู้คือในโดเมนเวลาเมื่อสัญญาณดั้งเดิมถูกใส่ลงในสัญญาณพาหะมันจะถูกคูณกับสัญญาณพาหะซึ่งหมายความว่าในโดเมนความถี่สัญญาณดั้งเดิมจะถูกปนกับสัญญาณพาหะ สองแถบด้านข้างใน AM เป็นจริงการแปลงฟูริเยร์ของสัญญาณพาหะ ถูกต้องหรือไม่

9 frequency  frequency-spectrum  modulation 

ฉันใช้ FFT เพื่อวิเคราะห์สิ่งที่เป็นซองจดหมายพลังงานของสัญญาณ (ดูที่นี่สำหรับข้อมูลเกี่ยวกับโครงการที่มี) และเนื่องจากตัวเลขพลังงานเป็นบวกเสมอเพื่อกำจัดองค์ประกอบ DC ที่ฉันต้องการใช้หน้าต่าง ฟังก์ชันที่มีค่าเป็นบวกและลบ 50/50, เทียบกับฟังก์ชั่นค่าบวกปกติทั้งหมด ฉันใช้ฟังก์ชั่น" flat top " ลบa0อคติแล้วแปลงจาก cosines เป็น sines แต่ฉันไม่แน่ใจว่ามันดีที่สุด (หรือแม้แต่มีความหมาย) ข้อเสนอแนะใด ๆ

9 fft  window-functions 

ฉันได้ดูอัลกอริธึมการตรวจจับเครื่องหมายเพื่อใช้กับแอพพลิเคชั่นพื้นฐานของ kinect และงานส่วนใหญ่ที่ฉันสามารถค้นหาได้นั้นมุ่งเน้นไปที่การตรวจจับคุณสมบัติในภาพ 'ปกติ' อย่างชัดเจน อย่างไรก็ตามฮาร์ดแวร์ kinect ให้ (โดยปกติเมื่อคุณปรับแล้ว) ค่าความลึก 11 บิตต่อพิกเซล ภาพความลึกนี้ยังมีสิ่งประดิษฐ์ที่มองเห็นได้หลายอย่างจากเงาที่ล้อมรอบขอบวัตถุ (ดูตัวอย่างขอบสีดำที่แข็งแกร่งในวิดีโอนี้http://www.youtube.com/watch?v=-q8rRk8Iqww&feature=related ) ในขณะที่บางเทคนิคการมองเห็นเครื่องจักรแบบดั้งเดิม (เช่นการตรวจจับขอบ) ทำงานได้ดีกับสิ่งนี้ แต่คนอื่นทำไม่ได้และดูเหมือนว่ามีข้อมูลเพียงเล็กน้อยเกี่ยวกับการพูดคุยเรื่องนี้ ตัวอย่างง่ายๆการใช้ค่าความลึกทำให้ไม่สามารถตรวจจับทิศทางของบล็อกมาร์กเกอร์ได้เมื่อคุณพบมัน มีใครเคยเห็นการอภิปราย / เอกสาร / อื่น ๆ ที่ครอบคลุมการประมวลผลภาพเชิงลึกสำหรับการตรวจจับคุณสมบัติหรือไม่? ทุกคนสามารถแนะนำอัลกอริทึมที่ดีสำหรับการตรวจจับเครื่องหมาย "ความลึก" (บล็อกแบบพับได้อย่างมีประสิทธิภาพแทนที่จะเป็นตัวทำเครื่องหมาย b / w ที่พิมพ์) สิ่งที่ฉันได้ทำมาแล้วคือการทดลองใช้ adencoc โดยใช้ opencv เพื่อประมวลผลภาพ แต่นั่นไม่ได้อยู่ใกล้ที่เสถียรหรือเร็วพอ หากคุณเชื่อมโยงกับผลิตภัณฑ์วิชันซิสเต็มเชิงพาณิชย์โดยไม่ต้องทดลองใช้งานโปรดพูดถึงคำตอบของคุณว่าทำไมคุณถึงคิดว่ามันเหมาะสม

9 computer-vision 

ฉันสงสัยเกี่ยวกับแอพพลิเคชั่นที่เรียบง่ายเป็นพิเศษของการถดถอยเชิงเส้นหรือลอจิสติกในการประมวลผลสัญญาณ ฉันเป็นผู้ชายคณิตศาสตร์ที่ถูกขอให้อธิบายวิธีการทางคณิตศาสตร์ให้กับผู้ประมวลผลสัญญาณ / ภาพและฉันต้องการใช้ตัวอย่างง่ายๆสองสามอย่างที่เกี่ยวข้องกับฟิลด์ของพวกเขา แต่ฉันรู้เพียงเล็กน้อยเกี่ยวกับการประมวลผลภาพ ดังนั้นฉันไม่ได้มองหาสิ่งที่ซับซ้อน (ฉันไม่รู้เรื่องดังนั้นเรื่องที่ง่ายกว่าดีกว่า; ฉันแค่หวังที่จะหาสิ่งที่แสดงให้เห็นถึงการบังคับใช้อัลกอริธึมเหล่านี้) ขอขอบคุณสำหรับความช่วยเหลือของคุณ!

9 image-processing  algorithms