คำถามติดแท็ก convolution

หากเราทำการสังเกตุ 2 สัญญาณเราจะได้สัญญาณที่สาม สัญญาณที่สามนี้แสดงถึงอะไรเกี่ยวกับสัญญาณอินพุต?

49 convolution 

ฉันพบในเว็บไซต์หลายแห่งที่มีการเชื่อมโยงและการเชื่อมโยงข้ามกันคล้ายกัน (รวมถึงแท็กวิกิสำหรับการบิด) แต่ฉันไม่พบว่ามันมีความแตกต่างกันอย่างไร ความแตกต่างระหว่างสองคืออะไร? คุณบอกได้ไหมว่าความสัมพันธ์อัตโนมัติเป็นสังวัตนาด้วยเช่นกัน?

47 convolution  autocorrelation  cross-correlation 

ในระหว่างการโน้มน้าวใจกับสัญญาณทำไมเราต้องพลิกการตอบสนองแรงกระตุ้นในระหว่างกระบวนการ?

26 convolution  impulse-response 

ความแตกต่างหรือเกณฑ์อื่นใดที่สามารถใช้ในการตัดสินใจระหว่างการใช้การทับซ้อนกันเพิ่มและการทับซ้อนกันบันทึกสำหรับการกรอง? ทั้งการทับซ้อน - เพิ่มและการทับซ้อน - บันทึกอธิบายว่าเป็นอัลกอริธึมสำหรับการทำสังวัตนาที่รวดเร็วของการสตรีมข้อมูลอย่างรวดเร็วด้วยเคอร์เนล FIR ความหน่วงแฝงประสิทธิภาพการคำนวณหรือความแตกต่างของแคช (ฯลฯ ) มีความแตกต่างกันถ้ามี? หรือพวกเขาเหมือนกันหรือไม่

24 fft  filters  convolution  fast-convolution 

ทฤษฎีบทกะกล่าวว่า : การคูณโดยเฟสเชิงเส้นสำหรับจำนวนเต็มmบางตัวที่สอดคล้องกับการเลื่อนแบบวงกลมของเอาต์พุต :จะถูกแทนที่ด้วยที่การห้อยถูกตีความ โมดูโลN (เช่นเป็นระยะ ๆ )e 2 π ixnxnx_n xkXkXk k-mอี2 πผมยังไม่มีข้อความไม่มe2πiNnme^{\frac{2\pi i}{N}n m}XkXkX_kXkXkX_kXก- มXk−mX_{k-m} ตกลงนั่นใช้ได้ดี: plot a N = 9 k = [0, 1, 2, 3, 4, 5, 6, 7, 8] plot ifft(fft(a)*exp(-1j*2*pi*3*k/N)) มันเลื่อนไป 3 ตัวอย่างอย่างที่ฉันคาดไว้ ฉันคิดว่าคุณสามารถทำเช่นนี้เพื่อเลื่อนตัวอย่างเศษส่วนแต่เมื่อฉันลองมันสัญญาณของฉันจะกลายเป็นจินตภาพและไม่เหมือนเดิมเลย: plot real(ifft(fft(a)*exp(-1j*2*pi*3.5*k/N))) plot imag(ifft(fft(a)*exp(-1j*2*pi*3.5*k/N))), 'b--' ฉันไม่ได้คาดหวังสิ่งนี้เลย นี่ไม่ใช่สิ่งที่เทียบเท่ากับการโน้มน้าวใจด้วยแรงกระตุ้นที่แท้จริงซึ่งถูกยกตัวอย่าง 3.5 หรือไม่? ดังนั้นแรงกระตุ้นยังคงเป็นจริงและผลที่ได้ควรเป็นจริง? …

22 fourier-transform  convolution  phase  frequency-domain 

คุณช่วยอธิบายได้อย่างชัดเจนว่าอะไรคือความแตกต่างระหว่างความสัมพันธ์และการโน้มน้าวที่ทำโดยตัวกรองบนรูปภาพ ฉันหมายถึงในแง่ของความหมายของการประมวลผลสัญญาณฉันรู้ว่า convolution อธิบายเอาท์พุทของระบบ LTI นั่นคือถ้าระบบ LTI สร้างผลลัพธ์เนื่องจากการเชื่อมต่อกับระบบอินพุตดังนั้นสัญญาณเอาท์พุทสามารถอธิบายได้ว่าเป็นผลมาจากการ สัญญาณอินพุตและการตอบสนองต่อแรงกระตุ้นของระบบ LTI สำหรับความสัมพันธ์มันอธิบายความคล้ายคลึงกันระหว่างกับสัญญาณ แต่การบิดและความสัมพันธ์มีผลกับภาพอย่างไรและมีความแตกต่างกันอย่างไรในแง่ของผลกระทบ ขอบคุณ

18 image-processing  convolution  image  correlation 

ฉันพยายามทำความเข้าใจเกี่ยวกับความสัมพันธ์ระหว่างตัวกรอง FIR ที่ออกแบบมาจาก "หลักการแรก" โดยใช้เคอร์เนลตัวกรองที่มีการโน้มน้าวและตัวกรองที่ออกแบบในหนึ่งในสองวิธีที่ใช้ FFT (ดูด้านล่าง) เท่าที่ฉันเข้าใจการตอบสนองแรงกระตุ้นของตัวกรอง FIR เป็นสิ่งเดียวกับเคอร์เนล convolution ของตัวกรอง (ช่วยแก้ให้ด้วยนะถ้าฉันผิด.) นอกจากนี้ในความเข้าใจของฉันความถี่องค์ประกอบ (เช่นการแปลงฟูริเยร์) ของการตอบสนองแรงกระตุ้นของตัวกรอง FIR นั้นเป็นสิ่งเดียวกับการตอบสนองความถี่ของตัวกรอง และดังนั้นการแปลงฟูริเยร์แบบผกผันจะให้การตอบสนองแบบอิมพัลส์แก่ฉันอีกครั้ง (แก้ไขอีกครั้งถ้าฉันผิด) สิ่งนี้ทำให้ฉันได้ข้อสรุปสองข้อ (ไม่สนใจการตอบสนองของเฟสหรือสมมติว่าตอบสนองเฟสเชิงเส้น): ฉันควรจะสามารถออกแบบตัวกรอง FIR ของการตอบสนองความถี่ตามอำเภอใจโดย "วาด" การตอบสนองความถี่ที่ฉันต้องการใช้ IFFT เพื่อรับการตอบสนองต่อแรงกระตุ้นและใช้สิ่งนั้นเป็นเคอร์เนล convolution ของฉัน อีกทางหนึ่งฉันควรจะสามารถสร้างตัวกรองโดยการใช้ FFT ของสัญญาณอินพุทคูณด้วยการตอบสนองความถี่โดยพลการที่ฉันต้องการในโดเมนความถี่และรับ IFFT ของผลลัพธ์เพื่อสร้างสัญญาณเอาต์พุต โดยสังหรณ์ใจมันให้ความรู้สึกเหมือน 1 & 2 เทียบเท่า แต่ฉันไม่แน่ใจว่าฉันจะพิสูจน์ได้ไหม ดูเหมือนว่าผู้คน (และวรรณกรรม DSP) มีความยาวมากในการออกแบบเมล็ด FIR พร้อมคำตอบที่กำหนดไว้ล่วงหน้าโดยใช้อัลกอริทึม (สำหรับฉัน) ที่ซับซ้อนเช่น …

15 fft  filters  discrete-signals  convolution 

ฉันกำลังทำงานในสาขาการฟื้นฟูภาพดิจิทัล ฉันได้อ่านทุกสิ่งเกี่ยวกับการโน้มน้าวใจแล้วว่าสำหรับระบบLTIถ้าเรารู้ว่าการตอบสนองต่อแรงกระตุ้นนั้นเราสามารถหาผลลัพธ์ได้โดยใช้การโต้ตอบระหว่างอินพุตกับการตอบสนองแบบอิมพัลส์ ใครสามารถบอกฉันได้ว่าอะไรคือปรัชญาทางคณิตศาสตร์หลักที่อยู่เบื้องหลัง ประสบการณ์ของคุณจะบอกกับฉันมากกว่าเพียงแค่ท่องอินเทอร์เน็ตเกี่ยวกับเรื่องนี้

15 image-processing  discrete-signals  convolution 

ฉันมีเวกเตอร์ข้อมูลปริภูมิสองตัว (แต่ละอันมีความยาวประมาณ 2,000 องค์ประกอบ) หนึ่งคือเวอร์ชันที่น่าเชื่อถือของอีกรุ่นหนึ่ง ฉันพยายามตรวจสอบเคอร์เนลที่จะทำให้เกิดการโน้มน้าวใจ ฉันรู้ว่าฉันสามารถทำได้โดยค้นหาการแปลงฟูริเยร์ผกผันของอัตราส่วนของการแปลงฟูริเยร์ของเวกเตอร์เอาท์พุทและอินพุต แน่นอนเมื่อฉันทำสิ่งนี้ฉันได้รับรูปร่างมากขึ้นหรือน้อยลงที่ฉันคาดหวัง อย่างไรก็ตามเคอร์เนลเวกเตอร์ของฉันมีมิติข้อมูลเดียวกันกับเวกเตอร์อินพุตสองตัวเมื่อในความเป็นจริงการบิดนั้นใช้เพียงหนึ่งในห้า (~ 300-400) ของคะแนน ความจริงที่ว่าฉันได้รูปร่างที่ถูกต้อง แต่จำนวนจุดผิดทำให้ฉันคิดว่าฉันไม่ได้ใช้ฟังก์ชั่น ifft และ fft ค่อนข้างถูกต้อง ดูเหมือนว่าถ้าฉันทำสิ่งที่ถูกต้องสิ่งนี้ควรเกิดขึ้นตามธรรมชาติ ตอนนี้ฉันกำลังทำอยู่ FTInput = fft(in); FtOutput = fft(out); kernel = ifft(FtOutput./FTInput). สิ่งนี้ถูกต้องและขึ้นอยู่กับฉันในการตีความเวกเตอร์เอาท์พุทอย่างถูกต้องหรือฉันมีงานที่เกินขนาด ฉันแน่ใจว่ามันหลังฉันไม่แน่ใจว่าอยู่ที่ไหน

12 matlab  convolution 

ฉันได้ทำการสุ่มสัญญาณด้วย aa Gaussian และเพิ่มสัญญาณรบกวน (เสียง Poisson ในกรณีนี้) เพื่อสร้างสัญญาณที่มีเสียงดัง ตอนนี้ฉันต้องการถอดรหัสสัญญาณที่มีเสียงดังนี้เพื่อแยกสัญญาณดั้งเดิมโดยใช้ Gaussian เดียวกัน ปัญหาคือฉันต้องการรหัสที่ทำงานของ deconvolution ใน 1D (ฉันได้พบบางอย่างใน 2D แต่เป้าหมายหลักของฉันคือ 1D) คุณช่วยแนะนำแพ็คเกจหรือโปรแกรมบางอย่างที่สามารถทำได้หรือไม่? (โดยเฉพาะอย่างยิ่งใน MATLAB) ขอบคุณล่วงหน้าสำหรับความช่วยเหลือ

12 matlab  convolution  continuous-signals  deconvolution  1d 

ฉันพยายามใช้ตัวกรอง Gabor ที่มีสเกลเฉพาะ (ตามค่าของแลมบ์ดาและซิกมาดังนั้นจึงเป็น ( 7x7 ) และสำหรับการหมุน 4 ทิศทาง (0, ,และ ) ไปยังอิมเมจสเกลสีเทาอินพุตπ4π4\frac{\pi}{4}π2π2\frac{\pi}{2}3π43π4\frac{3\pi}{4} ในรหัสของฉันประสบความสำเร็จในสามขั้นตอน: สร้างตัวกรอง Gabor อ่านภาพ RGB จากนั้นแปลงเป็นระดับสีเทาและสุดท้ายเป็นสองเท่า ใช้ gabor ที่สร้างขึ้นกับภาพอินพุต ( ที่นี่ฉันไม่แน่ใจว่ารหัสของฉันเป็นจริงหรือไม่นั่นเป็นเหตุผลที่ฉันต้องการความเห็นของคุณ ) 1) -------------- สร้างตัวกรอง Gabor (ขนาด = 7x7 และ 4 การหมุน) %define the five parameters theta=....; %either 0 or pi/4 or pi/2 or 3pi/4 lambda=3.5; …

11 image-processing  matlab  filters  convolution  object-recognition 

ฉันกำลังคิดเกี่ยวกับเรื่องการเลื่อนหน้าต่าง DFT และความคิดเข้ามาในใจของฉัน DFT จะให้คลื่นความถี่ของสัญญาณที่ซับซ้อนด้วยสเปกตรัมของหน้าต่างที่ใช้ดังนั้นจึงมีก้อนหลักและก้อนด้านข้าง ฉันคิดว่ามันเป็นไปได้ที่จะลบเอฟเฟกต์หน้าต่างบนสเปกตรัมของสัญญาณโดยการโน้มน้าวอีกครั้งทั้งสัญญาณและขนาดสเปกตรัมของหน้าต่างและมันก็ใช้งานได้จริงอย่างที่คุณเห็นในภาพต่อไปนี้ ด้านซ้ายคือสเปกตรัมต้นฉบับที่สร้างด้วยหน้าต่างการแฮ็ก ขวาเป็นสเปกตรัมที่ซับซ้อนโดย DFT ของหน้าต่าง hanning ด้านบนคือสเปกตรัมเองด้านล่างคือfindpeaksผลลัพธ์ของMATLAB ฉันไม่เคยอ่านอะไรเกี่ยวกับเทคนิคนี้ แต่ฉันค่อนข้างแน่ใจว่าฉันไม่ได้คิดค้นอะไรที่นั่น ดังนั้นฉันจึงสงสัยว่าจะมีประโยชน์ในการทำโพรเซสซิงนี้หรือไม่ถ้ามีข้อเสียคือฉันไม่เห็น จากสิ่งที่ฉันเห็นสิ่งนี้สามารถช่วยให้การตรวจจับสูงสุดอย่างที่เราเห็นในภาพก่อนหน้า นอกจากนี้ดูเหมือนว่าสเปกตรัมจะมีการบิดเบือนเล็กน้อยเช่นที่เราเห็นในภาพต่อไปนี้ 2 : ที่ซึ่งกราฟสีน้ำเงินคือสเปกตรัมและกราฟสีแดงคือสเปกตรัมที่ซับซ้อน มีความคิดเห็นเกี่ยวกับเรื่องนี้ไหม? มีปัญหาที่อาจเกิดขึ้นจากการสนทนาโพสต์ FFT นี้หรือไม่? กระดาษชนิดใดที่ใช้กับตัวแบบ? แก้ไข คุณสามารถค้นหาสคริปต์ที่นี่ซึ่งจะสร้างกราฟต่อไปนี้:

11 fft  frequency-spectrum  dft  convolution 

ฉันต้องการทราบวิธีการแก้ไขปัญหาเหล่านั้น .. โดยการตรวจสอบหรือไม่ พิจารณาระบบเชิงเส้นด้านล่าง เมื่ออินพุตไปยังระบบ ,และการตอบสนองของระบบคือ ,และดังที่แสดงx 2 [ n ] x 3 [ n ] y 1 [ n ] y 2 [ n ] y 3 [ n ]x1[ n ]x1[n]x_1[n]x2[ n ]x2[n]x_2[n]x3[ n ]x3[n]x_3[n]Y1[ n ]Y1[n]y_1[n]Y2[ n ]Y2[n]y_2[n]Y3[ n ]Y3[n]y_3[n] ตรวจสอบว่าระบบเป็นเวลาที่คงที่หรือไม่ แค่คำตอบของคุณ การตอบสนองต่อแรงกระตุ้นคืออะไร? แก้ไข: สมมติกรณีทั่วไปที่อินพุตที่กำหนดไม่มีแรงกระตุ้นขนาดเช่นx2[ n ]x2[n]x_2[n]

11 convolution  linear-systems  homework  deconvolution 

ฉันมีความเข้าใจพื้นฐานของสัญญาณและการโน้มน้าวใจ เท่าที่ฉันรู้มันแสดงให้เห็นถึงความคล้ายคลึงกันของสองสัญญาณ ฉันขอคำอธิบายเป็นภาษาอังกฤษธรรมดาของ: สังวัตนาเชิงเส้นและแบบวงกลมคืออะไร ทำไมมันถึงสำคัญ สถานการณ์จริงที่ใช้

11 convolution  linear-systems 

ทำไมบอกเป็นนัยว่าระบบ LTI ไม่สามารถสร้างความถี่ใหม่ได้?Y(ω)=X(ω)H(ω)Y(ω)=X(ω)H(ω)Y (\omega) = X(\omega)H(\omega) ทำไมถ้าระบบสร้างความถี่ใหม่นั่นไม่ใช่ LTI

9 convolution  time-frequency