คำถามติดแท็ก cross-correlation

ฉันต้องทำ cross correlation ของไฟล์เสียงสองไฟล์เพื่อพิสูจน์ว่ามันคล้ายกัน ฉันใช้ FFT ของไฟล์เสียงสองไฟล์และมีค่าสเปกตรัมพลังงานในอาร์เรย์แยกต่างหาก ฉันจะดำเนินการต่อเพื่อข้ามสหสัมพันธ์และพิสูจน์ว่าพวกเขาคล้ายกันได้อย่างไร มีวิธีที่ดีกว่าที่จะทำหรือไม่ แนวคิดพื้นฐานใด ๆ จะเป็นประโยชน์สำหรับฉันในการเรียนรู้และนำไปใช้

58 audio  fft  waveform-similarity  cross-correlation 

ฉันพบในเว็บไซต์หลายแห่งที่มีการเชื่อมโยงและการเชื่อมโยงข้ามกันคล้ายกัน (รวมถึงแท็กวิกิสำหรับการบิด) แต่ฉันไม่พบว่ามันมีความแตกต่างกันอย่างไร ความแตกต่างระหว่างสองคืออะไร? คุณบอกได้ไหมว่าความสัมพันธ์อัตโนมัติเป็นสังวัตนาด้วยเช่นกัน?

47 convolution  autocorrelation  cross-correlation 

เรามักจะได้ยินเกี่ยวกับเวกเตอร์ของข้อมูลนี้และเวกเตอร์ของข้อมูลนี้เป็นอิสระจากกันและกันหรือไม่เกี่ยวข้องกันและในขณะที่มันเป็นเรื่องง่ายที่จะเจอคณิตศาสตร์เกี่ยวกับแนวคิดทั้งสองนั้นฉันต้องการผูกมันไว้เป็นตัวอย่างจากของจริง - ชีวิตและหาวิธีวัดความสัมพันธ์นี้ จากจุดยืนนี้ฉันกำลังมองหาตัวอย่างของสัญญาณสองอย่างที่มีการรวมกันดังต่อไปนี้: (ฉันจะเริ่มต้นด้วยสัญญาณบางอย่าง): สัญญาณสองตัวที่เป็นอิสระและไม่เกี่ยวข้องกัน (จำเป็น): เสียงรบกวนจากเครื่องยนต์รถ (เรียกว่า ) และเสียงของคุณ ( v 2 [ n ] ) ขณะที่คุณกำลังพูดv1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] การบันทึกความชื้นทุกวัน ( ) และดัชนีดาวโจนส์ ( v 2 [ n ] )v1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] Q1) คุณวัดผล / พิสูจน์ได้อย่างไรว่าพวกเขามีความเป็นอิสระกับสองเวกเตอร์ในมือ? เรารู้ว่าความเป็นอิสระหมายความว่าผลิตภัณฑ์ของ pdf เท่ากับ pdf ร่วมของพวกเขาและนั่นยอดเยี่ยม แต่ด้วยเวกเตอร์สองตัวที่อยู่ในมือใครจะพิสูจน์ความเป็นอิสระของพวกเขาได้อย่างไร สัญญาณสองตัวที่ไม่เป็นอิสระ แต่ก็ยังไม่เกี่ยวข้องกัน: Q2) ฉันไม่สามารถคิดถึงตัวอย่างใด ๆ ที่นี่ ... ตัวอย่างบางอย่างจะเป็นอย่างไร ฉันรู้ว่าเราสามารถวัดความสัมพันธ์ได้โดยนำความสัมพันธ์ข้ามของเวกเตอร์สองตัวนั้นมารวมกัน แต่เราจะพิสูจน์ได้อย่างไรว่าพวกมันยังไม่อิสระ …

20 cross-correlation  independence 

ฉันมีชุดของรูปภาพที่แสดงถึงความโค้งเฉลี่ยของพื้นผิวด้านหลังของมนุษย์ สิ่งที่ฉันต้องการทำคือ "สแกน" ภาพเพื่อหาจุดที่มีภาพคล้ายกัน "สะท้อน" ในส่วนอื่น ๆ ของภาพ (ส่วนใหญ่มีความสมมาตรกับเส้นกึ่งกลาง แต่ไม่จำเป็นเนื่องจากอาจมีความผิดปกติ) เทคนิคการเย็บภาพบางอย่างใช้สิ่งนี้เพื่อ "ตรวจจับอัตโนมัติ" จุดที่คล้ายกันระหว่างภาพ แต่ฉันต้องการตรวจจับทั้งสองด้านของภาพเดียวกัน เป้าหมายสูงสุดคือการค้นหาเส้นต่อเนื่องตามแนวโค้งที่ยาวที่สุดและยาวที่สุดซึ่งแบ่งส่วนหลังในลักษณะสมมาตร "ครึ่ง" ภาพตัวอย่างวางไว้ด้านล่าง โปรดสังเกตว่าไม่ใช่ทุกภูมิภาคที่มีความสมมาตร (เฉพาะด้านบนตรงกลางของภาพ "แถบ" แนวตั้งสีแดงเบี่ยงเบนไปทางขวา) ภูมิภาคนั้นควรได้รับคะแนนที่ไม่ดีหรืออะไรก็ตาม แต่จากนั้นสมมาตรในท้องถิ่นจะถูกกำหนดจากจุดสมมาตรที่อยู่ไกลออกไป ไม่ว่าในกรณีใดฉันจะต้องปรับ algorythm ให้กับโดเมนแอปพลิเคชันของฉัน แต่สิ่งที่ฉันตามมาก็คือกลยุทธ์การจับคู่ความสัมพันธ์ / การโน้มน้าว / การจับคู่รูปแบบ (แก้ไข: มีภาพเพิ่มเติมด้านล่างและคำอธิบายเพิ่มเติมบางส่วน) แก้ไข: ตามที่ร้องขอฉันจะรวมภาพทั่วไปมากขึ้นทั้งประพฤติดีและมีปัญหา แต่แทนที่จะเป็นภาพ colormapped พวกมันเป็นภาพระดับสีเทาดังนั้นสีนั้นเกี่ยวข้องโดยตรงกับขนาดข้อมูลซึ่งไม่ได้เกิดขึ้นกับภาพสี (ให้เพื่อการสื่อสารเท่านั้น) แม้ว่าภาพสีเทาดูเหมือนว่าจะไม่มีความเปรียบต่างเมื่อเทียบกับภาพที่มีสี แต่การไล่ระดับสีของข้อมูลอยู่ที่นั่นและสามารถนำมาซึ่งความเปรียบต่างที่ปรับตัวได้หากต้องการ 1) ภาพของวัตถุที่มีความสมมาตรมาก: 2) ภาพของเรื่องเดียวกันในช่วงเวลาที่แตกต่างกัน แม้ว่าจะมี "คุณสมบัติ" เพิ่มเติม (การไล่ระดับสีมากขึ้น) แต่ก็ไม่ได้ …

14 image-processing  cross-correlation  image-registration 

พิจารณากรณีง่าย ๆ ที่สัญญาณสองตัวจากเซ็นเซอร์ที่แตกต่างกันสองตัวมีความสัมพันธ์ข้ามกันและการหน่วงเวลาของการมาถึงคำนวณจาก absissa ของจุดสูงสุดของฟังก์ชั่นความสัมพันธ์ข้าม ตอนนี้ให้เราสมมติต่อไปว่าเนื่องจากข้อ จำกัด ด้านมิติของทั้งเสาอากาศและข้อ จำกัด ของอัตราการสุ่มตัวอย่างสูงสุดที่เป็นไปได้การหน่วงเวลาที่สามารถบรรลุได้สูงสุดคือซึ่งสอดคล้องกับ 10 ตัวอย่างDDD ปัญหา: เนื่องจากข้อ จำกัด เหล่านั้นล่าช้าคำนวณของคุณอาจแตกต่างกันไปจากจำนวนเต็มค่าระหว่าง 0 ถึง 10 ตัวอย่างที่:10 นี่เป็นปัญหาเนื่องจากสิ่งที่ฉันต้องการจริง ๆ คือการเลือกปฏิบัติความล่าช้าเล็กน้อยระหว่างสัญญาณทั้งสองที่ส่งผลต่อเสาอากาศของฉันและการเปลี่ยนขนาดหรืออัตราการสุ่มตัวอย่างไม่ใช่ตัวเลือก0≤D≤100≤D≤100 \le D \le 10 ความคิดบางอย่าง: สิ่งแรกที่ฉันคิดในกรณีนี้คือการอัปเกรดสัญญาณก่อนที่จะทำการเชื่อมโยงข้ามกัน อย่างไรก็ตามฉันคิดว่านี่เป็น 'การโกง' อย่างใดเพราะฉันไม่ได้เพิ่มข้อมูลใหม่ใด ๆ ลงในระบบ ฉันไม่เข้าใจว่าการยกตัวอย่างไม่ได้เป็น 'การโกง' ในแง่หนึ่ง ใช่เรากำลังสร้างสัญญาณของเราใหม่โดยใช้ข้อมูลความถี่ที่สังเกตได้ในปัจจุบัน แต่สิ่งนี้ให้ความรู้หนึ่งที่สัญญาณเริ่มต้นอย่างแท้จริงระหว่างพูดและอย่างไร ข้อมูลนี้มีอยู่ที่ไหนในสัญญาณดั้งเดิมที่พิจารณาว่าการเริ่มต้นสัญญาณล่าช้าแบบเศษส่วนจริง ๆ นั้นอยู่ที่ ?D = 8 D = 7.751D=7D=7D=7D=8D=8D=8D=7.751D=7.751D=7.751 คำถาม): นี่คือ …

12 filters  cross-correlation  peak-detection 

ฉันได้บันทึก 2 สัญญาณจากออสโคป พวกเขามีลักษณะเช่นนี้: ฉันต้องการวัดการหน่วงเวลาระหว่างพวกเขาใน Matlab แต่ละสัญญาณมี 2,000 ตัวอย่างพร้อมความถี่การสุ่มตัวอย่าง 2001000.5 ข้อมูลอยู่ในไฟล์ csv นี่คือสิ่งที่ฉันมี ฉันลบข้อมูลเวลาออกจากไฟล์ csv เพื่อให้มีเพียงระดับแรงดันไฟฟ้าเท่านั้นที่อยู่ในไฟล์ csv x1 = csvread('C://scope1.csv'); x2 = csvread('C://scope2.csv'); cc = xcorr(x1,x2); plot(cc); สิ่งนี้ให้ผลลัพธ์นี้: จากสิ่งที่ฉันได้อ่านฉันจำเป็นต้องใช้สหสัมพันธ์ข้ามสัญญาณเหล่านี้และสิ่งนี้ควรให้ฉันสูงสุดเกี่ยวกับการหน่วงเวลา อย่างไรก็ตามเมื่อฉันใช้สหสัมพันธ์ข้ามสัญญาณเหล่านี้ฉันได้รับสูงสุดที่ 2000 ซึ่งฉันรู้ว่าไม่ถูกต้อง ฉันควรทำอย่างไรกับสัญญาณเหล่านี้ก่อนที่จะข้ามสัมพันธ์กัน? แค่มองหาทิศทาง แก้ไข: หลังจากลบ DC offset นี่คือผลลัพธ์ที่ฉันได้รับ: มีวิธีการล้างข้อมูลนี้เพื่อให้ได้เวลาล่าช้ามากขึ้นหรือไม่? แก้ไข 2: นี่คือไฟล์: http://dl.dropbox.com/u/10147354/scope1col.csv http://dl.dropbox.com/u/10147354/scope2col.csv

12 matlab  cross-correlation 

ให้แม่แบบและสัญญาณคำถามเกิดขึ้นว่าสัญญาณคล้ายกับแม่แบบอย่างไร ตามเนื้อผ้าใช้วิธีการสหสัมพันธ์อย่างง่ายโดยเทมเพลตและสัญญาณมีความสัมพันธ์ข้ามกันและจากนั้นผลลัพธ์ทั้งหมดจะถูกทำให้เป็นมาตรฐานโดยผลิตภัณฑ์ของทั้งสองบรรทัดฐาน สิ่งนี้ให้ฟังก์ชันความสัมพันธ์ข้ามซึ่งมีช่วงตั้งแต่ -1 ถึง 1 และระดับความคล้ายคลึงกันจะได้รับเป็นคะแนนของจุดสูงสุดในนั้น สิ่งนี้เปรียบเทียบกับการหาค่าของจุดสูงสุดนั้นและหารด้วยค่าเฉลี่ยหรือค่าเฉลี่ยของฟังก์ชันความสัมพันธ์ข้าม ฉันวัดอะไรที่นี่แทน แนบเป็นแผนภาพเป็นตัวอย่างของฉัน เพื่อให้ได้ขนาดที่ดีที่สุดของความคล้ายคลึงกันฉันสงสัยว่าฉันควรดูที่: แค่จุดสูงสุดของการข้ามสหสัมพันธ์แบบปกติอย่างที่แสดงไว้ที่นี่? พิจารณาจุดสูงสุด แต่หารด้วยค่าเฉลี่ยของพล็อตความสัมพันธ์ข้าม? เทมเพลตของฉันกำลังจะเป็นคลื่นทรงสี่เหลี่ยมเป็นระยะพร้อมวัฏจักรหน้าที่ตามที่เห็น - ดังนั้นฉันจะไม่ใช้ประโยชน์จากยอดเขาอีกสองอันที่เราเห็นที่นี่หรือไม่? อะไรจะให้ความคล้ายคลึงที่ดีที่สุดในกรณีนี้ ขอบคุณ! แก้ไขสำหรับ Dilip: ฉันพล็อตความสัมพันธ์ข้ามกำลังสองเทียบกับความสัมพันธ์ข้ามที่ไม่ยกกำลังสองและแน่นอน 'แหลม' จุดสูงสุดหลักเหนือคนอื่น ๆ แต่ฉันสับสนว่าการคำนวณใดที่ฉันควรใช้เพื่อกำหนดความคล้ายคลึงกัน ... สิ่งที่ฉันพยายามคิดก็คือ: ฉันสามารถ / ควรใช้ยอดเขารองอื่นในการคำนวณความคล้ายคลึงกันได้หรือไม่? ตอนนี้เรามีพล็อตสหสัมพันธ์ข้ามกำลังสองและมันทำให้จุดสูงสุดหลักคมชัดขึ้น แต่สิ่งนี้ช่วยในการพิจารณาความคล้ายคลึงขั้นสุดท้ายได้อย่างไร ขอบคุณอีกครั้ง. แก้ไขสำหรับ Dilip: ยอดเขาเล็ก ๆ ไม่ได้ช่วยในการคำนวณความเหมือนกันจริงๆ มันเป็นจุดสูงสุดหลักที่สำคัญ แต่จุดสูงสุดเล็กลงนั้นรองรับการคาดเดาว่าสัญญาณนั้นเป็นเทมเพลตที่มีเสียงดัง " ขอบคุณดิลิปฉันรู้สึกสับสนเล็กน้อยจากคำสั่งนั้น - ถ้ายอดเขาเล็กจริง ๆ ให้การสนับสนุนว่าสัญญาณนั้นเป็นเทมเพลตที่มีเสียงดังแล้วไม่ได้ช่วยในการวัดความคล้ายคลึงกัน? สิ่งที่ฉันสับสนคือว่าฉันควรใช้จุดสูงสุดของฟังก์ชั่นการข้ามสหสัมพันธ์แบบปกติเป็นหนึ่งและการวัดขั้นสุดท้ายของความคล้ายคลึงกันและ 'ไม่สนใจ' เกี่ยวกับสิ่งที่ส่วนที่เหลือของฟังก์ชั่นครอส …

10 discrete-signals  cross-correlation  waveform-similarity 

ฉันรู้จากวิกิพีเดียว่ามีความสัมพันธ์โดยอัตโนมัติในสัญญาณเดียวกันในขณะที่ความสัมพันธ์ข้ามทำกับสัญญาณที่แตกต่างกัน แต่สิ่งนี้หมายความว่าอะไรในแง่ของการใช้งานจริงฉันสามารถใช้ข้ามสหสัมพันธ์กับสัญญาณเดียวกันและรับผลลัพธ์เดียวกันได้ และในสังวัตนาสัญญาณหนึ่งจะกลับด้านในทางทฤษฎีฉันเข้าใจสูตร แต่สามสิ่งนี้หมายถึงอะไรในแง่ของการใช้งาน?

9 correlation  autocorrelation  cross-correlation  convolution 

ก่อนที่ทุกคนจะตะโกนใส่ฉันฉันก็ตระหนักว่าคำถามนี้ถูกถามมาหลายครั้งแล้ว ฉันรับรองว่าฉันได้อ่านคำถามและคำตอบที่มีอยู่แล้ว แต่ฉันยังสับสนเกี่ยวกับปัญหา ฉันมีแหล่งกำเนิดเสียงที่เล่นเพลง (A) ในสภาพแวดล้อมที่ปิด ฉันมีไมโครโฟนที่ฉันใช้บันทึก A. ฉันเหลือไฟล์ wav สองไฟล์ซึ่งมีลักษณะและความยาวเท่ากัน (จำนวนตัวอย่าง) เป้าหมายของฉันคือคำนวณเวลาที่ใช้ในการเข้าถึงไมโครโฟน ฉันพยายามคำนวณโดยใช้ความสัมพันธ์ข้าม (numpy): # Delay estimation corr = numpy.convolve(original_audio, recorded_audio, 'full') delay = int(len(corr)/2) - numpy.argmax(corr) distance = delay / sample_rate * 343 # sample_rate == 22050, m/s = speed of sound print("Distance full: %.2f cm" % (distance …

9 audio  cross-correlation  estimation  delay 

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