คำถามติดแท็ก fourier-transform

ฉันกำลังทำงานกับแอปพลิเคชั่นการประมวลผลภาพซึ่งใช้การแปลงฟูริเยร์แบบแยกเพื่อใช้การเบลอ / การลับภาพ แอปพลิเคชันทำงานได้ไม่มากก็น้อย แต่สิ่งที่เกี่ยวกับกลไกยังทำให้ฉันสับสน โดยเฉพาะอย่างยิ่งมันเป็นวิธีการที่กระบวนการของการศูนย์ความถี่ศูนย์จะถูกทำ ตัวอย่างที่ฉันได้เห็นก่อนการประมวลผลภาพอินพุต (ของความเข้ม greyscale) โดยการคูณมันด้วยเมทริกซ์ขนาดเท่ากับภาพอินพุตที่มีค่าเป็นโดยที่คือแถว,คือ คอลัมน์ดังนั้นรูปแบบสลับและ x y 1 - 1( - 1 )x + y(−1)x+y(-1)^{x+y}xxxYyy111−1−1-1 ตามหมายเหตุนี้เทียบเท่ากับการสลับจตุภาคของเมทริกซ์โดยการพลิกข้ามแกนและyxxxyyy ฉันเข้าใจว่าทำไมสิ่งนี้ถึงเกิดขึ้นและฉันอยากจะเครียดฉันเข้าใจว่าฉันมีโค้ด / ฟูริเยร์ทำงานฉันก็ไม่เข้าใจว่าทำไมการคูณเมทริกซ์อินพุทด้วย 1 / -1 นั้นจบลงที่กึ่งกลางองค์ประกอบศูนย์ 0 รอบ ขอบคุณ

11 image-processing  fourier-transform 

คำถามนี้เป็นคำถามที่เกี่ยวข้องกับการนี้คำถามอื่น ๆ ของฉันที่ฉันขอ derivations ของเวลาที่ไม่ต่อเนื่องฟูเรียร์ (DTFT) ของลำดับขั้นตอนหน่วย[N] ในระหว่างการค้นหา derivations ฉันพบหนึ่งที่เรียบง่ายน่าอัศจรรย์ ฉันเห็นเป็นครั้งแรกในหน้า 138 ของหนังสือเล่มนี้โดย BA Shenoi ฉันเจอสิ่งนี้ในวิชาคณิตศาสตร์ด้วยคำตอบนี้u[n]u[n]u[n] เนื่องจากการโต้แย้งสั้นและเรียบง่ายฉันจะทำซ้ำที่นี่เพื่อความสะดวก ลำดับขั้นตอนของหน่วยสามารถเขียนเป็น กับ เห็นได้ชัดว่า ใช้ DTFT ทั้งสองด้านให้ ที่เป็น DTFT ของ[n] จากเราจะได้ จากและเราได้รับ DTFT ของคุณ[ n ] = f[ n ] + 12(1)(1)u[n]=f[n]+12u[n]=f[n]+\frac12\tag{1}ฉ[ n ] = { 12,n ≥ 0- 12,n < 0(2)(2)f[n]={12,n≥0−12,n<0f[n]=\begin{cases}\frac12,\quad n\ge 0\\-\frac12,\quad …

11 discrete-signals  fourier-transform  dtft  proof  dsp-puzzle 

เราสามารถใช้ประโยชน์จากข้อเท็จจริงที่ว่าส่วนประกอบความถี่สูงใน FFT ของภาพโดยทั่วไปสอดคล้องกับขอบเพื่อใช้อัลกอริทึมตรวจจับขอบในโดเมนฟูริเยร์? ฉันลองคูณตัวกรองความถี่สูงผ่านด้วย FFT ของรูปภาพ แม้ว่าการเรียงลำดับภาพที่เป็นผลลัพธ์จะตรงกับขอบ แต่ก็ไม่ได้เป็นการตรวจจับขอบที่สร้างขึ้นโดยใช้เมทริกซ์ convolution อย่างแน่นอน ดังนั้นมีวิธีใดที่คุณสามารถทำการตรวจจับขอบในโดเมนฟูริเยร์หรือเป็นไปไม่ได้เลย?

11 image-processing  fft  fourier-transform  edge-detection 

ฉันพยายามใช้เกมร้องเพลงที่จะวิเคราะห์อินพุตไมโครโฟนดิบและบอกผู้เล่นว่าเขาร้องเพลงดีแค่ไหน ที่ต้องทำในเวลาจริง ฉันได้เจอหัวข้อมากมายที่ถามคำถามเดียวกัน แต่ฉันก็ยังไม่ได้ทำเพราะอาจขาดประสบการณ์และความรู้พื้นฐานทางคณิตศาสตร์ ฉันใช้อัลกอริทึมตามบทความของ pitch shift ของเว็บไซต์ DSPDimension: http://www.dspdimension.com/admin/pitch-shifting-using-the-ft/ ฉันแยกความถี่และขนาดที่แท้จริงเหมือนกับที่อธิบายในบทความ แต่ฉันไม่รู้ว่าพบความถี่พื้นฐานด้วยสิ่งนี้ ฉันพยายามที่จะรับถังที่มีขนาดใหญ่ที่สุด แต่ให้ผลลัพธ์ที่ถูกต้องสำหรับสัญญาณพิทช์ที่สูงขึ้นมันไม่สำคัญว่าปัจจัยการสุ่มตัวอย่างใดที่ฉันใช้ฉันยังคงได้รับข้อมูลที่ไม่ดีสำหรับสัญญาณความถี่ต่ำ วิธีนี้ผิดหรือฉันอยู่ในเส้นทางที่ถูกต้อง แต่เพิ่งพลาดบางอย่าง ขอบคุณล่วงหน้า, แก้ไข: ฉันลืมที่จะพูดถึงว่าฉันเพียง แต่สนใจในระดับสนามดังนั้นมันก็โอเคถ้าพื้นฐานหายไป แต่ฉันมีเสียงที่ดังมากในตัวอย่าง EDIT2: ขอบคุณทุกคนฉันเพิ่งทำอัลกอริทึมรุ่นที่ใช้งานได้อย่างมีเสน่ห์ ปัญหาการประมาณระดับเสียงต่ำเกิดจากการทดสอบอินพุตของฉัน เมื่อฉันร้องโน้ตมันตรงกันอย่างถูกต้อง นอกจากนี้ฉันกำลังพิจารณาฮาร์มอนิกทั้งหมดตอนนี้ไม่ใช่แค่ยอดเขาสูงสุด

11 fourier-transform  pitch  peak-detection  stft  singing 

ภาพรวมการแปลงฟูริเยร์คงที่ Q และการแปลงเวฟเล็ต Gabor-Morletที่ซับซ้อนก็ดูเหมือนกัน ทั้งคู่เป็นตัวแทนความถี่ - เวลาตามตัวกรองค่าคงที่ -Q, ไซนัสด์แบบหน้าต่าง, ฯลฯ แต่อาจมีความแตกต่างที่ฉันขาดไปหรือไม่? กล่องเครื่องมือแปลง Q อย่างต่อเนื่องสำหรับการประมวลผลเพลงพูดว่า: CQT หมายถึงการเป็นตัวแทนเวลาความถี่ที่ถังขยะความถี่มีการเว้นระยะทางเรขาคณิตและปัจจัย -Q (อัตราส่วนของความถี่กลางถึงแบนด์วิดท์) ของถังขยะทั้งหมดจะเท่ากัน การวิเคราะห์ระดับเวลาพูดว่า: นั่นคือการคำนวณ CWT ของสัญญาณที่ใช้ Morlet เวฟเป็นเช่นเดียวกับการส่งผ่านสัญญาณผ่านชุดของตัวกรอง bandpass ศูนย์กลางที่f=5/2πaf=5/2πaf = \frac{5/2\pi}{a}กับ Q คงที่ของ5/25/2π5/2π5/2\pi

11 fourier-transform  wavelet  stft  gabor 

การเล่นเสียงเพลงด้วยความเร็วที่ช้าลงจะทำให้ระดับเสียงต่ำลง (ความถี่) มีเครื่องมือและทฤษฎีที่จะทำให้การเล่นเพลงช้าลงในขณะที่รักษาความถี่เหมือนเดิมหรือไม่? ฉันคิดว่าสามารถแปลงฟูริเยร์แบบเรียงซ้อนหรือแปลงเวฟเล็ตได้ ดูเหมือนว่าเราจะต้องเลือกขนาดหน้าต่างล่วงหน้าหรือเลือกเวฟเล็ตพื้นฐาน มีทฤษฎีและการประยุกต์ใช้ที่เฉพาะเจาะจงและละเอียดสำหรับการทำเช่นนั้นหรือ

10 fourier-transform  wavelet  fourier-series  music  decomposition 

สมมติว่าเรามีสัญญาณเสียงสองตัวคือ x (t) และ y (t) ที่ได้รับผลกระทบจากเสียงดังที่แสดงด้านล่าง และเราต้องการเชื่อมโยงสัญญาณทั้งสองนี้และพล็อตสหสัมพันธ์แสดงดังด้านล่าง ในพล็อตสหสัมพันธ์นี้มีค่าสูงสุดประมาณ -11 msec ฉันพยายามเข้าใจว่าเราตีความจุดสูงสุดนี้ในพล็อตนี้ได้อย่างไร มันหมายความว่าอะไร? โปรดอธิบายฉันด้วยว่าเราได้อะไรจากการแปลงฟูริเยร์ของฟังก์ชันสหสัมพันธ์ ขอบคุณล่วงหน้า!

10 fft  fourier-transform  noise  correlation  peak-detection 

ฉันมีความยากลำบากในการทำความเข้าใจวิธีการคำนวณอัตราข้อมูลเมื่อยกระดับการสุ่มตัวอย่างด้วยสีในตัวอย่างของภาพ Y'UV: ฉันมีตัวอย่างต่อไปนี้สำหรับการคำนวณ: ความละเอียดของภาพ: 352*288 ความถี่: 25 fps สำหรับ(4: 4: 4)การคำนวณตัวอย่างจะเป็นดังนี้: (352px * 288px) * 3 color channels * 25 fps * 8 bit = 60 825 600 bit/s จนถึงตอนนี้ดีมาก แต่ตอนนี้มาถึง(4: 2: 0) : (352px*288px) * 1.5 color channels * 25 * 8 = 30 412 800 bit/s ตอนนี้พยายามที่จะถ่ายโอนตัวอย่างนี้ไปยังเช่น(4: 1: …

10 image-processing  image-processing  matlab  fourier-series  wavelet  transform  image-processing  matlab  image  image-processing  image-registration  segmentation  image-processing  edge-detection  canny-edge-detector  tracking  image  fft  stft  image-processing  preprocessing  segmentation  image-processing  computer-vision  image-segmentation  thresholding  frequency-spectrum  wave  image-processing  edge-detection  window-functions  image-processing  optical-flow  image-processing  ocr  text-recognition  image-processing  computer-vision  frequency-spectrum  image-processing  image-processing  computer-vision  fourier-transform  dsp-core  wave  image-processing  3d 

ฉันใช้อัลกอริทึมการตรวจจับพิชชันโดยใช้ HPS และฉันประสบปัญหา ฉันเป็นผู้เริ่มต้นด้วยการประมวลผลสัญญาณและเว็บไซต์นี้ช่วยฉันมาก่อนดังนั้นฉันจึงควรถาม สำหรับสนามที่สูงขึ้น ( eg. >C6:1046.50hz) ฉันกำลังเริ่มรับข้อมูลขยะจาก HPS ยิ่งระดับเสียงสูงขึ้นเท่าไรฉันก็ยิ่งได้รับขยะมากขึ้นเท่านั้น (โดยขยะฉันหมายถึงความถี่ที่ไม่ใช่ข้อผิดพลาดระดับแปดเสียงหรือเสียงประสานและอยู่ที่ประมาณ 1Hz-20Hz) สิ่งที่ฉันสังเกตุเห็น: ผลลัพธ์นั้นเลวร้ายที่สุดสำหรับสนามที่สูงกว่าถ้าพื้นฐานอยู่เหนือ A6 หรือมากกว่านั้นฉันได้รับข้อมูลขยะเท่านั้น FFT ใช้งานได้ดีแม้ในระดับเสียงที่สูงมาก (โดยละเอียดฉันหมายถึงจุดสูงสุดของมันแสดงให้เห็นถึงพื้นฐานหรือหนึ่งเดียวของฮาร์โมนิกของมัน แต่ไม่ใช่ขยะ) ถ้าฉันลดจำนวนของฮาร์โมนิกที่ฉันคำนึงถึงสำหรับ HPS ขยะจะลดลง แต่นั่นทำให้ยากที่จะแยกแยะระหว่างพื้นฐานและฮาร์โมนิก นี่คืออัลกอริทึมของฉัน: ->raw buffer -> hann window, 16384 samples, 50% overlap -> zero padding -> FFT -> HPS ความช่วยเหลือใด ๆ ที่เป็นที่นิยม! อัปเดต 1: ดังนั้นมีอีกสองสามสิ่งที่ฉันต้องการเพิ่ม: อัตราตัวอย่างที่ฉันบันทึกที่ 44100 …

10 fourier-transform  frequency-spectrum  pitch 

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 

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 

เรารู้ด้านล่าง F{x(t)}=X(f)(1)(1)F{x(t)}=X(f) \mathscr{F}\big\{x(t)\big\}=X(f) \tag{1} F{x(−t)}=X(−f)(2)(2)F{x(−t)}=X(−f) \mathscr{F}\big\{x(-t)\big\}=X(-f) \tag{2} F{x∗(t)}=X∗(−f)(3)(3)F{x∗(t)}=X∗(−f) \mathscr{F}\big\{x^*(t)\big\}=X^*(-f) \tag{3} ทีนี้ถ้ามีสัญญาณบ้าง x(−t)=x∗(t)(4)(4)x(−t)=x∗(t) x(-t)=x^*(t) \tag{4} จากนั้นจะปลอดภัยหรือไม่ที่จะถือว่าสิ่งต่อไปนี้? X(−f)=X∗(−f)(5)(5)X(−f)=X∗(−f) X(-f)=X^*(-f) \tag{5} หรือมันขึ้นอยู่กับประเภทของสัญญาณ?

9 fourier-transform  continuous-signals 

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

9 fourier-transform  frequency  transform