คำถามติดแท็ก noise

ฉันรู้ว่าขณะถ่ายภาพจากกล้องอาจมีจุดรบกวนเกิดขึ้นในภาพ บ่อยครั้งที่มันถูกอธิบายว่าเป็นเกาส์ แต่เสียงอื่น ๆ ที่เกิดขึ้นในโลกแห่งความเป็นจริง กรุณาช่วย!

10 noise 

สมมติว่าฉันมีการวัดฟังก์ชั่น Y= y( x )y=y(x)y = y(x)ตัวอย่างที่ xผมxix_iด้วยเสียงรบกวนที่สามารถประมาณโดยการขยายตัวชุดเทย์เลอร์ มีวิธีที่ยอมรับได้ในการประมาณค่าสัมประสิทธิ์สำหรับการขยายตัวจากการวัดของฉันหรือไม่? ฉันพอดีกับข้อมูลกับพหุนาม แต่นั่นไม่ถูกต้องเพราะสำหรับซีรีส์เทย์เลอร์การประมาณควรดีกว่าที่คุณอยู่ใกล้กับจุดศูนย์กลางมากยิ่งขึ้นพูด x = 0 พอดีกับพหุนามปฏิบัติทุกจุดเท่า ๆ กัน ฉันยังสามารถประเมินคำสั่งซื้อขายอนุพันธ์ต่าง ๆ ณ จุดที่ฉันขยาย แต่ก็ต้องตัดสินใจเกี่ยวกับตัวกรองที่แตกต่างเพื่อใช้และจำนวนสัมประสิทธิ์ตัวกรองสำหรับแต่ละรายการ ฟิลเตอร์สำหรับอนุพันธ์ที่แตกต่างกันจะต้องเข้ากันได้หรือไม่? ไม่มีใครรู้วิธีการที่กำหนดไว้สำหรับสิ่งนี้ คำอธิบายหรือการอ้างอิงถึงเอกสารจะได้รับการชื่นชม ชี้แจง ในการตอบกลับความคิดเห็นด้านล่างการสุ่มตัวอย่างของฉันคือหน้าต่างสี่เหลี่ยมจากฟังก์ชันอนันต์ซึ่งไม่จำเป็นต้อง จำกัด วง แต่ไม่มีองค์ประกอบความถี่สูงที่แข็งแกร่ง จะเจาะจงมากขึ้นฉันกำลังวัดความแปรปรวนของตัวประมาณ (วัดการกระจัดในสัญญาณอัลตราซาวด์ทางการแพทย์) เป็นฟังก์ชันของพารามิเตอร์ของตัวประมาณ (ระดับของการเสียรูปหรือความเครียดของเนื้อเยื่อพื้นฐาน) ฉันมีซีรีย์ตามทฤษฎีของ Taylor สำหรับความแปรปรวนเป็นฟังก์ชั่นของการเสียรูปและต้องการเปรียบเทียบกับสิ่งที่ฉันได้รับจากการจำลอง ตัวอย่างของเล่นที่คล้ายกันอาจจะ: สมมติว่าคุณมีฟังก์ชั่นเช่น ln (x), สุ่มตัวอย่างตามช่วงเวลาใน x ด้วยเสียงรบกวนที่เพิ่มเข้ามา คุณไม่ทราบว่ามันคือฟังก์ชั่นอะไรและคุณต้องการประเมินซีรี่ส์ของ Taylor รอบ ๆ x = …

10 noise  estimators  approximation 

ฉันต้องการสร้างสัญญาณรบกวนในแอพพลิเคชั่น 100kHz, 16 บิตเพื่อเปลี่ยนสัญญาณควอนตัมทั้งหมดให้เป็นวง 25khz-50kHz โดยมีสัญญาณรบกวนน้อยที่สุดในย่าน DC-25kHz ฉันตั้งค่า mathematica เพื่อสร้างเคอร์เนลตัวกรองข้อผิดพลาด 31 ตัวอย่างผ่านการเรียนรู้การเสริมแรงซึ่งทำงานได้ดี: หลังจากเรียนรู้เพียงเล็กน้อยฉันจะได้รับการเพิ่มประสิทธิภาพของเสียงความถี่สูงประมาณ ~ 16dB สำหรับการลดลงของย่านความถี่ต่ำจำนวนเดียวกัน เส้นกลางคือระดับเสียงที่ลดลงทั้งสองรูป) ซึ่งสอดคล้องกับทฤษฎีการสร้างเสียงรบกวน "Gerzon-Craven" ตอนนี้ปัญหาของฉัน: ฉันไม่สามารถจัดการกับเสียงดังได้มากขึ้นแม้หลังจากการเรียนรู้ที่กว้างขวางแม้ว่าทฤษฎีบท Gerzon-Craven ไม่ได้ห้ามไว้ ตัวอย่างเช่นควรเป็นไปได้ที่จะลดระดับ 40 dB ในย่านความถี่ต่ำและเพิ่มประสิทธิภาพ 40 dB ในย่านความถี่สูง ดังนั้นมีข้อ จำกัด พื้นฐานอื่นที่ฉันพบ ฉันพยายามดูทฤษฎีบทเกี่ยวกับเสียงรบกวน / การสุ่มตัวอย่าง / ข้อมูล แต่หลังจากที่เล่น ๆ ไปซักพักฉันก็สามารถหาข้อ จำกัด เพียงอย่างเดียวจากมันได้: ทฤษฎีบท Gerzon-Craven ซึ่งดูเหมือนจะเป็นผลลัพธ์โดยตรงของทฤษฎีบทแชนนอน ความช่วยเหลือใด ๆ ที่ชื่นชม แก้ไข: …

9 noise 

คุณช่วยอธิบายหน่อยได้ไหมว่าทำไมเสียงบางประเภทเรียกว่า "เสียงแบบเกาส์เซียน" ทำไมมันจึงเกี่ยวข้องกับการเรียกมันว่าเสียน กรุณาอธิบายในแง่ของคนธรรมดา

9 noise  gaussian  statistics 

เหตุผลใดที่ทำให้เกิดจุดรบกวน / เอฟเฟกต์ในภาพนี้ ด้านล่างนี้เป็นต้นฉบับ ขอบคุณ!

9 image-processing  noise  image  frequency-domain 

ฉันมีรูปการ์ตูนที่ถูกบีบอัด ตัวอย่าง: พวกเขามีเสียงดังซึ่งไม่ง่ายที่จะลบ แม้ว่าพิกเซลจะอยู่บนพื้นหลังสีเทา แต่พิกเซลของเสียงนั้นอาจมีสีที่แตกต่างกันมากและถ้าฉันดูที่ฮิสโตแกรม (ของภาพระดับสีเทา) ของภาพเหล่านั้น แต่ฉันไม่สามารถลบสีที่มีค่าซึ่งไม่ใช่สีหลักเพราะมีความเสี่ยงที่จะลบคุณลักษณะที่สำคัญบางอย่าง (เช่นตา) นอกจากนี้ฉันพยายามที่จะทำให้ภาพโปสเตอร์ (ตัวอย่างนำเสนอ 8 สี) แต่บางพิกเซลยังคงอยู่ นอกจากนี้ฉันได้ลองใช้ตัวกรองแบบกลาง แต่ไม่สามารถขจัดเสียงรบกวนที่หนักหน่วง (ฉันใช้ตัวกรอง 3 * 3) โปรดให้วิธีการบางอย่างที่สามารถกำจัดเสียงรบกวนได้อย่างมีประสิทธิภาพในกรณีนี้ ฉันจะขอบคุณสำหรับความช่วยเหลือใด ๆ !

9 image-processing  filters  noise  reconstruction 

ฉันพยายามถอดรหัสข้อความที่ซ่อนอยู่ในไฟล์เสียงที่มีเสียงดังมาก (.wav) (ฉันคิดว่ามันเป็นเสียงสีขาวพร้อมเสียงพึมพำเพิ่มเติม) ข้อความที่เป็นเลขหกหลัก ฉันไม่มีรายละเอียดเพิ่มเติมเกี่ยวกับเสียงรบกวน ฉันพยายามใช้ตัวกรอง low-pass ด้วยความหวังว่าการกำจัดความถี่ที่สูงกว่าส่วนใหญ่จะทำให้ฉันได้ยินตัวเลข แต่ดูเหมือนว่าฉันจะไม่สามารถกำจัดเสียงพึมพำต่ำพอที่จะได้ยินเสียงได้ดีพอ ความพยายามของฉันเป็นดังนี้ (ฟังก์ชั่นการจ้างงานfreq_space_low_pass_filterรวมอยู่ท้าย): [data, SampleRate, NbitsPerSample]=wavread('noisy_msg6.wav'); y=data(:,1); % we will work only with one channel in this demo N=length(y); %number of sample points t=( (1:N)*1/SampleRate ).'; % time spacing is 1/SampleRate and we want column vector Y=fft(y); spectrum_freq=fourier_frequencies(SampleRate, N); Freq3db=100; [spectrum_filtered,g_vs_freq]=freq_space_low_pass_filter(Y, SampleRate, …

9 matlab  noise  lowpass-filter  voice 

ฉันกำลังพยายามหาการข้ามศูนย์ของคลื่นไซน์เพื่อแปลงคลื่นไซน์ให้เป็นคลื่นสี่เหลี่ยม ปัญหาเดียวก็คือคลื่นไซน์นั้นมีเสียงดังดังนั้นฉันจึงได้รับการกระวนกระวายใจและการข้ามศูนย์ผิดมาก ใครสามารถแนะนำ psuedocode ง่าย ๆ หรือวัสดุที่เกี่ยวข้อง? จนถึงตอนนี้ฉันมีสิ่งนี้: if (sample[i]>0 && sample[i+1]<0) || (sample[i]<0 && sample[i+1]>0) ทุกคนสามารถแนะนำวิธีการที่แข็งแกร่งกว่านี้ได้หรือไม่?

9 noise 

ฉันกำลังมองหาสูตรที่จะบีบอัดรูปแบบคลื่นเสียงเพื่อ จำกัด ยอดอย่างมีประสิทธิภาพ นี่ไม่ใช่แอปพลิเคชัน "การควบคุมระดับเสียงอัตโนมัติ" ที่หนึ่งจะควบคุมแอมพลิฟายเออร์เพื่อรักษาระดับเสียง แต่ฉันต้องการ จำกัด ("เบา" ตัด) แต่ละจุด (ฉันรู้ว่าสิ่งนี้นำเสนอฮาร์โมนิก แต่ฉันพยายามวิเคราะห์ข้อมูลไม่ใช่ฟัง) สูตรที่หยาบมากของฉันคือ: factor = (10 * average / level) + exp(-sqrt(0.1 * level / average)) ไหนระดับคือระดับเสียงทันทีเฉลี่ยเป็นประวัติศาสตร์เฉลี่ยระดับเสียงและปัจจัยที่เป็นตัวคูณที่ใช้ในการผลิต ( "ปรับ" ระดับปัจจัยครั้งระดับ ) นอกจากนี้ตัวคูณนี้จะถูกนำไปใช้เฉพาะในกรณีที่คำนวณค่าน้อยกว่า 1 มิฉะนั้นระดับจะไม่ได้รับการปรับ ความตั้งใจคือการ จำกัด ระดับที่ปรับไปที่หลาย ๆ (ประมาณ 15x ด้วยสูตรนี้) ของค่าเฉลี่ยในอดีต สูตรนี้เป็น sorta สิ่งที่ฉันต้องการ แต่การจัดแสดงนิทรรศการ "จุ่ม" เป็นตัวเลขขนาดใหญ่ได้รับ นั่นคือระดับปรับ …

9 noise  dynamic-range-compression 

ฉันมีสัญญาณ:ที่n-1ฉผม(เสื้อผม= i Δ t )ฉผม(เสื้อผม=ผมΔเสื้อ)f_i(t_i=i\Delta t)i = 0 … n - 1ผม=0...n-1i = 0\ldots n-1 สัญญาณดูเหมือนจะเปลี่ยนแปลงอย่างรวดเร็วรอบ "แนวโน้ม" ที่ช้าลง ฉันสมมติว่าส่วนที่เปลี่ยนแปลงอย่างรวดเร็วคือเสียงรบกวนและส่วนที่เปลี่ยนแปลงช้าคือสัญญาณจริง ฉันจะประเมินอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) ของสัญญาณได้อย่างไร ฉันเดาว่าถ้าฉันสามารถตัดสินใจเกี่ยวกับความถี่ของ treshold:ฉันสามารถใช้นิพจน์ต่อไปนี้:ωเสื้อωเสื้อ\omega_t S/ N=∫ωเสื้อ0| F( ω )|2∫∞ωเสื้อ| F( ω )|2S/ยังไม่มีข้อความ=∫0ωเสื้อ|F(ω)|2∫ωเสื้อ∞|F(ω)|2S/N=\frac{\displaystyle\int_0^{\omega_t}|F(\omega)|^2}{\displaystyle\int_{\omega_t}^{\infty}|F(\omega)|^2} ที่หมายถึงฟูเรียร์ของ(t)FFFฉ( t )ฉ(เสื้อ)f(t)

9 fft  noise  snr 

ฉันพยายามใช้การแปลง Hough สำหรับการตรวจจับขอบและต้องการใช้ภาพไล่ระดับสีเป็นพื้นฐาน สิ่งที่ฉันได้ทำเพื่อให้ห่างไกลได้รับภาพIที่มีขนาด[M,N]และอนุพันธ์บางส่วนของมันgx, คือการคำนวณมุมการไล่ระดับสีในแต่ละพิกเซลgy ในทำนองเดียวกันผมคำนวณขนาดการไล่ระดับสีเป็นthetas = atan(gy(x,y) ./ gxmagnitudes = sqrt(gx.^2+gy.^2) เพื่อสร้างการแปลง Hough ฉันใช้รหัส MATLAB ต่อไปนี้: max_rho = ceil(sqrt(M^2 + N^2)); hough = zeros(2*max_rho, 101); for x=1:M for y=1:N theta = thetas(x,y); rho = x*cos(theta) + y*sin(theta); rho_idx = round(rho)+max_rho; theta_idx = floor((theta + pi/2) / pi * 100) …

9 image-processing  edge-detection  image-processing  computer-vision  image-registration  discrete-signals  noise  bpsk  snr  demodulation  bpsk  multipath  synchronization  timing  image-processing  filters  algorithms  edge-detection  sampling  demodulation  bpsk  synchronization  timing  fft  fourier-transform  delay  audio  speech-recognition  soft-question  discrete-signals  discrete-signals  autocorrelation  frequency  computer-vision