信号处理

其他一些StackExchange / StackOverflow网站则具有一定的幽默感或趣味性。 您最喜欢的“数据分析”卡通是什么？特别值得一提的是（IMHO）关于因果关系和相关性的xkcd动画片（DSP人士知道我的意思）： 那么答案中允许幽默吗？我希望如此，例如： StackOverflow：您最好的程序员笑话是什么？ MathOverflow：是否存在良好的数学笑话 SE.Stats（交叉验证）：统计笑话 SE.Stats（交叉验证）：您最喜欢的“数据分析”卡通是什么？ SE.Maths 关于数学笑话的问题 确实存在信号处理或图像处理中的幽默感，尽管深度较浅且传播范围较窄。在土耳其伊斯坦布尔的ICASSP 2000 DSP幽默展览上，我第一次遇到了幽默（之前我零幽默）。下图来自EURASIP的Humor in DSP： 所以我认为，我们应该得到一些humor和joke标签和实际亮度。前进！

16 image-processing  discrete-signals  reference-request  humor 

这是没有意义的，我的，因为海森堡不平等指出ΔtΔωΔtΔω\Delta t\Delta \omega〜1。 因此，当您在时间上进行了完全本地化时，您会得到频率上完全分布的东西。因此，基本关系F{δ(t)}=1F{δ(t)}=1\mathfrak{F}\{\delta(t)\} = 1，其中FF\mathfrak{F}是傅立叶变换算符。 但是对于狄拉克梳子，应用傅立叶变换，您会收到另一个狄拉克梳子。直观地，您还应该获得另一行。 为什么这种直觉会失败？

16 fourier-transform 

我刚才问了一个问题，但没有得到任何答案。因此，现在我将其简化：什么是互谱密度（CSD）和功率谱灵敏度（PSD）？他们的应用是什么？如何在MATLAB中获得它们？ 小号ķķ（ω）=LIMŤ→交通∞1Skl(ω)=limT→∞1TE{Y∗k(ω)Yl(ω)}Skl(ω)=limT→∞1TE{Yk∗(ω)Yl(ω)}S_{kl}(\omega)=\lim_{T\to\infty}\frac{1}{T}E\{Y_k^*(\omega)Y_l(\omega)\} Skk(ω)=limT→∞1TE{Y∗k(ω)Yk(ω)}Skk(ω)=limT→∞1TE{Yk∗(ω)Yk(ω)}S_{kk}(\omega)=\lim_{T\to\infty}\frac{1}{T}E\{Y_k^*(\omega)Y_k(\omega)\} Skl(ω)Skl(ω)S_{kl}(\omega)是一般信号yk(t)yk(t)y_k(t)和y_l（t）之间的互谱密度（CSD）函数yl(t)yl(t)y_l(t)，Skk(ω)Skk(ω)S_{kk}(\omega)是信号的功率谱密度（PSD）yk(t)yk(t)y_k(t)，Yk(ω)Yk(ω)Y_k(\omega)是信号yk(t)yk(t)y_k(t)在频率\ omega上的有限傅立叶变换ωω\omega， Y∗k(ω)Yk∗(ω)Y_k^*(\omega)是Yk(ω)Yk(ω)Y_k(\omega)和 E \ {\ cdot的复共轭\}E{⋅}E{⋅}E\{\cdot\}是期望运算符。 我先前的问题是：“小波功率谱”，“自动功率谱”，“交叉功率谱”在小波应用中意味着什么？我正在研究用小波方法进行模式形状识别，这些术语使我感到困惑。

16 psd 

我想识别照片中六角形拼贴的边界，如下图所示： 在我看来，在正方形网格上的一种标准方法是首先检测角（例如Canny），然后通过霍夫变换或类似方法提取最长的线。 这看起来不是十六进制平铺的最佳解决方案，因为外线的长度较短，并且很难将其与其他线分开。 有解决这个问题的算法吗？在opencv中有解决方案会特别好，但是我也对一般想法感兴趣。 更新： 使用python和opencv我可以收到以下结果： 这是我的代码： import cv2 import numpy as np imgOrig = "test1"; img = cv2.imread(imgOrig+".jpg"); lap = cv2.Laplacian(img, cv2.IPL_DEPTH_32F, ksize = 3) imgray = cv2.cvtColor(lap,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE) size = img.shape m = np.zeros(size, dtype=np.uint8) for i, cnt in enumerate(contours): if cv2.contourArea(cnt) …

16 image-processing  opencv  image-segmentation 

在某些论文中，我读到加性噪声是带限高斯白。 如何使用MATLAB模拟这种类型的噪声？

16 matlab  noise  gaussian 

我知道有4种具有线性相位的FIR滤波器，即恒定的群延迟：（M =脉冲响应的长度） 脉冲响应对称，M =奇数 曝光 分别 对称，M =偶数 曝光 分别 反对称的，M =奇数 曝光 分别 反对称，M =偶数 每个都有其特点。具有线性相位设计的FIR滤波器最常使用这些类型中的哪一种？为什么？:)

16 filters  filter-design  finite-impulse-response 

我最近陷入了谬误，考虑极点s = 1，因为在频率1处有无限的响应。但是，响应仅为1。现在，给定极点，您可以得出频率响应吗？ 其次，该理论说，当极点位于左s平面时，系统是稳定的，因此会随时间衰减。可是等等。“极点”是否意味着无限的响应-时间的增长？ 最后，在DSP中是正确的问题吗？IMO，D代表数字，而s域是模拟。我找不到s平面或Laplace转换标签来标记我的帖子。 更新感谢您的回答。似乎除了一个小而基本的东西以外，我已经掌握了它（极点（和零点）与频率的关系）。基本上，为什么特征值（或称其sss运算符/变量）与频率相关？它应该以某种方式与指数增长和拉普拉斯变换有关。我非常了解极点恰好是特征值（尤其是离散递归）。但是，这与频率有何关系？

16 continuous-signals  frequency-response  transfer-function  laplace-transform  poles-zeros 

我以为DSP可以通过对信号的一部分进行FFT来完成，修改FFT产生的样本（因为它们代表了我们信号的频谱+噪声），并去除了任何不想要的信号，然后进行逆FFT来获取时间滤波信号的域表示（噪声已被移除）。但是，此操作尚未完成，而是使用窗口函数在时域中完成所有工作。为什么？ 如果我们在时域中乘以窗函数，而不是在频域中将窗函数的频率响应与信号频谱进行卷积，那该如何计算呢？我的意思是，如果我们只是通过将信号乘以滤波器的频率响应来完成频域中的所有工作，那就像滤波对吗？但是在这里，我们使用时域来完成时域中的所有工作。 ->让我们看看我的困惑来自何处。对于模拟滤波器，例如低通滤波器，我们具有类似频率响应的脉冲。当我们对信号进行滤波时，我们实际上是将信号的频谱乘以类似于滤波器的频率响应的脉冲。这将使信号中的所有频率都超过一个截止值而降至0。这就是低通滤波器的工作原理。为什么不对数字滤波器也一样？

16 filters  frequency-spectrum  filter-design  window-functions  analog 

如果我们已经有了短时傅立叶变换来比离散傅立叶变换更好地分析信号，那么导致小波变换发展的需求是什么？

16 wavelet 

我想在频域中创建白噪声，然后使用python将其转换为时域。为了理解这个问题，我只是在时域中产生白噪声，然后将其转换为频率域： import scipy.signal as sg import numpy as np import matplotlib.pyplot as plt e = np.random.normal(0,1,1e3) E = sg.fft(e) plt.figure("Bode plot") plt.subplot(211) plt.title("Magitude") plt.plot(abs(E)) plt.subplot(212) plt.title("Phase") plt.plot(np.angle(E)) plt.show() 我没有完全按照我的预期看： 问题： 白噪声不应该具有平坦的幅度响应吗？（所有频率相等） 标准偏差（在我的示例中为1）与幅度和相位之间是什么关系？ 先感谢您！

16 fft  noise  python 

高频和低频成分在图像中表示什么。如何使用双边滤波器分离出图像的高频和低频成分。

16 image-processing  filters  image  multi-scale-analysis  edge-preserving-filter 

您是否可以列出一些比例和旋转不变特征描述符以用于特征检测。 该应用程序使用多分类器来检测无人机捕获的视频中的汽车和人。 到目前为止，我一直在研究SIFT和MSER（仿射不变）。我也看过LESH，LESH是基于局部能量模型的，但是其计算方式不是旋转不变的，我一直在尝试思考一种利用局部能量的方法来构建旋转不变的方法功能描述符，我在这里读到有哪些可以在商业应用中使用的SIFT / SURF的免费替代品？，即“如果您将方向分配给兴趣点并相应地旋转图像块，则可以免费获得旋转不变性”，但是不知道这是否可以缓解或我如何将其应用于我的问题，任何帮助都将是感谢，谢谢

16 computer-vision  local-features  classification  object-recognition  sift 

我试图找到一种方法，仅使用距离地面3米的一台摄像机来检测人员。这是相机返回的帧： 更新：视频测试-> http://dl.dropbox.com/u/5576334/top_head_shadow.avi 为了做到这一点，首先我了解我必须执行背景-前景分割。那是容易的部分。 使用前景蒙版，我可以进行简单的操作（例如霍夫变换）来查找圆，但是这种方式只能检测出60％的头部，包括许多误报。 我可以使用其他一些简单的技术，例如颜色分割，但是我发现人头与上面的人非常不同，因为他们的发型，颜色，头发数量，... 尽管我还有其他选择，可以使用HOG描述符或类似Haar的功能，但是我需要一个从上面看到的人的广泛数据库来训练模型。我还没有找到类似的东西。 我以为这将是一个经常发生的问题，但是我在文学或互联网上找不到很多。解决此任务的任何帮助将不胜感激:-) 更新：有关更多信息，目标是实施一些通用方法来进行行人流量跟踪。第一个原型将在购物中心进行测试。

16 image-processing  computer-vision  opencv 

我有一些信号每1 ns（1e-9 sec）采样一次，并且有1e4点。我需要从该信号中滤除高频。假设我需要过滤高于10 MHz的频率。我希望对于低于截止频率的频率，信号将保持不变。这意味着对于低于截止频率的频率，滤波器的增益将为1。我希望能够指定过滤器顺序。我的意思是，一阶滤波器在截止频率后具有20 db / dec的斜率（功率下降），二阶滤波器在截止频率后具有40 db / dec的斜率，依此类推。代码的高性能很重要。

16 filter-design  lowpass-filter  python 

根据DSP图形或仪器输出的正确或可接受的命名约定，频谱，频谱图，频谱仪和类似术语这两个词之间的区别是什么，以及哪种类型的图表，图形，CRT显示等最能恰当地描述。 补充：另外，我在几本关于频谱与时间的图形的书中也发现了超声图。因此，什么时候优先使用上述术语之一，反之亦然？

16 frequency-spectrum  terminology  visualization