信号处理

ICA的一般实现是将信号的混合分离为其M个组成部分，这要求将信号假定为源的线性瞬时混合。我遇到的对ICA的每种描述似乎都是理所当然的事实，即所有N个信号混合中都存在一定程度的M个信号源。 NNNMMMMMMNNN 我的问题是，如果信号源仅出现在部分而非全部信号混合信号中，该怎么办？ MMM 这种情况是否违反了ICA能够分离这些信号所必需的基本假设？（为方便起见，假设我们正在处理一个不完整或完整的系统（或N = M），并且M个源信号中的每个实际上在统计上都是彼此独立的）。N>MN>MN>MN=MN=MN=MMMM 我正在考虑将ICA应用于这种情况的实现如下：我有来自4种不同类型传感器的数据，每种传感器具有不同数量的通道。具体来说，我有24个EEG数据通道，3个EOC眼电数据通道，4个EMG数据通道和1个ECG数据通道。所有数据同时记录。 我想在EEG数据中确定ECG，EMG和EOG信号的作用，以便删除它们。预期EEG传感器将接收EMG + ECG + EOG信号，反之则不然。同样，EOG和EMG可能会相互污染并被ECG污染，但是ECG可能与所有其他信号完全隔离。另外，我假设发生混合的地方是线性的和瞬时的。 我的直觉告诉我，假设地，ICA应该足够聪明，可以返回系数非常小（接近0）的混合滤波器，以说明缺乏信号源对混合信号的影响。但是我担心ICA对信号进行混合的方式会固有地使人们期望所有混合物中都存在所有信号源。我使用的实现是FastICA，这是一种基于投影追求的方法。

16 ica  eeg  separability 

当以整数因子对图像进行下采样时，显而易见的方法是将输出图像的像素设置为输入图像中相应n × n块的平均值。nnnn×nn×ñn \times n 我记得在某处模糊地阅读过该方法不是最佳方法（对不起，我不记得任何细节） 是否存在更好的方法（如果这样，虽然“显然”正确），上述方法在哪里失败？我对信号处理了解不多，这个问题让我很感兴趣。

16 image-processing  sampling 

在有关基数系列 五个短篇小说中，作者提出以下评论：[1][1][1] 有趣的是，Shannon继续提到其他数据集也可以用于确定带宽受限的信号-例如，每隔一个采样点的ƒ值及其一阶导数，ƒ值及其第一阶导数以及每个第三个采样点的二阶导数，依此类推。 本文提到了一些历史发展，但我很好奇衍生产品采样的“杀手级应用”是什么。它还有其他名称吗？该方法是否有进一步的概括？ 一个简单的概述或一些参考的指针将是很棒的。 - JR希金斯，关于基数系列的五个短篇小说，布尔。阿米尔。数学。Soc。（NS）12（1985），没有。1，45-89。http://bit.ly/plioNg

16 sampling 

我有一张图像，我想测量其中的细节量。另一种查看方法是测量图像的模糊程度。一种方法是分析图像的傅立叶变换中的高频分量。 还有其他/更好的方法吗？

16 image-processing  fourier-transform 

假设我们有一个包含高斯白噪声的信号nnn。如果我们通过乘以调节这个信号sin2ωtsin⁡2ωt\sin 2\omega t，产生的信号仍然有一个白色的功率谱，但很明显的噪声现在时间“束身”。这是一个循环平稳过程的例子。 x(t)=n(t)sin2ωtx(t)=n(t)sin⁡2ωtx(t) = n(t) \sin2\omega t 假设我们现在通过与正弦和余弦本机振荡器混合以形成I和Q信号来解调频率为ωω\omega的信号： Q = X （吨）× COS ω 吨I=x(t)×sinωtI=x(t)×sin⁡ωtI = x(t) \times \sin\omega t Q=x(t)×cosωtQ=x(t)×cos⁡ωtQ = x(t) \times \cos\omega t 天真地观察到的功率谱（在大于1 / f的时间间隔内获取）是白色的，我们可以预期I和Q都包含相同幅度的白色高斯噪声。但是，真正发生的是，I正交选择性地对具有高方差的时间序列x （t ）的部分进行采样，而相位相差90度的Q对较低方差的部分进行采样：x(t)x(t)x(t)1/f1/f1/fIIIQQQIIIx(t)x(t)x(t)QQQ 结果是我的噪声频谱密度是是Q的 3倍。3–√3\sqrt{3}QQQ 显然，在功率谱之外必须有一些对描述调制噪声有用的东西。我所在领域的文献中有许多描述上述过程的可访问论文，但我想学习信号处理/ EE社区如何更普遍地对待它。 有哪些有用的数学工具可用于理解和控制循环平稳噪声​​？ 任何参考文献也将不胜感激。 参考文献： Niebauer等人，“非平稳散粒噪声及其对干涉仪灵敏度的影响”。物理 修订版A 43，5022-5029。

16 noise  modulation  cyclostationary-random-process 

在图像/信号处理上下文中，我们已经看到/知道，如果说4个样本，并且取这4个样本的平均值，那么我们说结果样本是低通滤波后的输出样本。这在图像处理上下文中非常相关。现在，意味着高通滤波的运算是什么呢？是找到4个样本中的最大值，然后将其作为输出样本，或者其他数学运算意味着高通滤波，而平均意味着低通滤波。

16 lowpass-filter  highpass-filter 

我有一个要在Matlab中仿真的无线通信系统。我通过稍微调整传输信号的相位来执行一些水印处理。我的仿真采用原始I（同相）和Q（正交）值，并添加水印。然后，在传输之后，我必须模拟最终的误码率。现在，我只需要向信号中添加不同数量的热噪声即可。 由于我将信号表示为其I和Q通道，因此将AWGN（加性高斯白噪声）直接添加到I和Q是最容易的。一种想法是分别向两个通道添加噪声，但是我的直觉告诉我，这与将其整体添加到信号中并不相同。 那么，当它处于这种形式时，如何添加噪音呢？

16 noise  gaussian 

IIR滤波器可以直接形式1或2实现。但是，您如何决定使用哪种形式？各自的优缺点是什么？

16 filters  infinite-impulse-response 

Gabor小波是一种高斯调制正弦波（源）。 Gabor小波由两个分量组成，一个复杂的正弦载波和一个高斯包络。（来源） 和 实际上，图2a中所示的小波（称为Morlet小波）无非是一个正弦波（图2b中的绿色曲线）乘以高斯包络（红色曲线）。（来源） 这些只是同一事物的不同名称吗？ 更新： 不要与“ Gabor变换 ” 相混淆，后者似乎只是“具有高斯窗口的STFT”的另一个名称。还有Gabor原子，我猜它与Gabor小波相同吗？ 自从在math.SE上提出问题以来，我还发现了诸如“ Gabor / Morlet小波 ”和“ Gabor-Morlet变换”之类的术语，暗示它们是同一回事。 之前也有人问过这个问题：Gabor变换/小波与Morlet小波，但是答案对我来说并不明确。

16 wavelet  terminology  time-frequency 

我有一个2D图像，我要对其进行低通滤波，并具有以下约束/质量指标： 我无法向图像“添加”光线，因此结果中的每个像素应<=输入中的相应像素。 低通截止频率应作为参数进行实验 重复应用此过滤器不应显着改变结果。 运行该算法所需的时间（5MPix图像需要5分钟） 尽量减少被滤除的光量。 以下是我尝试过的一些方法，以及它们的缺点： 像正常情况一样使用高斯滤镜，然后将结果下拉以符合约束1。这与前3个点非常吻合，但比所需的光要少得多。 通过它们之间的“低”点和“向下”抛物线拟合“向上”抛物线以使其平滑。这在1D中效果很好，但是首先在水平方向应用它，然后在垂直方向应用它会在2D中产生不好的效果。对于我的应用程序，它需要花费更长的时间，但不会太长。但是，重复应用此过滤器将大大改变结果。如果（1D）输入是一个完美的“向下”抛物线（根本不应该过滤），它将由位于开始/结束处的2个“向上”抛物线代替。 使用其他形式的2D“基本”函数和线性求解来找到最佳参数。这只是一个想法，目前尚未实现/测试。 我在信号处理方面的经验几乎仅限于图像处理，因此我希望在信号处理其他领域活跃的专家的帮助下找到解决此问题的替代方法。 更新2011/08/18 根据当前的反应，我决定通过添加典型输入的图形以及我最初描述的3种方法的结果以及到目前为止所收到的建议，使事情变得更加清晰。为了便于比较，在这些示例中我仅使用了一维过滤。 输入数据： 高斯滤波器 +将其调低以符合要求（1）。 您会看到降低它会导致右侧不必要的减光。 抛物线 对我而言，这是非常出色的，可悲的是，它不能通过首先应用水平然后垂直来完美地转换为2D。在这种情况下，您还会看到我可以以浮点分辨率评估拟合的抛物线，这虽然不大，但却不是绝对必要的。 灰度腐蚀 根据rwong的建议，我尝试了灰度腐蚀。我使用了与“拟合”抛物线形状相同的抛物线形结构元素。结果几乎完全相同，因此这看起来很有希望。但是，仍然存在一些问题：1.我的结构元素“不够大”（尽管宽度已经达到801像素）1.我只有“向上”抛物线，没有“向下抛物线”来平滑从一个抛物线的过渡到下一个。 中值过滤 仅出于完整性考虑，并不是我真正想要的。 原始数据 我将原始输入数据+各种python命令粘贴到pastebin上，因此您也可以尝试使用相同的数据。 http://pastebin.com/ASnJ9M0p

16 image-processing  lowpass-filter 

我已经看过这张图片： 进行FFT（2D），然后进行逆FFT，以获取准确的图像。提供代码以供参考： imfft = fft2(photographer); im = uint8(ifft2(imfft)); imshow(im); %Output is same image 但是当我改变傅立叶而只占真实部分时， imfft = real(fft2(photographer)); im = uint8(ifft2(imfft)); imshow(im); 我得到这样的图像（请注意，大小更改是无关紧要的，仅是由于从Matlab图形处理程序中保存了它）： 有人可以向我解释其背后的理论（数学）吗？谢谢

16 image-processing  fft  fourier-transform 

如果满足对称条件，则FIR滤波器具有线性相位。对于IIR滤波器而言，情况并非如此。 但是，对于什么应用程序，应用不具有此属性的过滤器是不好的，这会带来负面影响吗？

16 filters  filter-design  fir 

我有一个在100Hz下测量的信号，我需要对该信号应用Savitzky-Golay平滑滤波器。但是，仔细检查后，我的信号并不是以完全恒定的速率测量的，测量之间的差值介于9.7到10.3 ms之间。 有没有办法对不等距的数据使用Savitzky-Golay滤波器？还有其他可以应用的方法吗？

16 filters  smoothing 

我现在正在通过PIL（Python图像库）处理Python中的某些图像处理。我的主要目的是计算免疫组织化学图像中有色细胞的数量。我知道有关于它的相关程序，库，函数和教程，我检查了几乎所有它们。我的主要目标是尽可能地从头开始编写代码。因此，我试图避免使用许多外部库和函数。我已经编写了大部分程序。因此，这是逐步进行的操作： 程序接收图像文件： 并对红细胞进行处理（基本上，它会关闭低于某个红色阈值的RGB值）： 并创建它的布尔图，（因为它很大，将粘贴其中的一部分），它基本上将上面遇到的第二个图像中遇到红色像素的位置放1。 22222222222222222222222222222222222222222 20000000111111110000000000000000000000002 20000000111111110000000000000000000000002 20000000111111110000000000000000000000002 20000000011111100000000000000000001100002 20000000001111100000000000000000011111002 20000000000110000000000000000000011111002 20000000000000000000000000000000111111002 20000000000000000000000000000000111111102 20000000000000000000000000000001111111102 20000000000000000000000000000001111111102 20000000000000000000000000000000111111002 20000000000000000000000000000000010000002 20000000000000000000000000000000000000002 22222222222222222222222222222222222222222 我特意在2s的边界上生成了类似框架的东西，以帮助我计算该布尔映射中1s的组数。 我对你们的问题是，我怎么能有效地计算这种布尔映射中的单元数（1s组）？我发现http://en.wikipedia.org/wiki/Connected-component_labeling看起来极为相关和相似，但据我所知，它是在像素级别。我的处于布尔级别。只有1和0。 非常感谢。

16 python 

首先，我希望这是正确的Stack Exchange开发板。如果没有，我深表歉意。 我正在做一些需要校准相机的事情。我已经在OpenCV（C ++）中成功实现了执行此操作的代码。我正在使用内置的棋盘功能和已打印的棋盘。 互联网上有许多教程，其中给出了多个国际象棋棋盘视图，并从每个帧中提取角点。 是否有一组最佳视图可赋予该功能以获得最准确的相机校准？什么会影响校准的准确性？ 例如，如果我给它5张相同视图的图像而没有移动任何东西，当我尝试不扭曲网络摄像头时，它会给出一些直接的结果。 仅供参考，任何来访的人：我最近发现，使用不对称圆圈网格和相应的OpenCV函数，可以更好地校准相机。

16 image-processing  camera  opencv