信号处理

我试图教自己更多关于使用小波变换方法进行图像压缩的知识。我的问题是：在压缩图像时使某些小波更可取的是什么？它们更容易计算吗？它们会产生更平滑的图像吗？等等... 示例：JPEG 2000使用Cohen-Daubechies-Feauveau 9/7小波...为什么要这样做？

39 image-processing  wavelet 

我了解傅里叶变换，这是一种数学运算，可让您查看给定信号的频率内容。但是现在，在我的通讯中。当然，教授介绍了希尔伯特变换。 我了解到，鉴于希尔伯特变换将FFT乘以或将时间函数与卷积，它在某种程度上与频率内容有关。−jsign(W(f))−jsign⁡(W(f))-j\operatorname{sign}(W(f))1/πt1/πt1/\pi t 希尔伯特变换的含义是什么？通过将该变换应用于给定信号，我们可以获得什么信息？

39 signal-analysis  hilbert-transform 

自适应阈值已在前面几个问题中进行了讨论： 使用Matlab进行肝分割的自适应阈值 在此示例中，用于文档图像阈值处理的最佳算法是什么？ 当然，有许多用于自适应阈值的算法。我想知道您发现哪些最有效和有用。 您最常使用哪种自适应算法以及针对哪种应用程序；您如何选择该算法？

38 image-processing  thresholding 

如果您对简单信号进行FFT绘图，例如： t = 0:0.01:1 ; N = max(size(t)); x = 1 + sin( 2*pi*t ) ; y = abs( fft( x ) ) ; stem( N*t, y ) 1Hz正弦波+ DC 以上的FFT 我知道第一个bin中的数字是信号中有“多少DC”。 y(1) %DC > 101.0000 第二个bin中的数字应该是“整个信号中有多少个1周期”： y(2) %1 cycle in the N samples > 50.6665 但这不是101！大约是50.5。 fft信号的末尾还有另一个项，大小相等： y(101) > …

36 dft 

在数字信号处理方面有哪些推荐的资源（书籍，教程，讲座等），以及如何在技术水平上开始使用它？

35 reference-request  self-study  soft-question 

我需要使用OpenCV在图像中找到正方形（在matlab或其他任何问题上都没问题，通常我期望的是一些想法）。 考虑下面的测试图像： 我需要在上面的图像中准确找到那些彩色的正方形（而不是白色的长条）。 我做了什么 ： 我应用了通用方法（OpenCV样本随附），即在所有颜色平面中找到轮廓，对其进行近似并检查元素数= 4。它在某种程度上可以检测到很少的正方形，尤其是暗的正方形。 我要做的下一步是预测。即这种安排是固定的。因此，如果获得一些，我可以预测剩余的。它还可以进一步扩展。但是准确性非常差。 但是我觉得这里的预测不是一个好方法，并且它并不总是提供第一步所给出的准确答案。 我需要的 ： 1）还有其他更好的方法可以更准确地检测这些正方形吗？还是多种方法？ 重要的一点是，时间在这里不是问题。算法可能很慢，没关系。但是准确性是主要标准。 有时，图像可能更加模糊。 我面临的主要问题之一是某些正方形的颜色与背景颜色几乎相似（请检查第3列的第一和第二个正方形）。 寻找想法，在此先感谢 更新： 以下是我得到的最大准确结果： 当然，结果图像的大小会有所调整。 更新2： 我在下面的答案中给出了更好的解决方案：https : //dsp.stackexchange.com/a/7526/818

34 python  matlab  image-processing  opencv  computer-vision 

我通过学习CT扫描熟悉Radon变换，但不熟悉Hough变换。维基百科说 对于二维的一组直线，（r，θ）平面有时称为Hough空间。这种表示使霍夫变换在概念上非常接近二维Radon变换。（可以将它们视为查看同一变换的不同方法。[5]） 在我看来，它们的输出是相同的： Wolfram Alpha：Rad Wolfram Alpha：霍夫 所以我不知道有什么区别。他们只是以不同的方式看待同一件事吗？每个不同的观点有什么好处？为什么不将它们合并为“霍夫-拉登变换”？

34 image-processing  computer-vision 

我在Android应用商店中寻找吉他调音器。我发现一个调谐器应用程序声称它比其他应用程序更快。它声称无需使用DFT就可以找到频率（我希望我仍然有该规范的URL）。 我从来没有听说过这个。您可以在不使用DFT或FFT算法的情况下获取音频信号并计算频率吗？

34 audio  fft  frequency  dft 

我试图理解卷积和互相关之间的区别。我已阅读的理解这个答案。我也了解下面的图片。 但是，就信号处理而言（一个我不太了解的领域。），给定两个信号（或者可能是一个信号和一个滤波器？），何时使用卷积，何时使用互相关，我意思是，在现实生活中进行分析时，我们会更喜欢卷积，而在何时，我们会更倾向于互相关。 似乎这两个术语有很多用处，那么，这有什么用？ *此处的互相关应g*f改为f*g

33 discrete-signals  continuous-signals  signal-detection 

我了解了许多边缘检测算法，包括Sobel，Laplacian和Canny方法之类的算法。在我看来，最受欢迎的边缘检测器是Canny边缘检测器，但是在某些情况下这不是使用的最佳算法吗？如何确定要使用哪种算法？谢谢！

33 algorithms  image-processing  edge-detection 

给定记录，我需要检测是否发生了任何剪辑。 我可以安全地得出结论：如果有一个（一个）样本达到最大样本值，就会出现削波现象，还是我应该寻找一系列后续的最大样本值？ 记录可以取自16或24位A / D转换器，并转换为范围内的浮点值。如果这种转换通过采用的划分的形式2 15 - 1或2 23 - 1，则推测负峰值可以稍微小于-1，并与值-1样品没有限幅？− 1 ... 1−1...1-1...1215− 1215−12^{15}-1223−1223−12^{23}-1 显然，人们总是可以创建一种专门打败削波检测算法的信号，但是我正在查看语音，音乐，正弦波或粉红/白色噪声的录音。

32 audio  algorithms 

随机过程是否由其自相关函数完全描述？ 如果不是，则需要哪些其他属性？

31 autocorrelation 

我正在尝试对所示图像实施各种二值化算法： 这是代码： clc; clear; x=imread('n2.jpg'); %load original image ％现在我们调整图像的大小，以便以后的计算工作变得更容易。 size(x); x=imresize(x,[500 800]); figure; imshow(x); title('original image'); z=rgb2hsv(x); %extract the value part of hsv plane v=z(:,:,3); v=imadjust(v); 现在，我们找到了niblack和％sauvola算法所需的均值和标准差 m = mean(v(:)) s=std(v(:)) k=-.4; value=m+ k*s; temp=v; ％实现niblack阈值算法： for p=1:1:500 for q=1:1:800 pixel=temp(p,q); if(pixel>value) temp(p,q)=1; else temp(p,q)=0; end end end figure; imshow(temp); …

31 image-processing  matlab 

我有一个关于匹配过滤的问题。匹配滤波器仅在决策时才使SNR最大化吗？据我了解，如果您将NRZ通过匹配滤波器放置，则SNR将仅在决策点处最大化，这就是匹配滤波器的优势。它会在输出函数的其他位置还是在决策点最大化SNR？ 根据维基百科 匹配滤波器是用于在存在附加随机噪声的情况下最大化信噪比（SNR）的最佳线性滤波器 对我而言，这意味着它可以在任何地方使它最大化，但是我不知道这是怎么可能的。我已经看过我的通信工程教科书中的数学，并且据我所知，这只是决策点。 我的另一个问题是，为什么不做一个过滤器，使决策点真的很瘦。那不是会使SNR更好吗？ 谢谢。 编辑：我想我也在想什么，比如说您有一些NRZ数据，并且使用了匹配的过滤器，则可以通过I＆D（集成和转储）实现匹配的过滤器。I＆D基本上会逐渐增加，直到达到采样时间为止，其想法是在I＆D的峰值处进行一次采样，因为在那一点上，SNR最大。我不明白的是，为什么不创建一个对其进行两次积分的滤波器，那样，您将获得平方增加（而不是斜坡），并且采样点会更高从我的判断中，更有可能由决策电路正确解释（并给出较低的Pe（错误概率））？

31 filters  digital-communications  matched-filter 

对于实时应用，找到信号平均值和标准偏差的理想方法是什么。我希望能够在信号在一定时间内偏离平均值超过3个标准偏差时触发控制器。 我假设专用DSP可以很容易地做到这一点，但是是否有可能不需要那么复杂的“捷径”？

31 statistics  real-time  measurement