信号处理

我试图在CT重建体积中自动检测一些医学定义的解剖标志。医生使用这些界标来测量某些患者特定参数。我试图使用SIFT特征描述符，因为这些解剖标志是“关键点”。由于地标是通常不是SIFT定义的“兴趣点”的点（或微小区域），因此效果不是很好。我一直在寻找许多模式/模板匹配算法，但是，当我没有旋转/平移/缩放问题时，我发现提取的特征不能将每个界标的区别都足够大（与其余界标以及与非界标的其余部分区别开）地标补丁）以训练性能足够好的分类器（至少80％的检测精度）。 如果我没有足够清楚地说明问题，请告诉我。 我真的很感谢任何建议。 谢谢！ 示例图片： 我想要检测的地标上有小x叉和小方块（我忘了提到我有训练集，带有标记的地标）。白线代表已采取的措施。这些是不同情况的一些片段（当然，我无法发布完整的3D卷）。

10 image-processing  3d  template-matching 

我最近偶然发现A. Megretski在MIT上有关“多变量控制系统”课程的一些笔记中有关“水床效应”的一些笔记。摘录： 通常会与开环设备的不稳定零点和极点相关联的常见效应，使得理论上不可能在所有频率上同时使某些闭环传递函数“小”：如果在一部分频谱中频率响应的幅度减小了，其他部分可能会变得更大。这种效应有时称为水床效应，可以用施加在闭环传递函数上的积分不等式进行数学解释。在这种结果的基础上，是所有可能的闭环响应的仿射特性，以及解析函数的柯西积分关系。 我想我以前从未听说过。有人可以更实际地解释这种影响吗？在实践中我何时可能会遇到这种影响？

10 feedback  control-systems 

我想知道什么样的技术可以用来“ 消噪 ”以下使用Welch方法创建的示例时频图像。下图是从机器人传感器创建的。（这不是彩色图像-它是灰度图像-添加的颜色仅用于视觉目的）。 目标： 我的目标是最终估计存在这种脉冲时在此处看到的脉冲间隔。这可能有点像鸡和鸡蛋，所以为此，我问自己：“是否存在这种重复率+/- 10％的脉冲？”，然后继续进行检测。您在这里看到的是信号（脉冲），但还有其他不需要的干扰。然而，正如埃姆雷（Emre）所建议的那样，它们具有结构，尽管在时空空间中也是如此。是否存在这样的时频滤波器？ 我非常希望看到此处应用了图像处理解决方案，但欢迎任何解决方案。 因此：目的是去除可见的所有高强度信号，除了重复脉冲（在y轴的索引300附近）。所有其他高强度信号都可以视为“干扰”。 您可能做出的假设： 您可能假设您大致知道在这里看到的脉冲长度。（让我们说，在+/- 10％以内）。换句话说，您已决定寻找这种长度的脉冲。（+/-） 您可能假设您也大致了解了脉冲的重复率（再次，让我们说+/- 10％）。 不幸的是，您不知道它们的频率。也就是说，在此图像中，脉冲为300，但是它们很容易达到100、50、489。但是，好消息是，此处显示的那些频率彼此非常接近，大约为10赫兹。 我的一些想法： 图像处理POV： 我进行了形态学操作，但是我对那些操作员不太熟悉，不知道它们是否可行。我想这个想法可能是“关闭”并因此去除“更大”的污渍？ 行扫描DFT操作可能会根据感兴趣的行具有最高的重复模式来指示要清空的行，但是，如果脉冲很少且相距较远，或者如果图像噪声较大，则可能不是可行的解决方案。 仅通过查看图像，您几乎就想“奖励”隔离和“惩罚”连通性。是否存在可以完成此类操作的图像处理方法？（再次是形态上的）。 哪些方法可以帮助您？ 信号处理POV： 此处显示的频率范围已经非常狭窄，因此我不确定陷波滤波操作是否会有所帮助。此外，在这个狭窄范围内显示的脉冲的确切频率是先验的。 通过对此处感兴趣的脉冲进行有根据的猜测，（它们的长度和重复时间）也许可以计算出我的“模板” 的二维DFT，并将其用作二维倒谱时间滤波器，我只需将上面显示的Welch图像乘以，然后执行反二维DFT？ OTOH也许Gabor过滤器在这里会是一个很好的选择吗？毕竟，它们是方向敏感的过滤器，类似于我们自己的内置V1视觉处理器。在这里如何利用它们？ 哪些方法可以在此领域提供帮助？ 提前致谢。

10 image-processing  filters  frequency-spectrum  morphological-operations 

我了解（主要是）独立成分分析（ICA）如何处理来自一个总体的一组信号，但是如果我的观察值（X矩阵）包含来自两个不同总体（具有不同均值）的信号，并且我我想知道这是否是ICA的固有限制，或者我是否可以解决这个问题。我的信号不同于正在分析的常见类型，因为我的源矢量非常短（例如3个值长），但是我有很多（例如1000个）观察值。具体来说，我正在测量3种颜色的荧光，其中宽泛的荧光信号会“溢出”到其他检测器中。我有3个检测器，并在粒子上使用3个不同的荧光团。可以将其视为分辨率很差的光谱。任何荧光粒子可以具有任意数量的3种不同的荧光团。但是，我有一组混合的粒子，这些粒子倾向于具有截然不同的荧光团浓度。例如，一组通常可能具有大量的荧光团＃1和少量的荧光团＃2，而另一组通常具有＃1的少量和大量的＃2。 基本上，我想对溢出效应进行反卷积，以估计每个粒子上每种荧光团的实际量，而不是将来自一种荧光团的信号的一部分加到另一种荧光团的信号上。对于ICA来说似乎是有可能的，但是在某些重大失败之后（矩阵变换似乎优先考虑了分离总体而不是旋转以优化信号独立性），我想知道ICA是否不是正确的解决方案，或者我是否需要以其他方式预处理我的数据以解决此问题。 这些图显示了用于证明问题的我的综合数据。从由两个人口组成的“真实”来源（面板A）开始，我创建了“真实”混合（A）矩阵并计算了观察（X）矩阵（面板B）。FastICA估计S矩阵（显示在C面板中），而不是找到我的真实来源，在我看来，它旋转数据以使两个总体之间的协方差最小。 寻找任何建议或见解。

10 ica 

我在掌握多速率过滤的一些基本概念时遇到了麻烦。我从各种来源看到，多速率滤波器的基本构建块是二元分析和综合块。 问题1： 分析块结构如下所示，其中宽带信号分为低通和高通频带，每个频带的截止频率均为FS / 4（Nyquist / 2）。然后，将每个频带抽取2倍。 当它包含高于新抽取采样率的奈奎斯特极限的频率信息时，如何准确地在高频带中表示信号？ 问题2： 分析块的结构如下所示，其中对子带信号进行插值，重新滤波然后求和。 第二次过滤的目的是什么？

10 filter-bank 

因此，我试图确定是否打算将余弦部分插入或严格将其作为。（数字a位于打开的单元盘中）zzzh[n]h[n]h[n] 我的意思是我很确定这都是一部分，但是执行z变换后，我得到了这个有理函数h[n]h[n]h[n] 1−acos(2πf0Fs)z−11−2acos(2πf0Fs)z−1+a2z−21−acos⁡(2πf0Fs)z−11−2acos⁡(2πf0Fs)z−1+a2z−2\frac{1 - a\cos(2\pi\frac{f_0}{F_s})z^{-1}}{1-2a\cos(2\pi\frac{f_0}{F_s})z^{-1} + a^2z^{-2}} 然后，我应该评估零点和零点，如果您只是忽略余弦部分，则会得到这个非常好的有理表达式，该因式分解并简化为。 zz−azz−a\displaystyle\frac{z}{z-a} 因此，这让我开始想，也许我没有正确理解事物，并且应该将余弦部分插入或其他东西。谁能为我澄清一下？zzz

10 z-transform 

我正在使用RANSAC算法在相机之间拍摄的成对图像之间进行单应性估计，这些相机之间没有任何平移（纯旋转和缩放比例/缩放）。在一半的情况下，它运作良好。正确的输出如下所示： 红线是经过过滤的对应关系，四边形表示单应性如何扭曲透视图。 但是，有时会发生许多不良情况，例如： 我已经在RANSAC循环中进行了简单的测试。它制作一个简单的四边形（单位平方），并使用样本变换对其进行变换。然后看变换是否保持其凸性。 但是，仍然会出现一堆凹入的四边形。 您是否知道如何正确测试单应性（如果其表现得“很好”）并滤除错误的解决方案？ 我找到了一些代码，他们在其中测试了三个变换点均不是共线的。但这似乎还不够，因为它不会过滤出三角肌和其他“无效”的四边形...

10 homography  estimation  transform 

我有一台经过校准的相机，并且具有固有参数。我还具有相对于现实世界中平面上的点（世界原点）的外部参数。我已将这一点设置为法线为[0,0,1]的真实世界坐标[0,0,0]中的原点。 通过这些外部参数，我可以在此处使用以下方法计算出相机在世界平面3d坐标中的位置和旋转：http : //en.wikipedia.org/wiki/Camera_resectioning 现在我有第二点，我已经提取了[x，y]的图像坐标。现在如何获得该点在世界坐标系中的3d位置？ 我认为这里的直觉是我必须追踪从相机光学中心（如上所述，我现在具有3D位置）的光线穿过相机的像平面[x，y]，然后再追踪通过我在顶部定义的现实世界飞机。 现在，我可以将世界坐标3d射线与已知的法线相交并指向该平面。我没有得到的是我如何找出3d位置和方向通过像素离开图像平面时的情况。通过不同坐标系进行的转换使我感到困惑。

10 computer-vision  3d  camera 

我很难理解在利用Y'UV图像中的色度二次采样时如何计算数据速率： 我有以下示例进行计算： 图像分辨率：352*288 频率：25 fps 对于（4：4：4），示例计算如下： (352px * 288px) * 3 color channels * 25 fps * 8 bit = 60 825 600 bit/s 到目前为止，一切都很好。 但是现在来了（4：2：0）： (352px*288px) * 1.5 color channels * 25 * 8 = 30 412 800 bit/s 现在，尝试将此示例转换为例如（4：1：1），我意识到我不确定自己是否正确理解如何计算1.5个颜色通道的比率。 我对计算的第一个猜测是在（4：2：0）的情况下： 2/4*3=1.5 color channels 同样，对于（4：1：1），我将计算颜色通道的比率为： 1/4*3=0.75 color channels 但是我根本不确定这是否是正确的方法。 …

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 

我已经开始尝试使用c ++和opencv，因为我想学习图像处理。 现在，我的第一个练习是使用calcHist和calcBackProject创建皮肤检测器。 但是我不明白几件事： 后台项目的统计解释，以及为什么将其命名为“后台项目” 我对什么是range参数有很好的理解calcBackProject。但是我真的很迷恋calcHist函数中的range参数。 为了获得更高的检测精度，我认为在更多级别上使用反向注入可能是一件好事：在hsv的每个通道的rgb ans的每个通道中。但是我不知道如何结合calcBackProjectrgb和hsv的单独通道的不同结果。 而且我认为我的理解力不佳是由于我对这两种方法所做的理论缺乏（见第一点）引起的。所以请用简单的英语解释一下。

10 image-processing  opencv  histogram 

最后两个问题涉及Canny边缘检测器 Canny边缘检测器的局限性是什么？ 和 分割叶中的静脉的最佳方法？ 该算法的基本概述如下： 一个。应用高斯卷积。（在此处选择） b。应用2D导数 c。跟踪此边缘的脊线并使用滞后性较低和较高的T0和T1（此处将选择和）进行阈值处理（将不在边缘的像素设置为零）。 σσ\sigmaŤ0T0T0Ť1个Ť1个T1 阅读本文以获得更多背景信息。 同时，据称Canny是最优的；当获得实际结果很重要时，和上面列出的调整因子确实有很大的不同。σ，Ť0 ，σ，Ť0，\sigma, T0,Ť1个Ť1个T1 那么，如何实际选择这些（调整）参数呢？即使没有确定的方法或价值，了解这一点的一般技巧是什么？

10 image-processing  edge-detection  canny-edge-detector 

我正在处理大脑的MRI图像，这些图像的某些区域用手或标记。 我正在尝试提出一个插值函数，该函数将让我描述这些曲线，以便可以使用机器学习技术在未标记的图像（例如和）上自动生成此类标记。 我已经考虑过使用三次样条插值法对曲线进行逼近，但是据我所知，我必须将曲线拆分为多个部分才能进行插值。 我是在正确的轨道上吗，还是有其他（更好的）方法来做到这一点？

10 image-processing  interpolation 

我有这个极度扭曲和弄脏的图像 是否可以去除这种污渍？图像修复可以帮助吗？ 请帮忙 编辑：另一张图片 应用各向异性扩散并用imagec表示图像后（MATLAB） 我尝试了粉刷，但是效果不够好 无论如何，我可以改善此输出吗？

10 image-processing  matlab  image 

我正在研究各向异性扩散以及Perona和Malik提出的两个系数。 我想知道在图像处理中扩散的用途是什么？为什么各向异性扩散很重要，通常在哪个领域使用？

10 image-processing  anisotropic-diffusion 

给定一个模板和一个信号，就会出现一个问题，即信号与模板的相似程度。 传统上，使用简单的相关方法，其中模板和信号是互相关的，然后将整个结果通过两个范数的乘积进行归一化。这提供了互相关函数，其范围可以从-1到1，并且相似度作为其中的峰的分数给出。 与取该峰的值并除以互相关函数的均值或平均值相比，这有何不同？ 我在这里测量的是什么？ 所附的图表是我的示例。 为了最好地衡量它们的相似性，我想知道是否应该看一下： 只是此处所示的归一化互相关的峰值？ 取峰值，但除以互相关图的平均值？ 如您所见，我的模板将是具有一定占空比的周期性方波-那么我是否也应该以某种方式利用我们在此处看到的另外两个峰？ 在这种情况下，怎样才能最好地衡量相似性？ 谢谢！ 编辑Dilip： 我绘制了互相关平方与不成平方的互相关，它确实比其他峰确实“锐化”了主峰，但是我对于应该使用哪种计算来确定相似性感到困惑... 我想找出的是： 可以/应该在相似度计算中使用其他次要峰吗？ 现在，我们有一个平方的互相关图，它肯定会锐化主峰，但是这对确定最终相似度有何帮助？ 再次感谢。 编辑Dilip： 较小的峰实际上对相似度计算没有帮助。这是最重要的高峰。但是较小的峰值确实支持了这样的推测，即信号是模板的噪声版本。” 感谢Dilip，我对该声明感到有些困惑-如果较小的峰实际上确实提供了信号是模板的嘈杂版本的支持，那么这是否也有助于度量相似度？ 我感到困惑的是，是否应该仅使用归一化互相关函数的峰值作为我的相似性的最终度量，而不必关心其余互相关函数的功能/外观，或者我是否还应该考虑交叉心电的峰值和some_other_metric。 如果只有峰很重要，那么对函数求平方有什么用/为什么有帮助，因为它只是将主峰相对于较小的峰放大了？（更抗噪吗？） 长短：我应该只将互相关函数的峰值作为最终的相似性度量，还是应该将整个互相关图也考虑在内？（因此，我想到了查看其均值的想法）。 再次感谢， PS在这种情况下，时间延迟不是问题，因为此应用程序“无关紧要”。PPS我无法控制模板。

10 discrete-signals  cross-correlation  waveform-similarity