信号处理

我目前正在研究DSP和FFT，对此我还很陌生，并且在Arduino和业余项目中从事电子行业已有很长时间了。最近，我正在做一个项目，目标是在您的日常通勤路线上绘制坑洼，以测量道路的不平整度。这不是道路轮廓，而是驾驶员在旅途中感觉到的行驶不平顺度。为了简化起见，我安装了一个加速度来测量汽车的Z轴“垂直”加速度，当遇到坑洼时，震动和弹簧会减小四分之一汽车模型的力。 基本上，我希望能够创建一个检测器，该检测器将通过使用FFT查找垂直加速度的主要频率来检测坑洼，然后我可以将其与模式匹配以检测轿厢门或人孔盖的撞击将来可能会从坑洼中爬出来。 我不确定是否可以使用FFT，我对任何输入或建议和想法是否会受到赞赏，我已经制作了一个低通滤波器，以滤除来自传动系统和发动机的高频振动。 车内乘客/驾驶员对承受的“粗糙度”有何想法？我当时想在平坦的道路，碎石路，砖墙，恶劣的道路上进行路测，并提出垂直加速度大小的阈值，并以某种方式对所谓的“粗糙”进行缩放 检测到的坑洼也将通过GPS记录它们的位置，我正在尝试为此使用Rasberry Pi，并将其数据存储和速度作为一个很好的项目。 谢谢任何帮助或想法，书籍，教程，智慧等 更新： 在此携带其他数据： /electronics/56238/accelerometer-data-smoothing-filtering-pothole-detection

9 fft 

我对比例尺的理解是，对于特定的行，显示了输入信号在特定位移处的小波投影的得分。对于行，同样的情况适用，但对于小波的扩张版本。我认为可以为所有类型的小波变换定义比例图，即： 连续小波变换 离散小波变换 冗余小波变换 但是，经过进一步研究，似乎只能为CWT定义比例尺。基于此，我有多个相互关联的问题，而Google不足以使用ATM。 问题： 是否为DWT或RWT定义了比例尺，这是真的吗？如果是这样，为什么不呢？ 假设使用DWT ，长度信号具有10级分解。如果将所有级别绘制为一幅图像（即图像），则该图像称为什么？ññN10 x N10Xñ10xN 作为DWT“比例尺”的示例，以下是AWGN的示例： 关于同一信号，假设我们绘制所有电平信号的近似MRA。（同样也是）图像。该图像用适当的术语称为什么？例如，在这里，我显示了AWGN的近似MRA和详细MRA。（很明显，它们与DWT的“比例图”不同）。10 x N10Xñ10xN 谢谢！

9 discrete-signals  frequency-spectrum  wavelet  terminology  scale-space 

我正在尝试尽可能准确地分析音乐。我当然尝试了FFT，但遇到了一些问题。 我发现低频比人类的听力分辨率低。我尝试了很长时间的FFT来解决此问题，但是即使以44100Hz采样率（意味着缺乏时间分辨率）以8192个采样/秒进行分析，我在低频上也没有足够的分辨率。 我发现解决方案很少。 首先，对FFT仓进行二次插值。 但这似乎不是一个完美的方法。这种方法的问题是： 1.“如果我想确定频率仓之间的频率，我应该选择哪三个仓进行插值？” 2.“即使我这样做，也没有关于结果的实际附加信息。我知道插值是一种棘手的方法。 其次，以所需的频率提取每个频率仓，因此我可以对数提取仓。 但是存在一个关键的计算成本问题：（可能超过）N ^ 2。 第三，对数傅立叶变换（LFT）。 这需要对数间隔的样本，并以令人难以置信的快速速度为我提供了我想要的结果。/programming/1120422/is-there-an-fft-that-uses-a-logarithmic-division-of-frequency 但是我不知道该算法。我试图理解并实施该论文，但由于缺乏英语和数学技能，因此无法实现。 因此，我需要实施LFT的帮助。

9 audio  fft 

我正在尝试解密隐藏在非常嘈杂的音频文件（.wav）中的消息（我认为这是白噪声和额外的低无人机）。该消息是一个六位数的数字。我没有关于噪音的更多细节。 我尝试使用低通滤波器，以期消除大多数较高的频率将使我能够听到这些数字，但是，我似乎也无法摆脱足够多的低架无人机，从而听不到声音。我的尝试如下（freq_space_low_pass_filter在最后包含所使用的函数）： [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, Freq3db); y_filtered=ifft(spectrum_filtered); y_filtered=real(y_filtered); wavwrite(y_filtered/(0.1+max(y_filtered)), SampleRate, NbitsPerSample, 'noisy_msg6_filtered.wav'); %%%%%%%%down sampling%%%%%%%% …

9 matlab  noise  lowpass-filter  voice 

他们从深空通信中获得什么样的误码率（Pioneer，Voyager等），什么样的调制和FEC使他们能够以接收信号功率的微观水平恢复消息？ 对于相似的信道条件，是否有更现代的调制方法和编码方案？

9 modulation  forward-error-correction 

我正在尝试找到正弦波的零交叉点，以将正弦波转换为方波。唯一的问题是正弦波很嘈杂，所以我会遇到很多抖动和错误的零交叉。 谁能推荐任何简单的伪代码或相关材料？到目前为止，我有这样的事情： if (sample[i]>0 && sample[i+1]<0) || (sample[i]<0 && sample[i+1]>0) 谁能推荐一种更强大的方法？

9 noise 

我最近开始使用图像矩来对二进制图像进行图像处理。我读到，为了轮廓矩是周长和为了面积矩是区域。这些原始时刻都由以下公式给出： 0 吨ħ0Ť ^ h0th0^{th}0Ť ^ h0th0^{th} 中号我Ĵ= ∑X∑ÿX一世ÿĴMij=∑x∑yxiyjM_{ij} = \sum_{x}\sum_{y}x^iy^j。 这意味着，如果我有这样的图像（但是二进制的前景像素以蓝色显示），则时刻将对应于周长，因为它是轮廓的图像：0Ť ^ h0th0^{th} 另一方面，如果我有一个这样的图像（前景显示为while），我将获得对象的区域为时刻：0Ť ^ h0th0^{th} 由于我想使用轮廓获得更多属性，因此我还计算了更高阶（，，阶）原始轮廓矩。我想用这些来获得关键时刻。 2 n d 3 r d1个小号Ť1st1^{st}2ñ d2nd2^{nd}3[R d3rd3^{rd} 我用来获取关键时刻的公式是： μ00= M00μ00=M00\mu_{00} = M_{00} μ01=0μ01=0\mu_{01} = 0 μ10=0μ10=0\mu_{10} = 0 μ11=M11M00−xc∗yc=M11M00−(M10M00)∗(M01M00)μ11=M11M00−xc∗yc=M11M00−(M10M00)∗(M01M00)\mu_{11} = \frac{M_{11}}{M_{00}} - x_c*y_c = \frac{M_{11}}{M_{00}} - (\frac{M_{10}}{M_{00}})*(\frac{M_{01}}{M_{00}}) 计算公式中心矩使用原始的时刻。我的问题是：哪些原始矩用于计算中心矩，面积或轮廓？。我的猜测是面积矩，因为阶中心矩也等于面积，实际上就是阶面积矩。 0 吨ħ0th0th0^{th}0th0th0^{th} 另外，我可以基于轮廓原始弯矩来计算中心弯矩吗？

9 image-processing 

我有一个数字信号处理系统，该系统在使用双精度浮点数的快速x86机器上运行。我发现我并没有真正使用浮点表示法的巨大动态范围-所有数量都很容易在±32768的范围内适应。 我的问题是：切换到定点计算是否有可能在数值精度（高优先级）或计算时间（低优先级）方面带来好处？ 当然，答案取决于定点计算可使用多少位。典型的定点系统使用多少精度？是否可以在x86-64上用64位（16位整数部分，48位小数部分）有效地进行定点计算？ 我一直认为定点计算仅在CPU能力有限的情况下使用-在不考虑CPU能力的情况下使用定点计算有意义吗？

9 fixed-point 

控制泄漏积分器的方程式（至少根据维基百科）为 dOdt+AO(t)=I(t)dOdt+AO(t)=I(t)\frac{d\mathcal{O}}{dt} + A\mathcal{O}(t) = \mathcal{I}(t)。 连续时间泄漏积分器是否与具有时间常数的低通滤波器AAA（直到输入的一定比例）相同？

9 filters 

我最近刚开始使用图像处理，并在研究生院学习了与之相关的课程。但是我已经有一个项目要做，没有太多有关该主题的信息，但是我取得了一些稳定的进展。我正在尝试从各自的背景细分药丸。对于具有对比背景的图像，我已经能够使用Otsu的方法对药丸进行细分。对于具有相似背景的图像，大津的方法不太奏效。我已经阅读了很多有关分割的论文，但是我阅读的大多数论文都根据图像类型使用了手动阈值。是否有可能检测到正确的阈值并自动对图像进行阈值处理，并使用诸如种子生长或聚类的技术对图像进行分割？ 我一直在使用的色彩空间是L a b *，因此，如果您能推荐我也应该使用的适当色彩空间，我将不胜感激。 有问题的图像： 原件1 结果1 原版2 结果2 原3 结果3

9 image-segmentation  thresholding 

在这个问题上，我想重点介绍CT扫描的强度值。首先，请看下面的图片： 上面的图像是原始图像，下面的图像是阈值版本。为了测量任何形状的体积，从理论上讲，仅计算图像中体素的数量是可能的。但是，物体的最外层（例如结节）显示出较暗的强度，而物体内部的所有体素都具有很高的强度。如果仅计算阈值版本中的体素，则极有可能获得大于肺结节实际体积的结果体积。 我还看到有诸如窗口中心（水平）和窗口宽度之类的变量，可用于调整DICOM图像的强度信息。不同的强度可以改变结果量。 所以这是一个问题：如果我要测量任何给定的肺结节，我应该怎么做才能获得最佳的精度？什么时候应该忽略强度较低的体素？还是我必须以其他方式做到这一点？

9 image-processing  3d  computer-vision 

我已经实现了基于Harris角的特征检测器。在大多数情况下，它都能正常工作，但是在某些情况下，它的性能会很差。我需要使其在许多不同的图像上工作而不需要单独配置它。 问题出在检测器阈值上。如果设置得太低，检测器会发射太多次，从而导致大量功能。如果设置得太高，则功能太少。 我已经通过ANMS（自适应非最大抑制）解决了部分问题，以减少特征数量，然后再为它们分配描述符向量。 但是，像这样的图像是一个问题： 它们的对比度低，我不能“负担”所有图像的阈值。这将使检测器在这些图像上起作用，但是其他图像将包含成千上万的特征，而使用ANMS进行过滤将很慢，并且会损害整体性能。 我当时正在考虑在特征检测之前调整图像。直方图均衡也许可以胜任。这可能是有效的操作，因为全局对比度的改变对特征描述符没有影响（它们不变地改变亮度和对比度）。 也许使用自适应阈值或一些启发式方法会更好。 还有其他建议吗？

9 image-processing  local-features 

我正在使用Python进行一个项目，以检测和分类一些鸟类歌曲，但发现自己处于将波形文件转换为频率与时间数据的位置。这并不是一个太大的问题，但是为了能够将不同的音节分为几类，我需要编写一些东西来检测何时数据集群为某种形状。为了让您大致了解数据的外观，以下是数据绘制时的图像： 我需要一些方法来获取每个单独的音节（每个形状的两侧都有分隔符）并将其保存到变量或自己的文件中，以便我可以使用SciPy在它们之间运行Pearson相关性。 另外，我更喜欢Python，但是如果您有其他方法可以使用其他语言进行编码，则可以开放。 谢谢！

9 audio  python  wave  classification 

我有一个信号，我以500khz采样。我正在尝试检测传入数据中的上升，下降和峰值。峰值的基数可能为250 usc或2.5毫秒，幅度可能比本底噪声高6db或15db。不幸的是，我的snr不好。信号的直流电平不是恒定的，但移动速度比交流分量慢得多。 在决策点，我需要知道上升和下降的斜率。这是一个艰苦的实时系统，在下降斜率达到直流电平后，我真的需要在100usec中做出决定。 我正在寻找有关如何有效实现合适算法的建议。 目前，我进行移动平均（过去25个数据点加在一起）并尝试检测趋势。一旦发现上升趋势，便开始寻找下降趋势，一旦发现下降趋势，便可能再收集50个样本并开始计算。 现在，噪声很容易使该算法陷入困境，因此成为问题。 更新 为了他人的利益，我最终实现了移动平均线，之后是积分器。过去64个数据的移动平均线已经足够平滑，但是没有上升到一定程度，对最后8个值进行积分可以使上升回升，我只是在寻找上升和下降，后来我对斜率进行了线性回归。可以，不是很好，但是还可以。

9 peak-detection 

假设复Z平面中一些未知但极小数量的极点和零点都带有复共轭，产生一些响应。严格根据单位圆周围一组等距点的绝对值，例如该响应的极点和零点数大于2倍，可以估计或计算产生采样幅度的极点和零点数响应？ 补充：确定极点和零点的数量是否需要超过2倍的采样点？（当总数小于X时）。 补充：如果有多个解，是否可以找到或估计最小解（如总极点和零的最小数目）？

9 filters  estimation  z-transform