信号处理

首先，我是DSP的新手，没有任何实际知识，但是我正在开发一个音频可视化程序，并且像典型的频谱可视化一样，我将FFT数组表示为竖线。 我的问题是，如果我直接映射FFT值，音频信号值变化太快而无法产生令人愉悦的视觉输出： 因此，我对这些值应用了一个简单的函数，以便“平滑”结果： // pseudo-code delta = fftValue - smoothedFftValue; smoothedFftValue += delta * 0.2; // 0.2 is arbitrary - the lower the number, the more "smoothing" 换句话说，我正在获取当前值并将其与最后一个值进行比较，然后将该增量的一部分添加到最后一个值。结果看起来像这样： 所以我的问题是： 这是一个已经存在的完善的模式或功能吗？是的，这是什么意思？我在上面使用了“平滑”功能，但是我知道这意味着DSP中的某些功能非常具体，可能不正确。除此之外，它似乎与容量包络有关，但也不完全相同。 我是否应该寻找更好的方法或进一步研究解决方案？ 感谢您的时间和歉意，如果这是一个愚蠢的问题（在这里阅读其他讨论，我知道我的知识比平均水平低很多）。

26 fft  smoothing  terminology 

在对信号进行卷积时，为什么在此过程中需要翻转脉冲响应？

26 convolution  impulse-response 

这是图像处理专家的问题。 我正在研究一个困难的计算机视觉问题。任务是计算DIC显微镜图像中的气孔（如下所示）。这些图像可以抵抗大多数表面图像处理技术，例如形态学运算和边缘检测。它也不同于其他细胞计数任务。 我正在使用OpenCV。我的计划是复查潜在的有用的气孔特征。 纹理分类器 DCT（离散余弦变换/频域分析） LBP（本地二进制模式） HOG（定向梯度直方图） 强大的特征检测器（我对此表示怀疑） 哈里斯角 SIFT，SURF，STAR等 Haar级联分类器/ Viola-Jones功能 并可能设计一个新颖的特征描述符。我暂时没有选择分类器。 我错过了什么？您将如何解决？解决类似物体检测问题的方法将非常有帮助。 示例图片在这里。 带通滤波器后： Canny边缘检测前景不佳。一些图像区域不清晰：

26 image-processing  computer-vision 

在汉明（Hamming）的著作《科学与工程的艺术》中，他讲述了以下故事： 根据他们理解的采样定理，海军研究生院的一个小组正在调制一个非常高频率的信号，直到他们可以承受的范围。但是我意识到，如果他们巧妙地对高频进行采样，那么采样行为本身就会降低（混叠）它。经过几天的争论，他们拆除了降频设备机架，其余设备运行得更好！ 与要避免的副作用相反，还有其他方法可以使用混叠作为处理信号的主要技术吗？

26 sampling  bandpass 

当基于模拟滤波器设计数字滤波器时，我们通常使用双线性变换。为了从模拟（连续）传递函数近似离散传递函数，我们用Da(z)Da(z)D_a(z)A(s)A(s)A(s) z=1+sT/21−sT/2z=1+sT/21−sT/2z = \frac{1+sT/2}{1-sT/2} 其中是采样周期。替代地，为了从离散传递函数近似连续传递函数，我们用TTTAa(s)Aa(s)A_a(s)D(z)D(z)D(z) s=2Tz−1z+1s=2Tz−1z+1s = \frac{2}{T} \frac{z-1}{z+1} 是否有执行这种转换的替代方法？有更好的近似值吗？

26 continuous-signals  discrete-signals  transfer-function 

我有一个项目，我想成像一个对象并能够将图像中特征的高度导出到亚毫米级的精度（确切的精度还有待确定，但现在可以说是百分之一毫米） 。 以前我曾被告知直接激光测距技术不适合 行程时间将太短，因此需要太多的精度才能进行精确的计算 轻微振动（例如有人走到仪器附近）会干扰结果 我观察到一种激光设备的售价约为1000美元，可以达到精度，但会遇到振动问题（很好，将设备机械隔离是另外一个讨论）。 我希望获得一个更具成本效益的结果，并考虑将立体视觉作为替代方案。作为该领域的新手，我不确定是否可以达到所需的精度。 理论上是否可以（至少）达到所需的精度？ 是否有推荐的论文或资源可以帮助您进一步解释该主题？ 附加条款 有问题的物体的范围从大约1/2“平方到大约2 1/2”平方，有时厚度很小（1/16“？）。大部分表面应该是平坦的，尽管一项测试可以是要确认该断言。功能将相当粗糙（通常是尖锐过渡）。8月17日11:00 “较难”的有趣物体之一约为20毫米见方，高1.25毫米。我估计的相关表面特征约为.1-.3mm。摄像头的位置可能在上面的6“左右。这是否可以让您更好地了解？8月17日15:15 我不是要执行单个轮廓/浮雕测量，而是要生成对象的表面高度图。物体的表面特征以及整体轮廓非常重要。

26 stereo-vision  computer-vision 

该问题是从Stack Overflow 迁移而来的，因为可以在Signal Processing Stack Exchange上回答。 迁移 8年前。 该快速傅立叶变换需要操作，而快速小波变换需要。但是，FWT具体计算什么呢？O（N ）ø（Ñ日志ñ）O(Nlog⁡N)\mathcal O(N \log N)ø（Ñ）O(N)\mathcal O(N) 尽管经常将它们进行比较，但FFT和FWT似乎是苹果和橘子。据我了解，将STFT（随时间变化的小块FFT）与复杂的Morlet WT进行比较会更合适，因为它们都是基于复杂正弦波的时频表示（如果我错了，请纠正我） ）。通常以如下图显示： （另一个例子） 左图显示STFT如何随时间推移彼此堆叠在一起的一堆FFT（此表示形式是频谱图的起点），而右图显示二进线WT，其在高频和更高频率下具有更好的时间分辨率低频下的分辨率（此表示称为比例图）。在此示例中，STFT的是垂直列数（6），并且单个 FFT运算可从样本中计算出系数的单个行。总共是8个FFT，每个6点，或时域中的48个采样。O（N log N ）N NñNNø（Ñ日志ñ）O(Nlog⁡N)\mathcal O(N \log N)ñNNñNN 我不明白的是： 单个 FWT数学运算可以计算多少个系数，它们在上面的时频图上位于什么位置？ ø（Ñ）O(N)\mathcal O(N) 一次计算可以填充哪些矩形？ 如果我们使用这两者来计算等时的时频系数块，是否可以获得相同数量的数据？ FWT是否仍比FFT效率更高？ 使用PyWavelets的具体示例： In [2]: dwt([1, 0, 0, 0, 0, 0, 0, 0], 'haar') Out[2]: (array([ 0.70710678, …

26 frequency  fft  wavelet 

如果要使用Hanning，Hamming，Blackman等窗口函数来平滑时间序列，那么偏爱任何一个窗口而不是另一个窗口有哪些考虑因素？

25 filters  window-functions 

“随机采样”到底是什么意思，它与常规的Nyquist-Shannon采样定理有很大不同吗？它与抽样随机过程有关吗？

25 sampling 

我有一个长度一定的信号，例如1000个样本。我想将此信号扩展到5000个采样，并以与原始采样率相同的速率采样（即，我想预测如果继续采样较长时间，信号将是什么）。信号由加在一起的几个正弦波分量组成。 我首先想到的方法是获取整个FFT，然后对其进行扩展，但这会在帧1001处留下非常强的不连续性。我还考虑过仅使用峰值附近的频谱部分，尽管这似乎可以在某种程度上改善信号，在我看来似乎并不能保证相位是正确的。扩展此信号的最佳方法是什么？ 这是一些MATLAB代码，展示了我想要的理想方法。当然，我不会事先知道确切有3个正弦波分量，也没有确切的相位和频率。我要确保函数是连续的，在移至501点时没有跳跃， vals = 1:50; signal = 100+5*sin(vals/3.7+.3)+3*sin(vals/1.3+.1)+2*sin(vals/34.7+.7); % This is the measured signal % Note, the real signal will have noise and not be known exactly. output_vals = 1:200; output_signal = 100+5*sin(output_vals/3.7+.3)+3*sin(output_vals/1.3+.1)+2*sin(output_vals/34.7+.7); % This is the output signal figure; plot(output_signal); hold all; plot(signal); 基本上，给定绿线，我想找到蓝线。

25 matlab  sampling 

可以使用哪些差异或其他标准来帮助决定使用重叠添加和重叠保存进行过滤？重叠添加和重叠保存都被描述为用于使用FIR滤波器内核对数据流进行基于FFT的快速卷积的算法。延迟，计算效率或缓存局部性（等等）的差异是什么？还是一样？

24 fft  filters  convolution  fast-convolution 

我有一组以以下方式分组的轮廓（线段集）： 小号一世= { 我0，我π4，我2个π4， ... ，我7个π4}小号一世={一世0，一世π4，一世2π4，…，一世7π4}S_i = \{I^0, I^\frac{\pi}{4}, I^\frac{2\pi}{4}, \ldots, I^\frac{7\pi}{4} \} 哪里 表示一个具体物体的照片序列。 小号一世小号一世S_i 表示一张图像，具有 j t h的视角（ j = 0表示正视图）。 一世Ĵ一世ĴI^jĴŤ ^ hĴŤHj^{th}j = 0Ĵ=0j=0 下面是示例（后视图）： 一世π一世πI^\pi 如何在给定的重建对象的3d结构？小号一世小号一世S_i 有人可以给我指出一些论文，甚至给我一些关键词吗？我知道有很多文章都是用点云计算的，依此类推，但是当我用线操作时，这些文章就不起作用了。

24 image-processing  computer-vision  3d 

我的问题是：在和弦声学乐器的多声道单通道录音中，哪种和弦声音数学模型可以使单个音符发生变化（即音高变化）？通过“改变和弦音频中的音符”，我的意思是使用celeony的Melodyne软件中所谓的“ 直接音符访问 ”功能来编辑声音。 根据Wikipedia的说法，Melodyne用于模拟在声学（因而复杂的音色）乐器上演奏的单线旋律的音频信号的方式类似于Henning Thielemann在他的论文中所描述的，即“ 在单音中解开相位和时间 ”。我找不到关于复音乐器的音频信号模型的任何参考资料。根据Peter Neubacker 在Youtube上的一次采访（见下文），Melodyne的用于编辑和弦音频的功能需要一种不同于Thielemann描述的方法。 从另一个YouTube剪辑中获得的一个线索是，Neubacker的模型与仅一种乐器的音频记录（即，仅钢琴，仅吉他，仅弦乐器，仅管乐等）的录音效果更好。另一个提示是另一个剪辑，它显示了不仅可以改变音符的音高，而且还可以改变音符的（开始和结束）时机。 以下是youtube视频的录音笔录，其中提到“和弦材料需要一种不同的方法”（以防您没有时间从22:00开始观看）。 问题是由哪个Melodyne引起的：如何从这样的3维形式[用手打手势]中获得声音？这样，声音就可以摆脱对连续时间的依赖了吗？这个雕塑实际上就是由此产生的……这是一块塑料……。它直接来自音乐数据。这个对象是[在琵琶上摘一个音符]这个音符。最好从左到右将其可视化。时间沿着这个方向运行（从左到右手势）。这就是振幅（用手指相对的拇指示意大和小）。如果我打开它，它表示任何给定实例的声音音色。您可以在此处非常清楚地看到某种结构（指向雕塑底部的横截面），该结构有些三角形。那是因为在这种声音中 由于Melodyne尚不存在，而我只是在尝试将声音转换为这种形状，因此我使用这种声音工作了将近一年。...我内心深处都知道这种声音。这也很好地说明了本地声音。我不仅可以播放[点击鼠标]的声音，还可以输入任意一点的声音，并根据自己的需要缓慢或快速地移动声音。我什至可以在声音中徘徊，或者向前或向后移动，所以如果我在这里检查一个地方，请绕开它。...十年前还很新。 最近添加了dna（直接注释访问）。有了它，我也可以编辑和弦音乐。换句话说，我可以单独编辑同时发声的音符，例如吉他录音。如果现在我弹一个小和弦[在屏幕上选择[Poly-> Separate Notes]，我们在这里看到我刚刚作为独立实体演奏的3个音符。让我们再听一遍[计算机演奏和弦]。现在，好像将手指移到更高的品格上一样，我可以举起这一个音符[在屏幕上拖动音符；电脑演奏大和弦]。对于分开的音频，我可以隔离此音符，现在可以随意向上或向下移动它到我想要的任何音高。 为什么以前没有人能够以这种方式隔离复杂材料中的单个音调？老实说我不知道​​。在科学中，自然趋势是从简单的事物开始，例如正弦波或单个音符，然后首先进行分析，以发现何时该材料变得更加复杂，或者必须对整个系统进行处理。不起作用。我的方法是不同的。我实际上是从复杂的信号开始的，只有当我想详细研究某些东西时，才回到简单的信号上，但是首先，我必须对现实中实际发生的事情有一个总体印象。 秘密可能就在于此吗？呵呵，这实际上是一卷。石头最初提出的问题是我如何将给定的声音转换为三维形式。在这里，我已将声音的各个采样值排列成螺旋形，在此用一，二，三等表示。事实证明，如果在点之间进行插值（沿螺旋形手势），就会出现一个景观，该景观也代表声音中的各个横截面（雕塑的手势横截面）。 卷多大了？12年。所以这个想法是Melodyne的源泉，在我们今天所看到的一切中……？是的，但是这种将声音盘绕的方式将不再用于复音材料，这需要一种不同的方法。

24 frequency 

现有的峰值检测算法是什么？我有嘈杂的数据，我想对此数据进行峰值检测。数据是相反的，实际上我正在尝试确定底部。 这是Excel中数据的快照。我喜欢同时探底。我考虑过将数据通过低通滤波器，然后做一个移动平均，确定峰值，然后在移动平均范围内进行另一次搜索。我的DSP背景为零；这只是常识方法。我想听听专家的建议。

24 filters  peak-detection 

感谢昨天在我的查询中发布评论/答案的每个人（为位置，速度，加速度实现Kalman过滤器）。我一直在研究推荐的内容，尤其是在（a）关于一维位置和速度的Wikipedia示例以及另一个考虑类似内容的网站上。 2013年4月26日更新：此处的原始问题包含一些错误，这与以下事实有关：我没有正确理解Wikipedia示例中的一维位置和速度。随着我对正在发生的事情有了更好的理解，我现在重新起草了这个问题，并更加集中了它。 我在上面的介绍性段落中提到的两个示例均假设仅是对位置进行了衡量。但是，两个示例都没有任何类型的速度计算（xķ− xk − 1）/天Ť（Xķ-Xķ-1个）/dŤ(x_k-x_{k-1})/dt。例如，Wikipedia示例将HH{\bf H}矩阵指定为，这意味着仅输入位置。以Wikipedia为例为例，卡尔曼滤波器的状态向量包含位置和速度，即X ķ X ķ ˙ X ķ高 =[10] H=[1个 0]{\bf H} = [1\ \ \ 0]XķXķ{\bf x}_kXķXķx_kX˙ķX˙ķ\dot{x}_{k} Xķ= （xķX˙ķ）Xķ=（XķX˙ķ） \begin{align*} \mathbf{x}_{k} & =\left(\begin{array}[c]{c}x_{k}\\ \dot{x}_{k}\end{array} \right) \end{align*} 假设在时间处的位置度量为。那么，如果在时间的位置和速度分别为和，并且是在时间间隔应用于的恒定加速度，从测量有可能推断出的值用于使用公式X ķ ķ - 1 X ķ - 1 ˙ X ķ - 1一ķ - 1 ķ X一ķķkX^ķX^ķ\hat{x}_kk …

24 kalman-filters