Questions tagged «convolution»

如果我们对2个信号进行卷积，则会得到第三个信号。第三信号相对于输入信号代表什么？

49 convolution 

我在多个站点上发现卷积和互相关是相似的（包括卷积的标记Wiki），但是在任何地方都找不到它们有何不同。 两者有什么区别？您能说自相关也是一种卷积吗？

47 convolution  autocorrelation  cross-correlation 

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 

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 

该移位定理说： 将与线性相位乘以某个整数m对应于输出的循环移位：被替换，其中下标被解释取N模（即周期性）。ë 2 π 我XñXñx_n XkXkXk−mË2个π一世ññ 米Ë2π一世ññ米e^{\frac{2\pi i}{N}n m}XķXķX_kXķXķX_kXķ - 米Xķ-米X_{k-m} 好的，这很好： plot a N = 9 k = [0, 1, 2, 3, 4, 5, 6, 7, 8] plot ifft(fft(a)*exp(-1j*2*pi*3*k/N)) 如我所料，它移动了3个样本。 我以为您也可以这样做来移动样本的几分之一，但是当我尝试时，我的信号变得虚构了，根本不像原始信号： plot real(ifft(fft(a)*exp(-1j*2*pi*3.5*k/N))) plot imag(ifft(fft(a)*exp(-1j*2*pi*3.5*k/N))), 'b--' 我完全没想到这一点。这是否不等于与已经被3.5个样本偏移的真实冲积进行卷积？因此，冲动应该仍然是真实的，而结果应该仍然是真实的？并且它应该具有与原始形状大致相同的形状，但是正弦插值吗？

22 fourier-transform  convolution  phase  frequency-domain 

您能否清楚地说明图像上的滤镜完成的相关和卷积之间的区别是什么？ 我的意思是根据信号处理定义，我知道卷积描述了LTI系统的输出，也就是说，如果LTI系统由于与输入系统的卷积而产生输出，那么输出信号可以描述为LTI系统的卷积结果。输入信号和LTI系统的脉冲响应。至于相关性，它描述了信号之间的相似性。但是，卷积和相关性对图像有何影响？它们在影响方面有何不同？ 谢谢

18 image-processing  convolution  image  correlation 

我试图了解使用带卷积滤波器内核的“第一原理”设计的FIR滤波器与使用FFT的两种方式之一设计的滤波器之间的关系（请参见下文）。 据我了解，FIR滤波器的脉冲响应与滤波器的卷积内核是一样的。（如果我错了纠正我。） 另外，据我所知，FIR滤波器的脉冲响应的成分频率（即傅立叶变换）与滤波器的频率响应相同。因此，傅立叶逆变换将使我获得脉冲响应。（同样，如果我做错了，请纠正我）。 这使我得出两个结论（忽略相位响应或假设线性相位响应）： 通过“绘制”所需的频率响应，采用IFFT来获得脉冲响应，并将其用作卷积内核，我应该能够设计出具有任意频率响应的FIR滤波器。 或者，我应该能够通过对输入信号进行FFT，在频域中乘以所需的任意频率响应，并对结果进行IFFT来生成输出信号，从而创建一个滤波器。 直觉上，感觉1和2是等效的，但是我不确定是否可以证明这一点。 似乎人们（和DSP文献）都竭尽全力设计具有预定义响应的FIR内核，使用诸如Chebyshev或Remez这样的复杂（对我而言）算法（我抛出了一些我已经读过的名字，但并没有真正理解它们） 。 当对于每个可能的FIR内核都存在FFT / IFFT变换时，为什么要采用这些长度？ 为什么不简单地绘制所需的确切频率响应，进行IFFT，然后得到FIR内核（上面的方法1）？

15 fft  filters  discrete-signals  convolution 

我在数字图像恢复领域工作。我已经阅读了有关卷积的所有内容，对于LTI系统，如果我们知道它的冲激响应，那么我们只需使用输入和冲激响应之间的卷积就可以找到其输出。 谁能告诉我它背后的主要数学哲学是什么？您的经验不仅可以让我在网上冲浪，还可以告诉我更多的信息。

15 image-processing  discrete-signals  convolution 

我有两个空间数据向量（每个长度约2000个元素）。一个是另一种的卷积版本。我试图确定将产生这种卷积的内核。我知道我可以通过找到输出和输入矢量的傅立叶变换的比率的傅立叶逆变换来做到这一点。确实，当我这样做时，我或多或少得到了我期望的形状。但是，当实际上卷积仅使用大约五分之一（约300-400）的点时，我的核向量与两个输入向量具有相同的维数。我得到的形状正确但点数错误，这一事实使我认为我没有正确地使用ifft和fft函数。好像我真的在做正确的事情，这应该自然而然地发生。此刻我只是在做； FTInput = fft(in); FtOutput = fft(out); kernel = ifft(FtOutput./FTInput). 这是正确的吗？要由我来正确解释输出向量，还是我简化了任务？我敢肯定是后者，我只是不确定在哪里。

12 matlab  convolution 

我已经将一个随机信号与a高斯进行卷积，并添加了噪声（在这种情况下为Poisson噪声）以生成一个噪声信号。现在，我想对这个噪声信号进行反卷积，以使用相同的高斯信号提取原始信号。 问题是我需要执行一维反卷积的代码。（我已经在2D中找到了一些，但我的主要目标是1D）。 您能否建议我一些能够做到的软件包或程序？（最好在MATLAB中） 先谢谢您的帮助。

12 matlab  convolution  continuous-signals  deconvolution  1d 

我尝试应用具有特定比例的Gabor滤波器（根据我的lambda和sigma的值，所以它是（7x7）并针对4个方向（0，，ππ4π4\frac{\pi}{4}和3ππ2π2\frac{\pi}{2}）输入灰度图像。3π43π4\frac{3\pi}{4} 在我的代码中，实现了三个步骤： 创建Gabor过滤器 读取RGB图像，然后将其转换为灰度，最后转换为两倍。 将创建的gabor应用于输入图像（在这里，我不确定我的代码是否正确，这就是为什么我需要您的意见） 1）--------------创建Gabor滤镜（大小= 7x7和4个方向） %define the five parameters theta=....; %either 0 or pi/4 or pi/2 or 3pi/4 lambda=3.5; gamma=0.3; sigma=2.8; psi=0; sigma_x = sigma; sigma_y = sigma/gamma; nstds = 5; xmax = max(abs(nstds*sigma_x*cos(theta)),abs(nstds*sigma_y*sin(theta))); xmax = ceil(max(1,xmax)); ymax = max(abs(nstds*sigma_x*sin(theta)),abs(nstds*sigma_y*cos(theta))); ymax = ceil(max(1,ymax)); xmin = -xmax; ymin = …

11 image-processing  matlab  filters  convolution  object-recognition 

我当时在考虑DFT窗口化主题，然后想到一个想法。DFT将产生与所用窗口频谱卷积的信号频谱，因此具有主瓣和旁瓣。 我认为可以通过再次对信号和窗口频谱幅度进行卷积来消除对信号频谱的窗口效应，而且确实如您在下图中看到的那样工作。 左边是用汉宁窗生成的原始光谱。右侧是由汉宁窗的DFT卷积的光谱。顶部是Spectrum本身，底部是MATLAB findpeaks结果。 我从未读过任何有关该技术的文章，但是我很确定自己还没有发明任何东西。因此，我想知道从频谱上进行此处理是否有好处，或者我看不到它的不利之处。 据我所知，这可以帮助进行峰值检测，就像我们在上一张图片中看到的那样。同样，正如我们在下面的两幅图像中所看到的，频谱似乎有些失真。： 蓝色图是光谱，红色图是后卷积光谱。 有什么想法吗？ FFT后的卷积是否会引起问题？ 有论文可以治疗这个问题吗？ 编辑 您可以在此处找到一个脚本，该脚本将生成以下图形：

11 fft  frequency-spectrum  dft  convolution 

我想知道如何解决这类问题。 考虑下面的线性系统。如图所示，当输入系统，和，系统的响应为，和。x 2 [ n ] x 3 [ n ] y 1 [ n ] y 2 [ n ] y 3 [ n ]X1个[ n ]x1[n]x_1[n]X2[ n ]x2[n]x_2[n]X3[ n ]x3[n]x_3[n]ÿ1个[ n ]y1[n]y_1[n]ÿ2[ n ]y2[n]y_2[n]ÿ3[ n ]y3[n]y_3[n] 确定系统是否为时不变的。只是你的答案。 什么是冲动反应？ 编辑： 假设一般情况下，给定的输入不包含像这样的按比例变化的脉冲X2[ n ]x2[n]x_2[n]

11 convolution  linear-systems  homework  deconvolution 

我对信号和卷积有一些基本的了解。据我所知，它显示了两个信号的相似性。我能用简单的英语得到一些解释： 什么是线性和圆形卷积 为什么它们很重要 使用它们的实际情况

10 convolution  linear-systems 

为什么暗示LTI系统无法生成任何新频率？Y(ω)=X(ω)H(ω)Y(ω)=X(ω)H(ω)Y (\omega) = X(\omega)H(\omega) 为什么如果系统生成新的频率，那么它不是LTI？

9 convolution  time-frequency