Questions tagged «cross-correlation»

我必须对两个音频文件进行互相关以证明它们是相似的。我已经对两个音频文件进行了FFT，并将它们的功率谱值放在单独的数组中。 我应该如何进一步使它们相互关联并证明它们相似？有更好的方法吗？任何基本想法对我学习和应用它都将有所帮助。

58 audio  fft  waveform-similarity  cross-correlation 

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 

我们总是听到有关此数据向量VS的另一数据向量彼此独立或不相关等信息的信息，尽管很容易就这两个概念进行数学讨论，但我想将它们结合为实际的示例生活，并找到衡量这种关系的方法。 从这个角度出发，我正在寻找具有以下组合的两个信号的示例：（我将从一些内容开始）： 独立且（必要）不相关的两个信号： 在讲话时，来自汽车发动机的噪声（称为）和声音（）。v1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] 记录每天的湿度（）和道琼斯指数（）。v1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] Q1）您如何测量/证明它们与手中的两个向量无关？我们知道独立性意味着它们pdf的乘积等于它们的联合pdf，这很好，但是有了这两个向量，如何证明它们的独立性？ 两个信号不是独立的，但是仍然不相关： Q2）我在这里想不到任何示例...一些示例是什么？我知道我们可以通过对两个这样的向量进行互相关来测量相关性，但是我们如何证明它们也不是独立的呢？ 两个相关的信号： 一种矢量，用于测量主厅歌剧院歌手的声音，而有人则在建筑物内某处（例如在排练室（））记录其声音。v1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] 如果您连续测量汽车中的心率（），并且还测量了撞击在后挡风玻璃上的蓝光的强度（ ...），我想这些可能是非常相关的。 。:-)v1[n]v1[n]v_1[n]v2[n]v2[n]v_2[n] Q3）与q2有关，但是从此经验角度衡量互相关的情况下，查看这些矢量的点积是否足够（因为这是它们互相关的峰值）？为什么我们要关心交叉校正函数中的其他值？ 再次感谢，给出更多的例子可以更好地建立直觉！

20 cross-correlation  independence 

我有一组图像代表人的后表面的平均曲率。 我要做的是“扫描”图像中在图像的其他部分具有相似，反射“对应”的点（最有可能与中线对称，但不一定存在畸变）。一些图像拼接技术使用此功能来“自动检测”图像之间的相似点，但是我想针对同一图像的两面进行检测。 最终目标是找到一条连续的，最可能是弯曲的纵向线，以适应性地将背部分成对称的“两半”。 示例图像放在下面。请注意，并非所有区域都是对称的（特别是在图像中心上方，红色的垂直“条”向右偏移）。该区域应获得较差的分数，或类似的分数，但随后将从更远的对称点定义局部对称性。无论如何，我都必须使任何算法适应我的应用程序领域，但是我所追求的是som相关/卷积/模式匹配策略，我认为必须已经有了一些东西。 （编辑：下面有更多图片，还有更多说明） 编辑：根据要求，我将包括更典型的图像，无论它们行为正常还是有问题。但是它们不是彩色图像，而是灰度图像，因此颜色直接与数据大小有关，而彩色图像却没有发生这种情况（仅用于通信）。尽管与彩色图像相比，灰色图像似乎缺乏对比度，但数据梯度仍然存在，并且可以根据需要提供一些自适应对比度。 1）一个非常对称的物体的图像： 2）同一主题在不同时刻的图像。尽管有更多的“功能”（更多的渐变），但它并不像以前那样“对称”： 3）较瘦的年轻受试者，在中线具有凸度（红色的凸起，用较浅的区域表示），而不是更常见的凹形中线： 4）X射线证实有脊椎偏斜的年轻人（注意不对称）： 5）典型的“倾斜”主题（尽管在弯曲的中线周围大多是对称的，因此不能正确地“变形”）： 任何帮助都非常欢迎！

14 image-processing  cross-correlation  image-registration 

考虑一个简单的情况，其中来自两个不同传感器的两个信号互相关，并且从其互相关函数的峰值的横坐标计算出到达时间的延迟。 现在让我们进一步假设，由于两个天线的尺寸限制以及最大可能采样率的限制，最大可能延迟为DDD，对应于10个样本。 问题： 由于这些限制，你的计算延迟可以由任何变化整数：0和10之间的样品值，即0≤D≤100≤D≤100 \le D \le 10。这是有问题的，因为我真正想要的是区分撞击在我天线上的两个信号之间的延迟的小数延迟，并且改变尺寸或采样率不是一种选择。 一些想法： 自然，在这种情况下，我想到的第一件事是在执行互相关之前对信号进行上采样。但是我认为这在某种程度上“欺骗”，因为我并没有真正在系统中添加任何新信息。 从某种意义上说，我不了解上采样是不是“作弊”。是的，我们正在基于其当前观察到的频率信息重建信号，但是这如何使人们知道信号在D=7D=7D=7到之间真正从哪里开始D=8D=8D=8呢？哪里是确定包含在原始信号信息，该信号的真实分数延迟启动实际上是在D=7.751D=7.751D=7.751？ 问题： 这真的是“作弊”吗？ 如果没有，那么这个新的“信息”从哪里来？ 如果是，那么还有哪些其他选项可用于估计分数延迟时间？ 我知道要对互相关的结果进行上采样，以寻求对延迟的子采样答案，但这也是“作弊”的一种形式吗？为什么它与互相关之前的升采样不同？ 如果确实确实存在上采样不是“作弊”的情况，那为什么我们还要提高采样率呢？（从某种意义上说，具有较高的采样率总是比内插低采样信号更好吗？） 这样看来，我们可以以非常低的速率采样并根据需要进行内插。那么，仅仅根据我们内心的需求插入信号，是否会使采样率“无用”？我意识到插值需要花费计算时间，而从较高的采样率开始就不会，但是那是唯一的原因吗？ 谢谢。

12 filters  cross-correlation  peak-detection 

我已经从显微镜上记录了2个信号。他们看起来像这样： 我想在Matlab中测量它们之间的时间延迟。每个信号有2000个采样，采样频率为2001000.5。 数据在csv文件中。这是我到目前为止所拥有的。 我从csv文件中删除了时间数据，以便csv文件中只有电压电平。 x1 = csvread('C://scope1.csv'); x2 = csvread('C://scope2.csv'); cc = xcorr(x1,x2); plot(cc); 这样得出的结果： 从我读过的书中，我需要对这些信号进行互相关，这应该给我一个与时间延迟有关的峰值。但是，当我对这些信号进行互相关时，会在2000年出现一个峰值，我知道这是不正确的。在互相关它们之前我应该​​对这些信号做什么？只是寻找一些方向。 编辑：删除直流偏移后，这是我现在得到的结果： 有没有一种方法可以解决此问题，以获得更明确的时间延迟？ 编辑2：这是文件： http : //dl.dropbox.com/u/10147354/scope1col.csv http://dl.dropbox.com/u/10147354/scope2col.csv

12 matlab  cross-correlation 

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 

我从维基百科知道，自动相关是在同一信号上完成的，而互相关是在不同信号上完成的，但这在应用方面实际上意味着什么。我总是可以将互相关应用于同一信号并获得相同的输出。在卷积中，一个信号被反向。从数学上讲，我不理解公式。 但是这三个在应用方面意味着什么？

9 correlation  autocorrelation  cross-correlation  convolution 

在有人对我大喊之前，我完全意识到这个问题已经被问过无数次了。我向您保证，我已经阅读了现有的问题和答案，但是对于部分问题我仍然感到困惑。 我有一个在封闭环境中播放音乐（A）的声源。我有一个用来录制A的麦克风。我剩下两个共享相同特征和长度（样本数）的wav文件。 我的目标是计算A到达麦克风所需的时间。 我正在尝试使用互相关（numpy）执行计算： # Delay estimation corr = numpy.convolve(original_audio, recorded_audio, 'full') delay = int(len(corr)/2) - numpy.argmax(corr) distance = delay / sample_rate * 343 # sample_rate == 22050, m/s = speed of sound print("Distance full: %.2f cm" % (distance * 100)) 我始终获得300,000厘米范围内的值。扬声器和麦克风之间的距离约为2英尺。 这对我来说都是很新的，所以我确定我缺少明显的东西。 提前致谢。

9 audio  cross-correlation  estimation  delay 

我有同一个天文物体的两个光谱。基本问题是：如何计算这些光谱之间的相对位移，并在该位移上获得准确的误差？ 如果您仍在我身边，请提供更多详细信息。每个光谱将是一个具有x值（波长），y值（通量）和误差的数组。波长偏移将是子像素。假设像素是规则间隔的，并且将只有一个波长偏移应用于整个光谱。因此，最终答案将类似于：0.35 +/- 0.25像素。 这两个光谱将是许多无特征的连续体，它们被一些不容易建模（且不是周期性的）的相当复杂的吸收特征（凹陷）所打断。我想找到一种直接比较两个光谱的方法。 每个人的第一个本能是进行互相关，但是随着子像素的移动，您将不得不在光谱之间进行插值（首先要进行平滑处理？），而且，错误似乎很难纠正。 我目前的方法是通过与高斯核卷积来平滑数据，然后对平滑结果进行样条化处理，并比较两个样条化谱线-但我不信任它（尤其是错误）。 有人知道正确执行此操作的方法吗？ 这是一个简短的python程序，将产生两个可以播放的玩具光谱，这些光谱偏移了0.4个像素（写在toy1.ascii和toy2.ascii中）。即使此玩具模型使用了简单的高斯特征，也要假设实际数据不能与简单的模型拟合。 import numpy as np import random as ra import scipy.signal as ss arraysize = 1000 fluxlevel = 100.0 noise = 2.0 signal_std = 15.0 signal_depth = 40.0 gaussian = lambda x: np.exp(-(mu-x)**2/ (2 * signal_std)) mu = 500.1 np.savetxt('toy1.ascii', zip(np.arange(arraysize), np.array([ra.normalvariate(fluxlevel, …

9 sampling  cross-correlation  smoothing