Questions tagged «fourier-transform»

傅里叶变换是一种数学运算,可以将函数分解为其组成频率,称为频谱。

2
离散傅里叶变换的居中零频率
我正在开发一个图像处理应用程序,该应用程序使用离散傅立叶变换来实现模糊/锐化。该应用程序或多或少都可以正常工作,但是有关机制的某些内容仍然让我感到困惑。 尤其是如何完成对零频率居中的过程。 我看到的示例通过将输入图像与大小等于输入图像的矩阵相乘来预处理(灰度强度的)输入图像,其值是,其中是行,是列,因此模式交替和 x y(− 1 )x + y(−1)x+y(-1)^{x+y}Xxxÿyy111−1−1-1 根据说明,这等效于通过在和轴上翻转来交换矩阵的象限。xxxyyy 我知道为什么这样做,并且我想强调一下,我知道我的代码/傅立叶资料正在工作,我只是不明白为什么将输入矩阵乘以1 / -1会导致零频率分量围绕0居中。 谢谢

9
单位步长序列
这个问题与我的另一个问题有关,在这个问题中,我要求导出单位步长序列的离散时间傅立叶变换(DTFT)。在搜寻导数期间,我发现了一个非常简单的导数。我在BA Shenoi 的这本书的第138页上第一次看到它。在这个答案中,我也在math.SE上也遇到了。u[n]u[n]u[n] 由于参数简短而简单,为方便起见,我将在此重复。 单位步长序列可以写为 其中 显然, 在两面都应用DTFT 给出 ,其中是的DTFT 。从得到 从和我们得到的DTFT。u[n]=f[n]+12(1)(1)u[n]=f[n]+12u[n]=f[n]+\frac12\tag{1}f[n]={12,n≥0−12,n&lt;0(2)(2)f[n]={12,n≥0−12,n&lt;0f[n]=\begin{cases}\frac12,\quad n\ge 0\\-\frac12,\quad n<0\end{cases}\tag{2}f[n]−f[n−1]=δ[n](3)(3)f[n]−f[n−1]=δ[n]f[n]-f[n-1]=\delta[n]\tag{3}(3)(3)(3)F(ω )( 1 − e- Ĵ ω) =1(4)(4)F(ω)(1个-Ë-Ĵω)=1个F(\omega)\left(1-e^{-j\omega}\right)=1\tag{4}F(ω)F(ω)F(\omega)f[n]f[n]f[n](4)(4)(4)F(ω)=11−e−jω(5)(5)F(ω)=11−e−jωF(\omega)=\frac{1}{1-e^{-j\omega}}\tag{5}(5)(5)(5)(1)(1)(1)u[n]u[n]u[n] U(ω)=F(ω)+πδ(ω)=11−e−jω+πδ(ω),−π≤ω&lt;π(6)(6)U(ω)=F(ω)+πδ(ω)=11−e−jω+πδ(ω),−π≤ω&lt;πU(\omega)=F(\omega)+\pi\delta(\omega)=\frac{1}{1-e^{-j\omega}}+\pi\delta(\omega),\quad -\pi\le\omega <\pi\tag{6} ,其中我曾使用,-\ pi \ le \ omega &lt;\ PI。DTFT{1}=2πδ(ω)DTFT{1}=2πδ(ω)\text{DTFT}\{1\}=2\pi\delta(\omega)−π≤ω&lt;π−π≤ω&lt;π-\pi\le\omega <\pi 等式 (6)(6)(6)对于u [n]的DTFT u[n]u[n]u[n]无疑是正确的。但是,推导是有缺陷的。 问题是:找到并解释以上推导中的缺陷。 请在答案前加上扰流器标签&gt;!。

3
边缘检测可以在频域中进行吗?
我们可以利用图像FFT中的高频分量通常对应于边缘这一事实来在傅立叶域中实现边缘检测算法吗?我确实尝试过将高通滤波器与图像的FFT相乘。尽管生成的图像种类对应于边缘,但它并不是使用卷积矩阵建立的边缘检测。那么,您有什么方法可以在傅立叶域中进行边缘检测,或者根本不可能?

2
实时人体音高检测
我正在尝试实现一个唱歌游戏,该游戏将分析原始麦克风输入并告诉玩家他的演唱水平如何。这需要实时完成。 我遇到了很多线程在问同样的问题,但是我仍然没有完成它,这可能是由于我缺乏该领域的经验和浅薄的数学背景。我已经基于DSPDimension网站音高偏移的文章实现了一种算法:http ://www.dspdimension.com/admin/pitch-shifting-using-the-ft/ 正如文章所解释的,我提取了真实的频率和幅度,但是我不知道以此找到基本频率。我试图获得最大幅度的信号仓,但是对于较高音调的信号只能给出正确的结果,无论我使用哪种过采样因子,对于低频信号仍然会得到不好的数据。这种方法是完全错误的,还是我在正确的轨道上却只是缺少一些东西? 提前致谢, 编辑:我忘了提及我只对音高类感兴趣,因此可以确定基本面是否缺失,但样本中的色相强烈。 EDIT2:谢谢大家,我刚刚完成了一个算法的工作,它就像一个魅力。低音高估计问题是由于我的输入测试所致。当我演唱音符时,音符正确匹配。另外,我现在正在考虑所有谐波,而不仅仅是最高峰值。

3
Gabor-Morlet小波变换和常数Q变换有什么区别?
乍一看,恒定Q傅立叶变换和复数Gabor-Morlet小波变换看起来是相同的。两者都是基于恒定Q滤波器,开窗正弦波等的时频表示。但是也许我缺少一个区别? 用于音乐处理的Constant-Q转换工具箱说: CQT指的是时频表示,其中频点在几何上间隔开并且所有频点的Q因子(中心频率与带宽之比)相等。 时标分析说: 也就是说,使用Morlet小波计算信号的CWT与将信号通过一系列以且常数Q为的带通滤波器相同。F= 5 / 2 π一个F=5/2π一个f = \frac{5/2\pi}{a}5 / 2 π5/2π5/2\pi


2
从互相关图得到什么?
假设我们有两个音频信号x(t)和y(t)受噪声影响,如下所示。我们想对这两个信号进行互相关,互相关图如下所示。 在此相关图中,峰值约为-11毫秒。我试图了解我们如何解释此图中的峰值?这是什么意思?也请解释一下我们从相关函数的傅立叶变换中得到什么。 提前致谢!

3
色度二次采样:如何正确计算数据速率
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。 …

2
音高检测中的谐波产品频谱限制
我已经使用HPS制作了音高检测算法,但遇到了问题。我是信号处理的初学者,这个站点以前曾帮助过我,所以我应该问一下。 对于更高的音调( eg. &gt;C6:1046.50hz),我开始从HPS获取垃圾数据。音调越高,我得到的垃圾越多(“垃圾”是指既不是倍频程误差也不是谐波的频率,大约在1Hz-20Hz) 我的经验观察到: 如果基音高于A6左右,则结果对于更高的音调是最差的,我只会得到垃圾数据。 即使在非常高的音调下,FFT也能正常工作(按我的意思是,它的峰值显示的是基波或谐波之一,但没有垃圾) 如果我降低了考虑使用HPS的谐波数量,垃圾将减少,但是这使得区分基波和谐波变得更加困难。 这是我的算法: -&gt;raw buffer -&gt; hann window, 16384 samples, 50% overlap -&gt; zero padding -&gt; FFT -&gt; HPS 任何帮助表示赞赏! 更新1:因此,我还要添加一些其他内容: 我记录的采样率为44100 Hz 我观察到这种行为在吉他上几乎看不到,但在数码钢琴上却很明显(对于相同的演奏音符) 这是我的hps算法,也许经验丰富的人可以发现问题。 int hps(float* spectrum, int spectrumSize, int harmonics) { int i, j, maxSearchIndex, maxBin; maxSearchIndex = spectrumSize/harmonics; maxBin = 1; …

2
单位步长序列
从教科书中,我们知道的DTFT 由u[n]u[n]u[n] U(ω)=πδ(ω)+11−e−jω,−π≤ω&lt;π(1)(1)U(ω)=πδ(ω)+11−e−jω,−π≤ω&lt;πU(\omega)=\pi\delta(\omega)+\frac{1}{1-e^{-j\omega}},\qquad -\pi\le\omega <\pi\tag{1} 但是,我还没有看到DSP教科书至少假装给出或多或少的声音。(1)(1)(1) Proakis [1] 通过在的 -transform中设置来导出右侧的右半边,并说这是有效的除外(这当然是正确的)。然后他说,在变换的极点,我们必须添加一个面积为的增量冲量,但对我而言,这似乎更像是一个秘方。(1)(1)(1)z=ejωz=ejωz=e^{j\omega}ZZ\mathcal{Z}u[n]u[n]u[n]ω=2πkω=2πk\omega=2\pi kZZ\mathcal{Z}ππ\pi 在这种情况下,Oppenheim和Schafer [2]提到了 尽管显示起来并不完全简单,但是可以通过以下傅立叶变换来表示此序列: 其后是等于的公式。不幸的是,他们没有费力向我们展示“并非完全简单”的证明。(1)(1)(1) 一本书,我竟然不知道,但在寻找的证据时,我发现是介绍数字信号处理和滤波器设计由BA Shenoi。在第138页上,存在的“派生” ,但不幸的是,这是错误的。我问了一个“ DSP难题”问题,让人们展示该证明有什么问题。](1)(1)(1)(1)(1)(1) 所以我的问题是: 任何人都可以提供的证明/推论,该证明是可靠的甚至严谨的,但数学上倾向于工程师可以访问?只是从书中复制并不重要。我认为将它放在此站点上将是很好的。(1)(1)(1) 请注意,即使在math.SE上,也几乎找不到任何相关的问题:这个问题没有答案,一个答案有两个,其中一个是错误的(与Shenoi的说法相同),另一个是使用“累积属性” ,我会很满意,但是接下来需要证明该属性,这使您重新开始(因为这两个证明基本上都证明了同一件事)。 最后一点,我确实提出了类似证明的内容(嗯,我是一名工程师),并且从现在开始几天后我也会将其发布为答案,但是我很乐意收集其他已发布或未发布的证明简单而优雅,最重要的是,DSP工程师可以使用它们。 PS:我毫不怀疑的有效性,我只想看一个或几个相对简单的证明。(1)(1)(1) [1] Proakis,JG和DG Manolakis,《数字信号处理:原理,算法和应用》,第三版,第4.2.8节。 [2] Oppenheim,AV和RW Schafer,《离散时间信号处理》,第二版,第2页。54。 受马库斯·穆勒评论的启发,我想证明方程式E给出的。满足要求U(ω)U(ω)U(\omega)(1)(1)(1) u[n]=u2[n]→U(ω)=12π(U⋆U)(ω)u[n]=u2[n]→U(ω)=12π(U⋆U)(ω)u[n]=u^2[n]\rightarrow U(\omega)=\frac{1}{2\pi}(U\star U)(\omega) 如果是的DTFT ,则U(ω)U(ω)U(\omega)u[n]u[n]u[n] V(ω)=11−e−jωV(ω)=11−e−jωV(\omega)=\frac{1}{1-e^{-j\omega}} 必须是DTFT的 v[n]=12sign[n]v[n]=12sign[n]v[n]=\frac12\text{sign}[n] (我们在其中定义),因为sign[0]=1sign[0]=1\text{sign}[0]=1 V(ω)=U(ω)−πδ(ω)⟺u[n]−12=12sign[n]V(ω)=U(ω)−πδ(ω)⟺u[n]−12=12sign[n]V(\omega)=U(\omega)-\pi\delta(\omega)\Longleftrightarrow u[n]-\frac12=\frac12\text{sign}[n] 所以我们有 12π(V⋆V)(ω)⟺(12sign[n])2=1412π(V⋆V)(ω)⟺(12sign[n])2=14\frac{1}{2\pi}(V\star V)(\omega)\Longleftrightarrow \left(\frac12\text{sign}[n]\right)^2=\frac14 从中得出 12π(V⋆V)(ω)=DTFT{14}=π2δ(ω)12π(V⋆V)(ω)=DTFT{14}=π2δ(ω)\frac{1}{2\pi}(V\star V)(\omega)=\text{DTFT}\left\{\frac14\right\}=\frac{\pi}{2}\delta(\omega) …

3
拉普拉斯变换的直观解释
所以我要掌握傅里叶变换。现在,我凭直觉明确地理解了它的作用,并将很快参加一些数学课程(因此是实际课程)。但是后来我继续阅读有关拉普拉斯变换的文章,在那里我有点迷失了。发出信号的时刻是什么?为什么傅立叶变换是拉普拉斯变换的特例?我如何掌握Laplace变换? 在问这个问题之前,我已经看过这些资料: 系统的“脉冲响应”和“频率响应”是什么意思? 如何区分不同的频域? 幅度与频率响应 为什么傅立叶变换如此重要? http://en.wikipedia.org/wiki/Laplace_transform

1
复杂的信封到底是什么?
我看过一些书中提到过几次,所以我想确定一下。复数包络是不是信号的实部和正交分量的总和,而绝对值就是(实部)包络?我已经阅读了这个维基页面,但是不确定我是否完全理解。复数包络是否仅仅是通带信号的实部和虚部相结合?谢谢。

2
FFT中的伪像
我最近意识到FFT并不是完美的。这意味着,如果我先接收信号,然后进行FFT,然后进行逆FFT,则结果输出与输入不完全相同。这是一张图片,向您展示我的意思: 我认为这张图片很容易说明。IFFT信号只是“ FFT频谱”的逆变换,“差异”图是IFFT信号与原始信号之间的差异()。IFFT-原始IFFT-原始\text{IFFT - Original} 显然有一些文物,尽管它们确实很小。我想知道为什么它们首先出现。这是因为傅立叶变换的有限窗口吗?还是由于FFT算法中的问题? 注意:此图有32点,但是我已经检查了100、1000、1024、256和64点,并且总有这个残差存在相似大小的差异(或)。10− 1610-1610^{-16}10− 1510-1510^{-15}

3
傅立叶变换恒等式
我们知道以下内容 F{ x(t) } =X(f)(1)(1)F{X(Ť)}=X(F) \mathscr{F}\big\{x(t)\big\}=X(f) \tag{1} F{ x(−t) } =X(− f)(2)(2)F{X(-Ť)}=X(-F) \mathscr{F}\big\{x(-t)\big\}=X(-f) \tag{2} F{ x∗(t )} = X∗(− f)(3)(3)F{X∗(Ť)}=X∗(-F) \mathscr{F}\big\{x^*(t)\big\}=X^*(-f) \tag{3} 现在,如果有信号 x (− t )= x∗(吨)(4)(4)X(-Ť)=X∗(Ť) x(-t)=x^*(t) \tag{4} 那么,可以安全地假设以下内容吗? X(− f)= X∗(− f)(5)(5)X(-F)=X∗(-F) X(-f)=X^*(-f) \tag{5} 还是取决于信号的类型?

2
如何创建频率与时间的关系图?
我是化学工程师,而不是电子工程师,所以这有点困难。 我试图弄清楚如何获取幅度随时间变化的数据并将其转换为频率随时间变化的数据。我的本能是将数据切成块,对每个块执行FFT,然后绘制。不幸的是,由于每个切片的持续时间接近零,因此不再有足够的信息来获取准确的频率信息(低频需要的时间超过非常小的时间片)。所以...我该怎么做?我确定这是某人已经解决的著名问题。 这是我正在寻找的一种变换,以声波(钢琴音符G)为例进行说明。如您所见,该图为三个轴,第三个轴由颜色表示。 谢谢!

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.