Zastanawiam się, jakie techniki mogą być dostępne do „ odszumiania ” poniższego przykładowego obrazu czasowo-częstotliwościowego, który został stworzony metodą Welcha . Poniższy wykres został utworzony z czujnika robota. (To NIE jest obraz kolorowy - jest to obraz w skali szarości - kolory dodane tylko w celach wizualnych).
Cel:
Ostatecznie moim celem jest oszacowanie odstępów między impulsami, które tutaj widzicie, gdyby takie impulsy istniały. Może to być coś w rodzaju kurczaka i jajka, więc w tym celu zadaję sobie pytanie: „Czy istnieją impulsy o tej liczbie powtórzeń +/- 10%?” I próbuję je wykryć. Widzisz tutaj sygnał (impulsy), ale wraz z innymi niepożądanymi zakłóceniami. Jednak, jak sugerował Emre, mają one strukturę, chociaż w przestrzeni czasowo-częstotliwościowej. Czy istnieją filtry czasowo-częstotliwościowe jako takie?
Chciałbym mocno jak zobaczyć rozwiązania przetwarzania obrazu stosowane tutaj, ale jestem otwarty na wszelkie rozwiązania.
Zatem: Celem jest usunięcie wszystkich sygnałów o wysokiej intensywności, z wyjątkiem powtarzających się impulsów (znalezionych w pobliżu indeksu 300 na osi y), jak można zobaczyć. Wszystkie pozostałe sygnały o wysokiej intensywności można uznać za „zakłócenia”.
Założenia, które możesz poczynić:
Możesz założyć, że z grubsza znasz długości impulsów, które tutaj widzisz. (Powiedzmy, że w granicach +/- 10%). Innymi słowy, postanowiłeś poszukać impulsów o tej długości. (+/-)
Możesz założyć, że z grubsza znasz również częstotliwość powtarzania impulsów (ponownie, powiedzmy +/- 10%).
Niestety nie znasz dokładniej ich częstotliwości. Innymi słowy, na tym obrazie impulsy mają wartość 300, ale równie łatwo mogłyby mieć wartość 100, 50, 489 lub cokolwiek innego. Dobrą wiadomością jest to, że pokazane tutaj częstotliwości są bardzo blisko siebie, na przykład 10 Hz.
Kilka moich myśli:
POV przetwarzania obrazu:
Przyszły mi do głowy operacje morfologiczne, jednak nie znam się zbyt dobrze na tych, aby wiedzieć, czy mogą działać, czy nie. Przypuszczam, że pomysł może polegać na „zamknięciu”, a tym samym usunięciu „większych” plam?
Operacje DFT o różnej wielkości mogą wskazywać, które wiersze należy wyzerować , w oparciu o rzędy, które mają najwyższy powtarzalny wzór, jednak może nie być realnym rozwiązaniem, jeśli impulsów jest niewiele i są daleko lub jeśli obraz jest bardziej hałaśliwy.
Patrząc na obraz, prawie chcesz „nagrodzić” izolację i „ukarać” łączność. Czy istnieją metody przetwarzania obrazu umożliwiające realizację tego rodzaju operacji? (Znowu charakter morfologiczny).
Jakie metody mogą tu pomóc?
POV przetwarzania sygnału:
Pokazany tutaj zakres częstotliwości jest już bardzo wąski, więc nie jestem pewien, czy operacje filtrowania wycięć pomogą. Co więcej, dokładna częstotliwość impulsów pokazana w tym wąskim zakresie nie jest znana z góry.
Dokonując wykształconych domysłów na temat interesujących pulsów (ich długości i czasów powtarzania), mógłbym być w stanie obliczyć dwuwymiarowe DFT mojego „szablonu” i wykorzystać to jako dwuwymiarowy filtr cepstral-czasowy, do którego Po prostu pomnożę obraz Welcha pokazany powyżej przez, a następnie wykonam odwrotną 2-D DFT?
OTOH może filtry Gabor byłyby tutaj dobrym wyborem ? W końcu są to filtry wrażliwe na orientację, podobne do naszych wbudowanych procesorów wizualnych V1 . Jak można je tutaj wykorzystać?
Jakie metody mogą pomóc w tej domenie?
Z góry dziękuję.
Odpowiedzi:
Nie mam doświadczenia w tej dziedzinie, ale widzę, że zostało to zbadane: minimalne podejście entropijne do odwracania rozkładów czasowo-częstotliwościowych
Zasadniczo twoim problemem jest separacja sygnału od źródła ; addytywne odmieszanie wiązki sygnałów strukturalnych. Aby kontynuować, musisz wymodelować swoje sygnały. Oczywiście interesujący jest okresowy i koncentruje się na pewnej częstotliwości, więc musisz oszacować okres (wzdłuż osi x) i częstotliwość środkową (na osi y). Następnie możesz scharakteryzować pozostałe (hałas). Na początek wydaje się, że są w ładnych zakrętach.
Mając model w ręku, skonsultowałbym się z książką typu Handbook of Blind Source Separation: Independent Component Analysis and Applications .
źródło
Od czysto inżynieryjnego POV, oczywistym rozwiązaniem „zablokowania” tego impulsu byłaby Pętla Zablokowana Fazą (PLL).
PLL to po prostu swobodny oscylator, którego częstotliwość można regulować na podstawie postrzeganej zależności fazowej z innym sygnałem. Jeśli drugim sygnałem jest czysty szum lub impulsy o zupełnie innej częstotliwości, wówczas zależność fazowa będzie losowa, a oscylator nie będzie zbytnio regulowany w żadnym kierunku (i będzie kontynuował „swobodny bieg”). Jednakże, jeśli istnieje sygnał, nawet stosunkowo hałaśliwy, który działa z mniej więcej taką samą częstotliwością jak oscylator, czujnik fazowy PLL wykryje to i dostosuje częstotliwość oscylatora, aby dopasować drugi sygnał. Oczywiście zakłada to, że mecz jest w połowie drogi do rozpoczęcia. (Jednym z problemów - choć także przydatnej funkcji) PLL jest to, że chętnie zatrzasną się na harmonicznych lub subharmonicznych sygnału docelowego, jeśli początkowe niedopasowanie częstotliwości jest zbyt duże.)
Nigdy nie korzystałem z PLL w mojej własnej pracy, ale termin ten istnieje od około 40 lat (koncepcja przynajmniej od lat 30.), a są już wbudowane PLL dostępne jako pojedyncze układy scalone lub moduły z jedną kartą. Istnieją również „cyfrowe PLL”, które naśladują koncepcję analogową przy użyciu komponentów cyfrowych. (Chodzi o zakres mojej wiedzy, ale Google może łatwo znaleźć 100 referencji).
źródło