- •1.1. Введение. Роль информационных технологий.
- •1.2. Компьютеризированные системы цифровой обработки
- •1.3. Классификация сигналов. Их характеристики.
- •Энергетические характеристики сигналов:
- •2.1. Обобщенный ряд Фурье и системы базисных функций.
- •2.2. Разложение в ряд Фурье.
- •2.3. Примеры разложения в ряд Фурье.
- •Б) Пилообразный сигнал.
- •3.1 Преобразование Фурье.
- •3.2. Свойства преобразования Фурье.
- •4.1. Аналоговые, дискретные и цифровые сигналы.
- •4.2. Частота Найквиста.
- •4.3. Спектр дискретного сигнала.
- •4.4. Теорема Котельникова.
- •Частота дискретизации
- •5.1. Функции окна.
- •5.2. Виды окон.
- •5.3. Особенности функций окна.
- •6.1. Нерекурсивные фильтры
- •6.1.1. Алгоритм.
- •6.1.2. Импульсная характеристика.
- •6.1.3. Передаточная функция.
- •6.1.4. Определение параметров нерекурсивного фильтра низкой частоты.
- •6.1.5. Синтез нрф с использованием окон.
- •6.1.5. Расчет коэффициентов фильтра.
- •6.2. Явление Гиббса.
- •7.1. Коэффициенты для высокочастотных, полосовых и
- •7.2. Расчет вч, пф и рф.
- •Преобразование фнч в пф.
- •Преобразование фнч в режекторный фильтр.
- •8.1. Корреляционный анализ.
- •9.1. Основные свойства речевых сигналов.
- •9.2. Дискретизация и квантование речевых сигналов.
- •Обработке речевых и аудио сигналов.
- •10.1. Анализ речевых сигналов во временной области.
- •Одним из важных параметров речевого сигнала является его энергия:
- •Энергия может служить хорошей мерой отличия вокализованных и невокализованных участков речи. Энергия невокализованных участков речи намного меньше, чем вокализованных.
- •10.2. Анализ речевых сигналов в частотной области.
- •10.3. Гомоморфная обработка речи.
- •10.4. Психоакустическая модель восприятия звука.
- •Технологии при обработке и анализе изображений.
- •11.1. Обработка изображений, предназначенных для зрительного
- •Применение обработки изображений в задачах анализа.
- •Теоретические основы обработки изображений.
- •11.2. Сигналы во временной и пространственной областях.
- •12.1. Модель реставрации изображений.
- •12.2. Методы повышения контраста.
- •13.1. Операторы сглаживания.
- •Низкочастотные операторы с усреднением.
- •Низкочастотные гауссовские операторы.
- •12.2. Другие методы сглаживания.
- •Пороговое сглаживание.
- •Сигнально-адаптивные сглаживающие операторы.
- •Подчеркивание контуров низкочастотным оператором.
- •Подчеркивание контуров дифференциальным оператором.
- •Градиентные операторы.
- •Операторы Лапласа.
- •Специальные методы обострения контуров.
- •14.1. Основные требования к алгоритмам сжатия изображений. Класс изображений.
- •Примеры приложений, использующих алгоритмы компрессии графики
- •Требования к алгоритму.
- •Критерии оценки алгоритмов сжатия изображений.
- •14.2. Алгоритмы архивации без потерь.
- •14.2.1. Алгоритм rle.
- •14.2.2. Алгоритм lzw.
- •14.2.3. Алгоритм Хаффмана.
- •15.1. Алгоритм jpeg.
- •Работа алгоритма.
- •Характеристики алгоритма jpeg.
- •15.2. Рекурсивный (волновой) алгоритм.
- •Заключение.
4.4. Теорема Котельникова.
Данная теорема определяет условия, при которых непрерывный сигнал может быть восстановлен по своим отсчетам без потери информации.
Если
имеется сигнал
,
спектральная плотность которого не
содержит составляющих
с частотами выше
,
то:
он полностью определяется своими мгновенными значениями в дискретные моменты времени через интервал
;сигнал может быть точно восстановлен по своим отсчетным значениям с помощью выражения:
.
(14)
Выражение
(14) может быть рассмотрено как ряд Фурье,
базисные функции при этом
сдвинуты относительно друг друга на
.
Коэффициенты разложения при этом равны значениям восстанавливаемого сигнала в точках дискретизации.
Пример: На протяжении 10 сек. делаются выборки через 0.2 сек. Найти ДПФ.
Период
дискретизации
Частота дискретизации
Суммарное
время наблюдения
.
Период спектральной функции
.
Расстояние между двумя частотами:
.
В тригонометрической форме ДПФ имеет вид:
.
Лекция №5. Функции окна. Виды окон.
5.1. Функции окна.
При анализе сигналов широко используют оконное преобразование Фурье, хотя спектральная характеристика окна влияет на форму сигнала. Расширение спектра в дискретном преобразовании Фурье неограниченного во времени сигнала происходит потому, что в итоге мы видим спектр не самого сигнала, а его свертку со спектром окна, т.е. мы видим "фальшивые спектральные линии".
Рис 1. Дискретное преобразование окна.
– амплитуда
основного лепестка;
– амплитуда
наибольшего из дополнительных лепестков.
Применяется ряд типов окон, которые позволяют избежать искажений амплитуды и других нежелательных явлений.
При выборе окна учитывают:
Время наблюдения (ширина окна) должно составлять число, кратное периоду основного колебания.
Спектр повторяется с частотой выборок
,
где
–
период дискретизации.Расстояние между частотными линиями:
,
где N
– объем
выборки
Критерии оценки окна:
а) Отношение амплитуды наибольшего из дополнительных лепестков к амплитуде основного лепестка:
ДПФ
функции окна
даёт при
максимальную амплитуду основного
лепестка, амплитуды дополнительных
лепестков меньшие. Значения
используется для сравнения различных
функций окна.
б) максимальная погрешность дискретизации:
оценивает, насколько максимально неверно была измерена амплитуда.
Спектральные линии измеренной
выборками функции не обязательно
сходятся с нулями ДПФ и находятся на
расстоянии
одна
от другой.
в) ширина основного лепестка.
Функции окна, в которых дополнительные лепестки малы, имеют особенно широкий основной лепесток. Это ведет к расхождению спектральных линий.
Для
характеристики основного лепестка
используют граничную
частоту,
при которой амплитуда основного лепестка
уменьшается на
:
Ширина основного лепестка, в идеале содержащая большую часть функции окна, должна быть поменьше.
5.2. Виды окон.
Для реализации окон в среде MATLAB используется множество встроенных функций.
Прямоугольное окно.
Функция
,
реализующая «прямоугольное окно»,
введена в
лишь для полноты набора весовых функций,
поскольку она соответствует отсутствию
взвешивания:
Возвращаемый
вектор заполнен единицами:
,
–
его длина.
Треугольное окно.
Функция
реализует
треугольное окно:
Отсчеты треугольного окна рассчитываются по формулам:
– для
нечетных
– для
четных
При
нечетном
треугольное окно является симметричным,
его крайние значения (при
и
)
равны
,
а в середине окна (при
)
достигается единичное значение.
а) треугольное окно б) амплитудный спектр треугольного окна
Рис 2. Треугольное окно и его амплитудный спектр.
Окно Бартлетта.
Функция
реализует окно Бартлетта:
.
Окно Бартлетта, по сути, является треугольным, но рассчитывается несколько иначе:
– для
нечетных
– для четных
а) окно Бартлетта б) амплитудный спектр окна Бартлетта.
Рис 3. Окно Бартлетта и его амплитудный спектр.
В
отличие от треугольного окна, значения
окна Бартлетта по краям (при
и
)
равны нулю. Кроме того, независимо от
четности
оно является симметричным.
Окно Бартлетта представляет собой
отсчеты
симметричного треугольного импульса,
который начинается при
,
заканчивается при
и имеет единичную
амплитуду.
Максимум значения достигается при
,
поэтому при нечетном
окно Бартлетта не достигает единичного
значения в середине. При нечетном
ненулевые отсчеты окна Бартлетта
совпадают с отчетами треугольного окна
длины
.
Окно Хана.
Функция
реализует окно Хана:
.
Строковый
параметр
позволяет выбрать режим расчета окна.
В симметричном случае, принятом по умолчанию, отсчеты окна Хана рассчитываются по формуле:
.
а) окно Хана б) амплитудный спектр окна Хана
Рис 4. Окно Хана и его амплитудный спектр.
Окно Хэмминга.
Функция
реализует окно Хемминга:
.
В симметричном случае отсчеты окна Хемминга рассчитываются по формуле:
.
Для
периодического варианта
в знаменателе формулы заменяется на
(возможна и другая трактовка: выполняется
расчет по приведенной формуле для окна
длиной
,
а затем последний элемент отбрасывается).
а) Окно Хэмминга б) амплитудный спектр окна Хэмминга
Рис 5. Окно Хэмминга и его амплитудный спектр.
Окно Блекмана.
Функция
реализует окно Блекмана:
.
В симметричном случае отсчеты окна Блекмана рассчитываются по формуле:
.
а) окно Блекмана б) амплитудный спектр окна Блекмана
Рис 6. Окно Блекмана и его амплитудный спектр.
Окно Чебышева.
Функция
реализует окно Чебышева:
.
Здесь
– степень подавления боковых лепестков
в децибелах. Для окна Чебышева все
боковые лепестки имеют одинаковый,
заданный при расчете окна уровень.
Отсчеты окна Чебышева рассчитываются
путем вычисления обратного
преобразования Фурье от его частотной
характеристики:
,
где
.
Здесь
– степень подавления боковых лепестков
в децибелах,
– требуемое количество отсчетов окна.
а) окно Чебышева б) амплитудный спектр окна Чебышева
Рис 7. Окно Чебышева и его амплитудный спектр.
Из
графиков видно, что при
уровень боковых лепестков
.
Как обычно, с уменьшением уровня боковых
лепестков главный лепесток расширяется.
