- •1. Видеоинформационный тракт сдз.
- •2. Информационные показатели качества сдз.
- •3 Оценка качества изображения по критерию пространственного разрешения (разрешающей способности)
- •4 Системотехнические показатели качества сдз.
- •5 Математические модели источника информации сдз: детерминированные и квазидетерминированные модели.
- •6. Модели непрерывного стационарного поля (Математические модели источника информации сдз)
- •7. Модели дискретизированного стационарного поля (Математические модели источника информации сдз)
- •8. Алгоритмы синтеза тестовых изображений в рамках моделей стационарного поля (Математические модели источника сдз)
- •9. Модели нестационарного поля (математические модели источника информации сдз)
- •10. Мозаичные модели разбиения (Математические модели источника информации сдз)
- •11. Мозаичные модели разбиения (Математические модели источника информации сдз)
- •12. Математические модели атмосферы
- •1) Атмосферная рефракция (искажения), искривление оптических лучей
- •2) Молекулярное и аэрозольное поглощения
- •3) Молекулярное и аэрозольное рассеяние
- •4) Помехи от посторонних источников
- •5) Атмосферная турбулентность
- •13. Математические модели оптической системы
- •1. Масштабирование
- •2. Расфокусировка (размытие). (Погрешность применения)
- •14 Общая структура математических моделей видеодатчика и ацп.
- •1. Свертка:
- •2. Дискретизируем:
- •15. Принцип действия и эквивалентная апертура видеодатчика на элт.
- •16. Принцип действия и эквивалентная апертура однокоординатного (линейного) пзс датчика.
- •1).Ячейка из k-электродов
- •17. Принцип действия и эквивалентная апертура двух координатного (матричного) пзс датчика.
- •18. Принцип действия и эквивалентная апертура матричного пзс-датчика с временной задержкой и накоплением.
- •19. Шумовые искажения изображений в видеодатчике.
- •20. Дополнительные искажения сигналов пзс-датчиках.
- •21. Квантование сигнала по уровню.
- •22. Анализ точности цифровых моделей непрерывных лис-систем: модель дискретной свёртки.
- •23. Анализ точности цифровых моделей непрерывных лис-систем: спектральная модель.
- •24. Анализ точности цифровых моделей непрерывных лис-систем: оптимальная модель.
- •25. Предварительная обработка входных сигналов при моделировании лис-системы.
- •26. Вычисление быстрой свертки на основе дпф и секционирования сигнала.
- •27. Принцип построения параллельно-рекурсивных ких-фильтров.
- •28. Общая схема расчета параллельно-рекурсивных ких-фильтров
- •29. Расчет параллельно-рекурсивного ких фильтра при аппроксимации их лис(лпп)-системы.
- •30. Расчет параллельно-рекурсивного ких-фильтра при аппроксимации частотной характеристики лис-системы.
- •31. Расчет параллельно-рекурсивного ких-фильтра для моделирования лис-системы.
- •32. Расчет параллельно-рекурсивного ких-фильтра для преобразования и синтеза стационарных случайных сигналов.
28. Общая схема расчета параллельно-рекурсивных ких-фильтров
При конструировании параллельно-рекурсивного КИХ-фильтра необходимо решить три задачи:
- выбрать размеры окна обработки и класс базисных функций разложения (8.5) или (8.15);
- из полного множества базисных функций выбранного класса выделить фактически используемые в разложении К функций;
- рассчитать коэффициенты фильтра.
Первая задача может быть решена эвристически. Вторая и третья — решаются одновременно, в ходе переборной процедуры численных расчетов.
Выделенное подмножество из К базисных функций должно обеспечивать как можно более высокую эффективность обработки сигналов. Для определения наилучшего подмножества в общем случае нужно перебрать все возможные сочетания по К базисным функциям в их полном множестве, вычислить для каждого сочетания некоторый показатель качества R и найти вариант, соответствующий максимальному значению показателя. Однако такой перебор оказывается практически неосуществимым из-за чрезмерного объема необходимых вычислений.
Наиболее просто было бы заранее ввести некоторое упорядочение базисных функций (например, для базиса Фурье — по возрастанию «частотного индекса») и использовать первые K функций из упорядоченного набора. Но, во-первых, не всегда удается указать «естественный» порядок следования функций (для прямоугольного базиса, в двумерном случае и т.д.), и, во-вторых, выбранное подмножество может оказаться весьма далеким от оптимального.
Для выбора базисных функций можно использовать субоптимальный метод последовательного присоединения («селекции вперед»), широко применяемый для выделения подмножества признаков в задачах распознавания образов. Согласно ему, сначала выбирается единственная функция, обеспечивающая максимум показателя качества, затем к ней присоединяется еще одна, максимизирующая показатель в паре с уже выбранной, и так далее до получения набора из К функций. (Для базиса Фурье в варианте с попарной реализацией звеньев процедура модифицируется: на каждом шаге добавляется не по одной, а по группе функций, связанных одинаковыми значениями индексов.) Данный метод резко сокращает вычислительные затраты по сравнению с полным перебором при незначительной потере оптимальности формируемого подмножества базисных функций.
Как следует из сказанного выше, для каждого анализируемого подмножества базисных функций требуется рассчитывать показатель качества обработки сигналов, а для окончательного варианта подмножества - и коэффициенты разложения импульсной характеристики фильтра в ряд:
или для 2D:
Вектор-столбец искомых коэффициентов А — задается матричным уравнением вида
а показатель качества, максимизируемый в процессе выбора базисных функций, соотношением
где В — невырожденная симметрическая матрица, С={ }, — вектор-столбец. Специфика расчета фильтра для каждой конкретной задачи заключается только в способе вычисления элементов матрицы В и вектора С.
29. Расчет параллельно-рекурсивного ких фильтра при аппроксимации их лис(лпп)-системы.
Выведем соотношения, по которым рассчитываются коэффициенты разложения ИХ в задаче аппроксимации импульсной характеристики. Пусть требуется построить фильтр с импульсной характеристикой h(m), которая аппроксимирует некоторую заданную импульсную характеристику . Для решения этой задачи воспользуемся методом наименьших квадратов. Будем минимизировать величину:
где w(m) — некоторая неотрицательная весовая последовательность. Подставим в формулу (8.85) выражение (8.5) для импульсной характеристики параллельного фильтра:
и приравняем нулю частные производные:
В результате получим систему линейных уравнений относительно коэффициентов фильтра:
в которой элементы матрицы В и вектора С вычисляются по формулам
Очевидно, решение данной системы 8.89 определяется соотношением (8.83). Подставив найденные коэффициенты фильтра в (8.86), несложно получить достигаемый минимум ошибки аппроксимации:
где R вычисляется по формуле (8.84).
В разности (8.90) первый член не зависит от параметров синтезируемого фильтра, поэтому уменьшение ошибки в процессе подбора базисных функций обеспечивается максимизацией показателя качества R. Для двумерного параллельно-рекурсивного КИХ-фильтра, аппроксимирующего двумерную функцию , формулы (8.85), (8.89) и (8.90).модифицируются:
где w(m1,m2) — двумерная весовая функция ошибки аппроксимации