Eu tenho um sinal de trinta segundos de voz que foi amostrado em 44,1 kHz. Agora, eu gostaria de mostrar quais freqüências o discurso tem. No entanto, não tenho certeza qual seria a melhor maneira de fazer isso. Parece que às vezes se calcula o valor absoluto de uma transformada de Fourier, e às vezes a densidade espectral de potência. Se eu entendo corretamente, este último funciona para que eu dividir o meu sinal em partes, fazer FFT part-by-part e de alguma forma sum estes. As funções de janela estão de alguma forma envolvidas. Você pode esclarecer isso um pouco para mim Im novo para DSP. Pediu Jul 25 13 at 16:30 Agora, eu gostaria de mostrar quais as freqüências do discurso tem. No entanto, não tenho certeza qual seria a melhor maneira de fazer isso. Parece que às vezes se calcula o valor absoluto de uma transformada de Fourier, e às vezes a densidade espectral de potência. Se você quiser anexar o significado físico à sua análise, então vá com a densidade espectral de potência, (PSD). Isso ocorre porque isso simplesmente lhe dará o poder de seu sinal, em cada banda de freqüência. Por outro lado, se você não quer se preocupar com um significado físico, mas quer saber como as amplitudes fourier de cada banda variam em relação um ao outro, você pode manter a magnitude absoluta. Na prática, você pode calcular o PSD como simplesmente a magnitude absoluta da transformada fourier ao quadrado. Por exemplo, se seu sinal é xn, e seu DFT for X (f), então a magnitude absoluta do DFT é X (f), enquanto que o PSD é X (f) 2. Se eu entendo corretamente, este último funciona para que eu dividir o meu sinal em partes, fazer FFT part-by-part e de alguma forma sum estes. As funções de janela estão de alguma forma envolvidas. Você pode esclarecer isso um pouco para mim Im novo para DSP. Não, isto não é verdade. O que você está falando aqui refere-se à Transformada de Fourier de Tempo Curto. (STFT). Isto é simplesmente cortar o seu sinal de domínio do tempo, widowing-lo e, em seguida, tendo o forno trnasform. No final do dia, porém, você ainda terá uma matriz complexa. Se você escolher tomar sua magnitude absoluta, você terá uma matriz de transformada de fourier de magnitude absoluta. Se você tomar sua magnitude absoluta ao quadrado, você terá uma matriz de densidade espectral de potência. Uma maneira simples (ad hoc) é apenas tomar uma média ponderada (ajustável por alfa) em cada ponto com seus vizinhos: ou alguma variação do mesmo. Sim, para ser mais sofisticado você pode Fourier transformar seus dados em primeiro lugar, em seguida, cortar as altas freqüências. Algo como: Isso corta as 20 frequências mais altas. Tenha cuidado para cortá-los simetricamente, caso contrário a transformada inversa não é mais real. Você precisa escolher cuidadosamente a freqüência de corte para o nível correto de suavização. Este é um tipo muito simples de filtragem (filtragem de caixa no domínio da freqüência), para que você possa tentar suavemente atenuando freqüências de alta ordem se a distorção é inaceitável. FFT não é uma má idéia, mas é provavelmente um exagero aqui. Corrente ou médias móveis dão resultados geralmente pobres e devem ser evitados para qualquer coisa além de trabalhos de casa atrasados (e ruído branco). Id uso Savitzky-Golay filtragem (em Matlab sgolayfilt (.)). Isto irá dar-lhe os melhores resultados para o que você está procurando - alguma suavização local, mantendo a forma da curva. Imagem de filtragem pode ser agrupada em dois, dependendo dos efeitos: Filtros de baixa passagem (Smoothing) Filtragem de baixa passagem (aka suavização) , É empregue para remover ruído de alta freqüência espacial de uma imagem digital. Os filtros passa-baixa geralmente empregam operador de janela móvel que afeta um pixel da imagem de cada vez, alterando seu valor por alguma função de uma região local (janela) de pixels. O operador move-se sobre a imagem para afetar todos os pixels na imagem. Filtros de passagem alta (Detecção de borda, afiação) Um filtro de passagem alta pode ser usado para tornar a imagem mais nítida. Esses filtros enfatizam detalhes finos na imagem - o oposto do filtro passa-baixa. A filtragem passa-alta funciona da mesma forma que a filtragem passa-baixa, mas usa um kernel de convolução diferente. Ao filtrar uma imagem, cada pixel é afetado por seus vizinhos, eo efeito líquido da filtragem está movendo informações ao redor da imagem. Neste capítulo, bem use esta imagem: bogotobogo site search: bogotobogo site search: A média de filtragem é fácil de implementar. Ele é usado como um método de suavização de imagens, reduzindo a quantidade de variação de intensidade entre um pixel e o próximo resultando em redução de ruído nas imagens. A idéia de filtragem média é simplesmente substituir cada valor de pixel em uma imagem pelo valor médio (médio) de seus vizinhos, incluindo a si mesma. Isto tem o efeito de eliminar valores de pixel que não são representativos do seu ambiente. A filtragem média é geralmente considerada como um filtro de convolução. Como outras circunvoluções, ela é baseada em torno de um kernel, que representa a forma eo tamanho do bairro a ser amostrado ao calcular a média. O filtro2 () é definido como: Y filtro2 (h, X) filtra os dados em X com o filtro FIR bidimensional no Matriz h. Calcula o resultado, Y, usando a correlação bidimensional e retorna a parte central da correlação que é do mesmo tamanho que X. Retorna a parte de Y especificada pelo parâmetro de forma. Shape é uma string com um destes valores: full. Retorna a correlação bidimensional completa. Neste caso, Y é maior que X. mesmo. (Padrão) Retorna a parte central da correlação. Neste caso, Y é o mesmo tamanho que X. válido. Retorna somente as partes da correlação que são computadas sem bordas com preenchimento zero. Neste caso, Y é menor do que X. Agora queremos aplicar o kernel definido na seção anterior usando filter2 (): Podemos ver a imagem filtrada (direita) foi borrada um pouco em comparação com a entrada original (à esquerda) . Conforme mencionado anteriormente, o filtro passa-baixa pode ser usado para remoção de energia. Vamos testá-lo. Primeiro, para tornar a entrada um pouco suja, nós pulverizar um pouco de pimenta e sal na imagem, e depois aplicar o filtro médio: Tem algum efeito sobre o ruído de sal e pimenta, mas não muito. Apenas os deixou desfocados. Como sobre a tentativa de Matlabs built-in filtro mediano bogotobogo pesquisa de site: bogotobogo pesquisa de site: Median filtro - medfilt2 () Aqui está o script: Muito melhor. Ao contrário do filtro anterior que está apenas usando o valor médio, desta vez usamos mediana. A filtragem mediana é uma operação não linear frequentemente utilizada no processamento de imagens para reduzir o ruído de sal e pimenta. Observe também que o medfilt2 () é filtro 2-D, portanto, ele só funciona para a imagem em escala de cinza. Para remover ruído para imagem RGB, vá para o final deste capítulo: Remoção de ruído na imagem RGB. O Matlab fornece um método para criar um filtro 2-D predefinido. Seu fspecial (): h fspecial (tipo) cria um filtro bidimensional h do tipo especificado. Retorna h como um kernel de correlação, que é a forma apropriada para usar com imfilter (). O tipo é uma seqüência de caracteres com um desses valores: Processamento de imagem e vídeo Matlab Processamento de imagem OpenCV 3 Processamento de imagem e vídeo OpenCV 3 com Python
No comments:
Post a Comment