Раздел 5
1. Построить функцию пропускания фильтра низких частот с граничной частотой f гр = 750 Кгц, при условии, что число отсчетов спектра N=100 и разрешение по частоте f = 50 Кгц. Привести рисунок.
2. Задан вектор X =[0,0,1,1,2,3,2,1,0,1,0,0]. Определить вектор Y с отсчетами отфильтрованного сигнала при использовании рекурсивного линейного фильтра с коэффициентами H = [1,3,1] и
B = [-1/2, 1] ("краевыми" эффектами пренебречь).
3. Задана матрица взаимокорреляции:
¦ 2 1 0 ¦
R = ¦ 0 2 -1 ¦
¦-2-2 2 ¦
Найти для нее обратную матрицу.
4. В одном из промышленных приложений рентгеновская съемка используется для контроля внутренней части некоторой сложной отливки. Целью является обнаружение пустот в отливке, которые обычно выглядят как маленькие пятна на изображении. Однако, из-за особенностей материала отливки и уровня энергии рентгеновских лучей, возникает высокий уровень шума, часто затрудняющий процесс контроля. В качестве решения проблемы используется усреднение серии изображений для подавления шума и тем самым улучшения видимых контрастов. При вычислении среднего важно максимально уменьшить число изображений, чтобы сократить общее время экспозиции, в течение которого деталь должна оставаться неподвижной. После многочисленных экспериментов было выяснено, что достаточным является уменьшение дисперсии шума в 10 раз. Если устройство ввода изображений работает с частотой 30 кадров в секунду, как долго отливка должна оставаться неподвижной при съемке, чтобы достичь требуемого уменьшения дисперсии шума? Считайте шум некоррелированным и имеющим нулевое среднее.
5. Исследуйте предельные эффекты многократного применения низкочастотного сглаживающего фильтра размерами 33 к дискретному изображению. Можете игнорировать влияние границ изображения.
6. Покажите, что если передаточная функция фильтра H(u,v) вещественная и центрально-симметричная, то и соответствующий пространственный фильтр h(x,y) также вещественный и центрально-симметричный.
7. Пусть дано изображение размерами MN, и проводится эксперимент, состоящий в последовательном применении к изображению процедур низкочастотной фильтрации с использованием одного и того же гауссова фильтра низких частот с заданной частотой среза D0. Ошибкой округления можно пренебречь. Пусть кmin — наименьшее положительное число, представимое в вычислительной машине, на которой проводится эксперимент.
(а) Обозначим через К число произведенных в эксперименте процедур фильтрации. Можете ли Вы предсказать, без проведения эксперимента, каков будет его результат (изображение) при достаточно большом значении К?
(б) Получите выражение для минимального значения К, гарантирующего получение предсказанного результата.
8. Предположим, что Вы сформировали низкочастотный пространственный фильтр, действие которого в каждой точке (х,y) сводится к усреднению значений в четырех ближайших к ней точках, исключая ее саму.
(а) Найдите эквивалентный фильтр в частотной области.
(б) Покажите, что это действительно низкочастотный фильтр.
9. Предположим, что Вы имеете набор изображений, полученных в результате астрономических наблюдений. Каждое изображение состоит из множества ярких широко разбросанных точек, соответствующих звездам в малонаселенной части Вселенной. Проблема заключается в том, что звезды едва различимы на фоне дополнительного освещения, возникающего в результате рассеяния света в атмосфере. Исходя из модели, согласно которой изображения представляют собой суперпозицию постоянной яркостной составляющей и множества импульсов, предложите основанную на гомоморфной фильтрации процедуру для выявления составляющих изображения, которые непосредственно связаны со звездами.
10. Опытному медицинскому эксперту поручено просмотреть некоторую группу изображений, полученных при помощи электронного микроскопа. Для того чтобы облегчить себе задачу, эксперт решает воспользоваться методами цифровой обработки изображений. С этой целью он исследует ряд характерных изображений и сталкивается со следующими трудностями. (1) Наличие на изображениях отдельных ярких точек, не представляющих интерес. (2) Недостаточная резкость изображений. (3) Недостаточный уровень контрастности некоторых изображений. И, наконец, (4) сдвиг среднего уровня яркости, который для корректного проведения некоторых измерений яркости должен принимать значение V. Эксперт хочет преодолеть эти трудности и затем выделить белым все точки изображения, яркость которых находится в диапазоне от 11 до I2, сохранив яркость всех остальных точек без изменения. Предложите последовательность шагов обработки, придерживаясь которой эксперт достигнет поставленных целей.
11. Белые полосы на представленном тестовом изображении имеют ширину 7 пикселей и высоту 210 пикселей. Расстояние между полосами составляет 17 пикселей. Как будет выглядеть это изображение после применения
(а) Среднеарифметического фильтра размерами 33?
(б) Среднеарифметического фильтра размерами 77?
(в) Среднеарифметического фильтра размерами 99?
Замечание: Эта и следующие задачи, связанные с фильтрацией этого изображения, могут показаться несколько утомительными. Однако они стоят того, чтобы потратить усилия на их решение, поскольку способствуют выработке настоящего понимания того, как действуют соответствующие фильтры. После того как Вам будет ясно, как именно конкретный фильтр видоизменяет данное изображение, Ваш ответ может представлять собой короткое словесное описание результата. Например, «результирующее изображение будет состоять из вертикальных полос шириной 3 пикселя и высотой 206 пикселей». Не забудьте описать изменение формы полос, такое как округление углов. Эффекты, возникающие на краях, где маски лишь частично накладываются на изображение, можно не принимать во внимание.
12. Решите задачу 11 для случая среднегеометрического фильтра.
13. Решите задачу 11 для случая среднегармонического фильтра.
14. Решите задачу 11 для случая медианного фильтра.
15. Решите задачу 11 для случая фильтра максимума.
16. Решите задачу 11 для случая фильтра минимума.
17. Исследуйте предельные эффекты многократного применения низкочастотного сглаживающего фильтра размерами 33 к дискретному изображению. Можете игнорировать влияние границ изображения.
- Цифровая обработка сигналов
- Санкт-Петербург
- Содержание
- 7.2. Вейвлеты 106
- Введение
- 1. Основные понятия цифровой обработки сигналов
- Понятие о первичной и вторичной обработке сигналов
- Основные требования к системам цос
- 2. Понятие сигналов. Виды сигналов
- 2.1. Виды сигналов
- 2.2. Энергия и мощность сигнала
- 2.3. Представление периодических сигналов в частотной области
- 2.4. Представление в частотной области непериодических сигналов
- Введение в теорию ортогональных преобразований
- 2.4.2. Интегральное преобразование Фурье
- 2.5. Свойства преобразования Фурье
- 2.5.1. Фурье-анализ неинтегрируемых сигналов
- 2.6. Интегральное преобразование Хартли
- 2.7. Случайные сигналы
- 2.7.1.Модели случайных процессов
- 2.7.2. Вероятностные характеристики случайного процесса Функциональные характеристики.
- Числовые характеристики
- Примеры случайных процессов с различными законами распределения
- 3. Корреляционный анализ сигналов
- 3.1. Корреляционная функция (кф):
- 3.2. Взаимная корреляционная функция
- 3.3. Взаимный спектр сигналов
- 3.4. Корреляционные функции случайных процессов
- 3.4.1. Стационарные и эргодические случайные процессы
- 3.5. Спектральные характеристики случайных процессов
- 3.5.1. Теорема Винера-Хинчина
- 3.6. Комплексная огибающая сигнала
- 4. Переход от аналоговых сигналов к цифровым
- 4.1. Дискретизация сигналов
- 4.1.1. Влияние формы дискретизирующих импульсов
- 4.1.2. Теорема Котельникова
- 4.1.3. Дискретизация при использовании квадратурных сигналов
- 4.1.4. Определение шага временной дискретизации при восстановлении сигнала полиномами 0-го порядка
- 4.1.5. Определение шага дискретизации при заданной автокорреляционной функции
- Изменение частоты дискретизации. При решение различных задач обработки сигналов достаточно часто требуется изменение частоты дискретизации сигнала.
- 4.2. Квантование непрерывных сигналов по уровню
- 5. Основные типы дискретных алгоритмов цифровой обработки сигналов
- 5.1. Линейные и нелинейные преобразования
- 5.2. Характеристики линейных систем
- 5.4. Апериодическая свертка и корреляция
- 5.5. Двумерная апериодическая свертка и корреляция
- 5.6 Нерекурсивные и рекурсивные фильтры
- 5.7. Метод синхронного или когерентного накопления
- 5.8. Адаптивные фильтры.
- 5.8.1. Фильтр Винера-Хопфа.
- 5.10. Фильтр Калмана.
- 6. Дискретные ортогональные преобразования
- Задачи цос, решаемые методами дискретных ортогональных преобразований
- 6.1. Дискретное преобразование Фурье
- 6.2. Дискретное преобразование Хартли
- 6.3. Двумерные дискретные преобразования Фурье и Хартли
- 6.4. Ортогональные преобразования в диадных базисах
- 6.5. Дискретное косинусное преобразование
- 6.6. Оконное преобразование Фурье
- 6.7. Выполнение фильтрации в частотной области
- Виды фильтров
- 7. Вейвлет преобразования или разложение по всплескам
- 7.1. Понятие о Wavelet-преобразованиях. Преобразование Хаара
- 7.2. Вейвлеты
- 7.2.1. Непрерывные вейвлет преобразования
- 7.2.2. Частотный подход к вейвлет преобразованиям
- 7.2.3. Вейвлет-ряды дискретного времени
- 7.2.4. Дискретное вейвлет-преобразование
- 7.2.4.1. Условия полного восстановления сигнала
- 7.2.5. Пакеты вейвлетов (алгоритм одиночного дерева)
- 7.2.6. Целочисленное вейвлет-преобразование
- Целочисленное вычисление вейвлет–преобразование (2,2). Это преобразование эквивалентно вейвлет-преобразованию Хаара, использующему следующие фильтры декомпозиции:
- Целочисленное вычисление вейвлет-преобразования (2,6). Данное преобразование эквивалентно использованию следующих фильтров анализа:
- Целочисленное вычисление вейвлет –преобразования (5,3). Такое преобразование также является разновидностью биортогонального преобразования и использует следующую пару фильтров:
- 7.3. Применение вейвлет-преобразований для сжатия изображения
- 8. Быстрые алгоритмы ортогональных преобразований
- 8.1. Вычислительная сложность дпф и способы её сокращения
- 8.2. Запись алгоритма бпф в векторно-матричной форме
- 8.3. Представление алгоритма бпф в виде рекурсивных соотношений
- 8.4. Алгоритмы бпф с прореживанием по времени и по частоте
- 8.6. Вычислительная сложность алгоритмов бпф
- 8.7. Выполнение бпф для случаев
- 8.8. Быстрое преобразование Хартли
- 8.9. Быстрое преобразование Адамара
- 8.10. Выбор метода вычисления свертки / корреляции
- 9. Алгоритмы нелинейной обработки сигналов
- 9.1. Ранговая фильтрация
- 9.2. Взвешенная ранговая фильтрация
- 9.3. Скользящая эквализация гистограмм
- 9.4. Преобразование гистограмм распределения
- Контрольные вопросы и задания. Разделы 1-3.
- Раздел 4
- Разделы 5 и 6
- Раздел 5
- Раздел 8
- Раздел 9
- Кафедра вычислительной техники