Содержание
- 2. Структура дисциплины Осенний семестр 2+4 часа лекций 4+4 часа лабораторных работ Зачет Весенний семестр 2+4 часа
- 3. Минимальные требования для получения зачета в осеннем семестре Сдать и защитить контрольную работу (КР защищается индивидуально
- 4. Перечень вопросов, выносимых на зачет Типы сигналов. Связь между сигналами различных типов. Задачи анализа и синтеза
- 5. ЧТО ТАКОЕ СИГНАЛ? ВОЗМОЖНЫЕ ВАРИАНТЫ КЛАССИФИКАЦИИ СИГНАЛОВ ПРОБЛЕМА ВЫБОРКИ ТЕОРЕМА КОТЕЛЬНИКОВА Вводная информация по курсу
- 6. Физический смысл – сигнал создается определенным процессом, протекающим во времени. Важнейшие формы аналитического выражения сигнала –
- 7. Сигналы бывают разные… Сигналы это: Различные физические величины; Различные единицы измерения; Различные масштабы переменных.
- 8. Классификация сигналов Случайный сигнал – значение такого сигнала в любой момент времени является случайной величиной. Детерминированный
- 9. Аналоговые (непрерывные) Примеры: звук в воздухе или в проводе, идущем от микрофона изображение (до ввода в
- 10. Классификация колебаний КОЛЕБАНИЯ: Каузальное колебание, имеющее начало во времени, которое можно рассматривать как причинное. Периодическое колебание,
- 11. Проблема выборки В процессе преобразования аналогового сигнала в цифровой очевидно, что чем шире интервал дискретизации выборки
- 12. Теорема Котельникова-Найквиста-Шенона Интервал дискретизации выборки должен быть меньше половины периода. Теорема Котельникова-Найквиста-Шеннона: если сигнал таков, что
- 13. НЕОБХОДИМЫЕ МАТЕМАТИЧЕСКИЕ ПРЕДСТАВЛЕНИЯ РАЗЛОЖЕНИЕ ФУНКЦИИ В РЯД ФУРЬЕ НЕПРЕРЫВНОЕ ПРЕОБРАЗОВАНИЕ ФУРЬЕ ДИСКРЕТНОЕ ПРЕОБРАЗОВАНИЕ ФУРЬЕ Разложение в
- 14. А вот и он☺ Jean Baptiste Joseph Fourier
- 15. Необходимые математические представления Комплексное представление чисел на плоскости Представление комплексных сопряженных чисел Графическая иллюстрация формулы Эйлера
- 16. Необходимые математические представления Абсолютная величина (модуль) числа Аргумент числа
- 17. Ортогональные функции Множество непрерывных функций действительного переменного называется ортогональным на интервале , если При множество {Un(t)}
- 18. Впервые в 1807 году французский математик и физик Жан Батист Жозеф Фурье показал, что любую произвольную
- 19. = Сумма синусов и косинусов
- 20. Прямое и обратное преобразования Фурье x(t) – исходная функция времени Прямое преобразование Фурье (отображение исходной функции
- 21. Основная идея дискретного преобразования Фурье
- 22. БПФ С ПРОРЕЖИВАНИЕМ ПО ВРЕМЕНИ БПФ С ПРОРЕЖИВАНИЕМ ПО ЧАСТОТЕ Алгоритм быстрого преобразования Фурье
- 23. Дискретное преобразование Фурье (ДПФ) Вычислительная сложность: Каждый коэффициент ДПФ требует: N комплексных умножений N-1 комплексных сложений
- 24. 8-точечное ДПФ (N=8)
- 25. Степенной ряд W
- 26. Алгоритм БПФ с прореживанием по времени Применяются свойства симметрии и периодичности Рассматривается для случаев, когда Разделим
- 27. Прореживание по времени Пример 8-точечного ДПФ с прореживанием по времени Два N/2-точечных ДПФ 2(N/2)2 комплексных умножений
- 28. Прореживание по времени После двух шагов прореживания по времени Повторять пока не останутся 2-точечные ДПФ
- 29. Алгоритм БПФ С прореживанием по времени Финальная граф-схема алгоритма для N=8 Вычислительная сложность: Nlog2N комплексных сложений
- 30. Вычисление «бабочки» Следующий граф определяет бабочку Мы можем реализовать операцию «Бабочка» с одним умножением Финальная вычислительная
- 31. Примечание к алгоритму Отметим последовательность входных элементов Бит-реверсная индексация
- 32. Примечание к алгоритму
- 33. Алгоритм БПФ с прореживанием по частоте ДПФ Разделим ДПФ на две части («верхняя» и «нижняя») Получим
- 34. Алгоритм БПФ с прореживанием по частоте Финальная граф-схема алгоритма для N=8
- 35. БПФ с прореживанием по времени БПФ с прореживанием по частоте Операция «бабочка» в алгоритмах с прореживанием
- 36. Практическое применение
- 37. Спектральный анализ Отображение спектров изображений Спектр – это картинка, показывающая зависимость амплитуды от частоты и от
- 38. Спектральный анализ Примеры изображений и их спектров Видно, что спектр одной синусоиды – это точка (не
- 39. Спектральный анализ Примеры изображений и их спектров По спектру прослеживаются преобладающие направления в исходной картинке Много
- 40. Спектральный анализ Отображение спектра звука: спектрограмма Спектрограмма – график зависимости амплитуды от частоты Низкие частоты –
- 41. Двумерное ДПФ, пример
- 42. Двумерное ДПФ, пример
- 43. Frequency Bands Percentage of image power enclosed in circles (small to large) : 90%, 95%, 98%,
- 44. Low pass Filtering 90% 95% 98% 99% 99.5% 99.9%
- 45. Noise Removal Noisy image
- 46. Noise Removal Noisy image Fourier Spectrum Noise-cleaned image
- 47. High Pass Filtering Original High Pass Filtered
- 48. High Frequency Emphasis + Original High Pass Filtered
- 49. High Frequency Emphasis Original High Frequency Emphasis Original High Frequency Emphasis
- 50. Original High Frequency Emphasis
- 51. 2D Image Rotation
- 52. Image Domain Frequency Domain Fourier Transform -- Examples
- 53. Image Fourier spectrum Fourier Transform -- Examples
- 55. Скачать презентацию