Zaman frekanslı görüntülerin gürültüden arındırılması hakkında

Welch'in yöntemi kullanılarak oluşturulan aşağıdaki örnek zaman frekanslı görüntünün ' gürültüden arındırılması ' için hangi tekniklerin kullanılabileceğini merak ediyorum . Robotik bir sensörden aşağıdaki grafik oluşturuldu. (Bu renkli bir görüntü DEĞİLDİR - gri tonlamalı bir görüntüdür - renkler yalnızca görsel amaçlı eklenmiştir).

Hedef:

Amacım sonuçta burada gördüğünüz nabız aralıklarını tahmin etmek, bu tür nabızlar varsa. Bu biraz tavuk ve yumurta olabilir, bu yüzden kendime "Bu +/-% 10'luk nabızlar var mı?" Diye soruyorum ve onları tespit etmeye devam ediyorum. Burada gördüğünüz sinyal (darbeler), ancak diğer istenmeyen parazitlerle birlikte. Ancak Emre'nin önerdiği gibi, Zaman-Frekans alanında da olsa yapıları vardır. Zaman frekanslı filtreler var mı?

Ben ediyorum şiddetle gibi görüntü işleme çözümleri burada uygulanan görüyorum ama herhangi çözüme açığım için.

Bu nedenle amaç, görülebildiği gibi tekrarlayan darbeler (y ekseni üzerindeki indeks 300 yakınında bulunur) dışındaki tüm yüksek yoğunluklu sinyalleri kaldırmaktır . Diğer tüm yüksek yoğunluklu sinyaller 'girişim' olarak kabul edilebilir.

Yapabileceğiniz varsayımlar:

• Burada gördüğünüz nabız uzunluklarını kabaca bildiğinizi varsayabilirsiniz . (Diyelim ki +/-% 10 içinde). Başka bir deyişle, bu uzunlukta nabız aramaya karar verdiniz. (+/-)

• Ayrıca , atımların tekrar oranlarını kabaca bildiğinizi varsayabilirsiniz (yine +/-% 10 diyelim).

• Ne yazık ki sıklıklarını daha doğru bilmiyorsunuz. Yani, bu görüntüde darbeler 300'dedir, ancak 100, 50 veya 489'da ya da her neyse kolayca olabilirler. Bununla birlikte, iyi haber şu ki, burada gösterilen frekanslar, örneğin Hz'in 10'ları sırasına göre birbirine çok yakındır.

Bazı düşüncelerim:

Görüntü işleme POV:

• Bana morfolojik operasyonlar oldu, ancak çalışıp çalışamayacaklarını bilenlere çok aşina değilim. Sanırım fikir 'kapatmak' ve dolayısıyla 'daha büyük' ​​lekeleri çıkarmak olabilir mi?

• Satır genişliğinde DFT işlemleri, en yüksek tekrarlayan desene sahip ilgi alanlarına dayanarak hangi satırların boşaltılacağını belirtebilir, ancak darbeler az ve çok arasındaysa veya görüntü daha gürültülü ise uygun bir çözüm olmayabilir.

• Sadece görüntüye bakarak, yalıtımı 'ödüllendirmek' ve bağlantıyı 'cezalandırmak' istersiniz. Bu tür bir işlemi gerçekleştiren bir görüntü işleme yöntemi (yöntemleri) var mı? (Doğada tekrar morfolojik).

Burada hangi yöntemler yardımcı olabilir?

Sinyal işleme POV:

• Burada gösterilen frekans aralığı zaten çok sıkı olduğundan çentik filtreleme işlemlerinin yardımcı olacağından emin değilim . Ayrıca, bu dar aralıkta gösterilen darbelerin tam frekansı a-priori olarak bilinmemektedir.

• Burada ilgilenilen nabızlar hakkında, (uzunlukları ve tekrarlama süreleri) eğitimli tahminler yaparak, 'şablonumun 2 boyutlu DFT'sini hesaplayabilir ve bunu 2-B sefral-zamansal filtre olarak kullanabilirim. Yukarıda gösterilen Welch görüntüsünü basitçe çarpıyorum ve sonra ters 2-D DFT?

• OTOH belki de Gabor filtreleri burada iyi bir uyum sağlar mı? Sonuçta, kendi yerleşik V1 görsel işlemcilerimize benzer şekilde yönelime duyarlı filtrelerdir . Burada nasıl sömürülebilirler?

Bu alanda hangi yöntemler yardımcı olabilir?

Şimdiden teşekkürler.

Bu alanda deneyimim yok ama çalışıldığını görüyorum: Zaman-frekans dağılımlarını kınamak için minimum entropi yaklaşımı

Bu yazıda, zaman-frekans dağılımlarını kınamak için entropi temelli bir yaklaşım sunuyoruz. Bu yeni yaklaşım, Cunningham ve Williams tarafından önerilen zaman-frekanslı çekirdeklerin spektrogram ayrışmasını kullanır. Zaman-frekans dağılımını kınamak için, bu spektrogramları en küçük entropi değerleri ile birleştiriyoruz, böylece her spektrogramın zaman-frekans düzleminde iyi konsantre olmasını ve mümkün olduğunca az gürültü içermesini sağlıyoruz. Renyi entropi, her spektrogramın karmaşıklığını ölçmek için ölçü olarak kullanılır. Birleştirilecek spektrogram sayısının eşiği, entropi ve varyans arasındaki dengeye bağlı olarak adaptif olarak seçilir.

Temelde sorununuz sinyal / kaynak ayrımıdır ; bir grup yapılandırılmış sinyalin ilave karıştırılması. Devam etmek için sinyallerinizi modellemeniz gerekir. Açıkçası ilgilenilen biri periyodiktir ve bir miktar frekans etrafında merkezlenmiştir, bu nedenle periyodu (x ekseni boyunca) ve merkez frekansını (y ekseninde) tahmin etmeniz gerekir. Sonra diğerlerini (gürültü) karakterize edebilirsiniz. Yeni başlayanlar için, güzel eğriler geliyor gibi görünüyor.

Elimizdeki bir modelle , Kör Kaynak Ayrımı El Kitabı: Bağımsız Bileşen Analizi ve Uygulamaları gibi bir kitaba danıştım .

Tamamen mühendislik yapan bir POV'dan bu darbeye "kilitlenmenin" en belirgin çözümü Faz Kilitlemeli Döngü (PLL) olacaktır.

Bir PLL, frekansı başka bir sinyale göre algılanan faz ilişkisine göre ayarlanabilen serbest çalışan bir osilatördür. Diğer sinyal tamamen farklı bir frekansta saf gürültü veya darbeler ise, faz ilişkisi rastgele olacaktır ve osilatör her iki yönde de ayarlanmayacaktır (ve "serbest çalışmaya" devam edecektir). Bununla birlikte, osilatörle yaklaşık aynı frekansta çalışan, nispeten gürültülü bir sinyal olsa bile, PLL'nin faz sensörü bunu tespit edecek ve osilatör frekansını diğer sinyale uyacak şekilde ayarlayacaktır. Tabii ki, bu maçın başlangıçta yarıya yakın olduğunu varsayar. (Bir sorun - aynı zamanda yararlı bir özellik - PLL'lerin, başlangıç ​​frekansı uyumsuzluğu çok büyükse, hedef sinyalin harmoniklerine veya alt harmoniklerine mutlulukla kilitlenmeleridir.)

Kendi işimde hiç PLL kullanmadım, ama bu terim yaklaşık 40 yıldır (en azından 30'lardan beri konsept) ve bireysel IC'ler veya tek kart modülleri olarak önceden oluşturulmuş PLL'ler var. Dijital bileşenleri kullanarak analog kavramı taklit eden "dijital PLL'ler" de vardır. (Bu bilgimin kapsamı hakkında, ancak Google tarafından kolayca bulunabilen 100 referans var.)