Pałkowa analiza sygnałów
|
|
- Daniel Czarnecki
- 6 lat temu
- Przeglądów:
Transkrypt
1 Remigiusz J. RAK, Andrzej MAJKOWSKI Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych Pałkowa analiza sygnałów Streszczenie. Cechą charakterystyczną lalkowej jest to, że związane z nią funkcje falkowe są dobrze zlokalizowane w czasie (przestrzeni) i jednocześnie dobrze opisują sygnał w dziedzinie częstotliwości, ściśle biorąc tzw. skali. Ponadto w odróżnieniu od funkcji sinus i cosinus, które definiują unikalną transformatę Fouriera, nie ma pojedynczego, unikalnego zbioru falkowych funkcji bazowych. Istnieje nieograniczona wręcz liczba możliwych do utworzenia falek. Która z nich jest najlepsza zależy od konkretnej implementacji. Swoją niezwykłą efektywność w zakresie sygnałów, transformata f alkowa zawdzięcza szybkiemu algorytmowi piramidy, opracowanemu przez Mallata. Algorytm ten umożliwia w łatwy i szybki sposób uzyskanie dekompozycji sygnału na składowe falkowe. Abstract. (Wavelets in Signal Analysis). What makes the wavelet analysis interesting is that individual wavelet functions are quite localized in time scalę (or space) and simultaneously in frequency (or characteristic scalę). Unlike sine and cosine, which define a unique Fourier transform, there is not one single unigue set of wavelets. In fact there are infinite yariety of possible sets. Which one is the best it depends on a particu/ar application. Wave/et analysis owes its efficiency to the fast pyramid algorithm described by Mallat. The algorithm enables, in easy way, fast decomposition of a signal into wavelet coefficients. Słowa kluczowe: analiza falkowa, analiza czas-skala, rozkład falkowy, banki filtrów, pakiety falkowe. Keywords: wavelets analysis, analysis scalę - time. Wstęp Najbardziej charakterystyczne dla transformaty falkowej jest to, że indywidualne funkcje falkowe są dobrze zlokalizowane w czasie (lub przestrzeni - dla obrazów) i jednocześnie dobrze opisują sygnał w dziedzinie częstotliwości, ściśle biorąc tzw. skali. Ponadto w odróżnieniu od funkcji sinus i cosinus, które definiują unikalną transformatę Fouriera, nie ma pojedynczego, unikalnego zbioru falkowych funkcji bazowych. Falki różnią się między sobą zwartością lokalizacji czasowej oraz płynnością i gładkością kształtów. Wynikająca stąd zdolność falek do opisu sygnałów z nieciągłościami", przy ograniczonej liczbie współczynników oraz z lokalizacją w czasie, stanowi o jej przewadze nad transformatą Fouriera. Swoją niezwykłą efektywność, a zarazem popularność w zakresie sygnałów, transformata falkowa zawdzięcza szybkiemu algorytmowi, opracowanemu przez Mallata w roku 1989, zwanemu piramidą Mallata [3]. Algorytm ten wykorzystywany jest do uzyskania dekompozycji sygnału na składowe falkowe z użyciem tzw. kwadraturowych filtrów lustrzanych. Zarys teorii falkowej Ciągłą (całkową) transformatę falkowa (Continuous Wavelet Transform: CWT) funkcji x(t)el 2 (9t) (gdzie L 2 (9t) oznacza przestrzeń wektorową jednowymiarowych funkcji, mierzalnych i całkowalnych w sensie średniokwadratowym) dla pewnej falki i/ąt) definiuje się jako: W(T,(7)= oknem ifąt), definiuje się dwa podstawowe, unormowane parametry okien czasowych centrum V, (środek ciężkości) i promień (szerokość) 4, oba liczone w sensie średniokwadratowym. W podobny sposób zdefiniować można parametry okna rozmieszczonego w dziedzinie częstotliwości, odpowiednio: V m A^ Transformata W(T,a) opisuje właściwości x(t) obserwowane w oknie czasowym o krańcach [7]: (3) [ov, Ściśle biorąc, ciągła transformata falkowa osadzona jest w przestrzeni czas-skala (t/s), a nie czas-częstotliwość (t/f). Jednakże, w konkretnym przypadku, po dokonaniu odpowiedniej transformacji można przeliczyć skalę na częstotliwość. Miarą częstotliwości jest l/a. Parametr r symbolizuje lokalizację okna wzdłuż osi czasu. Wyrażenie (2) natomiast wymusza oscylacje falek, które nie były wymagane w stosunku do okna STFT. Jednakże definitywnie i// T^t) zajmuje miejsce ę T^t) i zachowuje się tak jak funkcja okna. Natomiast widmo tego okna ((0=0) = O i odwzorowuje filtr pasmowy. Okazuje się, że okno częstotliwościowe opisane jest symbolicznie jako przedział [7]: (4),-( <7 Warto przy tym zwrócić uwagę, że iloczyn promieni okien, czasowego i częstotliwościowego, ma wartość stałą na całej płaszczyźnie: We wzorze tym parametr a oznacza skalę, zaś r przesunięcie, co odpowiada ich funkcjom pełnionym w zapisie wzoru falkowego. Po to, aby funkcja \iąt) mogła stanowić funkcję okna falkowego, a także być wykorzystana do odtworzenia x(t) musi spełniać warunek: (2) Analogicznie jak w przypadku krótkoczasowej transformaty Fouriera (STFT), po zastąpieniu okna cp(t) (5) 2aA t -A co =4ĄA w (7 Położenie okna czasowo-częstotliwościowego na płaszczyźnie t/f, dla transformaty falkowej, pokazano na rysunku 1. Na rysunku 2, dla celów porównawczych, zilustrowano ideę czasowo-częstotliwościowej (STFT) oraz falkowej metody sygnałów. Widać na nim wyraźnie, że w odróżnieniu od metody STFT, gdzie rozdzielczość czasowo-częstotliwościowa jest ustalona na całej płaszczyźnie t/f, w metodzie falkowej rozmiary okna czasowo-częstotliwościowego są funkcją jego położenia na tej płaszczyźnie. 646 PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/2004
2 W Ji 2a 2 A, (2/a 2 )A ffi (t) Rys.4 Ilustracja przesuwania falki w czasie Rys.1 Zobrazowanie idei transformaty lalkowej na płaszczyźnie t/f Na tle powyższych rozważań można, w sposób opisowy, zdefiniować proces rozkładu falkowego. Zawiera on 5 charakterystycznych kroków. 1. Wybraną falkę ustawić na początku fragmentu sygnału przeznaczonego do. Wyznaczyć umowną wartość liczbową odpowiadającą korelacji między bieżącą falką i odpowiadającym jej segmentem sygnału. Uwaga! - w przypadku unormowania energii sygnału w aspekcie użytej falki, wspomniana liczba będzie równoważna wartości współczynnika korelacji wzajemnej między falką, a wybranym segmentem sygnału. CZAS Analiza STFT CZAS Analiza falkowa Rys.2 Porównanie metod : STFT (obserwacja właściwości sygnału na płaszczyźnie czas-częstotliwość), falkowa (obserwacja właściwości sygnału na płaszczyźnie czas-skala) Idea rozkładu falkowego Na rysunku 3 zamieszczono przykłady skalowania funkcji dla pewnej (typowej) falki. W przypadku sinusoidy istnieje ścisłe odwzorowanie skala-częstotliwość, dla falki nie jest ono tak oczywiste. W związku z tym, jak już wspomniano wcześniej, pozostaje się przy pojęciu skalowania. Rys.5 Ilustracja etapu 1 i 2 rozkładu falkowego 3. Przesunąć falkę o jeden cykl w prawo i powtórzyć działanie opisane w kroku 2. Sekwencję kroków 3, 2 powtarzać aż do końca trwania sygnału. Wysoka skala Rys.6 Ilustracja etapu 3 rozkładu falkowego Średnia skala x(t) = iy(2t) 4. Rozciągnąć falkę i powtórzyć kroki od 1 do Powtórzyć kroki od 1 do 4 aż do wyczerpania wszystkich skal Niska skala Rys.3 Przykłady skalowania funkcji Proces skalowania falki może przebiegać w dwu kierunkach, określa się je mianem kompresji (ściskania) i rozciągania. W przykładzie zamieszczonym na rysunku 3 do skalowania falki zastosowano kompresję. Drugi parametr rozkładu falkowego to przesunięcie. Sposób przesuwania falki w czasie przedstawia rysunek 4. Rys.7 Ilustracja etapu 4 i 5 rozkładu falkowego Powyższy przykład operuje w zakresie tzw. diadycznego charakteru zmian w obrębie skali i przesunięcia charakterystycznych dla dyskretnej transformaty falkowej (DWT). Pod pojęciem ciągłej transformaty falkowej (CWT) kryje się sposób umożliwiający użycie dowolnej, zmienianej w sposób ciągły, skali oraz ciągłego przesunięcia w czasie. Oczywiście, w kontekście sygnałów dyskretnych ciągłość, w obydwu wskazanych przypadkach, oznacza zmiany w obrębie jednej próbki sygnału (co jedną próbkę). PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/
3 Należy zauważyć, że w analizie falkowej wyższa skala równoważna jest bardziej rozciągniętej falce (patrz rysunek 3). Im bardziej rozciągnięta falka (wyższa skala) tym większa sekcja sygnału, z którą jest porównywana i tym bardziej zgrubne cechy sygnału wyeksponowane są za pomocą odpowiadającego jej współczynnika. Podsumowanie tego spostrzeżenia zawarto w tabeli 1. Tabela 1 Charakterystyka falkowej Niska skala falkowej Wysoka skala falkowej Ściśnięta falka Rozciągnięta falka Szybkozmienn e detale Wolnozmienne cechy sygnału Wysoka częstotliwość Niska częstotliwość Fakt, że analiza falkowa nie obrazuje cech sygnału na płaszczyźnie czas-częstotliwość, lecz czas-skala nie stanowi o słabości metody, a wręcz przeciwnie - o jej sile. Okazuje się, że jest to naturalna metoda opisu wielu zjawisk fizycznych odbieranych przez zmysły człowieka. Trzeba się z nią pogodzić i do niej przyzwyczaić. Dyskretna transformata falkowa Podobnie jak w przypadkach DFT oraz STFT definiuje się pojęcie dyskretnej transformaty falkowej (Discrete Wavelet Transform: DWT). W tym celu przyjmuje się, że: (6) " ~ ' ~ (gdzie / opisuje przesunięcie, a s współczynnik skali, 1=0,1,2,... s=0,l,2,...) co w konsekwencji, po dodatkowym przyjęciu założenia o dyskretyzacji x(t), daje nową formę zapisu transformaty: = W(l2~ s,2~ s ) = Warto pamiętać, że transformata falkowa nie spełnia warunku niezmienności względem przesunięcia, a przesunięcie funkcji w czasie: x,(t)=x(t-tj, objawia się w dziedzinie falkowej raczej w sposób bardzo nieprzyjazny [7]: diadycznych: f/2" 5, 2~ s ). Analiza jest utrudniona, gdy baza nie l i..ml spełnia warunku ortonormalności. Wymaga to zdefiniowania tzw. falki dualnej i sformułowania bazy: Algorytm dekompozycji falkowej - piramida Mallata Bardzo efektywna metoda implementacji algorytmu DWT dokonanej z użyciem filtrów opracowana została w 1988 roku przez Mallata [4]. Nawiązuje ona do, znanej z częstotliwościowej, metody kodowania w podpasmach i realizuje tzw. szybką transformatę falkowa (Fast Wavelet Transform: FWT). Do falkowej wprowadzono dwa pojęcia: aproksymacji i detalu. Pod pojęciem aproksymacji rozumie się niskoczęstotliwościowe składowe sygnału. Detale to składowe wysokoczęstotliwościowe. Wspomniany proces filtracji, obejmuje dwa filtry: dolnopasmowy (H) i górnopasmowy (G). Filtr dolnopasmowy odtwarza aproksymację, a górnopasmowy detal sygnału (rys. 8). G H 12 Rys.8 Schemat filtracyjnej dekompozycji falkowej Oryginalny sygnał S przechodzi przez parę komplementarnych filtrów, które rozdzielają go na dwie składowe a, (aproksymacja) i d t (detal). W przypadku filtracji cyfrowej podwaja się liczba danych, przeznaczonych do dalszego przetwarzania. Wygodnym sposobem ograniczenia tej liczby w metodzie falkowej jest decymacja, polegająca na odrzuceniu co drugiej próbki danych. Przykład pierwszego poziomu dekompozycji falkowej pewnego rzeczywistego sygnału pomiarowego zamieszczono na rysunku 9. Sygnał oryginalny (8) \x m (t) (2 s t-l)dt = Aproksymacja: cal Detal: cdi Na tym etapie rozważań można się pokusić o sformułowanie wyrażenia na szereg falkowy, który istnieje dla dowolnej funkcji x(t)el 2 (9f): (9) s l Jeżeli zatem (wjt)] tworzy ortonormalną bazę w przestrzeni L 2 (9t) to podobnie jak w przypadku szeregu Fouriera: (10) Okazuje się, że w odróżnieniu od transformaty Fouriera szereg falkowy otrzymuje się po spróbkowaniu transformaty ciągłej na płaszczyźnie t/s, w wybranych punktach Rys.9 Przykład pierwszego poziomu dekompozycji falkowej sygnału Pełny proces dekompozycji zawiera szereg członów tworzących tzw. drzewo dekompozycji falkowej. Przykład takiego drzewa zamieszczono na rysunku 10. Z metrologicznego punktu widzenia można by poprzestać na omówieniu procesu dekompozycji falkowej, zwanego inaczej procesem. Nierzadko jednak, np. w zastosowaniu do kompresji sygnałów konieczne jest, możliwie wierne, odtworzenie postaci sygnału oryginalnego. Proces ten, w metodzie falkowej określany jest mianem rekonstrukcji lub syntezy. 648 PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/2004
4 Oryginalny sygnał cyfrowy może być zrekonstruowany przy wykorzystaniu podobnego algorytmu piramidy jak przy analizie falkowej. Zostało udowodnione przez Mallata, że aproksymacja sygnału z rozdzielczością a może być wyznaczona w postaci: (11) a i =2f j (h(n-2k)a i+j (k)+g'(n-2k)d i+l (k)} (12) -N-l W kontekście funkcji skalującej falka zdefiniowana jest za pomocą tego samego równania dylatacyjnego opisanego za pomocą innego zestawu współczynników. (13) Współczynniki H={h k j, oraz G=fg k ] są rozumiane jako współczynniki pary kwadraturowych filtrów lustrzanych. W przypadku bazy ortonormalnej związane są zależnością wzajemną: g k =(-lfh N _ k. Rys.10 Drzewo dekompozycji falkowej: S - sygnał oryginalny, d, - detal w i-tej skali, a, - aproksymacja w i-tej skali Z równania powyższego wynika, że reprezentacja a, może być zrekonstruowana przez wstawienie zera pomiędzy każdą próbkę sygnałów a i+1 i d i+1 i obliczenie splotów tak utworzonych sygnałów odpowiednio z odpowiedziami impulsowymi filtrów H' i G'. Proces ten, dla jednego kroku, jest zilustrowany na rysunku 11. Oryginalny sygnał cyfrowy S jest otrzymany przez powtórzenie tej procedury y razy, gdzie J oznacza ilość poziomów dekompozycji falkowej sygnału. 12 H' Przestrzenie wielorozdzielcze Celem dopełnienia opisu wielorozdzielczej, warto wspomnieć, że bazuje on na podziale przestrzeni funkcji na tzw. podprzestrzenie (rys. 12) A s -2 As-3 W s.3 A s -i w s. 2 As W s -, Rys. 12 Hierarchiczna struktura przestrzeni wielorozdzielczej Zagnieżdżone podprzestrzenie aproksymacyjne {AJ generowane są przez funkcję skalującą <p(t) (tzn. y(t)ea s ): P G' (14) (0}--c.A_, ca 0 c A, C---L 2 Rys.11 Rekonstrukcja cyfrowej aproksymacji a, z aproksymacji o niższej rozdzielczości «, w i sygnału szczegółowego dn.,. Dobór charakterystyk filtrów rozkładu falkowego jest podyktowany doborem kształtu falki tego rozkładu. Wydaje się, że z punktu widzenia metrologicznej ten sposób doboru parametrów jest lepszy niż pierwotne skonstruowanie falki, a potem projektowanie dla niej filtru (w szczególnych przypadkach może się okazać, że łatwiej jest dobrać kształt falki do kształtu sygnału; przykładem może tu być sygnał elektrokardiogramu). Zwłaszcza, że niemożliwe jest użycie całkiem dowolnej ograniczonej w czasie funkcji, o zerowej wartości średniej, nazwanie jej falką i użycie w procesie, jeżeli zamierza się zrekonstruować sygnał w przyszłości. Trzeba to zrobić w kontekście istnienia zespołu kwadraturowych filtrów lustrzanych. Ściśle rzecz ujmując, kształt falki i/ąt) jest jednoznacznie związany z charakterystyką filtru górnopasmowego wyodrębniającego detal w rozkładzie falkowym. Istnieje jeszcze jedna bardzo charakterystyczna funkcja związana ze zbiorami falek. Jest to tzw. funkcja skalująca, oznaczana symbolem <p(t). Jej kształt związany jest z charakterystykami dolnopasmowych kwadraturowych filtrów lustrzanych odpowiedzialnych za wyodrębnienie aproksymacji sygnału. Kształt funkcji skalującej jest zbliżony do kształtu odpowiadającej jej falki, z tym że zawiera ona składową stałą. Definiuje się ją w rekurencyjnym zapisie matematycznym za pomocą równania dylatacyjnego: Dodatkowe właściwości, które definiują przestrzeń wielorozdzielczą to: (15) x(t)e A s <=> x(2t)e A s+1 x(t)ea s <=> x(t-2~ s )e A Podprzestrzeń fwj zwana podprzestrzeniąfalkowąf^ełyj jest komplementarna do podprzestrzeni {AJ. Oznacza to, że: (16) A S W S =A S+1 s-l A S = e w (fc=-oo k Jeśli warunek A S 2W S jest spełniony to przestrzeń wielorozdzielczą tworzy dekompozycję ortogonalną. W innym przypadku, aby zbudować bazę należy stworzyć podprzestrzeń dualną: W d sja s, oraz odpowiadającą jej falkę dualną: i/e W 1,. Dekompozycja falkowa nosi wtedy miano biortogonalnej. Jak już wspomniano wcześniej, falkowe funkcje bazowe otrzymuje się z macierzystej funkcji falkowej drogą skalowania i przesunięcia: PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/
5 Przykłady funkcji falkowych Istnieje nieograniczona wręcz liczba możliwych do utworzenia falek jak i tzw. banków filtrów. Która z nich jest najlepsza zależy od konkretnej implementacji. Nazwy konkretnych rozwiązań pochodzą zwykle od kształtów lub nazwisk osób, które je po raz pierwszy użyły i opublikowały wyniki. Przykładowe nazwy to: Daubechies, Haar, Coiflets, Symlet, Spline, Battle-Lemarie. Przy doborze określonych funkcji falkowych do konkretnych zastosowań należy zwrócić uwagę na te właściwości, które mogą wpłynąć na jakość pożądanego rozwiązania. Należą do nich: zakres działania - nośnik (nośnikiem nazywamy zakres zmiennej niezależnej, przy którym funkcja falkowa przyjmuje wartości niezerowe) funkcji skalującej i macierzystej funkcji falkowej oraz ich transformacji Fouriera, który decyduje o ich właściwościach lokalizacyjnych w dziedzinie czasu i częstotliwości, symetria, która warunkuje uniknięcie zniekształceń fazowych, liczba momentów statystycznych tożsamościowo równych zeru - decyduje ona o jakości kompresji sygnałów (współczynniku kompresji oraz zniekształceniach wprowadzonych przy kompresji); większa liczba momentów równych zeru oznacza większą liczbę współczynników falkowych bliskich zeru odpowiadających na przykład obszarom o podobnym współczynniku szarości, regularność umożliwiająca bardziej lub mniej ciągłe odwzorowanie danych, ortogonalność lub biortogonalność, istnienie opisu jawnego, istnienie funkcji skalującej. Poniżej podane zostały przykłady niektórych szeroko stosowanych funkcji falkowych. Funkcje Haara są najprostszymi i jednocześnie najwcześniej zdefiniowanymi funkcjami falkowymi. Funkcja skalująca i macierzysta funkcja falkowa opisane są zależnościami w postaci jawnej: (18) (19) l dla 0<t<l O dla t g [0,1] l dla 0<t<l/2 = \-l dla l/2<t<l O dla t g [0,1] skalującej definiuje się funkcję falkowa (również N-tego rzędu) w postaci: (22) V s(t)=y j 8(k)<P(2t-k) przy czym g(k) oznacza odpowiedź impulsową filtru górnoprzepustowego związanego z h(k) zależnością: (23) unkc i ŁKa u a ca ^iur.acr.es 4 rzędu O lunkqa lalkowa Daubechies 4 rzędu transrormacja FFT tunkqi skalującej Daubechies 4 rzędu O rans!ormaqa FFT funkqi lalkowe: Daubsch.es 4 rzędu Rys. 13 Funkcja skalująca i falkowa Daubechies 4 rzędu (u góry) oraz widma funkcji skalującej i falkowej (u dołu) funkcja skalująca Dau&echies 20 rzędu funkqa taikowa Daubechies 20 rzędu Falkowe funkcje bazowe odpowiadające różnym poziomom, zdefiniowane w postaci dyskretnej spełniają relację: (20) Vi, s (t ) = 2~ l/2 i//(2~ l t-s) gdzie l oznacza przesunięcie, a s współczynnik skali. Funkcje falkowe Haara nie są ciągłe. Funkcje falkowe Daubechies nie mają opisu jawnego. Podstawę ich definicji stanowi funkcja skalująca (p(t) oraz określona na jej podstawie macierzysta funkcja falkowa y(t). Dla funkcji falkowej Daubechies AMego rzędu funkcja skalująca określona jest rekurencyjnym wzorem: transformacja FFT Iunkqi skalującej Daubechies 20 rzędu transformacja FFT tunkqi lalkowej Daubechies 20 rzędu (21) przy postaci funkcji wyjściowej ę t)=l dla te[0,l] i (R/t)=0 dla tg[0,1], gdzie h(k) oznacza odpowiedź impulsową pewnego filtru dolnoprzepustowego. Na bazie funkcji Rys.14 Funkcja skalująca i falkowa Daubechies 20 rzędu (u góry) oraz widma funkcji skalującej i faikowej (u dołu) 650 PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/2004
6 Funkcje falkowe Daubechies W-tego rzędu mają N zerowych (znikających) momentów. Nośnik tych funkcji jest równy 2N-1. Są to funkcje niesymetryczne, ortogonalne. Regularność funkcji wzrasta z wartością N. Przykładowe funkcje falkowe Daubechies i ich transformaty FFT przedstawione są na rysunku Coiflety zostały stworzone przez l. Daubechies. Określone są również zależnościami rekurencyjnymi i nie mają opisu jawnego. Jeżeli N oznacza rząd funkcji falkowej, to liczba zerujących się momentów funkcji ^jest równa 2N, natomiast liczba zerujących się momentów funkcji ę równa 2N-1. Coiflety mają zakres określoności równy 6N-1 i są znacznie bardziej symetryczne niż funkcje falkowe Daubechies. Są to również funkcje ortogonalne. Rysunek 16 przedstawia rozkład falkowy odpowiadający trzem poziomom transformacji falkowej dla obrazu Lena" o rozmiarze 256x256 pikseli. Reprezentacje falkowe funkcji wielowymiarowych Model reprezentacji falkowej funkcji może być łatwo rozszerzony na przestrzeń n wymiarową (n>l). W praktyce najczęściej rozpatruje się przestrzeń dwuwymiarową wykorzystywaną przy przetwarzaniu obrazów. Szczególnym przypadkiem dwuwymiarowej aproksymacji wielorozdzielczej jest separowalna aproksymacja wielorozdzielcza. Zostało wykazane, że dla tego przypadku funkcja skalująca <p(x,y) może być zapisana w postaci (f(x,y)=(f(x)(f(y), gdzie <p(x) i cp(y) są jednowymiarowymi funkcjami skalującymi. Wtedy trzy funkcje falkowe: (24) tworzą bazę ortonormalną przestrzeni wektorowej x(t)el 2 (9f). Używając separowalnej aproksymacji wielorozdzielczej nadaje się szczególną ważność poziomemu i pionowemu kierunkowi przetwarzanej funkcji dwuwymiarowej reprezentującej obraz. Różnica ilości informacji między a, i a M, charakteryzuje teraz trzy obrazy szczegółowe, związane z trzema rodzajami funkcji falkowych i//, \jf oraz i/r'. Rys. 16 Aproksymacja oraz obrazy szczegółowe odpowiadające trzem poziomom transformacji falkowej dla obrazu Lena" Przykładowe wyniki falkowej Dla ustanowienia pełnego obrazu metody falkowej poniżej przedstawiono wyniki dyskretnej falkowej (rys.17) oraz ciągłej falkowej tego samego sygnału (rys.18) uzyskane z wykorzystaniem wirtualnego przyrządu pomiarowego opracowanego przez autorów. A -32 V-32 (LH) V-64 (LH) H -32 (HL) D -32 (HH) H -64 (HL) D -64 (HH) H -128 (HL) V-128 (LH) D -128 (HH) Rys. 15 Aproksymacja oraz obrazy szczegółowe odpowiadające trzem poziomom transformacji falkowej Idea rozkładu falkowego w przypadku obrazów jest zaprezentowana na rysunku 15. Poszczególne obrazy dekompozycji falkowej są oznaczone za pomocą liter i cyfr. Litera V oznacza obraz detali liczony w kierunku pionowym, H - obraz detali liczonych w kierunku poziomym, D - obraz detali liczonych po przekątnej, a A - aproksymację sygnału. Liczby oznaczają rozmiar bloku: 128x128, 64x64, 32x32 itd. Rys.17 Przykładowy wynik dyskretnej falkowej; od góry: przebieg czasowy sygnału, aproksymacja sygnału, sygnał detalu liczony w skali 3,2, 1. PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/
7 iillll iii III ii i technik - jest w błędzie. Przed nami wciąż niezmierzony zakres nowych zastosowań i odkryć w tym zakresie. « i % ș* V) l ,, ',, i '.--..-i i '. i. ' i i ,01 CL J Q, l O.OB Time [sec] Rys.18 Przykładowy wynik ciągłej falkowej (CWT): od dołu: przebieg czasowy sygnału, zbiór współczynników w wybranej skali - zaznaczonej kursorem, rozkład falkowy na płaszczyźnie czasskala (t/s) Na rysunku 19 przedstawiono przykład sygnału EKG za pomocą dyskretnej transformacji falkowej. Zastosowano falkę Daubechies rzędu 4 oraz rozkład falkowy na sześć poziomów. Najciekawsze efekty można zaobserwować w skali 5 i 4. Tego typu analiza może posłużyć do precyzyjnego określenia położenia pewnych charakterystycznych punktów sygnału EKG, ważnych z punktu widzenia diagnostyki medycznej. Podsumowanie Po raz pierwszy termin wavelet" został użyty przez Haara w 1909 roku, lecz do wczesnych lat 70-tych analiza falkowa nie przyciągała większej uwagi. Począwszy od lat 70-tych, aż do dnia dzisiejszego naukowcy (matematycy) bardzo dogłębnie studiowali teorię falkowa, jak również stosowali falki w analizie sygnałów. Pierwotnie analiza falkowa została pomyślana jako narzędzie, które pozwoli wyeliminować niedogodności zarówno tradycyjnej jak i krótkoczasowej widmowej Fouriera. Cel został osiągnięty - rozdzielczość czsowoczęstotliwościowa podlega procesowi modyfikacji w trakcie procesu. Analiza falkowa znajduje dzięki temu niezwykle szerokie zastosowanie. Jeżeli jednak komuś wydaje się, że to co pozostało do zrobienia w analizie falkowej to tylko odświeżanie i unifikacja znanych już teorii i ,,, : Rys.19 Wynik dyskretnej falkowej sygnału EKG; od góry: przebieg czasowy sygnału, aproksymacja sygnału, sygnał detalu liczony w skali 5, sygnał detalu liczony w skali 4. LITERATURA [1] Bremaud P., Mathematical Principles of Signal Processing, Springer, [2] LabWindows/CVI: User Manuał [3] Mallat S., A Theory of Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Transactions on Pattern Analysis and Machinę Intelligence 11, [4] Mallat S., A wavelet Tour Of Signal Processing, Academic Press, [5] Matlab: Wavelet Toolbox for Use with Matlab, Mathworks Inc., 2002 [6] National Instruments: Signal Processing Toolset User Manuał, 2001 [7] Rak R.J., Wirtualny przyrząd pomiarowy - realne narzędzie współczesnej metrologii, Oficyna Wydawnicza Politechniki Warszawskiej, [8] Zieliński T., Od teorii do cyfrowego przetwarzania sygnałów, Wydział EAliE Akademia Górniczo-Hutnicza, Kraków, Autorzy: prof. dr hab. inż. Remigiusz J. Rak, rakrem@iem.pw.edu.pl; dr inż. Andrzej Majkowski, amajk@iem.pw.edu.pl; Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno- Pomiarowych, ul. Koszykowa 75, Warszawa. 652 PRZEGLĄD ELEKTROTECHNICZNY R. 80 NR 6/2004
Akwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Analiza czas - częstotliwość analiza częstotliwościowa: problem dla sygnału niestacjonarnego zwykła transformata
Bardziej szczegółowo2. Próbkowanie Sygnały okresowe (16). Trygonometryczny szereg Fouriera (17). Częstotliwość Nyquista (20).
SPIS TREŚCI ROZDZIAŁ I SYGNAŁY CYFROWE 9 1. Pojęcia wstępne Wiadomości, informacje, dane, sygnały (9). Sygnał jako nośnik informacji (11). Sygnał jako funkcja (12). Sygnał analogowy (13). Sygnał cyfrowy
Bardziej szczegółowoLABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 12. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ.
LABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 1. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ. Transformacja falkowa (ang. wavelet falka) przeznaczona jest do analizy
Bardziej szczegółowoCyfrowe przetwarzanie i kompresja danych
Cyfrowe przetwarzanie i kompresja danych dr inż.. Wojciech Zając Wykład 5. Dyskretna transformata falkowa Schemat systemu transmisji danych wizyjnych Źródło danych Przetwarzanie Przesył Przetwarzanie Prezentacja
Bardziej szczegółowoPrzetwarzanie Sygnałów. Zastosowanie Transformaty Falkowej w nadzorowaniu
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka Zastosowanie Transformaty Falkowej
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 4 Transformacja falkowa Opracował: - prof. dr hab. inż. Krzysztof Kałużyński Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 2 Analiza sygnału EKG przy użyciu transformacji falkowej Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - inż. Tomasz Kubik Politechnika
Bardziej szczegółowoEKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Janusz Bobulski Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska ul. Dąbrowskiego 73 42-200 Częstochowa januszb@icis.pcz.pl EKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Bardziej szczegółowouzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem próbkowania t takim, że T = t N 1 t
4. 1 3. " P r ze c ie k " w idm ow y 1 0 2 4.13. "PRZECIEK" WIDMOWY Rozważmy szereg czasowy {x r } dla r = 0, 1,..., N 1 uzyskany w wyniku próbkowania okresowego przebiegu czasowego x(t) ze stałym czasem
Bardziej szczegółowoPrzedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3.
Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3. Sygnały deterministyczne 4 1.3.1. Parametry 4 1.3.2. Przykłady 7 1.3.3. Sygnały
Bardziej szczegółowoTRANSFORMATA FALKOWA 2D. Oprogramowanie Systemów Obrazowania 2016/2017
TRANSFORMATA FALKOWA 2D Oprogramowanie Systemów Obrazowania 2016/2017 Wielorozdzielczość - dekompozycja sygnału w ciąg sygnałów o coraz mniejszej rozdzielczości na wielu poziomach gdzie: s l+1 - aproksymata
Bardziej szczegółowoTRANSFORMATA FALKOWA. Joanna Świebocka-Więk
TRANSFORMATA FALKOWA Joanna Świebocka-Więk Plan prezentacji 1. Fala a falka czyli porównanie transformaty Fouriera i falkowej 2. Funkcja falkowa a funkcja skalująca 3. Ciągła transformata falkowa 1. Skala
Bardziej szczegółowoCyfrowe przetwarzanie sygnałów. Wykład 10. Transformata cosinusowa. Falki. Transformata falkowa. dr inż. Robert Kazała
Cyfrowe przetwarzanie sygnałów Wykład 10 Transformata cosinusowa. Falki. Transformata falkowa. dr inż. Robert Kazała 1 Transformata cosinusowa Dyskretna transformacja kosinusowa, (DCT ang. discrete cosine
Bardziej szczegółowoPrzekształcenia widmowe Transformata Fouriera. Adam Wojciechowski
Przekształcenia widmowe Transformata Fouriera Adam Wojciechowski Przekształcenia widmowe Odmiana przekształceń kontekstowych, w których kontekstem jest w zasadzie cały obraz. Za pomocą transformaty Fouriera
Bardziej szczegółowoPodstawy Przetwarzania Sygnałów
Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech
Bardziej szczegółowoZastosowanie falek w przetwarzaniu obrazów
Informatyka, S2 sem. Letni, 2013/2014, wykład#1 Zastosowanie falek w przetwarzaniu obrazów dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Alfréd Haar Alfréd
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoTeoria sygnałów Signal Theory. Elektrotechnika I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny)
. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Teoria sygnałów Signal Theory A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW
Bardziej szczegółowoZjawisko aliasingu. Filtr antyaliasingowy. Przecieki widma - okna czasowe.
Katedra Mechaniki i Podstaw Konstrukcji Maszyn POLITECHNIKA OPOLSKA Komputerowe wspomaganie eksperymentu Zjawisko aliasingu.. Przecieki widma - okna czasowe. dr inż. Roland PAWLICZEK Zjawisko aliasingu
Bardziej szczegółowoMODELOWANIE OBRAZÓW METODAMI ANALIZY FUNKCJONALNEJ (WIELU SKAL)
MODELOWANIE OBRAZÓW METODAMI ANALIZY FUNKCJONALNEJ (WIELU SKAL) Materiały KWOD, A.Przelaskowski Analiza funkcjonalna i harmoniczna Falki Dekompozycja falkowa Falki W Podsumowanie Wprowadzenie: technika,
Bardziej szczegółowoPOSZUKIWANIE FALKOWYCH MIAR POTENCJAŁU INFORMACYJNEGO OBRAZÓW CYFROWYCH JAKO WSKAŹNIKÓW JAKOŚCI WIZUALNEJ
Krystian Pyka POSZUKIWANIE FALKOWYCH MIAR POTENCJAŁU INFORMACYJNEGO OBRAZÓW CYFROWYCH JAKO WSKAŹNIKÓW JAKOŚCI WIZUALNEJ Streszczenie. W pracy przedstawiono wyniki badań nad wykorzystaniem falek do analizy
Bardziej szczegółowo9. Dyskretna transformata Fouriera algorytm FFT
Transformata Fouriera ma szerokie zastosowanie w analizie i syntezie układów i systemów elektronicznych, gdyż pozwala na połączenie dwóch sposobów przedstawiania sygnałów reprezentacji w dziedzinie czasu
Bardziej szczegółowoTransformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
Bardziej szczegółowoTransformata Fouriera. Sylwia Kołoda Magdalena Pacek Krzysztof Kolago
Transformata Fouriera Sylwia Kołoda Magdalena Pacek Krzysztof Kolago Transformacja Fouriera rozkłada funkcję okresową na szereg funkcji okresowych tak, że uzyskana transformata podaje w jaki sposób poszczególne
Bardziej szczegółowoPrzekształcenie Fouriera obrazów FFT
Przekształcenie ouriera obrazów T 6 P. Strumiłło, M. Strzelecki Przekształcenie ouriera ourier wymyślił sposób rozkładu szerokiej klasy funkcji (sygnałów) okresowych na składowe harmoniczne; taką reprezentację
Bardziej szczegółowo8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT)
8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT) Ćwiczenie polega na wykonaniu analizy widmowej zadanych sygnałów metodą FFT, a następnie określeniu amplitud i częstotliwości głównych składowych
Bardziej szczegółowoPrzetwarzanie obrazów wykład 6. Adam Wojciechowski
Przetwarzanie obrazów wykład 6 Adam Wojciechowski Przykłady obrazów cyfrowych i ich F-obrazów Parzysta liczba powtarzalnych wzorców Transformata Fouriera może być przydatna przy wykrywaniu określonych
Bardziej szczegółowoZastosowanie analizy falkowej do wykrywania uszkodzeń łożysk tocznych
Paweł EWERT 1, Anna DOROSŁAWSKA 2 Politechnika Wrocławska, Wydział Elektryczny, Katedra Maszyn, Napędów i Pomiarów Elektrycznych (1), Politechnika Wrocławska (2) doi:10.15199/48.2017.01.72 Zastosowanie
Bardziej szczegółowoprzedmiot kierunkowy (podstawowy / kierunkowy / inny HES) obieralny (obowiązkowy / nieobowiązkowy) polski semestr VI
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2018/2019
Bardziej szczegółowoprzetworzonego sygnału
Synteza falek ortogonalnych na podstawie oceny przetworzonego sygnału Instytut Informatyki Politechnika Łódzka 28 lutego 2012 Plan prezentacji 1 Sformułowanie problemu 2 3 4 Historia przekształcenia falkowego
Bardziej szczegółowoDYSKRETNE PRZEKSZTAŁCENIE FOURIERA C.D.
CPS 6 DYSKRETE PRZEKSZTAŁCEIE FOURIERA C.D. Twierdzenie o przesunięciu Istnieje ważna właściwość DFT, znana jako twierdzenie o przesunięciu. Mówi ono, że: Przesunięcie w czasie okresowego ciągu wejściowego
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoĆwiczenia nr 7. TEMATYKA: Krzywe Bézier a
TEMATYKA: Krzywe Bézier a Ćwiczenia nr 7 DEFINICJE: Interpolacja: przybliżanie funkcji za pomocą innej funkcji, zwykle wielomianu, tak aby były sobie równe w zadanych punktach. Poniżej przykład interpolacji
Bardziej szczegółowoFalki, transformacje falkowe i ich wykorzystanie
Falki, transformacje falkowe i ich wykorzystanie Wstęp Praca próbuje opisać czym jest falka oraz podać zastosowania falek w praktyce. Na wstępie w Postaci matematycznej falki zaprezentujemy czym jest problem
Bardziej szczegółowoTransformata Fouriera
Transformata Fouriera Program wykładu 1. Wprowadzenie teoretyczne 2. Algorytm FFT 3. Zastosowanie analizy Fouriera 4. Przykłady programów Wprowadzenie teoretyczne Zespolona transformata Fouriera Jeżeli
Bardziej szczegółowoCYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera)
I. Wprowadzenie do ćwiczenia CYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera) Ogólnie termin przetwarzanie sygnałów odnosi się do nauki analizowania zmiennych w czasie procesów fizycznych.
Bardziej szczegółowoAdaptive wavelet synthesis for improving digital image processing
for improving digital image processing Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 4 listopada 2010 Plan prezentacji 1 Wstęp 2 Dyskretne przekształcenie falkowe
Bardziej szczegółowoNIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU
II Konferencja Naukowa KNWS'05 "Informatyka- sztuka czy rzemios o" 15-18 czerwca 2005, Z otniki Luba skie NIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU Wojciech Zając Instytut Informatyki
Bardziej szczegółowoOpis efektów kształcenia dla modułu zajęć
Nazwa modułu: Teoria i przetwarzanie sygnałów Rok akademicki: 2013/2014 Kod: EEL-1-524-s Punkty ECTS: 6 Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Elektrotechnika
Bardziej szczegółowoKompresja dźwięku w standardzie MPEG-1
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 7, strona 1. Kompresja dźwięku w standardzie MPEG-1 Ogólne założenia kompresji stratnej Zjawisko maskowania psychoakustycznego Schemat blokowy
Bardziej szczegółowoTRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH
1-2013 PROBLEMY EKSPLOATACJI 27 Izabela JÓZEFCZYK, Romuald MAŁECKI Politechnika Warszawska, Płock TRANSFORMATA FALKOWA WYBRANYCH SYGNAŁÓW SYMULACYJNYCH Słowa kluczowe Sygnał, dyskretna transformacja falkowa,
Bardziej szczegółowoTransformata Fouriera i analiza spektralna
Transformata Fouriera i analiza spektralna Z czego składają się sygnały? Sygnały jednowymiarowe, częstotliwość Liczby zespolone Transformata Fouriera Szybka Transformata Fouriera (FFT) FFT w 2D Przykłady
Bardziej szczegółowoDefinicja. x(u)h (u t)e i2πuf du. F x (t,f ;h) = Krótko czasowa transformata Fouriera Ciągłą transformata falkowa
Definicja Krótko czasowa transformata Fouriera(STFT) może być rozumiana jako seria transformat Fouriera wykonanych na sygnale okienkowanym, przy czym położenie okienka w czasie jest w ramach takiej serii
Bardziej szczegółowoĆwiczenie 3. Właściwości przekształcenia Fouriera
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 3. Właściwości przekształcenia Fouriera 1. Podstawowe właściwości przekształcenia
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoPOLITECHNIKA POZNAŃSKA
POLITECHNIKA POZNAŃSKA INSTYTUT ELEKTROTECHNIKI I ELEKTRONIKI PRZEMYSŁOWEJ Zakład Elektrotechniki Teoretycznej i Stosowanej Laboratorium Podstaw Telekomunikacji Ćwiczenie nr 1 Temat: Pomiar widma częstotliwościowego
Bardziej szczegółowoAnaliza i modelowanie przepływów w sieci Internet. Andrzej Andrijew
Analiza i modelowanie przepływów w sieci Internet Andrzej Andrijew Plan referatu Samopodobieostwo w sieci Internet Samopodobne procesy stochastyczne Metody sprawdzania samopodobieostwa Modelowanie przepływów
Bardziej szczegółowoFFT i dyskretny splot. Aplikacje w DSP
i dyskretny splot. Aplikacje w DSP Marcin Jenczmyk m.jenczmyk@knm.katowice.pl Wydział Matematyki, Fizyki i Chemii 10 maja 2014 M. Jenczmyk Sesja wiosenna KNM 2014 i dyskretny splot 1 / 17 Transformata
Bardziej szczegółowoAndrzej Leśnicki Laboratorium CPS Ćwiczenie 6 1/8 ĆWICZENIE 6. Dyskretne przekształcenie Fouriera DFT
Andrzej Leśnicki Laboratorium CPS Ćwiczenie 6 1/8 ĆWICZEIE 6 Dyskretne przekształcenie Fouriera DFT 1. Cel ćwiczenia Dyskretne przekształcenie Fouriera ( w skrócie oznaczane jako DFT z ang. Discrete Fourier
Bardziej szczegółowoĆwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy
Ćwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy Grupa: wtorek 18:3 Tomasz Niedziela I. CZĘŚĆ ĆWICZENIA 1. Cel i przebieg ćwiczenia. Celem ćwiczenia
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Plan na dziś 1 Przedstawienie przedmiotu i zakresu wykładu polecanej iteratury zasad zaliczenia 2 Wyklad
Bardziej szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
Bardziej szczegółowoTechnika audio część 2
Technika audio część 2 Wykład 12 Projektowanie cyfrowych układów elektronicznych Mgr inż. Łukasz Kirchner lukasz.kirchner@cs.put.poznan.pl http://www.cs.put.poznan.pl/lkirchner Wprowadzenie do filtracji
Bardziej szczegółowoKARTA MODUŁU / KARTA PRZEDMIOTU
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Cyfrowe przetwarzanie sygnałów pomiarowych_e2s
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza korelacyjna sygnałów dr hab. inż.
Bardziej szczegółowoAkustyka muzyczna ANALIZA DŹWIĘKÓW MUZYCZNYCH
Akustyka muzyczna ANALIZA DŹWIĘKÓW MUZYCZNYCH Dźwięk muzyczny Dźwięk muzyczny sygnał wytwarzany przez instrument muzyczny. Najważniejsze parametry: wysokość związana z częstotliwością podstawową, barwa
Bardziej szczegółowoZmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego.
Strona 1 z 38 Zmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego. Alicja Rzeszótko alicja@cbk.waw.pl 2 czerwca 2006 1 Omówienie danych 3 Strona główna Strona 2 z 38 2
Bardziej szczegółowoPolitechnika Warszawska
Politechnika Warszawska Wydział Elektryczny Laboratorium Teletechniki Skrypt do ćwiczenia T.02. Woltomierz RMS oraz Analizator Widma 1. Woltomierz RMS oraz Analizator Widma Ćwiczenie to ma na celu poznanie
Bardziej szczegółowoTransformata falkowa
Transformata falkowa dr inż. Przemysław Berowski p.berowski@iel.waw.pl Instytut Elektrotechniki Warszawa Joseph Fourier Fourier na podstawie badań rozpływu ciepła w niejednorodnie ogrzewanych ciałach zasugerował,
Bardziej szczegółowoĆwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej
Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej. Filtry FIR o skończonej odpowiedzi impulsowej (SOI) Filtracja FIR polega na tym, że sygnał wyjściowy powstaje
Bardziej szczegółowoW celu obliczenia charakterystyki częstotliwościowej zastosujemy wzór 1. charakterystyka amplitudowa 0,
Bierne obwody RC. Filtr dolnoprzepustowy. Filtr dolnoprzepustowy jest układem przenoszącym sygnały o małej częstotliwości bez zmian, a powodującym tłumienie i opóźnienie fazy sygnałów o większych częstotliwościach.
Bardziej szczegółowoKARTA PRZEDMIOTU. Techniki przetwarzania sygnałów, D1_3
KARTA PRZEDMIOTU 1. Informacje ogólne Nazwa przedmiotu i kod (wg planu studiów): Nazwa przedmiotu (j. ang.): Kierunek studiów: Specjalność/specjalizacja: Poziom kształcenia: Profil kształcenia: Forma studiów:
Bardziej szczegółowoODRĘBNA KOMPRESJA WYŻSZYCH OKTAW ELEKTROKARDIOGRAMU
ODRĘBNA KOMPRESJA WYŻSZYCH OKTAW ELEKTROKARDIOGRAMU Piotr Augustyniak Katedra Automatyki AGH, 30-059 Kraków, Mickiewicza 30, e_mail: august@biocyb.ia.agh.edu.pl Streszczenie Przedmiotem referatu jest algorytm
Bardziej szczegółowoIMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE Z RDZENIEM ARM7
Łukasz Deńca V rok Koło Techniki Cyfrowej dr inż. Wojciech Mysiński opiekun naukowy IMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoPROPAGACJA PROMIENIOWANIA PRZEZ UKŁAD OPTYCZNY W UJĘCIU FALOWYM. TRANSFORMACJE FAZOWE I SYGNAŁOWE
PROPAGACJA PROMIENIOWANIA PRZEZ UKŁAD OPTYCZNY W UJĘCIU FALOWYM. TRANSFORMACJE FAZOWE I SYGNAŁOWE prof. dr hab. inż. Krzysztof Patorski Przedmiotem tej części wykładu są podstawowe transformacje fazowe
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX3 Globalne transformacje obrazów Joanna Ratajczak, Wrocław, 2018 1 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami globalnych
Bardziej szczegółowoSzybka transformacja Fouriera (FFT Fast Fourier Transform)
Szybka transformacja Fouriera (FFT Fast Fourier Transform) Plan wykładu: 1. Transformacja Fouriera, iloczyn skalarny 2. DFT - dyskretna transformacja Fouriera 3. FFT szybka transformacja Fouriera a) algorytm
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim CYFROWE PRZETWARZANIE SYGNAŁÓW Nazwa w języku angielskim DIGITAL SIGNAL PROCESSING Kierunek studiów
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoĆwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej
Ćwiczenie 6 Projektowanie filtrów cyfrowych o skończonej i nieskończonej odpowiedzi impulsowej 1. Filtry FIR o skończonej odpowiedzi impulsowej (SOI) Filtracja FIR polega na tym, że sygnał wyjściowy powstaje
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie szóste Transformacje obrazu w dziedzinie częstotliwości 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami
Bardziej szczegółowoANALIZA SYGNAŁÓ W JEDNÓWYMIARÓWYCH
ANALIZA SYGNAŁÓ W JEDNÓWYMIARÓWYCH Generowanie podstawowych przebiegów okresowych sawtooth() przebieg trójkątny (wierzhołki +/-1, okres 2 ) square() przebieg kwadratowy (okres 2 ) gauspuls()przebieg sinusoidalny
Bardziej szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 8 Transformaty i kodowanie cz. 2. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 8 Transformaty i kodowanie cz. 2 Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS
Bardziej szczegółowodr inż. Artur Zieliński Katedra Elektrochemii, Korozji i Inżynierii Materiałowej Wydział Chemiczny PG pokój 311
dr inż. Artur Zieliński Katedra Elektrochemii, Korozji i Inżynierii Materiałowej Wydział Chemiczny PG pokój 3 Politechnika Gdaoska, 20 r. Publikacja współfinansowana ze środków Unii Europejskiej w ramach
Bardziej szczegółowoPolitechnika Łódzka. Instytut Systemów Inżynierii Elektrycznej
Politechnika Łódzka Instytut Systemów Inżynierii Elektrycznej Laboratorium komputerowych systemów pomiarowych Ćwiczenie 4 Filtracja sygnałów dyskretnych 1. Opis stanowiska Ćwiczenie jest realizowane w
Bardziej szczegółowoCYFROWE PRZETWARZANIE SYGNAŁÓW
POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza WYDZIAŁ ELEKTROTECHNIKI I INFORMATYKI Katedra Metrologii i Systemów Diagnostycznych CYFROWE PRZETWARZANIE SYGNAŁÓW Analiza widmowa sygnałów (2) dr inż. Robert
Bardziej szczegółowoKrzywa uniwersalna Sierpińskiego
Krzywa uniwersalna Sierpińskiego Małgorzata Blaszke Karol Grzyb Streszczenie W niniejszej pracy omówimy krzywą uniwersalną Sierpińskiego, zwaną również dywanem Sierpińskiego. Pokażemy klasyczną metodę
Bardziej szczegółowoPL B1. Sposób i układ pomiaru całkowitego współczynnika odkształcenia THD sygnałów elektrycznych w systemach zasilających
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 210969 (13) B1 (21) Numer zgłoszenia: 383047 (51) Int.Cl. G01R 23/16 (2006.01) G01R 23/20 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
Bardziej szczegółowoANALIZA WIDMOWA SYGNAŁÓW (1) Podstawowe charakterystyki widmowe, aliasing
POLITECHNIKA RZESZOWSKA KATEDRA METROLOGII I SYSTEMÓW DIAGNOSTYCZNYCH LABORATORIUM PRZETWARZANIA SYGNAŁÓW ANALIZA WIDMOWA SYGNAŁÓW (1) Podstawowe charakterystyki widmowe, aliasing I. Cel ćwiczenia Celem
Bardziej szczegółowoKompresja Danych. Streszczenie Studia Dzienne Wykład 13, f(t) = c n e inω0t, T f(t)e inω 0t dt.
1 Kodowanie podpasmowe Kompresja Danych Streszczenie Studia Dzienne Wykład 13, 18.05.2006 1.1 Transformaty, próbkowanie i filtry Korzystamy z faktów: Każdą funkcję okresową można reprezentować w postaci
Bardziej szczegółowoPrzestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH
Katedra Matematyki i Ekonomii Matematycznej SGH 23 października 2018 Definicja iloczynu skalarnego Definicja Iloczynem skalarnym w przestrzeni liniowej R n nazywamy odwzorowanie ( ) : R n R n R spełniające
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoFUNKCJE. Rozwiązywanie zadań Ćw. 1-3 a) b) str Ćw. 5 i 6 str. 141 dodatkowo podaj przeciwdziedzinę.
FUNKCJE Lekcja 61-6. Dziedzina i miejsce zerowe funkcji str. 140-14 Co to jest funkcja. Może przykłady. W matematyce funkcje najczęściej przedstawiamy za pomocą wzorów. Przykłady. Dziedzina to zbiór argumentów
Bardziej szczegółowoTransformata Laplace a to przekształcenie całkowe funkcji f(t) opisane następującym wzorem:
PPS 2 kartkówka 1 RÓWNANIE RÓŻNICOWE Jest to dyskretny odpowiednik równania różniczkowego. Równania różnicowe to pewne związki rekurencyjne określające w sposób niebezpośredni wartość danego wyrazu ciągu.
Bardziej szczegółowoZmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego.
Strona 1 z 27 Zmiany fazy/okresu oscylacji Chandlera i rocznej we współrzędnych bieguna ziemskiego. Alicja Rzeszótko Wiesław Kosek Waldemar Popiński Seminarium Sekcji Dynamiki Ziemi Komitetu Geodezji PAN
Bardziej szczegółowoRozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE
1. 1. W p r owadze n ie 1 Rozdział 1 PODSTAWOWE POJĘCIA I DEFINICJE 1.1. WPROWADZENIE SYGNAŁ nośnik informacji ANALIZA SYGNAŁU badanie, którego celem jest identyfikacja własności, cech, miar sygnału; odtwarzanie
Bardziej szczegółowoIII. Przebieg ćwiczenia. 1. Generowanie i wizualizacja przebiegów oraz wyznaczanie ich podstawowych parametrów
POLITECHNIKA RZESZOWSKA KATEDRA METROLOGII I SYSTEMÓW DIAGNOSTYCZNYCH LABORATORIUM GRAFICZNE ŚRODOWISKA PROGRAMOWANIA S.P. WPROWADZENIE DO UŻYTKOWANIA ŚRODOWISKA VEE (1) I. Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 7 Transformaty i kodowanie. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 7 Transformaty i kodowanie Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS Wykład
Bardziej szczegółowoDyskretne przekształcenie Fouriera cz. 2
Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1- Dyskretne przekształcenie Fouriera cz. 2 Twierdzenie o przesunięciu Istnieje ważna właściwość DFT, znana jako twierdzenie o przesunięciu. Mówi ono, że: przesunięcie
Bardziej szczegółowoZałóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb
Współzależność Załóżmy, że obserwujemy nie jedną lecz dwie cechy, które oznaczymy symbolami X i Y. Wyniki obserwacji obu cech w i-tym obiekcie oznaczymy parą liczb (x i, y i ). Geometrycznie taką parę
Bardziej szczegółowoDYSKRETNA TRANSFORMACJA FOURIERA
Laboratorium Teorii Sygnałów - DFT 1 DYSKRETNA TRANSFORMACJA FOURIERA Cel ćwiczenia Celem ćwiczenia jest przeprowadzenie analizy widmowej sygnałów okresowych za pomocą szybkiego przekształcenie Fouriera
Bardziej szczegółoworezonansu rezonansem napięć rezonansem szeregowym rezonansem prądów rezonansem równoległym
Lekcja szósta poświęcona będzie analizie zjawisk rezonansowych w obwodzie RLC. Zjawiskiem rezonansu nazywamy taki stan obwodu RLC przy którym prąd i napięcie są ze sobą w fazie. W stanie rezonansu przesunięcie
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoĆWICZENIE 6 Transmitancje operatorowe, charakterystyki częstotliwościowe układów aktywnych pierwszego, drugiego i wyższych rzędów
ĆWICZENIE 6 Transmitancje operatorowe, charakterystyki częstotliwościowe układów aktywnych pierwszego, drugiego i wyższych rzędów. Cel ćwiczenia Badanie układów pierwszego rzędu różniczkującego, całkującego
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 6. Transformata cosinusowa. Krótkookresowa transformata Fouriera.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 6 Transformata cosinusowa. Krótkookresowa transformata Fouriera. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów
Bardziej szczegółowoFILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI
FILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI ( frequency domain filters) Każdy człon F(u,v) zawiera wszystkie wartości f(x,y) modyfikowane przez wartości członów wykładniczych Za wyjątkiem trywialnych przypadków
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowo