Про знеструмлення зображень частоти часу

Мені цікаво, які методи можуть бути доступні для « знеструмлення » наступного прикладу частотно-частотного зображення, яке було створено за методом Вельча . Наступний сюжет був створений з роботизованого датчика. (Це НЕ кольорове зображення - це зображення в кольорах сірого - кольори додаються лише для візуальних цілей).

Мета:

Моя мета в кінцевому рахунку - оцінити інтервал імпульсів, який ви бачите тут, якщо такі імпульси існують. Це може бути дещо з курки і яєць, тому для цього я запитую себе: "Чи існують імпульси такої частоти повторності +/- 10%?", І починаю їх виявляти. Те, що ви бачите тут, - це сигнал (імпульси), але поряд з іншими нежаданими втручаннями. Однак, як запропонував Емре, вони мають структуру, хоча і в просторі Час Час. Чи існують часові частотні фільтри як такі?

Я б дуже хотів, щоб тут застосовувалися рішення для обробки зображень, але я відкритий для будь-якого рішення.

Таким чином: мета - зняти всі сигнали високої інтенсивності, крім повторюваних імпульсів (знайдених поблизу індексу 300 на осі y), як це видно. Всі інші сигнали високої інтенсивності можна розглядати як «перешкоди».

Ви можете зробити припущення:

• Ви можете припустити, що ви приблизно знаєте довжину пульсу, яку ви бачите тут. (Скажімо, в межах +/- 10%). По-іншому, ви вирішили шукати імпульси такої довжини. (+/-)

• Ви можете припустити, що ви також приблизно знаєте частоту повторень імпульсів, (знову ж таки скажімо, +/- 10%).

• На жаль, ви точно не знаєте їх частоти. Тобто, на цьому зображенні імпульси становлять 300, але вони могли бути так само легко, як 100, або 50, або 489, або що завгодно. Однак гарна новина полягає в тому, що ті показані тут частоти дуже близькі одна до одної, за порядком, наприклад, 10 Гц).

Деякі мої думки:

Обробка зображень POV:

• У мене траплялися морфологічні операції, проте я не надто знайомий з тими, щоб знати, чи можуть вони працювати, чи ні. Я припускаю, що ідея може бути «закрити» і, отже, видалити «більші» плями?

• Операції DFT з рядковими розмірами можуть вказувати, які рядки будуть нульовими, виходячи з рядків, що цікавлять, що мають найвищий візерунок, що повторюється, однак це може бути неприйнятним рішенням, якщо імпульсів мало і далеко, або якщо зображення є шумнішим.

• Просто дивлячись на зображення, ви майже хочете «нагородити» ізоляцією та «покарати» зв’язок. Чи існують такі способи обробки зображень, які виконують цю операцію? (Знову морфологічний характер).

Які методи можуть допомогти тут?

Обробка сигналу POV:

• Діапазон частот, показаний тут, вже надзвичайно щільний, тому я не впевнений, що операції з фільтруванням допоможуть допомогти. Більше того, точна частота імпульсів, показана в цьому жорсткому діапазоні, не відома априорі.

• Роблячи освічені здогадки щодо цікавих імпульсів (їх тривалості та часу повторення), я міг би обчислити двовимірний DFT мого «шаблону» і використати це як 2-D цепстрально-часовий фільтр, до якого Я просто помножую зображення Welch, показане вище, і виконую обернений 2-D DFT?

• OTOH, може, фільтри Габора були б хорошим поєднанням тут? Зрештою, це фільтри, орієнтовані на орієнтацію, подібні до наших власних вбудованих в V1 візуальних процесорів . Як їх тут експлуатувати?

Які методи можуть допомогти в цій галузі?

Заздалегідь спасибі.

Я не маю досвіду в цій галузі, але я бачу, що це було вивчено: Мінімальний ентропійний підхід до позначення розподілу часу та частоти

У цій роботі ми вводимо підхід, заснований на ентропії, для позначення розподілу часу та частоти. Цей новий підхід використовує спектрограмне розкладання ядер частоти частоти, запропоноване Каннінгамом та Вільямсом. Для позначення розподілу частоти за часом ми поєднуємо ці спектрограми з найменшими значеннями ентропії, забезпечуючи таким чином, щоб кожна спектрограма була добре сконцентрована на площині часової частоти і містить якомога менше шуму. Ентропія Рені використовується як міра для кількісної оцінки складності кожної спектрограми. Поріг кількості спектрограм для комбінування вибирається адаптивно, виходячи з компромісу між ентропією та дисперсією.

По суті, ваша проблема полягає в розділенні сигналу / джерела ; добавка змішування купки структурованих сигналів. Для того, щоб продовжити, вам потрібно моделювати ваші сигнали. Очевидно, що інтерес є періодичним і зосереджений на деякій частоті, тому потрібно оцінити період (уздовж осі x) та центральну частоту (по осі y). Тоді ви можете охарактеризувати інших (шум). Для початку здається, що вони входять в приємні криві.

Маючи в руках модель, я б проконсультувався з такою книгою, як « Довідник розділення сліпих джерел»: Незалежний аналіз компонентів та додатки .

З чисто інженерного POV, очевидним рішенням для "блокування" цього імпульсу буде фазова блокована петля (PLL).

ПЛЛ - це просто вільний ходовий генератор, частоту якого можна регулювати на основі сприйнятого фазового відношення до іншого сигналу. Якщо інший сигнал є чистим шумом або імпульсами на зовсім іншій частоті, то фазове відношення буде випадковим, і генератор не буде дуже коригуватися ні в напрямку, і буде продовжувати «вільний хід». Однак якщо є сигнал, навіть відносно галасливий, який працює приблизно з тією ж частотою, що і генератор, фазовий датчик PLL виявить це і відрегулює частоту генератора, щоб він відповідав іншому сигналу. Звичайно, це передбачає, що матч знаходиться на півдорозі, для початку. (Одна з проблем - хоча і корисна особливість - PLL - це те, що вони із задоволенням затягнуться на гармоніки або субгармоніки цільового сигналу, якщо початкова невідповідність частоти занадто велика.)

Я ніколи не використовував ЛЛС у власній роботі, але термін існував вже близько 40 років (концепція починаючи з 30-х років, принаймні), і є заздалегідь вбудовані ЛПЗ як окремі ІС, так і модулі з однією карткою. Існують також "цифрові PLL", які імітують аналогову концепцію за допомогою цифрових компонентів. (Це приблизно міра моїх знань, але Google легко знайде 100 посилань.)