タグ付けされた質問 「correlation」

画像のフィルターによって行われる相関と畳み込みの違いは何ですか？ 信号処理の定義の意味では、畳み込みはLTIシステムの出力を表すことを知っています。つまり、LTIシステムが入力システムとの畳み込みにより出力を生成する場合、出力信号は畳み込みの結果として記述することができます入力信号とLTIシステムのインパルス応答。相関に関しては、信号間の類似性を記述します。しかし、畳み込みと相関は画像にどのように影響し、効果の点でどのように違いますか？ ありがとう

18 image-processing  convolution  image  correlation 

以下に示すように、ノイズの影響を受ける2つのオーディオ信号x（t）とy（t）があると仮定します。そして、これら2つの信号を相互相関させ、相互相関プロットを以下に示します。 この相関プロットには、約-11ミリ秒にピーク値があります。このプロットでこのピークをどのように解釈するかを理解しようとしていますか？どういう意味ですか？相関関数のフーリエ変換から何が得られるかについても教えてください。 前もって感謝します！

10 fft  fourier-transform  noise  correlation  peak-detection 

信号の2つ以上の部分が相互に関連していると半形式的に説明するために相互に関連付けられているという考えに、しばしばつまずきます。たとえば、画像処理では、エッジフィーチャ上の2つのピクセルは相関する傾向がありますが、粒子シミュレーションで水滴を表す3D構造の2つの隣接する部分はあまり相関していません。私の質問は、この概念の背後にある正確なアイデアは何ですか。

10 statistics  correlation  terminology 

ウィキペディアから、自動相関は同じ信号で行われ、相互相関は異なる信号で行われることがわかりますが、これは実際にはアプリケーションの観点から何を意味するのでしょうか？常に同じ信号に相互相関を適用して同じ出力を得ることができます。そして、畳み込みでは、1つの信号が反転します。数学的には、式を理解します。 しかし、これらの3つはアプリケーションの観点から何を意味するのでしょうか。

9 correlation  autocorrelation  cross-correlation  convolution 

信号間の相関の尺度として、相関とコヒーレンスの両方を使用しました。時間-周波数アプローチが私にこれらの世界のベストを与えると思っていました。 私の質問は、この余分なデータが信号の全体像に十分に追加され、計算の一部としてウェーブレット変換を行うことに関連する計算コストの増加を正当化できるかどうかです。 参照：ArXiv論文：S.Klimenko、G.Mitselmakher、A.Sazonovによる「確率的重力波の検出のためのウェーブレットドメインでの相互相関手法」

9 coherence  correlation  wavelet 

1D 位相相関アルゴリズムのテストに成功し、2つの合成画像間の垂直シフトを特定しました。 しかし、実際の画像に移動すると、変換をまったく検出できません（ピークが0にあり、これは間違った結果です）。 次の画像があります。 そして、結果の位相相関（マグニチュード、リアル、イマジナリー）： 画像の最初のスキャンラインは完全に白ですが、シフトは明らかに大きくなります（20ピクセル）。 予想される結果は、20行目の白い線で、合成画像または光ノイズでのみ発生します。 私のアルゴリズムは非常に単純です-各画像列について： ソースおよびターゲット画像列の1D FTを計算します（a=FT(A)、b=FT(B)） クロスパワースペクトルの計算（cross_power = a *. conj(b) / |a *. conj(b)|）- *.点ごとの乗算をconj(x)示し、複素共役を示します 位相相関の計算（phase = IFT(cross_power)） のすべての列で最大等級を見つけますphase。 コンセンサスピークの場所を見つける（たとえば、検出されたピークの場所の中央値） 実世界の（ノイズの多い）画像を処理するためにベースライン位相相関アルゴリズムを改善する方法を教えてください。 FFTベースの位相相関ではなく、NCC（正規化相互相関）を使用する必要がありますか？ 更新 私はゼロパディングを試し、循環シフト（画像の単純な線形シフトのみが望ましい）によって引き起こされるエラーを除外し、Wikipediaの元の画像でこれをテストしました。 単一のピークが存在するはずなので、明らかにそこにあります。 ただし、ノイズを減らして実際に結果を改善するためにわずかなスムージング（ガウスぼかし）を実行すると、位相相関が完全に損なわれます。 これが拡張バージョンです-元のピークは弱く（なぜ??）、ゼロシフトの周りに新しいピークが現れました（なぜ??）：

9 fourier-transform  image  cross-correlation  phase  correlation 

2つのプロットがあり、それぞれx軸に周波数、y軸にゲインがあります。1つのデータセットを参照として使用することで、それらの間の類似性を計算する必要があります。 グラフのx軸の値は同じで、x軸の範囲も同じです 2D相関または共分散は適切な作業を実行できますか？または、他のいくつかの投稿で読んだように、フレシェ距離またはDWTを選択する必要がありますか？ 最初のプロットは参照プロットです。 ここにプロットがあります： 助けてください！

7 correlation  waveform-similarity 

点群の線を検出するための最良のソリューションは何ですか？Hough Transform、Radon Transform、RANSAC（wikipediaを参照）、およびBrute-Force Search（wikipediaを参照）との比較が行われています。 点群の点の分散に対して最も堅牢なのはどれですか？ 注： 1-問題は画像ではなく3D点群についてです。 2-点群のポイントはランダムに分散されます（完全に疎な場所）。 3-優先する方向、サイズなどの観点から、探索されているオブジェクト（ライン）に関する情報はありません 。4-候補ラ​​インの周囲で許容範囲を考慮する必要があります。 アップデート： 私の実験によると、RANSACは一部の行を簡単に見逃してしまう可能性があります。エッジの迅速な検出には適していますが、ポイント分散の複雑さにより、望ましくない出力が生成される可能性があります。ハフとラドンは非常によく似ていて、3Dの点群を試す機会はありませんでしたが、2Dの場合はうまく機能します。見つかった行のセグメントの抽出は困難です。大規模なデータセットの場合、BFSは実際的ではありません。

7 edge-detection  correlation  point-cloud