タグ付けされた質問 「reconstruction」

離散ウェーブレット変換（DWT）詳細係数と元の信号/その再構成との関係を直接視覚化しようとしています。目標は、それらの関係を直感的な方法で示すことです。質問したい（下記の質問を参照）：私が思いついたアイデアとプロセスがこれまでに正しいかどうか、そして関係を視覚化する前に元の信号から第1レベルの近似値を差し引くほうがよいと私が正しい場合。 最小限の例 これは、1024の値を持つPythonのECGサンプルデータを単純な1D信号として使用して、私が説明の基にした最小限の例です。pywavelets import pywt import pywt.data import numpy as np import matplotlib.pyplot as plt x = pywt.data.ecg() plt.plot(x) plt.legend(['Original signal']) 分解は、合計6レベルのSymmlet 5を使用して行われます。 w = pywt.Wavelet('sym5') plt.plot(w.dec_lo) coeffs = pywt.wavedec(x, w, level=6) （不可逆）信号の再構成は、意図的に高レベルの詳細係数を除外したときに期待どおりに機能します（信号は、便宜上、均一なxスケール[0,1]にプロットされています）。 def reconstruction_plot(yyy, **kwargs): """Plot signal vector on x [0,1] independently of amount of values it contains.""" plt.plot(np.linspace(0, …

12 python  wavelet  reconstruction  decomposition  visualization 

圧縮された漫画の画像があります。例： それらにはそのようなノイズがあり、削除するのは容易ではありません。 ピクセルが灰色の背景にある場合でも、ノイズピクセルは非常に異なる色になる可能性があり、そのような画像の（グレースケール画像の）ヒストグラムを見ると、メインカラーのビンの周りに多数のビンが見られます。ただし、重要な機能（目など）を削除するリスクがあるため、メインカラーではない値の色だけを削除することはできません。また、画像をポスタリゼーション化しようとしましたが（例では8色を表示しています）、一部のピクセルがまだ残っています。 また、メジアンフィルターを試しましたが、そのような重いノイズを消すことはできません（私は3 * 3フィルターを使用しています）。 この場合、ノイズを効果的に除去できる方法をいくつか教えてください。私はどんな助けにも感謝します！

9 image-processing  filters  noise  reconstruction 

ナイキストシャノンサンプリング定理によれば、帯域幅をもつ任意の連続時間信号 BBB ナイキスト周波数よりも小さい fN=fs/2fN=fs/2f_N=f_s/2 （と fsfsf_s サンプリング周波数）、これはサンプリング周波数でサンプリングされます fsfsf_ssinc補間（つまり、Whittaker–Shannon補間公式）によって完全に再構築できます。 一定のサンプリング時間で、大きさが制限された連続時間信号である未知のサンプルをサンプリングすると仮定します。 T=1/fsT=1/fsT=1/f_s サンプルインスタンスで kTkTkT、（k∈Zk∈Zk\in\mathbb{Z}）、サンプリングジッタまたは量子化なし。次の制約を追加しますB=αfNB=αfNB=\alpha f_N、 0≤α≤10≤α≤10\leq\alpha\leq 1。 私が理解したいのは以下です： サンプルの瞬間kkk、それぞれについて決定したい αα\alphaサンプル間の任意の連続時間信号の最悪の場合の部分的な「オーバーシュート」k−1k−1k-1 そして kkk、私が持っていたかもしれないこと。つまり、連続時間信号が、サンプルの瞬間の最高（絶対）サンプリング値よりどれだけ高かったかkkk そして k−1k−1k-1。サンプリングによって「失われた」連続信号または再構築（sinc補間は完璧なので!!）。 例： 設定α=1α=1\alpha=1 離散時間信号[1,0,1,0,1,1,0,1,0,1]と仮定します（中央付近のdouble 1に注意してください。この信号は α=1α=1\alpha=1？）。サンプル（黒のインパルス）からのsincの再構成（青い線）は次のようになります（各サンプルに属するsincを灰色でプロットしました）： サンプル間の「オーバーシュート」k=0k=0k=0 そして k=1k=1k=1、 ≈0.7≈0.7\approx 0.7 または 70%70%70\%。したがって、元の帯域制限された連続時間、または「完全に帯域制限された再構築された」信号で、値1.7のピークを逃しました。私が3つ以上の連続した1を置いた場合、オーバーシュートは少なくなります（ギブス現象は結局はるかに小さくなります）。したがって、このような2つの連続したサンプルは「最悪のケース」です。 信号を両方向に拡張すると、オーバーシュートが大きくなります。 これは、≈1.1≈1.1\approx 1.1 ほぼ2.1の値に。 シーケンスの長さ 2m2m2m、この「オーバーシュート」 o(m)o(m)o(m) 無期限に成長し、 o(m)∝ln(m)o(m)∝ln⁡(m)o(m)\propto\ln{(m)}に行く ∞∞\infty いつ m→∞m→∞m\to\infty。これは、sincの各サンプルが建設的な「干渉」を生み出し、1/πn1/πn1/\pi n （単位sincのすべてのエンベロープの貢献） n→∞n→∞n\to\infty 収束しません。 …

9 sampling  interpolation  nyquist  reconstruction 

再生のサンプリングレートとして192kHzを使用することをめぐる宗教戦争について、私は自分の理解を深めようとしています（インターネットの両側に豊富な資料があるようです）。再構成フィルターの仕組みを理解するのに苦労しています。 ナイキスト-シャノンのサンプリング定理しばしば抗192キャンプで引用は、基本的に、44.1kHzのサンプルレートが20kHzの損失なしの帯域制限された信号を再構築するのに十分であると述べています。ただし、Whittaker–Shannon補間式を見ると、理想的な再構成フィルターはすべてのサンプル、つまり過去および将来のすべてのサンプルにアクセスできる必要があるように思えます。 私はアナログオーディオの専門家ではありませんが、そのようなデバイスを構築できるとは思えません。せいぜい、十分な将来のサンプルが到着するのを「待つ」ために遅延が導入され、現在の出力の瞬間に対する利用できない将来のサンプルの寄与が無視できるようになると思います。 誰かが実用的な再構成フィルターがどのように機能するか、そしてそれらのトレードオフは何かを説明できますか？サンプルのウィンドウのみが利用可能である場合、または再構成の待ち時間が許容できない場合、ナイキストシャノンの定理に理論的に厳しい制限はありますか？

8 nyquist  reconstruction  digital-to-analog 

で、この論文一様サンプリングよりも優れた性能を示すことができるランダムにサンプリング：ラスティグの、彼は直感的表示されます何かについて話します。これらのスライドの 15ページ目からこれを理解しようとしましたが、本当に何も理解できません。 周波数係数のランダム置換を行うと、信号の類似性の点でより良い再構成が得られるのはなぜですか？なぜこれはより良い再構成をもたらすのですか、そしてこの現象の背後にある直感は何ですか？

7 signal-analysis  sampling  downsampling  random  reconstruction 

コンピュータービジョンと3D再構成の問題は、カメラの固有パラメーターを取得することです。一般的な解決策は、チェッカーボードなど、事前に形状の測定値がわかっているオブジェクトを使用することです。この方法の問題は、焦点距離や倍率など、カメラのパラメーターを変更するたびに行う必要があることです。 A Self Technique for Self-Calibrationで説明されているカメラのセルフキャリブレーションを実装しようとしています。必須行列は、2つの特異値によって制約されます。これを使用して、手動のキャリブレーションを実行せずに（つまり、チェッカーボードを使用して）カメラの組み込み機能を回復できます。コスト関数を最小化する方法に少し混乱しています。これが私がこれまでに理解したことです： 必須行列 E=KT2FK1E=K2TFK1E=K_2^TFK_1 固有行列 K=⎡⎣⎢αバツ00sεαバツ0あなた0v01⎤⎦⎥K=[αxsu00ϵαxv0001]K=\begin{bmatrix}\alpha_x & s & u_0 \\ 0 & \epsilon\alpha_x & v_0 \\ 0 & 0 & 1\end{bmatrix} αバツαx\alpha_x焦点距離と倍率の積 ] εϵ\epsilonアスペクト比[提供されていると仮定します。カメラまたはEXIFデータから推測しますか？] あなた0v0u0v0u_0 v_0はの座標です[0、0と仮定] sss skew [仮定0] コスト関数 sはの特異値であるC（K私、i = 1 .. n ）=Σ私はjん（σ1私はj- σ2私はj）/ σ1私はjC(Ki,i=1..n)=∑ijn(σ1ij−σ2ij)/σ1ijC(K_i,i=1..n)=\sum_{ij}^n(\sigma1_{ij}-\sigma2_{ij})/\sigma1_{ij}σσ\sigmaKTjF私はjKjKjTFijKjK_j^TF_{ij}K_j 質問：このコスト関数はどのように最小化されていますか？

7 computer-vision  3d  reconstruction  stereo-vision  geometry