Giảm nhiễu hình ảnh tần số thời gian

Tôi đang tự hỏi những kỹ thuật nào có thể có sẵn để ' khử nhiễu ' hình ảnh tần số thời gian ví dụ sau đây được tạo bằng phương pháp của Welch . Cốt truyện sau đây được tạo ra từ một cảm biến robot. (Đây KHÔNG phải là hình ảnh màu - nó là hình ảnh thang độ xám - màu sắc chỉ được thêm vào cho mục đích trực quan).

Mục tiêu:

Mục tiêu của tôi cuối cùng là ước tính các khoảng cách xung mà bạn thấy ở đây, nếu các xung như vậy tồn tại. Đây có thể là một phần của một con gà và trứng, vì vậy đến cuối cùng, tôi tự hỏi: "Có tồn tại các xung của tỷ lệ này +/- 10% không?", Và đi phát hiện ra chúng. Những gì bạn đang thấy ở đây là tín hiệu (xung), nhưng cùng với sự can thiệp không mong muốn khác. Tuy nhiên, như Emre đã đề xuất, chúng có cấu trúc, mặc dù trong không gian Tần số Thời gian. Các bộ lọc tần số thời gian như vậy có tồn tại?

Tôi rất muốn thấy các giải pháp xử lý hình ảnh được áp dụng ở đây, nhưng tôi sẵn sàng cho bất kỳ giải pháp nào.

Do đó: Mục tiêu là loại bỏ tất cả các tín hiệu cường độ cao ngoại trừ các xung lặp lại (tìm thấy gần chỉ số 300 trên trục y) như có thể thấy. Tất cả các tín hiệu cường độ cao khác có thể được coi là "nhiễu".

Giả định bạn có thể thực hiện:

• Bạn có thể cho rằng bạn đại khái biết độ dài xung mà bạn đang thấy ở đây. (Hãy để chúng tôi nói, trong vòng +/- 10%). Nói cách khác, bạn đã quyết định tìm kiếm các xung có độ dài này. (+/-)

• Bạn có thể giả định rằng bạn cũng đại khái biết tỷ lệ rep của các xung, (một lần nữa, hãy để chúng tôi nói +/- 10%).

• Thật không may, bạn không biết tần số của họ chính xác hơn. Điều đó có nghĩa là, trong hình ảnh này, các xung ở mức 300, nhưng chúng có thể dễ dàng ở mức 100, hoặc 50, hoặc 489, hoặc bất cứ điều gì. Tuy nhiên, tin tốt là các tần số được hiển thị ở đây rất gần nhau, theo thứ tự là 10 Hz.

Một số suy nghĩ của tôi:

Xử lý ảnh POV:

• Các hoạt động hình thái đã xảy ra với tôi, tuy nhiên tôi không quá quen thuộc với những người đó để biết liệu họ có thể làm việc hay không. Tôi cho rằng ý tưởng có thể là 'đóng' và từ đó loại bỏ các vết bẩn 'lớn hơn'?

• Các hoạt động DFT hàng-wize có thể chỉ ra hàng nào không có giá trị, dựa trên các hàng quan tâm có mẫu lặp lại cao nhất, tuy nhiên, đó có thể không phải là giải pháp khả thi nếu các xung nằm cách xa nhau hoặc nếu hình ảnh nhiễu hơn.

• Chỉ cần nhìn vào hình ảnh, bạn gần như muốn 'thưởng' sự cô lập và 'trừng phạt' kết nối. Có một phương thức xử lý hình ảnh nào thực hiện loại hoạt động này không? (Hình thái trong tự nhiên một lần nữa).

Phương pháp nào có thể giúp ở đây?

Xử lý tín hiệu POV:

• Dải tần số hiển thị ở đây đã cực kỳ chặt chẽ, vì vậy tôi không chắc các thao tác lọc notch sẽ giúp ích. Hơn nữa, tần số chính xác của các xung được hiển thị trong phạm vi chặt chẽ này không được biết là a-prori.

• Bằng cách thực hiện ước đoán trên xung quan tâm ở đây, (độ dài của họ, và lần lặp lại) tôi có thể có thể tính toán DFT 2 chiều của 'mẫu' của tôi, và sử dụng điều này như một-D 2 Cepstral-dương lọc mà Tôi chỉ cần nhân hình ảnh Welch được hiển thị ở trên và sau đó thực hiện DFT 2-D nghịch đảo?

• OTOH có lẽ các bộ lọc Gabor sẽ là một kết hợp tốt ở đây? Xét cho cùng, chúng là các bộ lọc nhạy cảm định hướng, tương tự như các bộ xử lý hình ảnh V1 tích hợp của chúng ta . Làm thế nào họ có thể được khai thác ở đây?

Phương pháp nào có thể giúp trong lĩnh vực này?

Cảm ơn trước.

Tôi không có kinh nghiệm trong lĩnh vực này nhưng tôi thấy rằng nó đã được nghiên cứu: Cách tiếp cận entropy tối thiểu để từ chối phân phối tần suất thời gian

Trong bài báo này, chúng tôi giới thiệu một cách tiếp cận dựa trên entropy để từ chối phân phối tần suất thời gian. Cách tiếp cận mới này sử dụng phân rã phổ của các hạt tần số thời gian được đề xuất bởi Cickyham và Williams. Để khử nhiễu phân bố tần số thời gian, chúng tôi kết hợp các phổ đó với các giá trị entropy nhỏ nhất, do đó đảm bảo rằng mỗi phổ được tập trung tốt trên mặt phẳng tần số thời gian và chứa càng ít nhiễu càng tốt. Renyi entropy được sử dụng làm thước đo để định lượng độ phức tạp của từng phổ. Ngưỡng cho số lượng phổ kết hợp được chọn một cách thích ứng dựa trên sự đánh đổi giữa entropy và phương sai.

Về cơ bản vấn đề của bạn là một trong những sự tách biệt tín hiệu / nguồn ; phụ gia không trộn lẫn của một loạt các tín hiệu có cấu trúc. Để tiến hành, bạn cần mô hình hóa các tín hiệu của bạn. Rõ ràng một trong những mối quan tâm là định kỳ và tập trung vào một số tần số, vì vậy bạn cần ước tính khoảng thời gian (dọc theo trục x) và tần số trung tâm (trên trục y). Sau đó, bạn có thể đặc trưng cho những người khác (tiếng ồn). Đối với người mới bắt đầu, có vẻ như họ đến trong những đường cong đẹp.

Với một mô hình trong tay, tôi sẽ tham khảo một cuốn sách như Sổ tay phân tách nguồn mù: Phân tích thành phần và ứng dụng độc lập .

Từ một POV kỹ thuật thuần túy, giải pháp rõ ràng để "khóa" vào xung đó sẽ là Vòng khóa pha (PLL).

PLL chỉ là một bộ dao động chạy tự do có tần số có thể được điều chỉnh dựa trên mối quan hệ pha nhận biết với tín hiệu khác. Nếu tín hiệu khác là nhiễu thuần hoặc xung ở tần số hoàn toàn khác nhau thì mối quan hệ pha sẽ là ngẫu nhiên và bộ dao động sẽ không được điều chỉnh nhiều hướng (và sẽ tiếp tục "chạy tự do"). Tuy nhiên, nếu có tín hiệu, thậm chí là nhiễu tương đối, đang chạy ở cùng tần số với bộ dao động, cảm biến pha của PLL sẽ phát hiện điều này và điều chỉnh tần số dao động để khớp với tín hiệu khác. Tất nhiên, điều này giả định rằng trận đấu đã gần một nửa để bắt đầu. (Một vấn đề - mặc dù cũng là một tính năng hữu ích - của PLL là chúng sẽ vui vẻ bám vào sóng hài hoặc sóng con của tín hiệu đích, nếu tần số không phù hợp ban đầu quá lớn.)

Tôi chưa bao giờ sử dụng PLL trong công việc của mình, nhưng thuật ngữ này đã tồn tại khoảng 40 năm (ít nhất là khái niệm từ những năm 30) và có những PLL được xây dựng sẵn có sẵn dưới dạng IC riêng lẻ hoặc mô-đun thẻ đơn. Ngoài ra còn có "PLL kỹ thuật số" bắt chước khái niệm tương tự bằng cách sử dụng các thành phần kỹ thuật số. (Đây là về mức độ hiểu biết của tôi, nhưng có dễ dàng có 100 tài liệu tham khảo được tìm thấy bởi Google.)