Pada de-noising gambar frekuensi waktu

10

Saya ingin tahu apa teknik mungkin tersedia untuk ' de-noising ' contoh berikut gambar waktu-frekuensi yang telah dibuat menggunakan metode Welch . Plot berikut dibuat dari sensor robot. (Ini BUKAN gambar warna - ini adalah gambar abu-abu - warna ditambahkan hanya untuk tujuan visual).

masukkan deskripsi gambar di sini

Tujuan:

Tujuan saya pada akhirnya adalah memperkirakan jarak denyut nadi yang Anda lihat di sini, jika ada pulsa seperti itu. Ini mungkin agak seperti ayam dan telur, jadi untuk tujuan ini, saya bertanya pada diri sendiri, "Apakah pulsa rep-rate +/- 10% ini ada?", Dan lanjutkan dengan mendeteksinya. Apa yang Anda lihat di sini adalah sinyal (pulsa), tetapi bersama dengan gangguan yang tidak diinginkan lainnya. Namun seperti yang disarankan Emre, mereka memiliki struktur, meskipun dalam ruang Frekuensi Waktu. Apakah ada filter frekuensi waktu?

Saya sangat ingin melihat solusi pemrosesan gambar yang diterapkan di sini, tetapi saya terbuka untuk solusi apa pun.

Dengan demikian: Tujuannya adalah untuk menghapus semua sinyal intensitas tinggi kecuali pulsa berulang (ditemukan di dekat indeks 300 pada sumbu y) seperti yang dapat dilihat. Semua sinyal intensitas tinggi lainnya dapat dianggap sebagai 'gangguan'.

Asumsi yang dapat Anda buat:

  • Anda mungkin berasumsi bahwa Anda secara kasar mengetahui panjang pulsa yang Anda lihat di sini. (Katakanlah, dalam +/- 10%). Dengan kata lain, Anda telah memutuskan untuk mencari pulsa sepanjang ini. (+/-)

  • Anda dapat mengasumsikan bahwa Anda juga secara kasar mengetahui tingkat rep dari pulsa, (sekali lagi, izinkan kami mengatakan +/- 10%).

  • Sayangnya Anda tidak tahu frekuensinya lebih akurat. Dengan kata lain, dalam gambar ini pulsa berada pada 300, tetapi bisa saja dengan mudah mencapai 100, atau 50, atau 489, atau apa pun. Namun, kabar baiknya adalah bahwa frekuensi yang ditampilkan di sini sangat dekat satu sama lain, pada urutan katakanlah, 10's of Hz).

Beberapa pemikiran saya:

POV pemrosesan gambar:

  • Operasi morfologis telah terjadi pada saya, namun saya tidak terlalu akrab dengan mereka untuk mengetahui apakah mereka dapat bekerja atau tidak. Saya kira idenya mungkin untuk 'menutup' dan karenanya menghilangkan noda 'lebih besar'?

  • Operasi DFT baris-wize mungkin menunjukkan baris mana yang akan dibatalkan, berdasarkan baris bunga yang memiliki pola pengulangan tertinggi, namun itu mungkin bukan solusi yang dapat dilakukan jika pulsa sedikit dan jauh di antaranya, atau jika gambar lebih berisik.

  • Hanya dengan melihat gambar, Anda hampir ingin 'menghargai' isolasi, dan 'menghukum' konektivitas. Apakah ada metode pemrosesan gambar yang menyelesaikan operasi semacam ini? (Morfologis di alam lagi).

Metode apa yang mungkin membantu di sini?

POV pemrosesan sinyal:

  • Rentang frekuensi yang ditunjukkan di sini sudah sangat ketat sehingga saya tidak yakin operasi penyaringan takik akan membantu. Selain itu, frekuensi pasti dari pulsa yang ditunjukkan dalam kisaran ketat ini tidak diketahui a-priori.

  • Dengan membuat tebakan-tebakan yang mendidik tentang pulsa-pulsa yang diminati di sini, (panjangnya, dan waktu pengulangan) mungkin saya dapat menghitung DFT 2 dimensi dari 'templat' saya, dan memanfaatkannya sebagai filter cepstral-temporal 2-D yang digunakan untuk Saya cukup mengalikan gambar Welch yang ditunjukkan di atas, dan kemudian melakukan DFT 2-D terbalik?

  • OTOH mungkin filter Gabor akan cocok di sini? Bagaimanapun, mereka adalah filter yang peka terhadap orientasi, mirip dengan prosesor visual V1 bawaan kami . Bagaimana mereka bisa dieksploitasi di sini?

Metode apa yang mungkin membantu dalam domain ini?

Terima kasih sebelumnya.

Spacey
sumber
1
Apa yang diketahui tentang pulsa sebelumnya? Apakah Anda tahu frekuensinya (setidaknya perkiraan)? Durasi? Apakah mereka dimodulasi atau CW?
Jason R
@JasonR Saya telah diedit untuk menjawab qs Anda. Sejauh modulasi, mereka hanya mengulangi pulsa CW.
Spacey
Sumbu mana yang merupakan waktu dan frekuensi mana?
Daniel R Hicks
Cari makalah tentang S-transforms (serangkaian makalah oleh Robert Stockwell). Ini adalah formulasi sedikit lebih baik dari filter Gabor (saya lupa apa tepatnya itu - mungkin terbalik, tepatnya terbalik?). Ada aplikasi ini dalam sinyal de-noising. Jika Anda menemukan mereka berguna, saya dapat menulis jawaban singkat di atasnya
Lorem Ipsum
@yoda Terima kasih atas informasinya - Saya telah melihat kertas-kertas itu dan mereka sepertinya berguna, karena mereka sepertinya terkait dengan CWT, dan, maka mainkan permainan resolusi-waktu / resolusi-frekuensi. Ya, saya akan menyambut jawaban di atasnya. Terima kasih.
Spacey

Jawaban:

1

Saya tidak memiliki pengalaman di bidang ini, tetapi saya melihat bahwa hal itu telah dipelajari: Pendekatan entropi minimum untuk menentukan distribusi frekuensi waktu

Dalam makalah ini, kami memperkenalkan pendekatan berbasis entropi untuk denoising distribusi frekuensi waktu. Pendekatan baru ini menggunakan dekomposisi spektrogram dari kernel frekuensi-waktu yang diusulkan oleh Cunningham dan Williams. Untuk menentukan distribusi frekuensi waktu, kami menggabungkan spektogram tersebut dengan nilai entropi terkecil, sehingga memastikan bahwa setiap spektogram terkonsentrasi dengan baik pada bidang frekuensi waktu dan mengandung kebisingan sesedikit mungkin. Entropi Renyi digunakan sebagai ukuran untuk mengukur kompleksitas setiap spektogram. Ambang batas untuk jumlah spektrogram untuk digabungkan dipilih secara adaptif berdasarkan pertukaran antara entropi dan varians.

Pada dasarnya masalah Anda adalah salah satu dari pemisahan sinyal / sumber ; aditif pencampuran sekelompok sinyal terstruktur. Untuk melanjutkan, Anda perlu memodelkan sinyal Anda. Jelas yang menarik adalah periodik dan berpusat tentang beberapa frekuensi, jadi Anda perlu memperkirakan periode (sepanjang sumbu x) dan frekuensi pusat (pada sumbu y). Kemudian Anda bisa mencirikan yang lain (noise). Sebagai permulaan, tampaknya mereka datang dalam kurva yang bagus.

Dengan model di tangan saya akan berkonsultasi dengan buku seperti Handbook of Blind Source Separation: Independent Component Analysis and Applications .

Emre
sumber
Terima kasih. Saya harus membeli buku itu, kelihatannya bagus. Satu pertanyaan, sejauh BSS pergi, apakah tidak diharuskan ada beberapa sensor untuk BSS untuk bekerja? Dalam hal ini saya hanya memiliki 1 sensor. Atas kriteria apa sinyal dipisahkan dengan satu sensor saja?
Spacey
Tidak, tapi itu membantu. Asumsi umum adalah bahwa sumber sinyal itu sendiri tidak berkorelasi, meskipun ini bisa santai juga .
Emre
1

Dari POV murni rekayasa, solusi yang jelas untuk "mengunci" ke pulsa itu akan menjadi Phase Locked Loop (PLL).

PLL hanyalah osilator berjalan bebas yang frekuensinya dapat disesuaikan berdasarkan hubungan fase yang dirasakan dengan sinyal lain. Jika sinyal lainnya adalah noise murni atau pulsa pada frekuensi yang sama sekali berbeda maka hubungan fase akan acak dan osilator tidak akan disesuaikan banyak arah baik (dan akan terus "lari bebas"). Namun, jika ada sinyal, bahkan yang relatif berisik, yang beroperasi pada frekuensi yang sama dengan osilator, sensor fase PLL akan mendeteksi ini dan menyesuaikan frekuensi osilator agar sesuai dengan sinyal lainnya. Tentu saja, ini mengasumsikan bahwa pertandingan sudah hampir dimulai. (Satu masalah - meskipun juga fitur yang berguna - dari PLL adalah bahwa mereka akan dengan senang hati menempel pada harmonik atau subharmonik dari sinyal target, jika ketidaksesuaian frekuensi awal terlalu besar.)

Saya tidak pernah menggunakan PLL dalam pekerjaan saya sendiri, tetapi istilah ini sudah ada selama sekitar 40 tahun (konsep sejak 30-an, setidaknya), dan ada PLL pra-bangun yang tersedia sebagai IC individu atau modul kartu tunggal. Ada juga "PLL digital" yang meniru konsep analog menggunakan komponen digital. (Ini tentang tingkat pengetahuan saya, tetapi ada 100 referensi yang mudah ditemukan oleh Google.)

Daniel R Hicks
sumber
Daniel terima kasih. Hmm, sementara saya bisa mengerti konsep di sini, saya tidak yakin bagaimana tepatnya Anda akan menerapkan PPL di sini. Tentu saja tidak dalam domain waktu. Apakah Anda menyarankan menerapkan satu keluarga PPL di banyak baris di sini?
Spacey
Pada dasarnya, Anda akan mendapatkan PLL yang diumpankan oleh sinyal yang mengukur kekuatan sinyal dari sebuah band yang secara kasar berpusat pada frekuensi yang Anda minati, mungkin secara kasar mendekati ukuran fluks spektral. Kasus terburuk Anda mungkin harus mencoba beberapa PLL, masing-masing "mendengarkan" sepotong berbeda dari keseluruhan spektrum Anda. Tetapi dengan pemfilteran yang tepat (menghilangkan kebisingan tingkat yang lebih rendah, misalnya) yang mungkin tidak perlu.
Daniel R Hicks
Menarik. Saya kira itu analog dengan melihat DFT dari setiap baris di sini.
Spacey
Agak. Dari sudut pandang pemrosesan gambar, fluks spektral akan seperti mengambil salinan gambar, menggeser secara horizontal sejumlah kecil, dan mengurangi satu gambar dari yang lain. Ini adalah teknik "deteksi tepi" yang digunakan dalam sistem pengenalan optik.
Daniel R Hicks