- •1.1. Введение. Роль информационных технологий.
- •1.2. Компьютеризированные системы цифровой обработки
- •1.3. Классификация сигналов. Их характеристики.
- •Энергетические характеристики сигналов:
- •2.1. Обобщенный ряд Фурье и системы базисных функций.
- •2.2. Разложение в ряд Фурье.
- •2.3. Примеры разложения в ряд Фурье.
- •Б) Пилообразный сигнал.
- •3.1 Преобразование Фурье.
- •3.2. Свойства преобразования Фурье.
- •4.1. Аналоговые, дискретные и цифровые сигналы.
- •4.2. Частота Найквиста.
- •4.3. Спектр дискретного сигнала.
- •4.4. Теорема Котельникова.
- •Частота дискретизации
- •5.1. Функции окна.
- •5.2. Виды окон.
- •5.3. Особенности функций окна.
- •6.1. Нерекурсивные фильтры
- •6.1.1. Алгоритм.
- •6.1.2. Импульсная характеристика.
- •6.1.3. Передаточная функция.
- •6.1.4. Определение параметров нерекурсивного фильтра низкой частоты.
- •6.1.5. Синтез нрф с использованием окон.
- •6.1.5. Расчет коэффициентов фильтра.
- •6.2. Явление Гиббса.
- •7.1. Коэффициенты для высокочастотных, полосовых и
- •7.2. Расчет вч, пф и рф.
- •Преобразование фнч в пф.
- •Преобразование фнч в режекторный фильтр.
- •8.1. Корреляционный анализ.
- •9.1. Основные свойства речевых сигналов.
- •9.2. Дискретизация и квантование речевых сигналов.
- •Обработке речевых и аудио сигналов.
- •10.1. Анализ речевых сигналов во временной области.
- •Одним из важных параметров речевого сигнала является его энергия:
- •Энергия может служить хорошей мерой отличия вокализованных и невокализованных участков речи. Энергия невокализованных участков речи намного меньше, чем вокализованных.
- •10.2. Анализ речевых сигналов в частотной области.
- •10.3. Гомоморфная обработка речи.
- •10.4. Психоакустическая модель восприятия звука.
- •Технологии при обработке и анализе изображений.
- •11.1. Обработка изображений, предназначенных для зрительного
- •Применение обработки изображений в задачах анализа.
- •Теоретические основы обработки изображений.
- •11.2. Сигналы во временной и пространственной областях.
- •12.1. Модель реставрации изображений.
- •12.2. Методы повышения контраста.
- •13.1. Операторы сглаживания.
- •Низкочастотные операторы с усреднением.
- •Низкочастотные гауссовские операторы.
- •12.2. Другие методы сглаживания.
- •Пороговое сглаживание.
- •Сигнально-адаптивные сглаживающие операторы.
- •Подчеркивание контуров низкочастотным оператором.
- •Подчеркивание контуров дифференциальным оператором.
- •Градиентные операторы.
- •Операторы Лапласа.
- •Специальные методы обострения контуров.
- •14.1. Основные требования к алгоритмам сжатия изображений. Класс изображений.
- •Примеры приложений, использующих алгоритмы компрессии графики
- •Требования к алгоритму.
- •Критерии оценки алгоритмов сжатия изображений.
- •14.2. Алгоритмы архивации без потерь.
- •14.2.1. Алгоритм rle.
- •14.2.2. Алгоритм lzw.
- •14.2.3. Алгоритм Хаффмана.
- •15.1. Алгоритм jpeg.
- •Работа алгоритма.
- •Характеристики алгоритма jpeg.
- •15.2. Рекурсивный (волновой) алгоритм.
- •Заключение.
6.1.4. Определение параметров нерекурсивного фильтра низкой частоты.
Синтез НРФ состоит в определении импульсной характеристики фильтра, обеспечивающей выполнение требований, предъявляемых к фильтру.
Этапы синтеза:
Определение числа коэффициентов (порядка ЦФ).
Выбор метода синтеза, минимизирующего отклонение между желаемыми и реальными характеристиками фильтра.
Вычисление коэффициентов.
Анализ результатов синтеза и принятие решения. Если результат неудовлетворительный – синтез повторяют.
Основным преимуществом НРФ по сравнению с РФ является получение линейной (частотной) характеристики ЧХ.
Существует 4 вида НРФ:
- нечетное и коэффициенты симметричные;
- четное и коэффициенты симметричные;
- нечетное и коэффициенты несимметричные;
- четное и коэффициенты несимметричные.
ЦФ
с четными коэффициентами задерживают
выходные сигналы на
периода дискретизации. Мы будем
рассматривать НРФ с
нечетными симметричными коэффициентами.
6.1.5. Синтез нрф с использованием окон.
При синтезе НРФ возникает задача определения весовых коэффициентов так, чтобы заданная желаемая передаточная функция хорошо достигалась «по возможности». Это «по возможности» хорошо достигается, если аппроксимировать заданную передаточную функцию по методу наименьших квадратов.
Для определения коэффициентов необходимо:
Задать вид ПФ идеального фильтра (желаемую передаточную функцию)
:
Рис 3. Передаточная функция идеального фильтра.
Помнить о свойствах ДПФ – периодичности:
Рис 4. Передаточная функция цифрового фильтра.
Т.к. аппроксимация передаточной характеристики
производится рядом Фурье, то нужно
помнить о его особенностях: с ростом
членов ряда ошибка аппроксимации
уменьшается:
Рис 5. Передаточная функция реализованного фильтра.
Метод наименьших квадратов Гаусса служит критерием аппроксимации:
.
(8)
Погрешность аппроксимации минимальна в среднем квадратическом, если весовые коэффициенты искомого фильтра являются коэффициентами разложения в ряд . Во временной области разложение в ряд Фурье выглядит так:
.
(9)
Коэффициенты этого ряда вычисляются по уравнению:
.
(10)
В
частотной области передаточная функция
совпадает с ДПФ весовых коэффициентов
фильтра.
С учетом (4) получаем:
.
(11)
Разобьем данное выражение на два интеграла с нижним пределом .
.
(12)
Если
-
четная,
,
то
.
(13)
Если
-
нечетная,
,
то
.
(14)
6.1.5. Расчет коэффициентов фильтра.
Определим
коэффициенты идеального фильтра низкой
частоты (ФНЧ) с передаточной функцией
при
;
-
четная. Используя (13) получим:
.
(15)
Таким образом, коэффициенты фильтра зависят от граничной частоты и частоты дискретизации, поэтому часто при определении параметров фильтра определяется граничная круговая частота:
,
(16)
Уравнение для вычисления коэффициентов ФНЧ имеет вид:
.
(17)
Пример:
Рассчитать
фильтр низких частот, если
.
1)
;
2)
;
;
.
Уравнение фильтра согласно (1) выглядит следующим образом:
,
передаточная функция:
.
Рис 6. Передаточная функция ФНЧ, параметры которого
определены по методу наименьших квадратов.
