Stáhnout prezentaci
Prezentace se nahrává, počkejte prosím
1
Diskrétní Fourierova transformace
2
Základní idea transformace
Inverzní Zpracování v transform. oblasti časové oblasti x(n) X(n) x(n)‘ X(n)‘
3
Diskrétní Fourierova transformace (exponenciální tvar)
Spojitá Fourierova transformace Diskrétní Fourierova transformace (exponenciální tvar) Diskrétní Fourierova transformace (goniometrický tvar) k – index DFT ve frekvenční oblasti, k=1,2,…,N-1
4
Každá hodnota X(m) je určená součtem součinů vstupních vzorků s hodnotami komplexní sinusoidy cos(Φ)-jsin(Φ). Přesná frekvence sinusoidy fa(m) závisí na počtu vzorků vstupního signálu N a vzorkovací frekvenci fs: Př. Při vzorkování 500 Hz a počtu vzorků N=4 jsou frekvence fa následující: X(0 )= 0Hz X(1)=125 Hz X(2)=250 Hz X(3)=375 Hz
5
Polární tvar DFT Xreal Ximag Ф Xmag Xm(k)=Xreal(k)+jXimag(k)
7
Při použití polární reprezentace DFT – pozor na následující možné problémy :
správnou konverzi fáze - sw většinou vrací fázový úhel v radiánech a to v rozsahu <–π/2, π/2 > při výpočtu fáze pozor na nulovou reálnou část ( přetečení) (fáze je v tomto případě ±90º pozor na správnou konverzi úhlu z intervalu <–π/2, π/2 > na interval <0, π > fáze u velmi nízkých amplitud, které se ztrácí v šumů může chaoticky kmitat okolo nulové hodnoty
8
Př : Uvažujme signál x(t) vzorkovaný frekvencí 8kHz reprezentovaný 8 vzorky
x(0) = x(1) = x(2) = x(3) = x(4) = x(5) = x(6) = x(7) =
10
Vlastnosti DFT Linearita k1x1(n)+ k2x2(n) ↔ k1X1(n)+ k2X2(n)
Periodičnost - funkce x(n) a X(n) jsou periodické s periodou P=N Kruhový časový posun Kruhový frekvenční posun
11
Kruhová konvoluce v časové oblasti
Kruhová konvoluce ve frekvenční oblasti Obraz obrácené posloupnosti Vlastnosti spektra reálné posloupnosti
12
Vlastnosti spektra reálné a sudé posloupnosti
je-li x(n) reálná a sudá je i X(k) reálná sudá Vlastnosti spektra reálné a liché posloupnosti je-li x(n) reálná a lichá, pak je X(k) imaginární, lichá Alternativní vzorec pro výpočet IDFT K výpočtu inverzní transformace je možné použít algoritmů pro výpočet DFT: nejprve obrátíme znaménka hodnot imaginární části X(k), vypočteme DFT obrátíme znaménka imaginárních částí vypočtených hodnot výsledek vydělíme N
13
Vlastnosti fázové charakteristiky
15
2-D DFT
16
vypočteme DFT pro jednotlivé řádky obrazu f(x,y) → F(u,y)
Z předchozích vztahů vyplývá, že 2D DFT je možné počítat postupně s využitím 1D DFT: vypočteme DFT pro jednotlivé řádky obrazu f(x,y) → F(u,y) Určíme 1D DFT pro každý sloupec matice F(u,y) Zobrazení DFT – použití logaritmické transformace Log(u,v) = k log(1+ F(u,v))
17
Vlastnosti 2-D DFT Natočení obrazu
18
Lineární kombinace obrazů
k1 f(x,y) + k2 g(x,y) <==> k1 F(u,v) + k2 G(u,v)
19
Posun obrazu – nemění se spektrum, ale fázový posun
20
Zvětšení obrazu
21
Sinusovka Čtverec Gausián Impulsy
22
Filtrace ve frekvenční oblasti
Dolní propust Filtr DP = * = x
23
Filtrace ve frekvenční oblasti
Holní propust Filtr HP = * = x
24
Filtrace ve frekvenční oblasti
Pásmová propust Filtr PP = * = x
25
Filtrace šumu
27
původní – filtrovaný obraz
Podobné prezentace
© 2024 SlidePlayer.cz Inc.
All rights reserved.