Fourier-Transformasjoner
|
|
- Oddbjørg Kristoffersen
- 5 år siden
- Visninger:
Transkript
1 Fourier-Transformasjoner Lars Vidar Magnusson February 5, 2018 Delkapittel 4.1 Background Delkapittel 4.2 Preliminary Concepts Delkapittel 4.3 Sampling and the Fourier Transform of Sampled Functions Delkapittel 4.4 The Discrete Fourier Transform (DFT) of One Variable Delkapittel 4.5 Extension to Functions of Two Variables Delkapittel 4.6 Some Properties of the 2-D Discrete Fourier Transform
2 Fourier Fourier var en fransk matematiker/fysiker som levde på 1700/1800-tallet. Mest kjent for sitt bidrag til signalprosessering. Alle periodiske funksjoner kan beskrives som en sum av sinus og/eller cosinus ved ulike frekvenser ganget med en koeffisient. En slik sum kalles for en Fourier-rekke.
3 Periodiske Signal Bildet under illustrerer konseptet med at en periodisk funksjon kan deles opp i sin/cos-funksjoner. Merk transformasjonen kan utføres begge veier.
4 Fordelen med Filtrering i Frekvensdomenet Fordelen med filtrering i frekvensdomenet kan i hovedsak reduseres til følgende Mer effektivt (kjøretid) Kan være mer intiutivt Hvis vi har et M N bilde og et m n filtermaske (kernel) vil kjøretiden for spatial filtrering bli O(MNmn) Hvis filteret er separabelt får vi O(MN(m + n)) Det tilsvarende i frekvensdomenet er 2MN log 2 MN = O(MN log 2 MN)
5 Fordelen med Filtrering i Frekvensdomenet Vi kan illustrere forskjellen ved å betrakte de to variantene som et forhold. Vi har et bilde M M og et filter m m. Ikke separable C n(m) = M2 m 2 ) 2M 2 log 2 M 2 = m2 4 log 2 M Separable C s(m) = 2M2 m) 2M 2 log 2 M 2 m = 2 log 2 M
6 Fordelen med Filtrering i Frekvensdomenet Disse to funksjonene kan plottes for å illustrere forskjellen.
7 Et Eksempel Under har vi et eksempel på bruk av Fourier-transformasjonen.
8 Et Eksempel Under har vi et annet eksempel på bruk av Fourier-transformasjonen.
9 Teoretisk Bakgrunn - Komplekse Tall Fourier-transformasjonen er bygget på teorien om komplekse tall. Et kompleks tall C er definert som følgende. C = R + ji Hvor R og I er reele tall, mens j er kvadratroten av 1 i.e. j = 1. Den konjugerte av et kompleks tall er definert som følgende. C = R ji
10 Teoretisk Bakgrunn - Komplekse Tall Det kan ofte være nyttig å bruke polarkoordinater når vi jobber med komplekse tall. C = C (cos θ + j sin θ) Hvor C er lengden til vektoren og θ er vinkelen mellom vektoren og den reelle aksen. Vi har da også følgende... og tan θ = I R tan 1 I R = θ
11 Teoretisk Bakgrunn - Komplekse Tall Vi kan også benytte oss av Euler formelen og representere et komplekst tall med... siden C = C e jθ e jθ = cos θ + j sin θ
12 Teoretisk Bakgrunn - Komplekse Tall Alle disse formlene kan også benyttes for komplekse funksjoner. F (u) = R(u) + ji (u) Og den konjugerte er.. F (u) = R(u) ji (u)
13 Teoretisk Bakgrunn - Fourier-Rekker Vi kan nå formelt definere Fourier-rekker på følgende vis. Vi har en periodisk funksjon f (t) som har en periode T. hvor f (t) = n= c n e j 2πn T t c n = 1 T T /2 f (t)e 2πn j T t dt for n = ±1, ±2.... T /2
14 Teoretisk Bakgrunn - Impulssignaler og Siling Impulssignaler og deres silingsegenskaper (sifting properties) er sentrale for forståelsen av Fourier-transformasjonen. En enhetsimpuls for en kontinuerlig variabel t plassert ved t = 0 er definert som... { t = 0 δ(t) = 0 t 0 og den tilfredstiller også følgende identitet. δ(t)dt = 1 Vi har altså en uendelig topp med 0 i lengde, og som har et areal på 1.
15 Teoretisk Bakgrunn - Impulssignaler og Siling Silingsegenskapen til et impulssignal er definert med følgende ligning... f (t)δ(t)dt = f (0) Siling av en funksjon f (t) med et impulssignal gir derfor bare verdien til funksjonen på lokasjonen til signalet. Mer generelt kan vi si at for et impulssignal med en tilfeldig plassering t 0 så får vi følgende. f (t)δ(t t 0 )dt = f (t 0 )
16 Teoretisk Bakgrunn - Impulssignaler og Siling For en diskret variabel x får ligningene følgende utforming. δ(x) = { 1 x = 0 0 x 0 som åpenbart også tilfredstiller identiteten.. δ(x) = 1 Silingsegenskapen blir da... f (x)δ(x x 0 ) = f (x 0 )
17 Teoretisk Bakgrunn - Impulstog Vi kommer til å få bruk for impulssignaler i form av impulstog. Et impulstog s T (t) er summen av uendelig mange periodiske impulssignaler med T avstand. s T (t) = n= δ(t n T )
18 Teoretisk Bakgrunn - Impulstog Impulstog for både kontinuerlig og diskrete variable
19 Fourier-Tranformasjon - En Kontinuerlig Variabel Fourier-transformasjonen for funksjoner med en kontinuerlig variabel t er definert som F{f (t)} = f (t)e j2πµt dt µ og er en kontinuerlig variabel, t integreres bort, vi sitter igjen med bare µ og får derfor F{f (t)} = F (µ). F (µ) = f (t)e j2πµt dt µ angir frekvensen til hvert av delsignalene. Funksjonen kan også skrives som F (µ) = f (t)[cos(2πµt) j sin(2πµt)]dt
20 Fourier-Tranformasjon - En Kontinuerlig Variabel Vi kan bruke den samme forenklede notasjonen på den inverse transformasjonen. f (t) = F (µ)e j2πµt dµ Disse to ligningene utgjør Fourier-transformasjonspar og kan benyttes til konvertere til og fra et frekvensdomene (frequency domain).
21 Fourier-Tranformasjon - Et Eksempel Vi skal se på et enkelt eksempel. Vi har et rektangulært signal.
22 Fourier-Tranformasjon - Et Eksempel Ved litt utregning så får vi følgende. Som gir følgende plot... F (µ) = AW sin(πµw ) πµw
23 Fourier-Tranformasjon - Et Eksempel Som gir følgende plot... Legg merke til.. F (µ) (og F (µ) ) er 0 i posisjoner inverst proporsjonalt med W. Høyden minker med avstanden fra origo De strekker seg uendelig
24 Fourier-Tranformasjon av Impulssignal Fourier-transformasjonen av et impulssignal i origo blir.. F{δ(t)} = F (µ) = δ(t)e j2πµt dt = e j2πµ0 = 1 Hvis vi utvider til et tilfeldig plassert signal får vi... F (µ) = δ(t t 0 )e j2πµt dt = e j2πµt0 = cos(2πµt 0 ) j sin(2πµt 0 )
25 Fourier-Tranformasjon av Impulstog Siden vi kommer til å få bruk for det senere tar vi en titt på Fourier-transformasjonen til et impulstog. Siden impulstoget er periodisk får vi følgende... hvor s T (t) = n= c n e j 2πn T t c n = 1 T T /2 T /2 2πn j s T (t)e T t dt
26 Fourier-Tranformasjon av Impulstog Siden integralet bare ovelapper impulssignalet i origo, kan vi forenkle ytteligere. c n = 1 T = 1 T e0 = 1 T T /2 T /2 2πn j δ(t)e T t dt Vi får da følgende Fourier-rekkeutvidelse for signaltoget s T (t) = 1 T n= e j 2πn T t
27 Fourier-Tranformasjon av Impulstog Fourier-transformasjonen til et impulstog er nyttig når vi skal utlede den diskrete utgaven av Fourier-transformasjonen. Vi må få på plass et par ting først... F (µ) er den transformerte av f (t). Siden F er lik F 1 bortsett fra fortegnet i potensen, så følger det at.. F{F (t)} = f ( µ) Siden den transformerte av δ(t t 0) er e j2πµt 0, så følger det at... F{e j2πt 0t } = δ( µ t 0) Hvis vi sier at a = t 0 så kan vi også si følgende... F{e j2πat } = δ(µ a)
28 Fourier-Tranformasjon av Impulstog Vi kan nå endelig utlede Fourier-transformasjonen til impulstoget s T (t). S(µ) = F{s T (t)} { 1 = F T { = 1 T F = 1 T = 1 T n= n= n= n= F } e j 2πn T t } e j 2πn T t {e j 2πn T t} ( δ µ n ) T Vi kan se at Fourier-transformasjonen til et impulstog med periode T er også et impulstog med periode 1/ T.
29 Fourier-Transformasjon og Konvolusjon Konvolusjon for for funskjoner av kontinuerlige variable er definert som... f (t) h(t) = f (τ)h(t τ)dτ La oss se på Fourier-transformasjonen av denne ligningen. F{f (t) h(t)} = = f (τ) f (τ)h(t τ)dτ e j2πµt dt h(t τ)e j2πµt dt dτ Uttrykket i firkantparantesene er Fourier-transformasjonen til h(t τ).
30 Fourier-Transformasjon og Konvolusjon Det kan vises at F{h(t τ)} = H(µ)e j2πµτ dt. Vi kan derfor utlede at... F{f (t) h(t)} = f (τ)[h(µ)e j2πµτ ]dτ = H(µ) f (τ)e j2πµτ dτ = H(µ)F (µ) Dette gir oss følgende relasjoner. f (t) h(t) H(µ)F (µ) og f (t)h(t) H(µ) F (µ)
31 Sampling med Impulstog For å kunne arbeide med kontinuerlige funksjoner på en datamaskin må de diskretiseres (se Forelesning 2). Vi kan modellere sampling ved å multiplisere en kontinuerlig funksjon f med et impulstog. f (t) = f (t)s T (t) = n= Hvert komponent f k av denne summen er altså.. f (t)δ(t n T ) f k = f (t)δ(t k T )dt = f (k T )
32 Sampling med Impulstog
33 Fourier-Transformasjonen av Samplede Funksjoner Vi lar som tidligere F (µ) angi Fourier-transformasjonen av en funksjon f (t). Vi så på den forrige sliden at vi kan finne den samplede f (t) ved å multiplisere f (t) med et impulstog. Vi vet også at å multiplisere i spatial-domenet er det samme som å konvolere i frekvens-domenet. F (t) = F{ f (t)} = F{f (t)s T (t)} = F (µ) S(µ) hvor S(µ) er Fourier-tranformasjonen av s T (t)
34 Fourier-Transformasjonen av Samplede Funksjoner Nå kan vi utlede Fourier-tranformasjonen til en samplet funksjon. F (µ) = F (µ) S(µ) = = 1 T = 1 T F (τ)s(µ τ)dτ n= F (τ) F n= ( µ n ) T ( δ µ τ n ) dτ T
35 Fourier-Transformasjonen av Samplede Funksjoner Den siste linjen av ligningen på forrige side er gjentatt under. F (µ) = 1 T n= F ( µ n ) T Den viser oss at Fourier-transformasjonen av en samplet funksjon f er.. en uendelig periodisk sekvens av F (µ) en kontinuerlig
36 Hvordan Velge T Frekvensen til samplingen er kontrollert av T, så hvordan velger vi fornuftig verdi? Hvilke verdier tillater gjenoppretting av f (t)?
37 Hvordan Velge T - Nyquist Teoremet Man kan rekonstruere en kontinuerlig båndbegrenset f (t) dersom 1 2 T > µ max 1 T > 2µ max Dette kalles Nyquist (Sampling) teoremet. Den høyeste frekvensen som kan fanges med en sampling rate på 1/ T er.. µmax = 1 2 T
38 Hvordan Velge T - Aliasing Velger man for lav verdi vil man introdusere aliasing. Høyere frekvenser maskeres som lavere frekvenser
39 Diskret Fourier-Transformasjon (DFT) Nå har vi endelig lagt grunnlaget for å kunne begynne å definere Diskret Fourier-transformasjon (DFT). Vi har uttrykt F (µ) ved hjelp av den transformerte F (µ). Nå skal vi uttrykke den ved hjelp av f (t). F (µ) = f (t)e j2πµt dt = = = n= n= n= f (t)δ(t n T )e j2πµt dt f (t)δ(t n T )e j2πµt dt f ne j2πµn T
40 Diskret Fourier-Transformasjon (DFT) Nå er vi nesten i mål. Vi vet fra tidligere at F (µ) er uendelig periodisk med periode 1/ T. Vi henter ut M samples fra F i intervallet [0, 1/ T ] med følgende frekvenser. µ = m m = 0, 1, 2,..., M 1 M T Dette kan vi sette inn i resultatet fra forrige slide for å bringe oss i mål. F m = M 1 n=0 Dette er uttrykket for DFT. f n e j2πmn/m m = 0, 1, 2,..., M 1 Merk at tar samples i intervallet [0, 1/ T ]. Dette gjøres for at notasjonen skal holdes enkel.
41 Diskret Fourier-Transformasjon (DFT) Det gjenstår nå bare å definere Invers Diskret Fourier-Transformasjon (IDFT). f n = 1 M M 1 m=0 F m e j2πmn/m n = 0, 1, 2,..., M 1
42 Diskret Fourier-Transformasjon (DFT) Legg merke til hverken DFT eller IDFT er uttrykt med hverken T eller µ. Vi har brukt m og n, men det kan være mer intuitivt å ta i bruk x og u. F (u) = f (x) = 1 M M 1 x=0 M 1 u=0 Disse utgjør et transformasjonspar. f (x)e j2πux/m u = 0, 1, 2,..., M 1 F (u)e j2πux/m x = 0, 1, 2,..., M 1
43 Diskret Fourier-Transformasjon og Konvolusjon Den diskrete utgaven av konvolusjon er følgende... f (x) h(x) = M 1 m=0 Blir ofte refert til som sirkulær konvolusjon. f (m)(x m) Relasjonene definert for kontinuerlige funksjoner gjelder også for diskrete.. f (t) h(t) H(µ)F (µ) og f (t)h(t) H(µ) F (µ)
44 Forholdet mellom Sampling og Frekvens Intervallene f (x) består av M samples tatt med et mellomrom på T. Dette gir en total på.. T = M T Det tilsvarende intervallet u er... Hele frekvensområdet blir... u = 1 M T = 1 T Ω = M u = 1 T
45 Et Enkelt Eksempel Vi ser på et enkelt eksempel. f (x) = [1, 2, 4, 4]
46 Utvide til To Variable - Impulssignaler og Siling Vi har et to-dimensjonalt impulssignal δ(t, z) som er definert som { if t = z = 0 δ(t, z) = 0 otherwise med areal δ(t, z) dt dz = 1 Vi har den samme silingsegenskapen vi hadde i en dimensjon. Og for et gitt punkt (t 0, z 0 ) så har vi. f (t, z)δ(t, z) dt dz = f (0, 0) f (t, z)δ(t t 0, z z 0 ) dt dz = f (t 0, z 0 )
47 Utvide til To Variable - Diskrete Impulssignaler og Siling Den diskrete utgaven av impulssignalet på forrige slide blir som følger. { 1 if x = y = 0 δ(x, y) = 0 otherwise med areal δ(t, z) = 1 Og silingsegenskapen for et gitt punkt (x 0, y 0 ) blir.. f (t, z)δ(x x 0, y y 0 ) = f (x 0, y 0 )
48 2D Kontinuerlig Fourier-Transformasjon Vi begynner med å se på Fourier-transformasjonsparet for en to-dimensjonal kontinuerlig funksjon f (t, z). og F (µ, ν) = f (t, z)e j2π(µt+νz) dt dz f (t, z) = F (µ, ν)e j2π(µt+νz) dµ dν µ og ν er frekvensvariablene t og z er kontinuerlige spatialvariabler
49 2D Sampling Vi kan modellere sampling ved hjelp av et 2D impulstog. s T Z (t, z) = δ(t m T, z n Z) m= n= hvor T og Z er separasjonen langs henholdsvis t- og z-aksen. Vi finner den samplede utgaven f (t, z) av en kontinuerlig funksjon f (t, z) ved å multiplisere med et 2D impulstog. f (t, z) = f (t, z)s T Z (t, z)
50 2D Sampling - Samplingteoremet En 2D kontinuerlig båndbegrenset funksjon f (t, z) kan rekonstrueres uten tap fra et sett av samples. Dette krever at samplingintervallene er.. og T < 1 2µmax Z < 1 2νmax Dette kalles samplingteoremet (Nyquist). Alternativt Ingen informasjon blir borte hvis man representerer 2D båndbegrenset kontinuerlig funksjon samplet med en frekvens høyere enn to ganger den høyeste frekvensen i funksjonen.
51 2D Diskret Fourier-Transformasjon (DFT) Da kan vi endelig definere Fourier-transformasjonsparet for 2D diskrete funksjoner (DFT). og F (u, v) = M 1 f (x, y) = 1 MN N 1 f (x, y)e j2π(ux/m+vy/n) x=0 y=0 M 1 N 1 F (u, v)e j2π(ux/m+vy/n) u=0 v=0 For diskrete bilder f (x, y) med størrelse på M N. u = 0, 1, 2,..., M 1 og v = 0, 1, 2,... N 1 x = 0, 1, 2,..., M 1 og y = 0, 1, 2,... N 1
52 Et Enkelt Eksempel Vi ser på et enkelt eksempel
53 Forholdet Mellom Spatial- og Frekvens-Intervallene Et digitalt bilde f (x, y) er en samplet utgave av en kontinuerlig funksjon f (t, z). Vi har M N samples tatt med et mellomrom på henholdsvis T og Z. Mellomrommet mellom de korresponderende diskrete frekvens-variablene blir.. u = 1 M T og v = 1 N Z Merk at intervallene i frekvens-domenet er invers-proporsjonale med både intervallstørrelsen i spatial-domenet og antall samples.
54 Translering og Rotering Man kan translere en DFT med... f (x, y)e j2π(u0x/m+v0y/n) F (u u 0, v v 0 ) Man kan translere et bilde med... f (x x 0, y y 0 ) F (u, v)e j2π(ux0/m+vy0/n Med polarkoordinater så har vi følgende... x = r cos θ y = r sin θ u = ω cos ϕ v = ω sin ϕ og vi får dette rotasjonsparet f (r, θ + θ 0 ) F (ω, ϕ + θ 0 )
55 Periodiskhet Både f (x, y) og F (u, v) er periodiske. F (u, v) = F (u + k 1 M, v) = F (u, v + k 2 N) = F (u + k 1 M, v + k 2 N) f (x, y) = F (x + k 1 M, y) = F (x, y + k 2 N) = F (x + k 1 M, y + k 2 N) Dette er et nyttig faktum når vi skal implementere transformasjonen.
56 Flytting av Origo i Frekvens-Domenet Vi foretrekker typisk å flytte origo i frekvensdomenet til (M/2, N/2). Vi skal se senere at dette gjør det enklere å få et riktig inntrykk av frekvensene.
57 Flytting av Origo i Frekvens-Domenet Vi kan flytte origo ved hjelp av translering. Vi kan translere til (M/2, N/2) i frekvens-domenet ved å multiplisere f (x, y) med følgende eksponent. Vi får altså følgende... e j2π([m/2]x/m+[n/2]y/n) = e jπ(x+y) = ( 1) x+y f (x, y)( 1) x+y F (u M/2, v N/2)
58 Symmetri Et viktig resultat fra funksjonsanalyse er at alle reelle og komplekse funksjoner kan skrives som summen av en even (lik) og en odd (ulik) funksjon. w(x, y) = w e (x, y) + w o (x, y) Hvor den like og ulike funksjonen er definert som.. w e (x, y) = w o (x, y) = w(x, y) + w( x, y) 2 w(x, y) w( x, y) 2
59 Symmetri Like funksjoner blir ofte kalt symmetriske. w e (x, y) = w e ( x, y) Ulike funksjoner kalles ofte antisymmetriske. w o (x, y) = w o ( x, y)
60 Diskret Symmetri Det er ikke like intuitivt å visualisere like og ujevne funksjoner av diskrete variable. Like funksjoner blir følgende... w e (x, y) = w e (M x, N y) og ulike blir.. w o (x, y) = w o (M x, N y) M er bredden og N er høyden til et bilde i vårt tilfelle.
61 Diskret Symmetri Vi har følgende resultater fra funksjonsanalyse Produktet av to like funksjoner er en lik funksjon Produktet av to ulike funksjoner er en lik funksjon Produktet av en lik og en ulik funksjon er en ulik funksjon Vi vet også at elementene i en ulik funksjon må summere til 0. Vi får da følgende interessante resultat. M 1 N 1 w e (x, y)w o (x, y) = 0 x=0 y=0
62 Et 1D Eksempel på Lik Funksjon La oss ta en titt på et enkelt eksempel i en dimensjon. f (x) = [2, 1, 1, 1] Vi ser at M = 4, som betyr at f (x) = f (4 x) må være oppfylt for at funksjonen skal være lik. f (0) = f (4) siden 4 faller på utsiden (kan være hva som helst) f (1) = f (3) f (2) = f (2) Vi kan konkludere at funksjonen er lik. Alle funksjoner med 4 elementer må ha følgende form for å være lik. f (x) = [a, b, c, b]
63 Et 1D Eksempel på Ulik Funksjon Under har vi et nytt eksempel. f (x) = [0, 1, 0, 1] Vi ser at M = 4, som betyr at f (x) = f (4 x) må være oppfylt for at funksjonen skal være ulik. f (0) = 0 som er påkrevd f (1) = f (3) f (2) = 0 som er påkrevd for funksjoner hvor M er et partall Vi kan konkludere at funksjonen er ulik. Alle funksjoner med 4 elementer må ha følgende form for å være ulik. f (x) = [0, b, 0, b] Alle funksjoner hvor M er et partall har f (0) = 0 og f (M/2) = 0, mens de resterende bare har f (0) = 0
64 Et 1D Eksempel Vi fant at [0, 1, 0, 1] er ulik, men hva med den tilsynelatende ulike f (x) = [0, 1, 0, 1, 0] Vi ser at M = 5, som betyr at f (x) = f (5 x) må være oppfylt for at funksjonen skal være ulik. f (0) = 0 f (1) f (4) Denne er altså ikke ulik (den er heller ikke ulik).
65 Et 2D Eksempel Det samme gjelder for to dimensjoner Denne er ulik. Hvis vi hadde lagt til en rad og en kolonne hadde den ikke vært hverken lik eller ulik.
66 Symmetriske Egenskaper En mye brukt egenskap er den Fourier-transformerte av en reell funksjon f (x, y) er konjugert symmetrisk (conjugated symmetric). F (u, v) = F ( u, v) Hvis f (x, y) er imaginær så er den Fourier-transformerte konjugert antisymmetrisk. F ( u, v) = F (u, v)
67 Symmetriske Egenskaper f (x, y) real F (u, v) = F ( u, v) f (x, y) imaginary F ( u, v) = F (u, v) f (x, y) real R(u, v) even; I (u, v) odd f (x, y) imaginary R(u, v) odd; I (u, v) even f ( x, y) real F (u, v) complex f ( x, y) complex F ( u, v) complex f (x, y) complex F ( u, v) complex f (x, y) real even F (u, v) real even f (x, y) real odd F (u, v) imaginary odd f (x, y) imaginary even F (u, v) imaginary even f (x, y) imaginary odd F (u, v) real odd f (x, y) complex even F (u, v) complex even f (x, y) complex odd F (u, v) complex odd
68 Fourier-Spektrum og Fasevinkel Siden DFT er kompleks så kan vi utrykke den på polarform F (u, v) = F (u, v) e jφ(u,v) Magnituden til F (u, v) kalles Fourier-spektrum (frekvensspektrum) og kan finnes med.. F (u, v) = [R 2 (u, v) + I 2 (u, v)] 1/2 Fasevinkelen (phase angle) kan finnes med.. [ ] I (u, v) φ(u, v) = arctan R(u, v) Power-spectrum kan finnes med.. P(u, v) = R(u, v) 2 + I (u, v) 2
69 Egenskaper ved Fourier-Spektrum og Fasevinkel Fourier-transformasjonen til en reell funksjon er konjugert symmetrisk. Dette impliserer at Fourier-spektrumet er lik. F (u, v) = F ( u, v) Fasevinkelen er ulik φ(u, v) = φ( u, v)
70 Et Eksempel Under har vi et enkelt bilde og dets Fourier-transformasjon.
71 Et Eksempel Under har vi dets Fourier-transformasjon etter at funksjonen er multiplisert med ( 1) x+y.
72 Et Eksempel Under har vi dets log transformerte Fourier-transformasjon etter at funksjonen er multiplisert med ( 1) x+y.
73 Et Eksempel med Translering Under har vi et lignende bilde, bare translert, og dets Fourier-transformasjon. Merk den Fourier-transformerte er lik som ved det opprinnelige bildet.
74 Et Eksempel med Translering Under har vi et lignende bilde, bare translert, og dets Fourier-transformasjon.
Fourier-Transformasjoner
Fourier-Transformasjoner Lars Vidar Magnusson February 21, 2017 Delkapittel 4.1 Background Delkapittel 4.2 Preliminary Concepts Fourier Fourier var en fransk matematiker/fysiker som levde på 1700/1800-tallet.
DetaljerFourier-Transformasjoner II
Fourier-Transformasjoner II Lars Vidar Magnusson February 27, 2017 Resten av Delkapittel 4.2 Preliminary Concepts Delkapittel 4.3 Sampling and the Fourier Transform of Sampled Functions Delkapittel 4.4
DetaljerFourier-Transformasjoner IV
Fourier-Transformasjoner IV Lars Vidar Magnusson March 1, 2017 Delkapittel 4.6 Some Properties of the 2-D Discrete Fourier Transform Forholdet Mellom Spatial- og Frekvens-Intervallene Et digitalt bilde
DetaljerRepetisjon: Spektrum for en sum av sinusoider
Forelesning 9. april 4 Pensum i boken: - og -, noe fra -4 ikke nødvendig å lese, -6., -8-3. og -3.5 3- til 3-4 Oversikt Spektrum for et signal, frekvensinnholdet Bruk av Fourier-transform FT for å beregne
Detaljerf(t) F( ) f(t) F( ) f(t) F( )
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK Oppgave SIG4045 Geofysisk Signalanalyse Lsningsforslag ving 3 a) ' xy (t) = x()y(t + )d : La oss, for
DetaljerDagens mål. Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 INF Digital bildebehandling
Dagens mål Det matematiske fundamentet til den diskrete Fourier-transformen Supplement til forelesning 8 IF2310 - Digital bildebehandling Ole Marius Hoel Rindal, slides av Andreas Kleppe Dagens mål Forstå
DetaljerBruk av tidsvindu. Diskret Fourier-transform. Repetisjon: Fourier-transformene. Forelesning 6. mai 2004
Repetisjon: Fourier-transformene Forelesning 6. mai 4 Spektralanalyse Pensum i boken: 3-4 til 3-5. Diskret tid Kontinuerlig tid Diskret frekvens DFT, X[k] Fourierrekker, {a k } Kontinuerlig frekvens DTFT,
DetaljerUke 9: Diskret Fourier Transform, I
Uke 9: Diskret Fourier Transform, I Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/23 Dagens temaer Sampling og periodisitet DFT DFT og DTFT 3/23 Tema Sampling
DetaljerIntroduksjon. «Diskret» sinus/cosinus i 1D. Funksjonen sin(θ) INF april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4
Introduksjon INF 2310 13. april 2010 Fourier -- En annen vinkling på stoffet i kapittel 4 Fourier: Vi kan uttrykke ethvert bilde som en vektet sum av sinus- og cosinus-signaler med ulik frekvens og orientering
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning.
Stavanger, 6. august 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 5.1 Implementering av IIR filter....................
DetaljerBasisbilder - cosinus. Alternativ basis. Repetisjon Basis-bilder. INF april 2010 Fouriertransform del II. cos( )
INF 30 0. april 00 Fouriertransform del II Kjapp repetisjon Bruk av vinduer Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Eksempel: 3 5 4 5 3 4 3 6 Repetisjon Basis-bilder Sort er 0, hvit
DetaljerRepetisjon: Eksempel. Repetisjon: Aliasing. Oversikt, 26.februar Gitt. Alle signaler. Ettersom. vil alle kontinuerlig-tid signaler.
Oversikt, 6.februar Tilhørende pensum i boken er. -.. Repetisjon regning med aliasing og folding rekonstruksjon ved substitusjon FIR-filtre glidende middel et generelt FIR-filter enhetsimpulsresponsen
DetaljerLØSNINGSFORSLAG TIL SIGNALBEHANDLING 1 JUNI 2010
LØSNINGSFORSLAG TIL SIGNALBEHANDLING JUNI Løsningsforslag til eksamen i Signalbehandling, mai Side av 5 Oppgave a) Inngangssignalet x(t) er gitt som x( t) = 5cos(π t) + 8cos(π 4 t). Bruker Eulers formel
DetaljerKompleks eksponentialform. Eulers inverse formler. Eulers formel. Polar til kartesisk. Kartesisk til polar. Det komplekse signalet
Komplekse tall Vi definerer det komplekse tallet z C. Komplekse eksponentialer og fasorer Det komplekse planet Kartesisk og polar form Komplekse eksponentiale signaler Roterende fasor Addisjon av fasorer
DetaljerINF mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4
INF 2310 22. mars 2017 Fourier I -- En litt annen vinkling på stoffet i kapittel 4 I dag: Sinus-funksjoner i 1D og 2D 2D diskret Fouriertransform (DFT) Mandag 27. mars: Supplementsforelesning holdt av
DetaljerFiltrering i Frekvensdomenet III
Filtrering i Frekvensdomenet III Lars Vidar Magnusson March 13, 2017 Delkapittel 4.9.5 Unsharp Masking, Highboost Filtering, and High-Frequency-Emphasis Filtering Delkapittel 4.10 Unsharp Masking og Highboost
Detaljer( x+ π 2) Bakgrunn: Sinus og cosinus. Bakgrunn: Samplet sinus i 1D. Bakgrunn: Samplet sinus i 2D. Bakgrunn: Sinus i 2D. sin( x)=cos.
Bakgrunn: Samplet sinus i 1D Bakgrunn: Sinus og cosinus En generell samplet sinusfunksjon kan skrives som: y(t) = A sin(2πut/n + φ) t : tid; 0, 1,..., N-1 A : amplitude u : antall hele perioder* N : antall
Detaljersin(2 ui/n) starter på 0 og repeteres u ganger per N samples. cos(2 ui/n) starter på 1 og repeteres u ganger per N samples
0700 Foreløbig versjon! INF 0 mars 07 Fourier I -- En litt annen vinkling på stoffet i kapittel I dag: Sinus-funksjoner i D og D D diskret Fouriertransform (DFT) Introduksjon I/II Et gråtonebilde Typisk
DetaljerRepetisjon: LTI-systemer
Forelesning, 11. mars 4 Tilhørende pensum er 6.1-6.4 i læreboken. repetisjon av FIR-filtre frekvensresponsen til et FIR-filter beregne utgangen fra FIR-filtret ved hjelp av frekvensresponsen steady-state
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i Eksamensdag: 11. juni 27 Tid for eksamen: 14.3 17.3 Oppgavesettet er på 5 sider. Vedlegg: INF 347 / INF 447 Digital Signalbehandling
DetaljerHistogramprosessering
Histogramprosessering Lars Vidar Magnusson January 22, 2018 Delkapittel 3.3 Histogram Processing Histogram i Bildeanalyse Et histogram av et digitalt bilde med intensitet i intervallet [0, L) er en diskret
DetaljerRepetisjon: Sampling. Repetisjon: Diskretisering. Repetisjon: Diskret vs kontinuerlig. Forelesning, 12.februar 2004
Repetisjon: Diskret vs kontinuerlig Forelesning,.februar 4 Kap. 4.-4. i læreboken. Anta variabelen t slik at a < t < b, (a, b) R sampling og rekonstruksjon, i tids- og frekvensdomenet Nyquist-Shannons
Detaljer0.1 Kort introduksjon til komplekse tall
Enkel introduksjon til matnyttig matematikk Vi vil i denne innledningen introdusere litt matematikk som kan være til nytte i kurset. I noen tilfeller vil vi bare skrive opp uttrykk uten å komme inn på
DetaljerFakta om fouriertransformasjonen
Fakta om fouriertransformasjonen TMA413/TMA415, V13 Notasjon Fouriertransformasjonen til funksjonen f er F[f](ω) = ˆf(ω) = 1 Den inverse fouriertransformasjonen er F 1 [g](x) = 1 f(x)e iωx dx g(ω)e iωx
DetaljerUke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/26 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
DetaljerLøsningsforslag til hjemmeeksamen i INF3440 / INF4440
Løsningsforslag til hjemmeeksamen i INF3 / INF Jan Egil Kirkebø 7. oktober 3 Oppgave a π = 9 n= (n)!(3 + 39n) (n!) 39 n Srinivasa Ramanujan Vi ser at første dag i 999 har index 5, mens siste registrerte
DetaljerTMA Matlab Oppgavesett 2
TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å
DetaljerEksempel 1. Frekvensene i DFT. Forelesning 13. mai På samme måte har vi at. I et eksempel fra forrige uke brukte vi sekvensen
Frekvensene i DFT Forelesning 3. mai 4 Pensum i boken: fra 3-5.3 til 3-8.4, samt 3-9. Delkapitlene 3-8.5, 3-8.6 og 3-8.7 er nyttig selvstudium. Oversikt Spektralanalyse av signaler med endelig lengde Spektralanalyse
DetaljerSTE6146 Signalbehandling =-WUDQVIRUPHQ
TE6146 ignalbehandling =-WUDQVIRUPHQ,QWURGXNVMRQ Fourier-transformen er et meget nyttig verktøy for diskrete signaler og systemer Fourier-transformen konvergerer ikke for alle følger Trenger mere generelt
DetaljerFourier-analyse. Hittil har vi begrenset oss til å se på bølger som kan beskrives ved sinus- eller cosinusfunksjoner
Fourier-analyse Hittil har vi begrenset oss til å se på bølger som kan beskrives ved sinus- eller cosinusfunksjoner som yxt (, ) = Asin( kx ωt+ ϕ) En slik bølge kan karakteriseres ved en enkelt frekvens
DetaljerSampling ved Nyquist-raten
Samplingsteoremet Oppgavegjennomgang, 7.mai Oversikt Presisering av samplingsteoremet Løse utsendt oppgave om sampling Løse oppgave, V Løse oppgave 3, V If a function f (t contains no frequencies higher
DetaljerUke 10: Diskret Fourier Transform, II
Uke 10: Diskret Fourier Transform, II Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 011 /38 Dagens temaer Spektral glatting pga endelig lengde data Bruk av DFT en
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Oppgavesettett er på : 6 sider
DetaljerDagens temaer. Endelig lengde data. Tema. Time 11: Diskret Fourier Transform, del 2. Spektral glatting pga endelig lengde data.
Dagens temaer Time : Diskret Fourier Transform, del Andreas Austeng@ifi.uio.no, INF37 Institutt for informatikk, Universitetet i Oslo Spektral glatting pga endelig lengde data Bruk av en Frekvensestimering
DetaljerForelesning nr.12 INF 1410
Forelesning nr.12 INF 1410 Komplekse frekvenser analyse i frekvensdomenet 20.04. INF 1410 1 Oversikt dagens temaer Intro Komplekse tall Komplekse signaler Analyse i frekvensdomenet 20.04. INF 1410 2 Intro
DetaljerHjelpemidler/hjelpemiddel: D - "Ingen trykte eller håndskrevne hjelpemidler tillatt. Enkel kalkulator tillatt."
Side av 8 + sider vedlegg NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR ELEKTRONIKK OG TELEKOMMUNIKASJON Signalbehandling Faglig kontakt under eksamen: Navn: Tor A. Ramstad Tlf.: 46660465
DetaljerLøsningsforslag øving 6
Løsningsforslag øving 6 7 Husk Teorem 79 i notatet: En delmengde U av et vektorrom V er et underrom hvis ) nullvektoren er i U, ) summen av to vektorer i U er i U igjen, og 3) et skalarmultiplum av en
DetaljerIntroduksjon/motivasjon I. FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe. Introduksjon/motivasjon II. Bakgrunn: Frekvens
Introduksjon/motivasjon I INF2310 Digital bildebehandling FORELESNING 8 FOURIER-TRANSFORM I Ole Marius Hoel Rindal, foiler av Andreas Kleppe I dag: Grunnlaget Grunnlaget og intuisjonen i Fourier-analyse
DetaljerEKSAMEN STE 6219 Digital signalbehandling
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Masterstudiet EL/RT Side 1 av 4 EKSAMEN STE 6219 Digital signalbehandling Tid: Tirsdag 07.03.2006, kl: 09:00-12:00 Tillatte hjelpemidler:
Detaljer'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7)
TE6146 ignalbehandling 'HQ GLVNUHWH )RXULHU-WUDQVIRUPHQ (')7),QWURGXNVMRQ,, Har tidligere sett på Fourier- og Z-transformene for diskrete følger. For følger av endelig varighet, er det mulig å utvikle
DetaljerWavelet P Sample number. Roots of the z transform. Wavelet P Amplitude Spectrum.
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR PETROLEUMSTEKNOLOGI OG ANVENDT GEOFYSIKK SIG Geofysisk Signalanalyse Lsningsforslag ving Oppgave a) Vi har Amplitudespekteret er da Y (!) =
DetaljerForelesning, 23.februar INF2400 Sampling II. Øyvind Ryan. Februar 2006
INF2400 Februar 2006 INF2400 Innhold Delkapitlene 4.4-4.6 fra læreboken, 4.3 er til selvstudium. Repetisjon om sampling og aliasing Diskret-til-kontinuerlig omforming Interpolasjon med pulser Oversamling
DetaljerTMA4123/TMA4125 Matematikk 4M/4N Vår 2013
Norges teknisk naturvitenskapelige universitet Institutt for matematiske fag TMA41/TMA415 Matematikk 4M/4N Vår 1 Løsningsforslag Øving 1 Skriv om følgende trigonometriske funksjoner til fourierrekker ved
DetaljerFFT. Prosessering i frekvensdomenet. Digital signalprosessering Øyvind Brandtsegg
FFT Prosessering i frekvensdomenet Digital signalprosessering Øyvind Brandtsegg Representasjonsmåter Tidsdomene: Amplityde over tid Frekvensdomene: Amplityde over frekvens Hvorfor? Prosessering i frekvensdomenet
DetaljerForelesning, 17.februar INF2400 Sampling II. Øyvind Ryan. Februar 2005
INF2400 Februar 2005 INF2400 Innhold Delkapitlene 4.4-4.6 fra læreboken, 4.3 er til selvstudium. Repetisjon om sampling og aliasing Diskret-til-kontinuerlig omforming Interpolasjon med pulser Oversamling
DetaljerFILTERDESIGN Ukeoppgavene skal leveres som selvstendige arbeider. Det forventes at alle har satt seg inn i instituttets krav til innleverte oppgaver: Norsk versjon: http://www.ifi.uio.no/studinf/skjemaer/erklaring.pdf
DetaljerLØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE2010 Informasjons- og signalteori, 29. juli y(n) = ay(n 1) + x(n k),
NORGES TEKNISK-NATURVITENSKAPELIGE UNIVERSITET INSTITUTT FOR TELETEKNIKK Signalbehandling LØSNINGSFORSLAG for KONTINUASJONSEKSAMEN I FAG SIE200 Informasjons- og signalteori, 29. juli 2002 Oppgave I Gitt
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: 11. desember 006 Tid for eksamen: 15.30 18.30 Oppgavesettet er på 7 sider. Vedlegg:
DetaljerFilter-egenskaper INF Fritz Albregtsen
Filter-egenskaper INF 60-04.03.2002 Fritz Albregtsen Tema: Naboskaps-operasjoner Del 2: - Lineær filtrering - Gradient-detektorer - Laplace-operatorer Linearitet H [af (x, y) + bf 2 (x, y)] ah [f (x, y)]
DetaljerSampling av bilder. Romlig oppløsning, eksempler. INF Ukens temaer. Hovedsakelig fra kap. 2.4 i DIP
INF 2310 22.01.2008 Ukens temaer Hovedsakelig fra kap. 2.4 i DIP Romlig oppløsning og sampling av bilder Kvantisering Introduksjon til pikselmanipulasjon i Matlab (i morgen på onsdagstimen) Naturen er
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: INF30 Digital bildebehandling Eksamensdag: Mandag 6. juni 06 Tid for eksamen: 4:30 8:30 Løsningsforslaget er
DetaljerTransformanalyse. Jan Egil Kirkebø. Universitetet i Oslo 17./23. september 2019
Transformanalyse Jan Egil Kirkebø Universitetet i Oslo janki@ifi.uio.no 17./23. september 2019 Jan Egil Kirkebø (Inst. for Inf.) IN3190/IN4190 17./23. september 2019 1 / 22 Egenfunksjoner til LTI-systemer
DetaljerBildetransformer Lars Aurdal
Bildetransformer Lars Aurdal FORSVARETS FORSKNINGSINSTITUTT Lars Aurdal. Forsvarets forskningsinstitutt (FFI), Kjeller. 5 ansatte. Ca. 3 forskere og ingeniører. Tverrfaglig institutt med vekt på arbeide
DetaljerDagens temaer. Definisjon av z-transformasjonen. Tema. Time 5: z-transformasjon og frekvens transformasjon. Fra forrige gang
Dagens temaer Time 5: z-transformasjon og frekvens transformasjon Andreas Austeng@ifi.uio.no, NF3470 fi/uio September 2009 Fra forrige gang Kausalitet, stabilitet og inverse systemer Z 1 { }: nvers z-transformasjon
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3470 Digital signalbehandling Eksamensdag: 1. desember 013 Tid for eksamen: 14.30 18.30 Oppgavesettet er på 15 sider. Vedlegg:
DetaljerIntensitetstransformasjoner og Spatial Filtrering
Intensitetstransformasjoner og Spatial Filtrering Lars Vidar Magnusson January 23, 2017 Delkapittel 3.1 Background Delkapittel 3.2 Some Basic Intensity Tranformation Functions Spatial Domain Som vi allerede
Detaljera 2 x 2 dy dx = e r r dr dθ =
NTNU Institutt for matematiske fag TMA4 Matematikk, øving, vår Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon, språk
DetaljerHistogramprosessering
Histogramprosessering Lars Vidar Magnusson January 24, 217 Delkapittel 3.3 Histogram Processing Histogram i Bildeanalyse Et histogram av et digitalt bilde med intensitet i intervallet [, L) er en diskret
DetaljerUke 6: Analyse i frekvensdomenet
Uke 6: Analyse i frekvensdomenet Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2011 2/39 Dagens temaer Fra forrige gang Frekvensrespons funksjonen Fourier rekker og
Detaljerdg = ( g P0 u)ds = ( ) = 0
NTNU Institutt for matematiske fag TMA4105 Matematikk 2, øving 8, vår 2011 Løsningsforslag Notasjon og merknader Som vanlig er enkelte oppgaver kopiert fra tidligere års løsningsforslag. Derfor kan notasjon,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF347/447 Digital signalbehandling Eksamensdag: 1. desember 16 Tid for eksamen: 14.3 18.3 Oppgavesettet er på 8 sider. Vedlegg:
Detaljer303d Signalmodellering: Gated sinus a) Finn tidsfunksjonen y(t) b) Utfør en Laplace transformasjon og finn Y(s)
303d Signalmodellering: Gated sinus... 1 610 Operasjonsforsterkere H2013-3... 1 805 Sallen and Key LP til Båndpass filter... 2 904 Z-transformasjon av en forsinket firkant puls.... 4 913 Chebyshev filter...
DetaljerFasit til midtveiseksamen
Fasit til midtveiseksamen INF344/444 Signalbehandling 2. november 24 Oppgave Betrakt systemet x(n) T y (n) med y(n) = 4 5 [x(n+)] 2. Avgjør og begrunn ditt svar om hvorvidt dette systemet er. lineært,
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Eksamensdato: 19.5.211 Varighet/eksamenstid: Emnekode: 5 timer EDT24T Emnenavn: Signalbehandling 1 Klasse(r): 2EE Studiepoeng: 1 Faglærer(e): Håkon Grønning
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Bokmål Eksamensdato: 7.mai 24 Varighet/eksamenstid: 5 timer Emnekode: TELE 23 Emnenavn: Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: Faglærer(e):
DetaljerHØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi
HØGSKOLEN I SØR-TRØNDELAG Avdeling for teknologi Målform: Bokmål Eksamensdato: 6.mai 215 Varighet/eksamenstid: 5 timer Emnekode: TELE 23 Emnenavn: Signalbehandling Klasse(r): 2EI 2EE Studiepoeng: 1 Faglærer(e):
DetaljerNoen presiseringer mhp Diskret Fourier Transform. Relevant for oblig 1.
FYS2130 Våren 2008 Noen presiseringer mhp Diskret Fourier Transform. Relevant for oblig 1. Vi har på forelesning gått gjennom foldingsfenomenet ved diskret Fourier transform, men ikke vært pinlig nøyaktige
DetaljerEn (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x).
Funksjoner En (reell) funksjon f fra en (reell) mengde D er en regel som til hvert element x D tilordner en unik verdi y = f (x). Mengden D kalles definisjonsmengden (eng.: domain) til f. Merknad Dersom
DetaljerEn innføring i Fourrierrekker
En innføring i Fourrierrekker Matematiske metoder 2 Kristian Wråli, Sivert Ringstad, Mathias Hedberg 0 Innholdsfortegnelse Kapittel Side 1 Innledning 2 1.0 Introduksjon 2 1.1 Maple 2 2 Teori 7 2.0 Introduksjon
DetaljerFILTERDESIGN Ukeoppgavene skal leveres som selvstendige arbeider. Det forventes at alle har satt seg inn i instituttets krav til innleverte oppgaver: Norsk versjon: http://www.ifi.uio.no/studinf/skjemaer/erklaring.pdf
DetaljerFiltrering i Frekvensdomenet II
Filtrering i Frekvensdomenet II Lars Vidar Magnusson March 7, 2017 Delkapittel 4.8 Image Smoothing Using Frequency Domain Filters Delkapittel 4.9 Image Sharpening Using Frequency Domain Filters Low-Pass
DetaljerSTE 6146 Digital signalbehandling. Løsningsforslag til eksamen avholdt
HØGSKOLEN I NARVIK Institutt for data-, elektro-, og romteknologi Sivilingeniørstudiet EL/RT STE 6146 Digital signalbehandling Løsningsforslag til eksamen avholdt 06.02.03 Oppgaver 1. Forklar hva som er
DetaljerINF januar 2017 Ukens temaer (Kap med drypp fra kap. 4. i DIP)
25. januar 2017 Ukens temaer (Kap 2.3-2.4 med drypp fra kap. 4. i DIP) Romlig oppløsning Sampling av bilder Kvantisering av pikselintensiteter 1 / 27 Sampling av bilder Naturen er kontinuerlig (0,0) j
DetaljerFargebilder. Lars Vidar Magnusson. March 12, 2018
Fargebilder Lars Vidar Magnusson March 12, 2018 Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Delkapittel 6.3 Bildeprosessering med Pseudofarger Delkapittel 6.4 Prosessering av Fargebilder
DetaljerINF mars 2017 Diskret Fouriertransform del II
INF230 29. mars 207 Diskret Fouriertransform del II Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet Bruk av vinduer 207.03.29 INF230 / 40 Repetisjon Basis-bilder Sort er 0,
DetaljerBasisbilder - cosinus v Bildene
Repetisjon Basis-bilder 737 Midlertidig versjon! INF 3 9 mars 7 Diskret Fouriertransform del II Ortogonal basis for alle 4x4 gråtonebilder Kjapp repetisjon Konvolusjonsteoremet Filtre og filtrering i frekvensdomenet
DetaljerIdag. Hvis bildet f(x,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene.
Slide Slide Idag Cosinus transform Cosinus transform Sinus transform Hvis bildet f(,y) er reelt og symmetrisk, vil Fourier transformen bestå av reelle koeffisienter korresponderende til cosinus leddene.
Detaljern-te røtter av komplekse tall
. 29. august 2011 Eksponentialform Forrige gang så vi at e iθ = cos θ + i sin θ Dette kan vi bruke til å gjøre polarfremstillingen av komplekse tall mer kompakt: z = a + ib = r(cos θ + i sin θ) = re iθ
DetaljerTemaer i dag. Mer om romlig oppløsning. Optisk avbildning. INF 2310 Digital bildebehandling
Temaer i dag INF 2310 Digital bildebehandling Forelesning II Sampling og kvantisering Fritz Albregtsen Romlig oppløsning i bilder Sampling av bilder Kvantisering i bilder Avstandsmål i bilder Pensum: Kap.
DetaljerUke 4: z-transformasjonen
Uke 4: z-transformasjonen Jo Inge Buskenes Institutt for informatikk, Universitetet i Oslo INF3470/4470, høst 2012 2/30 Dagens temaer z-dometet; ett av tre domener z-transformasjonen; definisjon og egenskaper
Detaljer13.1 Fourierrekker-Oppsummering
3. Fourierrekker-Oppsummering Fourierrekken til en periodisk funksjon f med periode = L er gitt ved F f (x) = a + a n cos(nωx) + b n sin(nωx) der x D (konvergensområdet) a = / / f(x) dx = L b n = f(x)
Detaljerz = a + jb Mål Komplekse tall: Sum og produkt Komplekse tall
Mål IN3190/4190 Digital signalbehandling Andreas Austeng og Stine Hverven (INF3470/4470, H18). Repetisjon av komplekse tall og trigonometri Beherske komplekse tall. Beherske trigonometriske funksjoner.
DetaljerForelesning nr.13 INF 1410
Forelesning nr.3 INF 4 Komplekse frekvenser og Laplace-transform Oversikt dagens temaer Me Mer om sinusformede signaler om komplekse frekvenser Introduksjon til Laplace-transform Løsning av kretsligninger
DetaljerUNIVERSITETET I OSLO
Løsningsforslag UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Tirsdag 25. mars 2014 Tid for eksamen : 15:00 19:00 Løsningsforslaget
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF347/447 Digital signalbehandling Eksamensdag:. desember 5 Tid for eksamen: 9. 3. Oppgavesettet er på 7 sider. Vedlegg: Ingen
DetaljerDagens temaer. Tema. Time 6: Analyse i frekvensdomenet. z-transformasjonen. Fra forrige gang. Frekvensrespons funksjonen
Dagens temaer Time 6: Analyse i frekvensdomenet Andreas Austeng@ifi.uio.no, INF3470 Institutt for informatikk, Universitetet i Oslo Oktober 2009 Fra forrige gang Frekvensrespons funksjonen Fourier rekker
Detaljer8 Interpolasjon TMA4125 våren 2019
8 Interpolasjon TMA4 våren 9 Fra M husker du at dersom x i er n + forskjellige punkter på x-aksen med korresponderende y-verdier y i, finnes det et entydig polynom av maksimal grad n som interpolerer punktene
Detaljer4_Komplekse_tall.odt tg. Kap.4 Komplekse tall
4_Komplekse_tall.odt 04.09.015 tg Kap.4 Komplekse tall e i π +1=0 Innledning... Egenskaper...4 Geometrisk form...5 Regneregler...6 Lengde og argument...8 Polar form...9 Eksponentform - Eulers formel...1
DetaljerTMA Kræsjkurs i Matlab. Oppgavesett 2/3
TMA4123 - Kræsjkurs i Matlab. Oppgavesett 2/3 28.02.2013 Oppgave 0: Bruk av fftshift og ifftshift Når du bruker fft i Matlab flyttes frekvensene over midten av spekteret, slik at får du ut frekvensdata
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i : INF2310 Digital bildebehandling Eksamensdag : Onsdag 2. juni 2010 Tid for eksamen : 09:00 12:00 Oppgavesettet er på : XXX sider
DetaljerMer om Histogramprosessering og Convolution/Correlation
Mer om Histogramprosessering og Convolution/Correlation Lars Vidar Magnusson January 30, 2017 Delkapittel 3.3 Histogram Processing Delkapittel 3.4 Fundementals of Spatial Filtering Lokal Histogramprosessering
DetaljerKantdeteksjon og Fargebilder
Kantdeteksjon og Fargebilder Lars Vidar Magnusson April 25, 2017 Delkapittel 10.2.6 More Advanced Techniques for Edge Detection Delkapittel 6.1 Color Fundamentals Delkapittel 6.2 Color Models Marr-Hildreth
DetaljerKomplekse tall og komplekse funksjoner
KAPITTEL Komplekse tall og komplekse funksjoner. Komplekse tall.. Definisjon av komplekse tall. De komplekse tallene er en utvidelse av de reelle tallene. Dvs at de komplekse tallene er en tallmengde som
DetaljerDiagonalisering. Kapittel 10
Kapittel Diagonalisering I te kapitlet skal vi anvende vår kunnskap om egenverdier og egenvektorer til å analysere matriser og deres tilsvarende lineærtransformasjoner Eksempel Vi begynner med et eksempel
DetaljerMatriser. Kapittel 4. Definisjoner og notasjon
Kapittel Matriser Vi har lært å løse et lineært ligningssystem ved å sette opp totalmatrisen til systemet gausseliminere den ved hjelp av radoperasjoner på matrisen Vi skal nå se nærmere på egenskaper
DetaljerNORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER
NORMALFORDELINGER, KOVARIANSMATRISER OG ELLIPSOIDER SIE 3080 STOKASTISKE OG ADAPTIVE SYSTEMER Oddvar Hallingstad 0. februar 00 Vi skal her utlede noen nyttige formler for arbeidet med kovariansmatriser
DetaljerForkunnskapskrav. Hva handler kurset om. Kontaktinformasjon. Kurset er beregnet på en student som kan
Velkommen til INF4, Digital signalbehandling Hilde Skjevling (Kursansvarlig) Svein Bøe (Java) INSTITUTT FOR INFORMATIKK Kontaktinformasjon E-post: hildesk@ifi.uio.no Telefon: 85 4 4 Kontor: 4 i 4.etasje,
DetaljerKonvolusjon og filtrering og frevensanalyse av signaler
Høgskolen i Østfold Avdeling for informasjonsteknologi Fag IAD33505 Bildebehandling og mønstergjenkjenning Laboppgave nr 2 Konvolusjon og filtrering og frevensanalyse av signaler Sarpsborg 21.01.2005 20.01.05
DetaljerLineære ligningssystemer. Forelesning, TMA4110 Torsdag 17/9. Lineære ligningssystemer (forts.) Eksempler
Lineære ligningssystemer Generell form; m ligninger i n ukjente, m n-system: Forelesning, TMA4110 Torsdag 17/9 Martin Wanvik, IMF MartinWanvik@mathntnuno a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1
Detaljer3UDNWLVN DQYHQGHOVH DY ')7
TE6146 ignalbehandling 3UDNWLVN DQYHQGHOVH DY ')7,QWURGXNVMRQ Kjenner DFT og FFT for effektiv numerisk beregning av DFT. Finnes ferdige funksjoner for FFT- algoritmer implementert i C/C og andre programmeringsspråk.
Detaljer