图像的频率谱和功率谱代表什么_功率谱估计:BT ,周期图,Bartlett ,AR ,MVDR,APES,MUSIC...
二:周期图法
经典谱估计中的周期图法是用得较多且最具代表性的方法。我们先复习基本的周期图法,接着针对它谱分辨率比较低等缺点,利用 Matlab 实现了几种改进的周期图法。
1、基本的周期图法
基本的周期图法可以提高计算效率,不需要计算自相关函数,但谱分辨率较低。基本周期图的基本原理是对观测到的数据直接进行傅立叶变换,然后取模的平方就是功率谱。取平稳随机信号 x(n)的有限个观察点 x(0)、x(1)、…x(n-1),则傅立叶变换
matlab实现代码如下
clc;
clear;
t = 0:0.001:0.6;
y = sin(2*pi*50*t)+sin(2*pi*120*t);
x = y + randn(size(t));
N=length(x);%观察数据点数
nfft=1024;%傅里叶变换点数
Xk=fft(x,nfft);
Pxx=abs(Xk).^2/N;
index=0:round(nfft/2-1);
k=index*N/nfft;% 频率(Hz)
plot_Pxx=10*log10(Pxx(index+1));%功率谱 dB
plot(k,plot_Pxx);
xlabel('Hz');
ylabel('功率谱 dB');
title('用基本周期图法(直接计算)计算功率谱');
grid on;
2、Welch 法
P.O.韦尔奇提出一种把加窗处理与平均处理结合起来的方法。先把分段的数据乘以窗函数(进行加窗处理),分别计算其周期图,然后进行平均,得到的功率谱值为:
为了得到较好的功率谱估值,加窗和平均处理均应兼顾减小随机起伏和保证有足够的谱分辨率两个方面。
matlab程序
clc;
clear;
t = 0:0.001:0.6;
y = sin(2*pi*50*t)+sin(2*pi*120*t);%信号
x = y+randn(size(t));
N=length(x);%观察数据点数
n=1:1:N;
%参数设置
Fs=1000;%每百年采样 100 次
nfft=512;%傅里叶变换点数
%window=hamming(25);
window=boxcar(100);
noverlap=20
range='half';
%计算序列的 psd
[Pxx,f]=pwelch(x,window,noverlap,nfft,Fs,range);
plot_Pxx=10*log10(Pxx);%功率谱 dB
plot(f,plot_Pxx)
xlabel('Hz');
ylabel('功率谱 dB');
title('用 welch 法计算的功率谱');
grid on;
3、多窗口的周期图法
由于普通的周期图功率谱估计只利用单一窗口,因此在序列始端和末端均会丢失相关信息。多窗口法利用多个正交窗口获得各自独立的近似功率谱估计,然后综合这些估计,最终得到平稳信号序列的功率谱估计。
Matlab 程序如下:
%信号
t = 0:0.001:0.6;
y = sin(2*pi*50*t)+sin(2*pi*120*t);
x = y+randn(size(t));
N=length(x);%观察数据点数
n=1:1:N;
%参数设置
Fs=1000;%每百年采样 100 次
nfft=512;%傅里叶变换点数
%window=hamming(25);
window=boxcar(100);
noverlap=20
range='half';
%计算序列的 psd
nw=3.5;p=0.99;
[Pxx,Pxxc,f]=pmtm(x,nw,nfft,Fs,p);
plot_Pxx=10*log10(Pxx);%功率谱 dB
plot(f,plot_Pxx)
xlabel('Hz');
ylabel('功率谱 dB');
title('用多窗口法计算的功率谱');
grid on;
总结
通过实验可以看出,基本的周期图法谱分辨率较低,会有很大的失真。 Welch 法可以减小随机起伏,收敛性较好,曲线平滑,估计的结果方差较小,但是功率谱主瓣较宽,分辨率低。但是,如果信号序列不是足够长,由于每段序列长度变短,功率谱估值对不同频率成分的分辨能力也随之下降。多窗口的周期图法功率谱比 Welch 法的功率谱谱峰窄一些,谱峰高度也有所增大,因此多窗口的周期图法的功率谱表现得更加准确。普通周期图法的功率谱估计利用单一窗口,所以在序列的始端和末端均会丢失相关信息,而多窗口的周期图法以增加窗口来充分利用这些相关信息。
图像的频率谱和功率谱代表什么_功率谱估计:BT ,周期图,Bartlett ,AR ,MVDR,APES,MUSIC...相关推荐
- 图像的频率谱和功率谱代表什么_视频/图像质量评价综述(三)
星号then:视频/图像质量评价综述(二)zhuanlan.zhihu.com 2.6 块压缩空域无参考模型方法 原理与框架:该方法来源于论文<NO-REFERENCE PERCEPTUAL ...
- 图像的频率谱和功率谱代表什么_使用 FastAI 和即时频率变换进行音频分类
本文为 AI 研习社编译的技术博客,原标题 : Audio Classification using FastAI and On-the-Fly Frequency Transforms 作者 | J ...
- MATLAB处理信号得到频谱、相谱、功率谱
MATLAB处理信号得到频谱.相谱.功率谱 第一:频谱 一.调用方法 X=FFT(x): X=FFT(x,N): x=IFFT(X); x=IFFT(X,N) 用MATLAB进行谱分析时注意: (1) ...
- [转]频谱、幅度谱、功率谱和能量谱
转自:http://longer.spaces.eepw.com.cn/articles/article/item/71979# 在信号处理的学习中,有一些与谱有关的概念,如频谱.幅度谱.功率谱和能量 ...
- 图像的频率域高斯低通滤波
(1)自定义一个图像的频率域高斯低通滤波处理函数,要求该函数的输入参数包括处理前的图像ima和距频率矩形中心的距离D0(截止频率),输出参数为滤波处理后的图像im2. 自定义的高斯低通滤波器: %ph ...
- 交换两幅图像的幅度谱和相位谱,并重构图像
转载自:http://blog.sina.com.cn/s/blog_909778ea0100y8ju.html 博主:科技狸的博客: 来源:新浪博客: 交换两幅图像的幅度谱和相位谱,并重构图像!!! ...
- matlab 小波功率谱,小波变换后的各频率分量的功率谱,
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 下面程序是用来提取脑电波信号的,利用小波提取四种频率分量的波α.β.δ.θ,现在不明白如何求频率分量的功率谱? 其中一段代码是: %dalt fs1=ff ...
- 小波功率谱 matlab,小波变换后的各频率分量的功率谱,
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 下面程序是用来提取脑电波信号的,利用小波提取四种频率分量的波α.β.δ.θ,现在不明白如何求频率分量的功率谱? 其中一段代码是: %dalt fs1=ff ...
- 确定信号的功率谱matlab,信号的功率谱估计——Matlab
%用Fourier变换求取信号的功率谱---周期图法 clf; Fs=1000; N=256;Nfft=256;%数据的长度和FFT所用的数据长度 n=0:N-1;t=n/Fs;%采用的时间序列 xn ...
最新文章
- 社会主义基本经济规律是经济效益规律
- Marshal类的简单使用
- hdu 5586(最大连续子序列和)
- switch java 语法_Java编程—switch语句语法详解
- KTV歌曲推荐-深入浅出协同过滤
- ResultSet的getDate()、getTime()和getTimestamp()比较
- oracle表ddl,七、Oracle中DDL改变表结构操作
- 【Java并发性和多线程】如何创建并运行java线程
- Android-JNI开发系列《八》CMakeLists.txt语法使用
- Unity3D_(插件)小地图自刷新制作Minimap小地图
- 一文看懂:边缘计算究竟是什么?为何潜力无限?(下)
- 法语语音教学课件下载
- firebase_crashlytics缺失dSYM unity ios
- 很清晰的解读i2c协议
- 【MacOS】必备的常用快捷键
- mysql中临时字段_MySQL临时表
- android 合并分区说明,Android系统手机sd卡分区后合并图文详解
- 前端练手项目 HTML 游戏叠高塔(包含源码)
- Android 原生 多屏显示 (分屏) 原理 解析
- BFS-BZOJ-1615-[Usaco2008 Mar]The Loathesome Hay Baler麻烦的干草打包机
热门文章
- 把感知机组装在一起就是神经网络了?
- 超详细!一文带你了解 LVS 负载均衡集群!
- 赠书 | 数据库怎么选择?终于有人讲明白了
- 小米回应暴力裁员;报告称安卓手机贬值速度是 iPhone 两倍;Ant Design 4.0.1 发布| 极客头条...
- 美国AI公司30亿人脸数据被黑,遭科技巨头联合“封杀”
- Kafka 的生产者优秀架构设计
- 拼多多协助广东警方打击网络黑灰产 15名嫌疑人于近日落网
- 一个程序员开始优秀的 3 种迹象
- 只有它才能让云计算、大数据、人工智能大放异彩?它究竟有什么魔力?
- 和 8 个程序员聊了一下午,集齐了这些经验!