Je me demande quelles techniques pourraient être disponibles pour « débruiter » l'exemple d'image temps-fréquence suivant qui a été créé en utilisant la méthode de Welch . Le tracé suivant a été créé à partir d'un capteur robotique. (Ce n'est PAS une image en couleur - c'est une image en niveaux de gris - couleurs ajoutées à des fins visuelles uniquement).
Objectif:
Mon objectif ultime est d'estimer l'espacement des impulsions que vous voyez ici, si de telles impulsions existent. Cela pourrait être un peu un poulet et un œuf, donc à cette fin, je me demande, "Existe-t-il des impulsions de ce taux de répétition +/- 10%?", Et va les détecter. Ce que vous voyez ici, c'est le signal (impulsions), mais avec d'autres interférences indésirables. Cependant, comme Emre l'a suggéré, ils ont une structure, bien que dans l'espace temps-fréquence. Existe-t-il des filtres temps-fréquence en tant que tels?
J'aimerais fortement voir des solutions de traitement d'image appliquées ici, mais je suis ouvert à toute solution.
Ainsi: Le but est de supprimer tous les signaux de haute intensité à l' exception des impulsions répétitives (trouvées près de l'indice 300 sur l'axe des y) comme on peut le voir. Tous les autres signaux de haute intensité peuvent être considérés comme des «interférences».
Hypothèses que vous pouvez formuler:
Vous pouvez supposer que vous connaissez à peu près les longueurs d'impulsion que vous voyez ici. (Disons, à +/- 10%). Autrement dit, vous avez décidé de rechercher des impulsions de cette longueur. (+/-)
Vous pouvez supposer que vous connaissez également à peu près les taux de répétition des impulsions, (encore une fois, disons +/- 10%).
Malheureusement, vous ne connaissez pas plus précisément leur fréquence. C'est-à-dire que dans cette image les impulsions sont à 300, mais elles auraient pu tout aussi bien être à 100, ou 50, ou 489, ou autre. Cependant, la bonne nouvelle est que les fréquences présentées ici sont très proches les unes des autres, de l'ordre de 10 Hz par exemple).
Quelques pensées à moi:
POV de traitement d'image:
Des opérations morphologiques me sont venues à l'esprit, mais je ne connais pas trop celles-ci pour savoir si elles pourraient fonctionner ou non. Je suppose que l'idée pourrait être de «fermer» et donc d'éliminer les taches «plus grosses»?
Les opérations DFT de taille de ligne peuvent indiquer les lignes à annuler , sur la base des lignes d'intérêt ayant le modèle répétitif le plus élevé, mais cela pourrait ne pas être une solution viable si les impulsions sont peu nombreuses ou si l'image est plus bruyante.
En regardant simplement l'image, vous voulez presque «récompenser» l'isolement et «punir» la connectivité. Existe-t-il une ou plusieurs méthodes de traitement d'image permettant ce type d'opération? (De nature morphologique à nouveau).
Quelles méthodes pourraient aider ici?
Traitement du signal POV:
La plage de fréquences indiquée ici est déjà extrêmement étroite, donc je ne suis pas sûr que les opérations de filtrage par encoche vous aideront. De plus, la fréquence exacte des impulsions représentées dans cette plage étroite n'est pas connue a priori.
En faisant des suppositions éclairées sur les impulsions qui nous intéressent ici (leurs longueurs et temps de répétition) pourrais-je être en mesure de calculer la TFD bidimensionnelle de mon `` modèle '' et de l'utiliser comme un filtre cepstral-temporel 2D auquel Je multiplie simplement l'image Welch illustrée ci-dessus par, puis j'effectue une inverse DFT 2D?
OTOH les filtres Gabor pourraient-ils être un bon match ici? Après tout, ce sont des filtres sensibles à l'orientation, similaires à nos propres processeurs visuels V1 intégrés . Comment pourraient-ils être exploités ici?
Quelles méthodes pourraient aider dans ce domaine?
Merci d'avance.
Réponses:
Je n'ai pas d'expérience dans ce domaine mais je vois qu'il a été étudié: approche par entropie minimale pour les distributions temps-fréquence de débruitage
Essentiellement, votre problème est celui de la séparation signal / source ; le démixage additif d'un tas de signaux structurés. Pour continuer, vous devez modéliser vos signaux. Évidemment, celle qui nous intéresse est périodique et est centrée sur une certaine fréquence, vous devez donc estimer la période (le long de l'axe x) et la fréquence centrale (sur l'axe y). Ensuite, vous pouvez caractériser les autres (bruit). Pour commencer, il semble qu'ils viennent dans de belles courbes.
Avec un modèle en main, je consulterais un livre comme Handbook of Blind Source Separation: Independent Component Analysis and Applications .
la source
D'un POV purement technique, la solution évidente pour "verrouiller" à cette impulsion serait une boucle à verrouillage de phase (PLL).
Une PLL n'est qu'un oscillateur autonome dont la fréquence peut être ajustée en fonction de la relation de phase perçue avec un autre signal. Si l'autre signal est du bruit pur ou des impulsions à une fréquence entièrement différente, alors la relation de phase sera aléatoire et l'oscillateur ne sera pas ajusté beaucoup dans les deux sens (et continuera à "fonctionner librement"). Cependant, s'il y a un signal, même relativement bruyant, qui fonctionne à peu près à la même fréquence que l'oscillateur, le capteur de phase de la PLL le détectera et ajustera la fréquence de l'oscillateur pour correspondre à l'autre signal. Bien sûr, cela suppose que le match est à mi-chemin pour commencer. (Un problème - mais aussi une caractéristique utile - des PLL est qu'elles se verrouilleront avec plaisir sur les harmoniques ou les sous-harmoniques du signal cible, si la différence de fréquence initiale est trop grande.)
Je n'ai jamais utilisé de PLL dans mon propre travail, mais le terme existe depuis environ 40 ans (le concept depuis les années 30, au moins), et il existe des PLL préconstruites disponibles sous forme de circuits intégrés individuels ou de modules à carte unique. Il existe également des "PLL numériques" qui imitent le concept analogique à l'aide de composants numériques. (C'est à peu près l'étendue de mes connaissances, mais il y a facilement 100 références trouvées par Google.)
la source