- •1. Типы сигналов
- •2. Задачи анализа и синтеза сигналов.
- •3. Представление сигнала с помощью ортогональных функций
- •5. Комплексный ряд Фурье. Преобразование Фурье.
- •6. Частота Найквиста. Теорема Найквиста-Шеннона.
- •7. Определение дискретного преобразования Фурье (дпф) и обратного дискретного преобразования Фурье (обпф).
- •Дискретное преобразование фурье (дпф)
- •8. Свойства дпф (теорема линейности, теорема комплексной сопряженности, теорема сдвига, теорема сверки, теорема корреляции)
- •13. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во временной области.
- •14. Алгоритм быстрого преобразования Фурье (бпф) с децимацией во частоте.
- •15.Обратное быстрое преобразование Фурье
- •Обратное преобразование Фурье
- •16. Вычислительные преимущества бпф.
- •17. Схемы вычисления свертки и корреляции на основе бпф.
- •18. Двумерное дпф и бпф
- •19. Анализ линейной системы (связь между входным и выходным сигналами, импульсный отклик, представление системы в частотной области).
- •20. Класс несинусоидальных ортогональных функций (функции Радемахера, функции Хаара, функции Уолша).
- •21. Код Грея
- •22. Преобразование Уолша.
- •23. Преобразование Уолша-Адамара (Адамара).
- •1. Пиксельное представление изображений. Основные виды изображений: бинарные, полутоновые и цветные
- •2. Основные преобразования изображений.
- •3. Основные взаимосвязи между пикселями изображения. Метрические свойства для изображения.
- •4. Метод пространственной области с применением масок. Операторы Собеля, Робертса, Превитта для обработки изображений.
- •5. Сегментация изображений посредством выделения границ областей
- •6. Основы фильтрации в частотной области. Двумерное дпф.
- •7. Задача распознавания образов. Выбор признаков.
- •8. Виды разделяющих функций. Классификатор по минимальному расстоянию
- •9. Задача двухклассового распознавания
- •10. Классификатор для распознавания 3-х и k классов образов по критерию наименьшего среднеквадратического расстояния
- •11. Метод отображения по алгоритму наименьших квадратов
- •12. Классификация нейросетевых систем
- •13. Виды пороговых функций в нейросети
- •14. Модель нейронной сети. Обучающий алгоритм для персептрона
- •15. Многослойный персептрон с обратным распространением ошибки
23. Преобразование Уолша-Адамара (Адамара).
Часто применяются функции Уолша, упорядоченные по Адамару [had(h,t)] и по Пэли [pal(p,t)].
Независимо от упорядочения функции Уолша, составляющие систему из функций, всегда можно представить в виде произведения степеней первыхr функций Радемахера. Принцип же нахождения показателей этих степеней индивидуален для каждого упорядочения.
Остановимся на упорядочении по Адамару. При N=2n матрица Адамара может быть получена с помощью соотношения
;
.
Матрица Адамара также может быть получена из ядра c помощью кронекеровского произведения, т.е.
.
1. Пиксельное представление изображений. Основные виды изображений: бинарные, полутоновые и цветные
Компьютеры обрабатывают не изображения, а только массивы дискретных чисел. Таким образом, изображение представляется в виде двумерного массива чисел. Точка в 2D-сетке называется пикселем (pixel) (рис. 2, а, б). Это название является сокращением понятия picture element (элемент изображения). Пиксель представляет энергетическую освещенность в соответствующем месте сетки. Положение пикселя задается с помощью общепринятого обозначения для матриц.
а |
б |
Рис. 2: а - положение пикселя в 2D-сетке; б – матричное представление изображения
Размер пикселя цифрового изображения определяется разрешением, а минимальная разница между яркостями пикселя определяется глубиной цвета. Разрешение изображения измеряется количеством пикселей, расположенных на единице длины. Как правило, в качестве единицы длины при оцифровке изображений используется дюйм, в таком случае разрешение измеряется в количестве пикселей на дюйм (dots per inch, dpi). Глубина цвета определяется количеством различных значений, которое может принимать пиксель.
Как правило, изображения квантуются в 256 уровней яркости. Тогда каждый пиксель занимает 8 бит или 1 байт. Этот битовый размер хорошо подходит к архитектуре стандартных компьютеров, которые могут обращаться к памяти побайтово. Кроме того, разрешающая способность является приемлемой для того, чтобы создать иллюзию непрерывного изменения в уровнях яркости, поскольку относительное разрешение зрительной системы человека по интенсивности не лучше, чем приблизительно 2%. В общем виде значение Q (число уровней (градаций) яркости) обычно выбирают равным целочисленной степени двойки:
. (1)
Дискретные уровни яркости расположены с постоянным шагом и принимают целые значения в интервале [0, Q-1]. Общее количество битов b, необходимое для хранения цифрового изображения, определяется по формуле
. (2)
Наилучшая глубина цвета зависит от специфики задачи и типа исходных изображений.
2 уровня яркости (черный и белый) – бинарное изображение;
256 уровней яркости (1 байт на пиксель) – полутоновое изображение;
65 536 уровней яркости (2 байта на пиксель) – полутоновое изображение;
16,7 млн цветов (3 байта – красный, синий, зеленый – на пиксель) – цветное изображение;
4,3 млрд цветов (4 байта – голубой, сиреневый, желтый, черный – на пиксель) – цветное изображение.