- •3. Статистические методы оценки параметров сигналов.
- •3.1 Понятие об оценке параметров принимаемых сигналов.
- •3.2 Качество оценок и критерии оптимальности измерения параметров.
- •3.3 Основные положения байесовской теории измерений
- •3.4 Максимально правдоподобная оценка
- •3.5 Потенциальная точность определения параметра
- •3.6 Потенциальная точность определения момента прихода сигнала
- •3.7 Потенциальная точность определения доплеровского сдвига частоты.
- •4. Пространственно временная обработка сигналов.
- •4.1 Пространственно-временной сигнал.
- •4.2 Случайные пространственно-временные сигнала
- •4.3 Случайные поля и пространственные фильтры
- •4.4 Линейная фильтрация стационарных пространственно-временных сигналов
- •5. Основы цифровой обработки сигналов.
- •5.1 Модели дискретных сигналов
- •5.2 Дискретизация периодических сигналов
- •5.3 Основы теории z-преобразования
- •5.4 Цифровые фильтры
- •5.5 Трансверсальные цифровые фильтры
- •5.6 Рекурсивные цифровые фильтры
- •5.7 Основы гомоморфной обработки сигналов
- •5.8 Гомоморфная обработка мультипликативного сигнала
- •5.9 Гомоморфная обработка свернутого сигнала
- •5.9 Кепстральный анализ сигналов
5.8 Гомоморфная обработка мультипликативного сигнала
Рассмотрим полученные результаты обработки сигнала телевизионного изображения. В этом случае условия s1(t)>0, s2(t)>0 не препятствуют использованию гомоморфной обработки. Дело в том, что, как правило яркость фона на экране меняется медленно, а контрастность изображения определяется высокочастотными изменениями сигнала, так что результирующий эффект можно считать пропорциональным произведению двух сигналов – низкочастотного s1(t) и высокочастотного s2(t). По своей природе эти сигналы являются действительными и положительными функциями времени. Примерный вид сигналов s1(t), s2(t) и s(t)=s1(t)s2(t) на рис.
Запишем эти сигналы в виде:
s1(t)=А01+∆ s1(t)>0, s2(t)=А02+∆ s2(t)>0,
где А01 и А02 – постоянные составляющие соответственно функций s1(t) и s2(t). Тогда:
s(t)=s1(t)s2(t)= А01А02+А02∆ s1(t)+ А01∆ s2(t)+ ∆ s1(t) ∆ s2(t) (5.48)
Т.к. сигнал s1(t) меняются в широком диапазоне, соответственно меняется сигнал s(t). Это предъявляет жесткие требования к линейности амплитудной характеристики телевизионного тракта. Выгодно ослабить влияние s1(t), от которого зависит контрастность изображения. Рассмотрим спектры сигналов.
Δ – функции описывают постоянные составляющие А01 и А02.
Спектр результирующего сигнала:
Произведению ∆ s1(t) ∆ s2(t) соответствует свертка спектров Φ∆1(jω) и Φ∆2(jω).
С помощью обычных линейных фильтров можно отфильтровать часть спектра в полосе от нуля до Ω. Однако спектр Φ∆1(jω)*Φ∆2(jω) не поддается разделению с помощью линейной фильтрации. В этих условиях эффективна гомоморфная обработка. Хотя форма колебаний х1(t) и х2(t) на выходе логарифмического преобразователя существенно отличается от исходных сигналов s1(t) и s2(t), соответствующие спектральные области разнесены на оси частот в такой же степени, что и спектры Φ∆1(jω) и Φ∆2(jω). В спектре
Φ1(jω) преобладают низкие частоты, близкие к Ω, а в спектре Φ2(jω) – частоты, нижняя граница которых близка к ωmin.
П рименение линейной цепи L с АЧХ:
Позволяет существенно снизить относительный уровень низкочастотного сигнала.
После обратного нелинейного преобразования Д-1 получается новый мультипликативный сигнал sвых(t)=s1вых(t)s2вых(t) с требуемым соотношением уровней s1вых(t) и s2вых(t).
Таким образом можно осуществить одновременно сжатие динамического диапазона и повышение контрастности изображения.
5.9 Гомоморфная обработка свернутого сигнала
Пусть задан непрерывный сигнал s(t)=s1(t)*s2(t) и требуется осуществить обработку, в результате которой выходной сигнал получится также в виде свертки sвых(t)=s1вых(t)*s2вых(t), но измененным соотношением между составными сигналами. В отличие от мультипликативного сигнала, в этом случае не существует подходящей функции для прямого перехода к аддитивной смеси. Можно, однако, сначала перевести операцию свертки в операцию умножения, а затем произведение преобразовать в сумму.
Подвергнув входной сигнал преобразованию Фурье, получим:
F[s(t)]=Φ(jω)=Φ1(jω)Φ2(jω) (5.49)
Следующий шаг – преобразование произведения в сумму с помощью выражения:
logΦ(jω)= log[Φ1(jω)]+ log[Φ2(jω)] (5.50)
Примени, наконец, к log[Φ(jω)] операцию обратного преобразования Фурье, мы получим аддитивные сигналы:
х1(t)=F-1{log[Φ1(jω)]} и х2(t)=F-1{log[Φ2(jω)]}. х(t)=х1(t)+х2(t).
Сигналы по своей форме естественно, существенно отличаются от исходных сигналов s1(t) и s2(t).
Сигнал х(t)=х1(t)+х2(t) подвергается линейной обработке и выходной сигнал y(t0=y1(t)+y2(t) преобразуется. Сначала выполняется преобразование Фурье:
Φy(jω)=Φy1(jω)+Φy1(jω)=F{y(t)} (5.51)
Дальнейшее преобразование вида exp[] приводит к произведению , каждый из сомножителей которого также является спектральной функцией.
Наконец, обратное преобразование Фурье:
(5.52)
определяет выходной сигнал в виде свертки, в которой сигналы s1вых(t) и s2вых(t) изменяются по сравнению с s1(t) и s2(t) в требуемом соотношении.
В практике наибольшее распространение получила гомоморфная обработка свернутого сигнала, заканчивающаяся выделением функций х1(t) и х2(t), содержащих всю информацию о входных сигналах s1(t) и s2(t).