Me pregunto qué técnicas podrían estar disponibles para ' eliminar ruido ' de la siguiente imagen de frecuencia de tiempo de ejemplo que se creó utilizando el método de Welch . La siguiente trama se creó a partir de un sensor robótico. (Esta NO es una imagen en color; es una imagen en escala de grises; los colores se agregan solo con fines visuales)
Objetivo:
Mi objetivo en última instancia es estimar los espacios de pulso que ves aquí, en caso de que existan tales pulsos. Esto podría ser algo así como un huevo y una gallina, así que para este fin, me pregunto: "¿Existen pulsos de esta tasa de repetición de +/- 10%?", Y me dedico a detectarlos. Lo que está viendo aquí es la señal (pulsos), pero junto con otras interferencias no deseadas. Sin embargo, como Emre ha sugerido, tienen estructura, aunque en el espacio de tiempo-frecuencia. ¿Existen filtros de frecuencia de tiempo como tales?
Me fuertemente gustaría ver que las soluciones de procesamiento de imágenes aplicadas aquí, pero estoy abierto a cualquier solución.
Por lo tanto: El objetivo es eliminar todas las señales de alta intensidad, excepto los pulsos repetitivos (que se encuentran cerca del índice 300 en el eje y) como se puede ver. Todas las demás señales de alta intensidad pueden considerarse como "interferencia".
Suposiciones que puede hacer:
Puede suponer que conoce aproximadamente las longitudes de pulso que está viendo aquí. (Digamos, dentro de +/- 10%). Dicho de otra manera, ha decidido buscar pulsos de esta longitud. (+/-)
Puede suponer que también conoce aproximadamente las tasas de repetición de los pulsos (nuevamente, digamos +/- 10%).
Lamentablemente, no conoce su frecuencia con mayor precisión. Es decir, en esta imagen los pulsos están en 300, pero podrían haber sido tan fácilmente en 100, o 50, o 489, o lo que sea. Sin embargo, la buena noticia es que esas frecuencias que se muestran aquí son muy cercanas entre sí, en el orden de, digamos, 10's de Hz).
Algunos pensamientos míos:
Procesamiento de imagen POV:
Se me han ocurrido operaciones morfológicas, sin embargo, no estoy muy familiarizado con ellas para saber si podrían funcionar o no. Supongo que la idea podría ser 'cerrar' y, por lo tanto, eliminar las manchas 'más grandes'.
Las operaciones DFT en fila pueden indicar qué filas anular , en función de las filas de interés que tienen el patrón repetitivo más alto, sin embargo, podría no ser una solución viable si los pulsos son pocos y distantes, o si la imagen es más ruidosa.
Con solo mirar la imagen, casi quiere 'recompensar' el aislamiento y 'castigar' la conectividad. ¿Hay algún método (s) de procesamiento de imágenes que realice este tipo de operación? (Morfológico en la naturaleza otra vez).
¿Qué métodos pueden ayudar aquí?
Procesamiento de señal POV:
El rango de frecuencia que se muestra aquí ya es extremadamente estrecho, por lo que no estoy seguro de que las operaciones de filtrado de muescas ayuden. Además, la frecuencia exacta de los pulsos mostrados dentro de este estrecho rango no se conoce a priori.
Al hacer conjeturas educadas sobre los pulsos de interés aquí, (sus longitudes y tiempos de repetición) podría ser capaz de calcular el DFT bidimensional de mi 'plantilla', y utilizar esto como un filtro cepstral-temporal en 2-D para el cual ¿Simplemente multiplico la imagen de Welch que se muestra arriba y luego realizo un DFT 2-D inverso?
OTOH tal vez los filtros Gabor serían una buena combinación aquí? Después de todo, son filtros sensibles a la orientación, similares a nuestros propios procesadores visuales V1 integrados . ¿Cómo podrían ser explotados aquí?
¿Qué métodos pueden ayudar en este dominio?
Gracias por adelantado.
Respuestas:
No tengo experiencia en esta área, pero veo que se ha estudiado: enfoque de entropía mínima para eliminar las distribuciones de frecuencia de tiempo
Esencialmente su problema es uno de separación de señal / fuente ; La mezcla aditiva de un montón de señales estructuradas. Para continuar, debe modelar sus señales. Obviamente, el de interés es periódico y está centrado en alguna frecuencia, por lo que debe estimar el período (a lo largo del eje x) y la frecuencia central (en el eje y). Entonces puedes caracterizar a los demás (ruido). Para empezar, parece que vienen en buenas curvas.
Con un modelo en mano, consultaría un libro como Handbook of Blind Source Separation: Independent Component Analysis and Applications .
fuente
Desde un punto de vista puramente de ingeniería, la solución obvia para "engancharse" a ese pulso sería un bucle de fase bloqueada (PLL).
Un PLL es solo un oscilador de funcionamiento libre cuya frecuencia se puede ajustar en función de la relación de fase percibida con otra señal. Si la otra señal es ruido puro o pulsos a una frecuencia completamente diferente, entonces la relación de fase será aleatoria y el oscilador no se ajustará mucho en ninguna dirección (y continuará en "funcionamiento libre"). Sin embargo, si hay una señal, incluso una relativamente ruidosa, que se ejecuta a aproximadamente la misma frecuencia que el oscilador, el sensor de fase del PLL lo detectará y ajustará la frecuencia del oscilador para que coincida con la otra señal. Por supuesto, esto supone que el partido está a medio camino para comenzar. (Un problema, aunque también una característica útil) de los PLL es que se aferrarán felizmente a los armónicos o subarmónicos de la señal objetivo, si el desajuste de frecuencia inicial es demasiado grande).
Nunca he usado PLL en mi propio trabajo, pero el término ha existido durante aproximadamente 40 años (el concepto desde los años 30, al menos), y hay PLL preconstruidos disponibles como circuitos integrados individuales o módulos de tarjeta única. También hay "PLL digitales" que imitan el concepto analógico utilizando componentes digitales. (Esto es sobre el alcance de mi conocimiento, pero Google encuentra fácilmente 100 referencias).
fuente