作者:桂. 时间:2017-06-03  15:40:33 链接:http://www.cnblogs.com/xingshansi/p/6937576.html 前言 本文主要记录麦克风阵列的几个基本知识点,并简单介绍基本的波束合成方法:Delay and sum (DSB). 一.栅瓣效应 类似干涉仪中的phase-wrapping问题:传感器的距离超过半波长的距离. A-Beam Pattern 以线性阵列为例 输出为 对应的增益,也就是output,取频率为1KHz的数据: 有时候也用极

语音识别有近场和远场之分,且很多场景下都会用到麦克风阵列(micphone array).所谓麦克风阵列是一组位于空间不同位置的麦克风按一定的形状规则布置形成的阵列,是对空间传播声音信号进行空间采样的一种装置,采集到的信号包含了其空间位置信息.近场语音识别将声波看成球面波,它考虑各麦克风接收信号间的幅度差:远场语音识别将声波看成平面波,它忽略各麦克风接收信号间的幅度差,近似认为各接收信号之间是简单的时延关系.麦克风阵列可分为一维.二维和三维麦克风阵列.一维麦克风阵列,即线性麦克风阵列,各个麦克风

作者:桂. 时间:2017-06-06 13:25:58 链接:http://www.cnblogs.com/xingshansi/p/6943833.html 论文原文:http://pan.baidu.com/s/1hsuuQYK 前言 上一篇GSC是基于delay的框架进行处理,这是在无混响的情况下一种简单近似处理.许多更为复杂的应用场景,如存在的混响较严重Rt=450ms,则基于delay的模型是不合适的,有学者就考虑直接利用系统的响应函数,也就是传递函数(Transfer functi

作者:桂. 时间:2017-08-22  10:56:45 链接:http://www.cnblogs.com/xingshansi/p/7410846.html 前言 本文主要记录常见的波束形成问题,可以说空间谱估计是波束形成基础上发展而来,在系统论述空间谱之前,有必要分析一些Beamforming的基本特性. 一.波束形成模型 以均匀线阵为例: 按窄带模型分析: 可以写成矩阵形式: 其中为方向矢量或导向矢量(Steering Vector),波束形成主要是针对各个接收信号X进行权重相加. 二

[未完待续]结合波束形成器的鲁棒性宽带正则化超指向波束形成方法[1].用于宽带信号的波束形成方法.结合延时求和波束形成DSB以及超指向波束形成SDB方法,给定用户自定义的正则化因子,采用一个简单的参数来控制WNG–DF (白噪声增益-指向性因子)的平衡. 超定向固定波束形成器以获得高方向性因子而著称,但对非相关噪声和阵列单元的微小误差极为敏感,因其采用波束形成器白噪声增益测度对其进行建模.另一方面,延迟加和波束形成器成功地实现了白噪声增益的最大化,但其方向性系数很低.本文讨论了一种同时控制方向性

应该这样来理解这个问题: 补0后的DFT(FFT是DFT的快速算法),实际上公式并没变,变化的只是频域项(如:补0前FFT计算得到的是m*2*pi/M处的频域值, 而补0后得到的是n*2*pi/N处的频域值), M为原DFT长度,N变成了补0后的长度.将(-pi,pi)从原来的M份变成了N份,如果将补0前后的这些频域值画在坐标上,其中m*2*pi/M和n*2*pi/N重合的部分,它所对应的频域值(变换后的值)是不变的,而在原来的M份里多了(N-M)份的分量,即在频域内多了(N-M)份插值,这样理

搞了这么久音频算法,有些细节还没有很清楚. 比如DFT和DCT有哪些区别,DFT系数为什么会是对称的,同样帧长的数据,各自的频域分辨率是多少? 今天决定搞清楚这些问题, 首先DFT的系数对称(2N点的数据做DFT,变换系数关于N点位置对称)是因为DFT的的变换基是对0-2π分析的,因为0到π和π到2π对称所以会对称.可以参见DFT公式 而DCT的系数就不会对称(2N点的数据做DCT,变换系数不对称)是因为DCT的变换基是对0-π分析的,故不会存在变换关系,可参加DCT变换.(以DCT2型为例子)

time:2015年10月06日 星期二 12时14分51秒 # opencv笔记5:频域和空域的一点理解 空间域和频率域 傅立叶变换是f(t)乘以正弦项的展开,正弦项的频率由u(其实是miu)的值决定.因为积分后左边剩下的为一变量是频率,所以我们说傅立叶变换域是频率域. (<数字图像处理>冈萨雷斯,中文第三版P128) 当变量t用于说明图像时,我们一般将变量t的域称为空间域. 按<图像处理>(章毓晋)的理解,首先是认同模板操作的,然后借助卷积定理,将模板操作转化为傅立叶的乘积,也

作者:桂. 时间:2017-06-03  21:46:59 链接:http://www.cnblogs.com/xingshansi/p/6937259.html 原文下载:http://pan.baidu.com/s/1hs5kgh2 前言 1982年的文章了,主要是基于GSC框架的麦克风阵列增强,梳理一下文章的思路.这篇文章主要有两点特色: 1)在Frost’s algorithm基础上,进行了理论扩展; 2)论述了基于麦克风阵列的GSC框架. 一.理论回顾 假设噪声为加性: 其中s是des

lk中内联调用的dsb() 比如lk的uart_dm_init()函数就调用了dsb() /* Configure the uart clock */ clock_config_uart_dm(id); dsb(); /*Configure GPIO to provide connectivity between UART block product ports and chip pads */ gpio_config_uart_dm(id); dsb(); dsb的在lk\arch\arm\i

音频处理中,经常要看一下啊频域图是什么样子的,这里自己写了一个小程序,可以完美的同步显示时域和频域图,直接上代码: #wave data -xlxw #import import wave as we import numpy as np import matplotlib.pyplot as plt import sys def wavread(path): wavfile = we.open(path,"rb") params = wavfile.getparams() frame

矩阵乘积:对应行列对应元素相乘的和组成新的矩阵 两个矩阵的乘法仅当第一个矩阵A的列数和另一个矩阵B的行数相等时才能定义.如A是m×n矩阵和B是n×p矩阵,它们的乘积C是一个m×p矩阵 并将此乘积记为: 例如: 矩阵的乘法满足以下运算律: 结合律: 左分配律: 右分配律: 矩阵乘法不满足交换律. 矩阵乘积可以形象地理解成空间的线性变化:位置的旋转,移动 卷积与矩阵 又称卷积和,即某元素邻域组成的矩阵A与卷积核矩阵B对应的元素的乘积的和,其中A,B的行列数相等.卷积核有特殊的定义:需矩阵中心元素=周

http://blog.sciencenet.cn/blog-95484-803140.html % %图像灰度变换 % f = imread('E:\2013第一学期课程\媒体计算\实验一\Img\Fig0303(a)(breast).tif');% g1 = imadjust(f, [0 1], [1 0]);% g2 = imadjust(f, [0.5 0.75], [0 1]); % g3 = imadjust(f,[],[],2);% subplot(2,2,1), imshow(f

前面以前介绍过空间域滤波,空间域滤波就是用各种模板直接与图像进行卷积运算,实现对图像的处理,这个方案直接对图像空间操作,操作简单.所以也是空间域滤波. 频域滤波说究竟终于可能是和空间域滤波实现相同的功能,比方实现图像的轮廓提取,在空间域滤波中我们使用一个拉普拉斯模板就能够提取,而在频域内,我们使用一个高通滤波模板(由于轮廓在频域内属于高频信号).能够实现轮廓的提取,后面也会把拉普拉斯模板频域化.会发现拉普拉斯事实上在频域来讲就是一个高通滤波器. 既然是频域滤波就涉及到把图像首先变到频域内.那么把

函数说明:更改主函数体中的N和length(=log2(N))既可以实现任意点数(2的幂次)的FFT/ IFFT的实现,fft函数中flag标志位控制是正变换还是逆变换. 1.复数操作类      定义复数类,重载复数四则运算符号,重载输出运算符,重载赋值运算符. /**********预编译文件头文件complex.h********/ #include"iostream" using namespace std; class complex { double real,image;

1. DCT变换 参考:https://stackoverflow.com/questions/22322427/decomposing-an-image-into-two-frequency-components-using-dct MATLAB程序: %// Load an image Orig = im2double((imread("output_HEVC/1_QP22_" + tab(i) + ".png"))); %Orig = rgb2gray(Ori

学习DIP第23天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意.有些网站转载了我的博文,很开心的是自己写的东西被更多人看到了,但不开心的是这段话被去掉了,也没标明转载来源,虽然这并没有版权保护,但感觉还是不太好,出于尊重文章作者的劳动,转载请标明出处!!!! 开篇废话 一如既往的开篇废话,今天介绍离散傅里叶变换(DFT),学习到这,不敢说对傅里叶有多了解,

学习DIP第22天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意........ 开篇废话 本来是不想写DTFT的,原因1,与前面傅里叶变换(FT)推导过程相似,原因2,在图像处理中DTFT应用不是很广泛,但后来想想还是写出来,原因1,不写出来我觉得心里不踏实,原因2,DTFT是DFT的近亲,不写的话家族不完整,下一篇写DFT,其实写到这个阶段,要写的东西就

学习DIP第20天 转载请标明本文出处:http://blog.csdn.net/tonyshengtan,欢迎大家转载,发现博客被某些论坛转载后,图像无法正常显示,无法正常表达本人观点,对此表示很不满意........ 开篇废话 这两天博客写的有点多,感觉博客应该是知识的总结和理解,而是单纯的为了写博客而写博客,不过这两天的内容连续性很强,所以一口气下来也未尝不是好事,这两三篇文章一直在研究理论,已经好久没写代码了,哈哈,后面准备写下DFT和采样相关的,然后就回归冈萨雷斯,看图像比看数学有意思

下面是频域滤波示例程序: 在本程序中,共有五个自定义函数,分别是: 1. myMagnitude(),在该函数中封装了Opencv中的magnitude函数,实现对于复数图像的幅值计算. 2. dftshift(),该函数实现对图像四个象限的对角互换,相当于MatLab中 fftshift(),将频谱的原点(0,0)移到图像中心.示例1中采用了该函数实现了频谱图中心化. 3. srcCentralized()用于傅里叶变换前的预处理,以便得到傅里叶频谱的原点(0,0)位于图像的中心. 该函数与d