问题标签 [cross-correlation]

与标准（并且更具挑战性）去模糊和超分辨率场景不同，我可以访问原始（清晰）图像G和模糊版本B。我只是在寻找模糊内核h。所以因为B是使用真实相机拍摄的，所以关系是：

B=G*h+N     （其中*表示卷积，N是一些加性噪声）

自然，这是一个过度约束的问题，因为h它的尺寸相对较小，G因此B这对图像中的每几个像素都会在 的条目上生成一个方程h。

但实际实现这一点的最简单方法是什么？到目前为止我的想法：

• 移至频域并进行除法（如this answer所示）。但这不可避免地会因为噪声而在数值上不稳定，对吧？
• 互相关 - 我只找到了一维信号的示例，无法弄清楚如何在图像的二维情况下使用。
• 仔细构造一个过约束的线性系统，使用一些优化程序G'h'=B'寻找h' 内核条目的向量版本。h但这非常繁琐，矩阵G'和向量B'的大小势必很大。

从 C++ 到 MATLAB 的任何编程语言的具体示例都将非常有用。

阅读本文并尝试了 np.correlate 和 cv2.matchTemplate 我仍然有一个我似乎无法解决的问题。

我有两个 numpy 数组，每个数组的形状都是(6000,50). 6000 个序列，每 50 个值。现在我想对这个数组的两个一维序列进行互相关来检测时移。我简单地尝试了openCV，但对我来说这会返回一个数字（我希望相关性最高），所以现在我像这样使用 numpy.correlate ：

（在互相关图中，我不是在寻找最高峰，而是在使用this寻找第一个峰。请参阅情节以获取示例）

如您所料，我想对所有 6000 个序列执行此操作，但希望避免迭代。我希望这会奏效：

但这给了我以下错误：ValueError: object too deep for desired array.

使用 NumPy 或 OpenCV 是否可以进行任何更改。还是我必须这样做:(

我有一个时间序列的向量数据——每个点都是一个二维向量。我想计算一个自相关（或类似的东西——如果我在这里误用了语言，请原谅）。假设时间 t 的向量是 v(t)。我想要的是计算矢量点积，以便我的相关性看起来像：

C(T) = ∑ v⃗(t) · v⃗(t+T)

对所有 t st v(t) 和 v(t+T) 求和。

有没有一种干净、紧凑的方法可以用 numpy 做到这一点？（也很乐意尝试 scipy 等的答案。）谢谢。

I wrote the code to get the mic recording from 3 USB microphones using 3 instances of WaveInEvent.

In my OnDataAvailable, I do nothing more than writing to a wav file

I tried manipulating the buffer size but did not really resolve the latency issue. How I am testing this is I place microphone right next to each other and record, if I run cross-correlation from these data, I should ideally be getting ~0 sample lag.

It would be ideal if I can get all signals from multiple microphones "at the same time" with no latency between different microphones. However, I noticed few sample delays between different microphones.

I know that for this sort of application that require no/low latency, NAudio is not preferable. I was wondering if I can reduce the latency between different USB mic further by using WASAPI or if you would suggest using other libraries...

我有两个信号，我希望其中一个对另一个做出响应，但有一定的相移。

现在我想计算相干性或归一化交叉谱密度，以估计输入和输出之间是否存在任何因果关系，以找出这种相干性出现在哪些频率上。

例如，请参阅此图像（来自此处），它似乎在频率 10 处具有高相干性：

现在我知道我可以使用互相关来计算两个信号的相移，但是如何使用相干性（频率为 10）来计算相移？

图像代码：

.
.
编辑：

对于它的价值，我已经添加了一个答案，也许是对的，也许是错的。我不确定..

xcorr我对MATLAB 中的函数有疑问。

目前这个函数可以计算一个矩阵的自相关，但不能计算两个矩阵的互相关：

您是否知道任何解决方法可以做到这一点，但不使用for循环？

我正在 MATLAB 中开发模板匹配程序。代码运行良好，并找到最接近的结果。我的第一个问题，在这段代码中，我使用的是函数corr2()。我想尝试使用公式的版本（我尝试上传一张图片，但我需要 10 个声望）。

我了解公式本身，但我不确定应该使用哪些变量来使用它。例如，我的图像中的 them和n含义到底是什么？我在哪里可以得到它们？换句话说，公式将什么作为输入？

第二个问题是，当我运行我现在拥有的代码时，需要很长时间，有什么可以改变的来加快它的速度吗？

我有两个相隔一定距离的传感器，它们从源接收信号。纯信号是频率为 17kHz 的正弦波。我想估计两个传感器之间的 TDOA。我正在使用互相关，下面是我的代码

我通过去除所有低于 17kHz 的频率来过滤我的信号 x1 和 x2。上面的代码有两个问题： 1. 传感器和源在同一个地方，我每次都得到不同的 'td' 值。我不确定出了什么问题。是因为噪音吗？如果是这样，任何人都可以提供解决方案吗？我已经阅读了很多论文并解决了关于 stackoverflow 的其他问题，所以请用代码和理论来回答，而不是仅仅陈述理论。2. 'td' 的值有时与使用 xcorr 计算的延迟不匹配。我究竟做错了什么？下面是我使用 xcorr 的 td 代码

我有一个很长的时间序列，其中包含一些重复和相似的信号（不完全是周期性的）。时间序列的长度约为 60000 个样本。为了识别信号，我取出其中一个，长度约为 1000 个样本，并将其沿我的时间序列数据逐个样本移动，并计算互相关系数（在 Matlab 中：corrcoef）。如果该值高于某个阈值，则存在匹配。但这非常慢（使用“for循环”移动窗口）。有没有办法加快速度，或者 Matlab 中已经有一些机制可以解决这个问题？

非常感谢

已编辑：添加了有关使用“xcorr”的信息：

如果我使用“xcorr”，或者至少是我使用它的方式，我会得到错误的图片。查看数据（第一个图），有两种类型的重复信号。一个用红色矩形标记，而另一个振幅更大（这是相干噪声）用黑色矩形标记。我对第一种类型感兴趣。第二个图显示了我正在寻找的信号，被炸毁了。如果我使用“xcorr”，我会得到第三个情节。如您所见，“xcorr”给了我错误的信号（实际上我的信号和相干噪声之间存在高度互相关）。但是使用“'corrcoef'并移动窗口，我得到了最后一个正确的图。使用'xcorr'时可能存在标准化问题，但我不知道。

您好，我已经编写了一个代码来使用归一化互相关来查找图像的相似性。我收到上述错误但无法得到它。有人能找到我的错误吗？提前谢谢:)