问题标签 [dft]

我正在做的是在预处理图像（通过阈值处理）后找到图像的轮廓。我想获得每个轮廓的离散傅里叶描述符（使用 dft() 函数）我的代码如下，

问题是什么？？？我找不到它..我认为函数的参数类型（例如 cv::finContours 或 dft ）是错误的....

我正在尝试对两个单独的图像进行逐点乘傅立叶变换，然后转换回普通图像。我对在 OpenCV 中使用傅立叶变换不是很熟悉，但这就是我目前所拥有的。显示输出的最后一行导致“System.Runtime.InteropServices.SEHException”类型的异常，但我不知道如何修复它。我在每个阶段都尝试了各种不同的参数和函数，但似乎都给出了异常或空输出。我究竟做错了什么？感谢你给与我的帮助！

我尝试用一​​个例子来验证我对 Numpy 的 FFT 的理解：傅里叶变换exp(-pi*t^2)应该是exp(-pi*f^2)在直接变换上没有应用缩放时。

但是，我发现要获得这个结果，我需要将 FFT 的结果乘以一个 factor dt，这是我的函数上两个采样点之间的时间间隔。我不明白为什么。有人可以帮忙吗？

这是一个示例代码：

我们在学校有一项任务是创建一个 DTMF 解码器，但无法理解需要做什么以及如何做。首先，我们需要使用卷积计算信号的能量。我们通过使用窗口长度和输入信号的绝对值来做到这一点：

现在，我们不知道如何获得合适的窗口长度。平滑后的能量用于对信号进行分段，然后使用基向量（？）确定信号中的不同频率。dtmf 脉冲至少有 40 毫秒，间隔至少 40 毫秒。采样频率为 8kHz，我们的信号长度约为 17601 个样本。我们认为通过 fs*0.04 我们可以得到窗口长度。0.04=40ms，但现在平滑的能量信号发生了偏移，因此这些段超出了输入信号的最大样本。

长话短说：我们如何计算“正确”的窗口长度？

提前致谢。

编辑：说明已更新，我们不应该使用卷积。我们应该使用 filter()

我正在 MATLAB 中编写一个程序，作为我基于 DFT 的项目的一部分。

设N x N数据矩阵为X，对应的 DFT 矩阵为Y，则 DFT 系数可表示为

由于旋转因子 WN 是周期性的，(1)可以表示为

对于给定的，指数((n1k1 +n2k2)) N = p由一组 满足。因此，通过对此类数据进行分组并应用 的属性，(n1,n2)(k1,k2)WN^(p+N /2) = -(WN^P)

(2)可以表示为

在哪里

我正在编写一个程序来查找Y(k1,k2,p)。即我需要从给定的 2D 方阵（即矩阵）创建 2D 矩阵的切片（即，每个切片都是 2D 矩阵的 3D 矩阵X）.. 的维度X可以高达512.

基于上述方程，我编写了如下代码。我需要对其进行矢量化。

由于有 5 个 FOR 循环，对于 N 的大尺寸，执行时间非常长。因此，请为我提供消除 FOR 循环和矢量化代码的解决方案。我需要使代码以最大速度执行...谢谢再次..

我已经开始（一个小项目）来计算频域中图像的功率谱。

所以，到目前为止，我所拥有的是以下内容：

到目前为止，它看起来不错；我得到的网格图类似于我在各种学术论文中看到的光谱。

但是，我正在寻找的是这个功率谱与频率的关系图，我不完全确定如何获得这个频率向量。例如，我可以这样做：

但我不相信这是完全正确的，因为这会产生负频率。

如果有人能指出我正确的方向来绘制对数频率与功率谱的关系，我将不胜感激。

实信号的 FFT 具有共轭对称性。该属性可用于节省一半的内存和一半的计算。这个实现非常简单，我已经做到了。

现在我想实现IFFT。这适用于共轭对称信号，并且预期为实信号。由于 IFFT 与具有反转符号旋转因子的 FFT 相同。有没有类似的方法可以节省一半的计算和内存？

我尝试使用 opencv 的 dft 函数过滤信号。我尝试这样做的方法是在时域中获取信号：

使用以下方法将其转换为 FOURIER 域：

消除不需要的频率：

将其转换回时域：

为了检查我的结果，我将它们与 Matlab 进行了比较。我采用相同的信号 x，将其转换为 FOURIERx_mfft = fft(x);结果与我从 opencv 得到的结果相似，除了在 opencv 中我只得到左侧，而在 matlab 中我也得到对称值。在此之后，我在 Matlab 中将值设置为 0，x_mfft(0) and x_mfft(8:32)现在信号看起来完全相同，除了在 Matlab 中它们是复数形式，而在 opencv 中它们是分开的，实部在一个通道中，虚部在另一个通道中。

问题是，当我使用 matlab 执行逆变换时x_mfilt = ifft(x_mfft)，结果与我使用 opencv 得到的完全不同。 MATLAB：

cv::dft(x_fft, x_filt, cv::DFT_INVERSE, 0) 之后的 OpenCV；

频道 1：

频道 2：

我错过了什么？结果不应该相似吗？如何检查opencv中的逆变换是否正确完成？

后来的编辑：在解决了几个小时的问题后，我决定绘制 Matlab 和 OpenCV 的结果，令我惊讶的是，它们非常相似。

虚部

实物部分：

所以很明显，这是关于 SCALE 因素的。在将它们逐个元素划分之后，这个因子显然是 32 - 信号的长度。有人可以解释为什么会这样吗？显而易见的解决方案是使用cv::dft(x_fft, x_filt, cv::DFT_INVERSE+cv::DFT_SCALE, 0);，所以我想这个话题已经得到解答，但我仍然对为什么会这样感兴趣。

这个问题主要与这个答案有关：如果@Paul R 有机会看到它，这将是理想的。

我有一个信号，我已经计算了一个 STFT。NFFT 的大小为 256，重叠为 128。这产生了 21 个包含输出的单独块。

因此，我想将其转换为赫兹，以查看信号中每个点的不同赫兹是什么。我使用以下公式计算了幅度：

这会产生以下结果：

我主要对下一部分的工作方式感到困惑。例如，我基本上有一个二维向量，其中包含来自 STFT 的所有块（每个块的大小为 256）。因此，我是否计算块内每个点的幅度，计算幅度的最高数字，然后使用公式freq = i_max * Fs / N？

如果是这样，它看起来是否类似于以下内容（示例，不是实际数据）：

然后，这将为每个 STFT 输出生成幅度矢量。从那里，我可以计算出哪个是最高的（比如说 7），然后我可以计算以下内容：

其中 44100 = 采样率，4 = STFT 块的大小。

然后这会给我每个块的频率。

这是正确的，还是我完全忽略了这一点？

根据卷积定理，时域中的卷积是 fft 域中的乘积。使用正确的零填充，它可以工作：

然而，这个定理也应该反过来起作用，时域中的乘积是 fft 域中的卷积。我没有得到这部分：

这给出了 d_bis 的复向量。如何使用频域中的卷积来反转时域中的逐点乘积？