Многомерное преобразование - Multidimensional transform

В математический анализ и приложения, многомерные преобразования используются для анализа частотного содержания сигналов в области двух или более измерений.

Многомерное преобразование Фурье

Одним из наиболее популярных многомерных преобразований является преобразование Фурье, который преобразует сигнал из представления области времени / пространства в представление области частот.^[1] Многомерное преобразование Фурье (FT) в дискретной области можно вычислить следующим образом:

${\displaystyle F(w_{1},w_{2},\dots ,w_{m})=\sum _{n_{1}=-\infty }^{\infty }\sum _{n_{2}=-\infty }^{\infty }\cdots \sum _{n_{m}=-\infty }^{\infty }f(n_{1},n_{2},\dots ,n_{m})e^{-iw_{1}n_{1}-iw_{2}n_{2}\cdots -iw_{m}n_{m}}}$

куда F обозначает многомерное преобразование Фурье, м означает многомерное измерение. Определять ж как многомерный сигнал в дискретной области. Обратное многомерное преобразование Фурье дается формулой

${\displaystyle f(n_{1},n_{2},\dots ,n_{m})=\left({\frac {1}{2\pi }}\right)^{m}\int _{-\pi }^{\pi }\cdots \int _{-\pi }^{\pi }F(w_{1},w_{2},\ldots ,w_{m})e^{iw_{1}n_{1}+iw_{2}n_{2}+\cdots +iw_{m}n_{m}}\,dw_{1}\cdots \,dw_{m}}$

Многомерное преобразование Фурье для сигналов непрерывной области определяется следующим образом:^[1]

${\displaystyle F(\Omega _{1},\Omega _{2},\ldots ,\Omega _{m})=\int _{-\infty }^{\infty }\cdots \int _{-\infty }^{\infty }f(t_{1},t_{2},\ldots ,t_{m})e^{-i\Omega _{1}t_{1}-i\Omega _{2}t_{2}\cdots -i\Omega _{m}t_{m}}\,dt_{1}\cdots \,dt_{m}}$

Свойства преобразования Фурье

Применяются аналогичные свойства одномерного преобразования FT, но вместо входного параметра, представляющего собой единственную запись, это многомерный (MD) массив или вектор. Следовательно, это x (n1,…, nM) вместо x (n).

Линейность

если ${\displaystyle x_{1}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{1}(\omega _{1},\ldots ,\omega _{M})}$ , и ${\displaystyle x_{2}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{2}(\omega _{1},\ldots ,\omega _{M})}$ тогда,

${\displaystyle ax_{1}(n_{1},\ldots ,n_{M})+bx_{2}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}aX_{1}(\omega _{1},\ldots ,\omega _{M})+bX_{2}(\omega _{1},\ldots ,\omega _{M})}$

Сдвиг

если ${\displaystyle x(n_{1},...,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},...,\omega _{M})}$, тогда
${\displaystyle x(n_{1}-a_{1},...,n_{M}-a_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}e^{-j(\omega _{1}a_{1}+,...,+\omega _{M}a_{M})}X(\omega _{1},...,\omega _{M})}$

Модуляция

если ${\displaystyle x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},\ldots ,\omega _{M})}$, тогда

${\displaystyle e^{j(\theta _{1}n_{1}+\cdots +\theta _{M}n_{M})}x(n_{1}-a_{1},\ldots ,n_{M}-a_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1}-\theta _{1},\ldots ,\omega _{M}-\theta _{M})}$

Умножение

если ${\displaystyle x_{1}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{1}(\omega _{1},\ldots ,\omega _{M})}$, и ${\displaystyle x_{2}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{2}(\omega _{1},\ldots ,\omega _{M})}$

тогда,

${\displaystyle x_{1}(n_{1},\ldots ,n_{M})x_{2}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}{\frac {1}{(2\pi )^{M}}}\int \limits _{-\pi }^{\pi }\cdots \int \limits _{-\pi }^{\pi }X_{1}(\omega _{1}-\theta _{1},\ldots ,\omega _{M}-\theta _{M})X_{2}(\theta _{1},\ldots ,\theta _{M})\,d\theta _{1}\cdots d\theta _{M}}$

(Свертка MD в частотной области)

или же,

${\displaystyle x_{1}(n_{1},\ldots ,n_{M})x_{2}(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}{\frac {1}{(2\pi )^{M}}}\int \limits _{-\pi }^{\pi }\cdots \int \limits _{-\pi }^{\pi }X_{1}(\theta _{1},\ldots ,\theta _{M})X_{2}(\omega _{1}-\theta _{1},\ldots ,\omega _{M}-\theta _{M})\,d\theta _{1}\cdots d\theta _{M}}$

(Свертка MD в частотной области)

Дифференциация

Если ${\displaystyle x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},\ldots ,\omega _{M})}$, тогда

${\displaystyle -jn_{1}x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}{\frac {\partial }{(\partial \omega _{1})}}X(\omega _{1},\ldots ,\omega _{M}),}$

${\displaystyle -jn_{2}x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}{\frac {\partial }{(\partial \omega _{2})}}X(\omega _{1},\ldots ,\omega _{M}),}$

${\displaystyle (-j)^{M}(n_{1}n_{2}\cdots n_{M})x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}{\frac {(\partial )^{M}}{(\partial \omega _{1}\partial \omega _{2}\cdots \partial \omega _{M})}}X(\omega _{1},\ldots ,\omega _{M}),}$

Транспозиция

Если ${\displaystyle x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},\ldots ,\omega _{M})}$, тогда

${\displaystyle x(n_{M},\ldots ,n_{1}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{M},\ldots ,\omega _{1})}$

Отражение

Если ${\displaystyle x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},\ldots ,\omega _{M})}$, тогда

${\displaystyle x(\pm n_{1},\ldots ,\pm n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\pm \omega _{1},\ldots ,\pm \omega _{M})}$

Комплексное сопряжение

Если ${\displaystyle x(n_{1},\ldots ,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},\ldots ,\omega _{M})}$, тогда

${\displaystyle x^{*}(\pm n_{1},\ldots ,\pm n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X^{*}(-\omega _{1},\ldots ,-\omega _{M})}$

Теорема Парсеваля (MD)

если ${\displaystyle x_{1}(n_{1},...,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{1}(\omega _{1},...,\omega _{M})}$ , и ${\displaystyle x_{2}(n_{1},...,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X_{2}(\omega _{1},...,\omega _{M})}$ тогда,

${\displaystyle \sum _{n_{1}=-\infty }^{\infty }...\sum _{n_{M}=-\infty }^{\infty }x_{1}(n_{1},...,n_{M})x_{2}^{*}(n_{1},...,n_{M}){=}{\frac {1}{(2\pi )^{M}}}\int \limits _{-\pi }^{\pi }...\int \limits _{-\pi }^{\pi }X_{1}(\omega _{1},...,\omega _{M})X_{2}^{*}(\omega _{1},...,\omega _{M})d\omega _{1}...d\omega _{M}}$

если ${\displaystyle x_{1}(n_{1},...,n_{M}){=}x_{2}(n_{1},...,n_{M})}$, тогда

${\displaystyle \sum _{n_{1}=-\infty }^{\infty }...\sum _{n_{M}=-\infty }^{\infty }|x_{1}(n_{1},...,n_{M})|^{2}{=}{\frac {1}{(2\pi )^{M}}}\int \limits _{-\pi }^{\pi }...\int \limits _{-\pi }^{\pi }|X_{1}(\omega _{1},...,\omega _{M})|^{2}d\omega _{1}...d\omega _{M}}$

Частный случай теоремы Парсеваля - это когда два многомерных сигнала одинаковы. В этом случае теорема описывает сохранение энергии сигнала, а член в суммировании или интеграле представляет собой плотность энергии сигнала.

Отделимость

Одно свойство - это свойство отделимости. Сигнал или система называется отделимой, если ее можно выразить как произведение одномерных функций с различными независимыми переменными. Это явление позволяет вычислить преобразование FT как произведение одномерных FT вместо многомерных FT.

если ${\displaystyle x(n_{1},...,n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}X(\omega _{1},...,\omega _{M})}$, ${\displaystyle a(n_{1}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}A(\omega _{1})}$,${\displaystyle b(n_{2}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}B(\omega _{2})}$ ... ${\displaystyle y(n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}Y(\omega _{M})}$, и если ${\displaystyle x(n_{1},...,n_{M}){=}a(n_{1})b(n_{2})...y(n_{M})}$, тогда

${\displaystyle X(\omega _{1},...,\omega _{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}x(n_{1},...,n_{M}){=}a(n_{1})b(n_{2})...y(n_{M}){\overset {\underset {\mathrm {FT} }{}}{\longleftrightarrow }}A(\omega _{1})B(\omega _{2})...Y(\omega _{M})}$, так

${\displaystyle X(\omega _{1},...,\omega _{M}){=}A(\omega _{1})B(\omega _{2})...Y(\omega _{M})}$

МД БПФ

А быстрое преобразование Фурье (БПФ) - это алгоритм для вычисления дискретного преобразования Фурье (ДПФ) и его обратного. БПФ вычисляет ДПФ и дает точно такой же результат, что и непосредственная оценка определения ДПФ; единственная разница в том, что БПФ выполняется намного быстрее. (При наличии ошибки округления многие алгоритмы БПФ также намного более точны, чем прямое вычисление определения ДПФ.) Существует множество различных алгоритмов БПФ, включающих широкий диапазон математики, от простой арифметики комплексных чисел до теории групп и чисел. теория. Смотрите больше в БПФ.

MD DFT

Многомерный дискретное преобразование Фурье (ДПФ) - это дискретизированная версия дискретного преобразования Фурье путем его оценки на равномерно распределенных частотах дискретизации.^[2] В N₁ × N₂ × ... N_м ДПФ определяется по формуле:

${\displaystyle Fx(K_{1},K_{2},\ldots ,K_{m})=\sum _{n_{1}=0}^{N_{1}-1}\cdots \sum _{n_{m}=0}^{N_{m}-1}fx(n_{1},n_{2},\ldots ,n_{m})e^{-i{\frac {2\pi }{N_{1}}}n_{1}K_{1}-i{\frac {2\pi }{N_{2}}}n_{2}K_{2}\cdots -i{\frac {2\pi }{N_{m}}}n_{m}K_{m}}}$

за 0 ≤ K_я ≤ N_я − 1, я = 1, 2, ..., м.

Обратное многомерное уравнение ДПФ имеет вид

${\displaystyle fx(n_{1},n_{2},\ldots ,n_{m})={\frac {1}{N_{1}\cdots N_{m}}}\sum _{K_{1}=0}^{N_{1}-1}\cdots \sum _{K_{m}=0}^{N_{m}-1}Fx(K_{1},K_{2},\ldots ,K_{m})e^{i{\frac {2\pi }{N_{1}}}n_{1}K_{1}+i{\frac {2\pi }{N_{2}}}n_{2}K_{2}\cdots +i{\frac {2\pi }{N_{m}}}n_{m}K_{m}}}$

за 0 ≤ п₁, п₂, ... , п_м ≤ N_{(1, 2, ... , м)} – 1.

Многомерное дискретное косинусное преобразование

Дискретное косинусное преобразование (DCT) используется в широком спектре приложений, таких как данные сжатие, извлечение признаков, Реконструкция изображения, многокадровый обнаружение и так далее. Многомерный DCT определяется следующим образом:

${\displaystyle Fx(K_{1},K_{2},\ldots ,K_{r})=\sum _{n_{1}=0}^{N_{1}-1}\sum _{n_{2}=0}^{N_{2}-1}\cdots \sum _{n_{r}=0}^{N_{r}-1}fx(n_{1},n_{2},\ldots ,n_{r})\cos {\frac {\pi (2n_{1}+1)K_{1}}{2N_{1}}}\cdots \cos {\frac {\pi (2n_{r}+1)K_{r}}{2N_{r}}}}$

за k_я = 0, 1, ..., N_я − 1, я = 1, 2, ..., р.

Многомерное преобразование Лапласа

Многомерное преобразование Лапласа полезно для решения краевых задач. Краевые задачи с двумя или более переменными, описываемыми уравнениями в частных производных, могут быть решены прямым использованием преобразования Лапласа.^[3] Преобразование Лапласа для M-мерного случая определяется^[3] в качестве

${\displaystyle F(s_{1},s_{2},\ldots ,s_{n})=\int _{0}^{\infty }\cdots \int _{0}^{\infty }f(t_{1},t_{2},\ldots ,t_{n})e^{-s_{n}t_{n}-s_{n-1}t_{n-1}\cdots \cdots s_{1}t_{1}}\,dt_{1}\cdots \,dt_{n}}$

где F обозначает представление сигнала f (t) в s-области.

Определен частный случай (по 2 измерениям) многомерного преобразования Лапласа функции f (x, y)^[4] в качестве

$${\displaystyle F(s_{1},s_{2})=\int \limits _{0}^{\infty }\int \limits _{0}^{\infty }\ f(x,y)e^{-s_{1}x-s_{2}y}\,dxdy}$$

${\displaystyle F(s_{1},s_{2})}$ называется образом ${\displaystyle f(x,y)}$ и ${\displaystyle f(x,y)}$ известен как оригинал ${\displaystyle F(s_{1},s_{2})}$.^{[нужна цитата ]} Этот частный случай можно использовать для решения Уравнения телеграфа.^{[нужна цитата ]}}

Многомерное Z-преобразование^[5]

Многомерное Z-преобразование используется для отображения многомерного сигнала дискретной временной области в Z-область. Это можно использовать для проверки стабильности фильтров. Уравнение многомерного Z-преобразования имеет вид

Рисунок 1.1a

${\displaystyle F(z_{1},z_{2},\ldots ,z_{m})=\sum _{n_{1}=-\infty }^{\infty }\cdots \sum _{n_{m}=-\infty }^{\infty }f(n_{1},n_{2},\ldots ,n_{m})z_{1}^{-n_{1}}z_{2}^{-n_{2}}\ldots z_{m}^{-n_{m}}}$

где F обозначает представление сигнала f (n) в z-области.

Частным случаем многомерного Z-преобразования является 2D-Z-преобразование, которое задается как

${\displaystyle F(z_{1},z_{2})=\sum _{n_{1}=-\infty }^{\infty }\sum _{n_{2}=-\infty }^{\infty }f(n_{1},n_{2})z_{1}^{-n_{1}}z_{2}^{-n_{2}}}$

Преобразование Фурье - это частный случай преобразования Z, вычисляемого по единичной окружности (в 1D) и единичной двуокружности (в 2D). я ем

${\textstyle z=e^{jw}}$ где z и w - векторы.

Область конвергенции

Рисунок 1.1b

Точки (z₁,z₂) для которого ${\displaystyle F(z_{1},z_{2})=\sum _{n_{1}=-\infty }^{\infty }\sum _{n_{2}=-\infty }^{\infty }|f(n_{1},n_{2})||z_{1}|^{-n_{1}}|z_{2}|^{-n_{2}}}$ ${\displaystyle <\infty }$ находятся в РПЦ.

Пример:

Если последовательность имеет поддержку, как показано на рисунке 1.1a, то ее ROC показан на рисунке 1.1b. Отсюда следует, что |F(z₁,z₂)| < ∞ .

${\displaystyle (z_{01},z_{02})}$ лежит в ОКР, то все точки${\displaystyle (z_{1},z_{2})}$удовлетворяющие | z1 | ≥ | z01 | и | z2 | ≥ | z02 лежат в ROC.

Следовательно, для рисунков 1.1a и 1.1b ROC будет

${\displaystyle \ln |z_{1}|\geq \ln |z_{01}|{\text{ and }}\ln |z_{2}|\geq L\ln |z_{1}|+\{\ln |z_{02}|-L\ln |z_{01}|\}}$

куда L это наклон.

В 2D Z-преобразование аналогично Z-преобразованию, используется в обработке многомерных сигналов, чтобы связать двумерный сигнал дискретного времени со сложной частотной областью, в которой двумерная поверхность в четырехмерном пространстве, на которой находится преобразование Фурье, известна как единичная поверхность или единичный двукруг.

Приложения

DCT и DFT часто используются при обработке сигналов.^[6] и обработка изображений, а также они используются для эффективного решения уравнений в частных производных спектральными методами. ДПФ также можно использовать для выполнения других операций, таких как свертки или умножение больших целых чисел. DFT и DCT широко используются в большом количестве полей, ниже мы приводим лишь несколько примеров.

Обработка изображений

Двумерные DCT частоты от JPEG DCT

DCT используется в JPEG сжатие изображения, MJPEG, MPEG, DV, Даала, и Теора сжатие видео. Там двумерный DCT-II NИксN блоки вычисляются, и результаты квантованный и закодированный энтропией. В этом случае, N обычно равно 8, и формула DCT-II применяется к каждой строке и столбцу блока. Результатом является массив коэффициентов преобразования 8x8, в котором элемент: (0,0) (вверху слева) представляет собой компонент DC (нулевой частоты), а записи с увеличением значений вертикального и горизонтального индекса представляют более высокие вертикальные и горизонтальные пространственные частоты, как показано на картинке справа.

При обработке изображений можно также анализировать и описывать нетрадиционные криптографические методы, основанные на 2D DCT, для вставки невидимых двоичных водяных знаков в плоскость 2D изображения,^[7] и В соответствии с разными ориентациями, двумерное направленное гибридное преобразование DCT-DWT может применяться в шумоподавлении ультразвуковых изображений.^[8] Трехмерное DCT также может использоваться для преобразования видеоданных или данных трехмерного изображения в схемах внедрения водяных знаков в области преобразования.^[9][10]

Спектральный анализ

Когда ДПФ используется для спектральный анализ, {Икс_п} последовательность обычно представляет собой конечный набор равномерно распределенных временных отсчетов некоторого сигнала. Икс(т) куда т представляет время. Преобразование непрерывного времени в отсчеты (дискретное время) изменяет базовый преобразование Фурье из Икс(т) в преобразование Фурье с дискретным временем (DTFT), что обычно влечет за собой искажение, называемое сглаживание. Выбор подходящей частоты дискретизации (см. Курс Найквиста ) является ключом к минимизации этого искажения. Точно так же преобразование очень длинной (или бесконечной) последовательности в управляемый размер влечет за собой тип искажения, называемый утечка, что проявляется как потеря детализации (или разрешения) в ДВПФ. Выбор подходящей длины подпоследовательности является основным ключом к минимизации этого эффекта. Когда доступных данных (и времени на их обработку) больше, чем количество, необходимое для достижения желаемого разрешения по частоте, стандартным методом является выполнение нескольких ДПФ, например, для создания спектрограмма. Если желаемый результат представляет собой спектр мощности и в данных присутствует шум или случайность, усреднение составляющих амплитуды нескольких ДПФ является полезной процедурой для уменьшения отклонение спектра (также называемый периодограмма в контексте); два примера таких методов: Метод Велча и Бартлетт метод; общий предмет оценки спектра мощности зашумленного сигнала называется спектральная оценка.

Последний источник искажения (или, возможно, иллюзия) является самим ДПФ, потому что это просто дискретная выборка ДВПФ, которая является функцией непрерывной частотной области. Это можно уменьшить, увеличив разрешение ДПФ. Эта процедура проиллюстрирована на § Выборка DTFT.

• Процедуру иногда называют заполнение нулями, которая является конкретной реализацией, используемой вместе с быстрое преобразование Фурье (БПФ) алгоритм. Неэффективность выполнения умножений и сложений с нулевыми «выборками» более чем компенсируется внутренней эффективностью БПФ.
• Как уже отмечалось, утечка накладывает ограничение на собственное разрешение DTFT. Таким образом, существует практический предел преимуществ, которые можно получить от мелкозернистого ДПФ.

Уравнения с частными производными

Дискретные преобразования Фурье часто используются для решения уравнения в частных производных, где снова ДПФ используется как приближение для Ряд Фурье (которое восстанавливается в пределе бесконечного N). Преимущество этого подхода в том, что он расширяет сигнал в комплексные экспоненты. е^инкс, которые являются собственными функциями дифференцирования: d/dx е^инкс = в е^инкс. Таким образом, в представлении Фурье дифференцирование выполняется просто - мы просто умножаем на в. (Обратите внимание, однако, что выбор п не уникален из-за алиасинга; чтобы метод был сходимым, выбор аналогичен выбору в тригонометрическая интерполяция следует использовать раздел выше.) A линейное дифференциальное уравнение с постоянными коэффициентами превращается в легко решаемое алгебраическое уравнение. Затем используется обратное ДПФ для преобразования результата обратно в обычное пространственное представление. Такой подход называется спектральный метод.

DCT также широко используются при решении уравнений в частных производных спектральными методами, где различные варианты DCT соответствуют немного разным четным / нечетным граничным условиям на двух концах массива.

Преобразования Лапласа используются для решения уравнений в частных производных. Общая теория получения решений в этой технике развивается на основе теорем о преобразовании Лапласа в n измерениях.^[3]

Многомерное Z-преобразование также можно использовать для решения уравнений в частных производных.^[11]

Обработка изображений для анализа художественной поверхности методом БПФ

Одним из очень важных факторов является то, что мы должны применять неразрушающий метод для получения этой редкой ценной информации (с точки обзора HVS, сфокусированной на всей колориметрической и пространственной информации) о произведениях искусства и о том, что на них нет повреждений. Мы можем понять искусства, наблюдая за изменением цвета или измеряя изменение однородности поверхности. Поскольку все изображение будет очень огромным, мы используем окно с двойным приподнятым косинусом, чтобы обрезать изображение:^[12]

${\displaystyle w(x,y)={\frac {1}{4}}\left(1+\cos {\frac {x\pi }{N}}\right)\left(1+\cos {\frac {y\pi }{N}}\right)}$

куда N размер изображения и Икс, y - координаты от центра изображений в диапазоне от 0 до N/2. Автор хотел вычислить равное значение для пространственной частоты, например:^[12]

${\displaystyle {\begin{aligned}A_{m}(f)^{2}=\left[\sum _{i=-f}^{f}\right.&\operatorname {FFT} (-f,i)^{2}+\sum _{i=-f}^{f}\operatorname {FFT} (f,i)^{2}\\[5pt]&\left.{}+\sum _{i=-f+1}^{f-1}\operatorname {FFT} (i,-f)^{2}+\sum _{i=-f+1}^{f-1}\operatorname {FFT} (i,f)^{2}\right]\end{aligned}}}$

где «БПФ» обозначает быстрое преобразование Фурье, а ж - диапазон пространственных частот от 0 до N/2 – 1. Предлагаемый подход к визуализации на основе БПФ является диагностической технологией, обеспечивающей долгую жизнь и устойчивость к культуре искусства. Это простой, дешевый, который можно использовать в музеях, не влияя на их повседневное использование. Но этот метод не позволяет количественно измерить скорость коррозии.

Приложение к моделированию слабонелинейных схем^[13]

Пример слабонелинейной схемы

Обратное многомерное преобразование Лапласа может применяться для моделирования нелинейных схем. Это делается путем формулирования схемы как пространства состояний и расширения обратного преобразования Лапласа на основе Функция Лагерра расширение.

Метод Лагурра может использоваться для моделирования слабо нелинейной схемы, а метод Лагерра может эффективно и с высокой точностью инвертировать многомерное преобразование Лапласа.

Замечено, что высокая точность и значительное ускорение могут быть достигнуты для моделирования больших нелинейных схем с использованием многомерных преобразований Лапласа.

Смотрите также

• Дискретное косинусное преобразование
• Список преобразований, связанных с Фурье
• Список тем анализа Фурье
• Многомерная дискретная свертка
• 2D Z-преобразование
• Разложение многомерных эмпирических мод
• Реконструкция многомерного сигнала

Рекомендации

1. Смит, В. Справочник по быстрым преобразованиям Фурье в реальном времени: от алгоритмов к тестированию продуктов, Wiley_IEEE Press, издание 1, страницы 73–80, 1995
2. Даджен и Мерсеро, Многомерная цифровая обработка сигналов, 2-е издание, 1995 г.
3. Дебнат, Джойати; Дахия, Р. С. (1989-01-01). «Теоремы о многомерном преобразовании Лапласа для решения краевых задач». Компьютеры и математика с приложениями. 18 (12): 1033–1056. Дои:10.1016 / 0898-1221 (89) 90031-X.
4. Оперативное исчисление в двух переменных и его применение (1-е издание на английском языке) - перевод Д.М.Г. Wishart (Расчетная операция).
5. "Народная книга" (PDF).
6. Тан Сяо, Шао-хай Ху, Ян Сяо. Применение 2-D DFT-DWT для обработки многомерных сигналов. Протоколы ICSP2006, 2006 IEEE
7. Петр КУЛЛАЙ, Павол САБАКАЙ, ЙозефХУСКАЙ. Простые возможности применения 2D DCT в криптографии цифровых монохромных изображений. Радиоэлектроника, 17-я Международная конференция, IEEE, 2007, стр. 1–6
8. Синь-лин Вэнь, Ян Сяо. Двухмерное направленное гибридное преобразование DCT-DWT и его применение в уменьшении шума ультразвукового изображения. Обработка сигналов. ICSP 2008. 9-я Международная конференция, Страница (и): 946–949
9. Цзиньвэй Ван, Шиго Лянь, Чжунсюань Лю, Чжэнь Рен, Ювэй Дай, Хайла Ван. Схема водяных знаков изображения на основе 3-D DCT. Промышленная электроника и приложения, 2006 1-я конференция IEEE, стр. 1–6
10. Джин Ли, Монсеф Габбудж, Ярмо Такала, Хексин Чен. Алгоритм прямого 3-D преобразования DCT в DCT для кодирования видео. Обработка и анализ изображений и сигналов, 2009. ISPA 2009. Труды 6-го Международного симпозиума с. 105–110
11. Грегор, Иржи (1998). «Кибернетика» (PDF). Кибернетика. 24.
12. Angelini, E., Grassin, S .; Piantanida, M .; Corbellini, S .; Феррарис, Ф .; Нери, А .; Парвис, М. Обработка изображений на основе БПФ для мониторинга культурного наследия Конференция по приборостроению и измерительным технологиям (I2MTC), 2010 г., IEEE
13. Ван, Тингтин (2012). «Слабо нелинейный анализ цепей на основе быстрого многомерного обратного преобразования Лапласа». 17-я Азиатско-Тихоокеанская конференция по автоматизации проектирования. С. 547–552. Дои:10.1109 / ASPDAC.2012.6165013. ISBN  978-1-4673-0772-7.