Fourier Transform โดเมนความถี่

– คุณไปช้อปปิ้งบ่อยแค่ไหน?
การแปลงฟูเรียร์ต่อเนื่องหนึ่งมิติ
– ผู้คนไปช้อปปิ้งสัปดาห์ละสองครั้งกี่เปอร์เซ็นต์
- โดเมนเวลาเป็นโดเมนที่ใช้งานง่ายที่สุด
– คำตอบสำหรับคำถามเหล่านี้จากโดเมนความถี่
- สัญญาณเวลาสามารถตอบคำถามเกี่ยวกับเหตุการณ์ "เมื่อ" เกิดขึ้น
– การประมวลผลสัญญาณเกิดขึ้นจาก FT
- โดเมน FT ตอบคำถามที่เริ่มต้นด้วยความถี่ " (เรียกว่าโดเมนความถี่)
– ข้อมูลในเวลาและความถี่เหมือนกันทุกประการ
สมมติว่าคุณต้องศึกษาพฤติกรรมการซื้อของของสมาชิกในชุมชนโดยจัดทำแบบสอบถาม
1-D ต่อเนื่อง FT
โดเมนเวลา
– ปกติคุณไปช้อปปิ้งวันไหน? – g(t) : สัญญาณต่อเนื่องในเวลา
– ช่วงเวลาใดของวันที่คุณไม่ไปช้อปปิ้ง? – G(f) : FT ของสัญญาณ g(t) หรือ FT{g(t)}
– ข้อมูลนี้ช่วยให้คุณเข้าใจและเห็นภาพองค์ประกอบ “เวลา” ของพฤติกรรมการซื้อของผู้คน – f : ตัวแปรความถี่ในหน่วยต่างๆ เช่น Hz, kHz, MHz และอื่นๆ
&

– หากคุณเตรียมสัญญาณเวลาที่จะแสดงจำนวนคนที่มาจับจ่ายซื้อของทุกครั้งตัวอย่างเวลา
(กราฟจำนวนคนการซื้อของเทียบกับเวลา) คุณก็จะได้รับคำตอบของคำถามข้างต้นทั้งหมด
พฤติกรรมการซื้อของของสมาชิกในชุมชน
– g(t) : จำนวนผู้ซื้อ ณ เวลา t – G(f) : ฟังก์ชันเชิงซ้อนของ f
– หากต้องการดูจำนวนคนที่จะไปช้อปปิ้งวันละครั้ง เช่น ทุกๆ 86,400 วินาที (24 ชั่วโมง – |G(f)| : ขนาด G(f) &

= 1 วัน) สิ่งที่ต้องทำคือคำนวณ |G(f)| สำหรับ f = 1/86,400 วินาที – G(f) : เฟสของ G(f)

หมายเหตุ: อาจได้รับข้อมูลเดียวกันจากสัญญาณเวลา แต่ FT ให้แนวทางที่ง่ายกว่ามาก การแปลงฟูเรียร์ผกผันหรือการแปลงการสังเคราะห์ (IFT)
ในการตอบคำถามซ้ำด้านความถี่ – การแปลงโดเมนความถี่ (G(f)) เป็นโดเมนเวลา (g(t))
ฟังก์ชันแรงกระตุ้นหรือฟังก์ชัน Dirac – เราสามารถคำนวณสัญญาณเวลาจากสัญญาณความถี่ในโดเมน FT ได้
– ฟังก์ชันทางคณิตศาสตร์ที่อธิบายการระเบิดพลังงานที่รวดเร็วมากซึ่งสังเกตได้จาก -

ปรากฏการณ์ทางกายภาพบางอย่าง
– เช่น ในเกมวอลเลย์บอล
>ผู้เล่นวอลเลย์บอลไม่ได้รับอนุญาตให้ถือลูกบอลไว้ในมือ แต่พวกเขาควรจะตีลูกบอล
>เมื่อทุบลูกบอล ผู้เล่นจะใช้พลังงานจำนวนมากในเวลาอันสั้น
>แรงกระตุ้นดังกล่าวที่ส่งไปยังลูกบอลทำให้เกิดการเคลื่อนไหวที่มีประสิทธิภาพมาก
ที่สุดในเกมวอลเลย์บอล
– ผลกระทบของการกระทำดังกล่าวสามารถสร้างแบบจำลองได้โดยใช้ฟังก์ชันแรงกระตุ้น
– ฟังก์ชันแรงกระตุ้นมีบทบาทสำคัญในการระบุระบบที่ไม่รู้จัก
- ตัวอย่างเช่น
>สมมติว่าคุณได้รับกล่องดำและถูกขอให้ค้นหาสิ่งที่อยู่ในกล่อง
> วิธีหนึ่งที่รวดเร็วในการเดาสิ่งที่อยู่ในกล่องคือการแตะที่กล่องและฟังเสียงสะท้อน
>ในโลกที่เป็นวิทยาศาสตร์ คุณจะต้องใช้แรงกดที่รวดเร็วบนพื้นผิวของกล่อง และ
สังเกตการตอบสนองของสิ่งที่อยู่ภายในกล่องโดยคำนึงถึงฟังก์ชันแรงกระตุ้นที่คุณใช้
>หากกล่องบรรจุเหรียญอยู่ คุณจะได้ยินเสียงกริ๊ง
>หากกล่องเต็มไปด้วยน้ำ จะรู้สึกถึงเสียงและเสียงก้องที่แตกต่างไปจากเดิมอย่างสิ้น
เชิง
– การระบุระบบที่ไม่รู้จักประเภทนี้เป็นเทคนิคพื้นฐานในสาขาวิทยาศาสตร์ที่เรียกว่า
“การระบุระบบ” ซึ่งเน้นที่การสร้างแบบจำลองและอธิบายระบบที่ไม่รู้จัก
แบบจำลองทางคณิตศาสตร์ของฟังก์ชันแรงกระตุ้น
– แนวคิดที่คล้ายการระเบิดของฟังก์ชันบอกเป็นนัยว่าแบบจำลองทางคณิตศาสตร์ต้อง
เป็นศูนย์สำหรับทุกจุดในเวลา ยกเว้นช่วงเวลาที่มีขนาดเล็กอย่างไม่สิ้นสุด สมการเวลาของสัญญาณ
– ในทางคณิตศาสตร์มากขึ้น สมมติว่ามีการใช้อิมพัลส์ที่เวลา t =0 การแทนค่าทาง
คณิตศาสตร์ของฟังก์ชันอิมพัลส์ต้องเป็นศูนย์ทุกที่ ยกเว้นย่านเล็กๆ รอบจุดกำเนิด ตัวอย่าง
– ถ้าสมมุติว่าอิมพัลส์ไม่เป็นศูนย์ในช่วงเวลาสั้นมาก แอมพลิจูดของอิมพัลส์ในช่วงเวลา – FT ของฟังก์ชันพัลส์หน่วย p (t ) Prits:%Spacts e-Serift dt
n

สั้นๆ นี้จะต้องมีค่ามากอย่างไม่สิ้นสุด มิฉะนั้น พลังงานรวมของสัญญาณจะกลายเป็นศูนย์

=Jefft-jalift dt
พิจารณาฟังก์ชัน Syst >พลังงานของสัญญาณ (พื้นที่ใต้เส้นโค้ง) คือระยะเวลา (.& ) +=
คูณด้วยความสูงของพัลส์ (1/.A)
>นี่แสดงว่าพลังงานของสัญญาณเป็นหนึ่งเสมอโดยไม่คำนึงถึง
:Discussions -1
+-

eis j2 -esHfTeflfT
T

+f

=- it
ค่าของ A - JHfT

>เราสามารถกำหนดฟังก์ชันแรงกระตุ้นได้ = sinsHfTce
Paif) = 1 PnifclefhfT
< IPnifil = AT sinICATI
=ATsinccafT

>แม้ว่าฟังก์ชันอิมพัลส์จะไม่เป็นศูนย์เพียงระหว่าง 0- ถึง 0+ แต่พลังงานของสัญญาณยัง – FT ของฟังก์ชันแรงกระตุ้น

คงเป็นหนึ่ง – คุณสมบัติเฉพาะของฟังก์ชันอิมพัลส์บ่งชี้ว่าสเปกตรัมความถี่ของอิมพัลส์
จะแบนราบโดยสมบูรณ์
%

>แอมพลิจูดของฟังก์ชันอิมพัลส์เป็น 0 ทุกจุด ยกเว้นที่จุดเริ่มต้นที่แอมพลิจูดเข้าใกล้อนันต์

คุณสมบัติของฟังก์ชันแรงกระตุ้น ส

-
– สำหรับสัญญาณใดๆ g(t)
– อธิบายว่าการรวมเข้ากับฟังก์ชันอิมพัลส์สามารถสุ่ม
– เวอร์ชันเลื่อนของฟังก์ชันอิมพัลส์ซึ่งมีศูนย์กลางอยู่ที่ t0
ตัวอย่างสัญญาณที่จุดเริ่มต้นได้อย่างไร
%
↳

– ลำดับลำดับของตัวเลขที่อธิบายแนวโน้มและความแปรผันของปริมาณ
– ลำดับการวัดในเวลา
– ความกว้างของตัวเลขบันทึกในเวลา
ตัวอย่างสัญญาณ 1-D ทางชีววิทยามากมาย
– คลื่นไฟฟ้าหัวใจ
- ภาพคลื่นกระแสไฟฟ้า
การใช้ DFT เพื่อออกแบบตัวกรองที่ใช้งานได้จริง
เนื่องจากรายละเอียดบางอย่างของสัญญาณต้องมีการ
เปลี่ยนแปลง
– ความถี่สูงในสัญญาณมักถูกพิจารณาว่าเสียหายจาก
สัญญาณรบกวนความถี่สูง (ซึ่งเป็นกรณีของการใช้งาน
หลายอย่าง)
– เราต้องสามารถกรองความถี่สูงในสัญญาณได้
ตัวกรอง H(f) สามารถใช้เพื่อกรองสัญญาณ (หรือรูปภาพ)
P(f) เพื่อสร้างสัญญาณที่ประมวลผล (หรือรูปภาพ) Q(f)
เมื่อทราบว่า Q(f) = H(f) ความถี่ใดๆ ที่สูงกว่าความถี่
คัตออฟ D0 ในสัญญาณดั้งเดิม P(f) จะถูกตัดออกจาก
สัญญาณกรอง Q(f)
สำหรับสัญญาณรบกวนความถี่สูง เราสามารถออกแบบตัว
กรองความถี่ต่ำผ่านเพื่อกำจัดสัญญาณรบกวนได้
สำหรับสัญญาณรบกวนความถี่ต่ำ เราสามารถออกแบบตัว
กรองความถี่สูงผ่านเพื่อกำจัดสัญญาณรบกวนได้
สำหรับสัญญาณรบกวนความถี่ที่ต้องการ เราสามารถ
ออกแบบ band-pass filter เพื่อกำจัดสัญญาณรบกวนได้
กรองในอุดมคติ เช่นเดียวกับผลกระทบที่ไม่พึงประสงค์ของการเพิ่มขึ้นหรือลด
ลงอย่างกะทันหันในตัวกรองในอุดมคติ จึงมีการใช้การประมาณค่าของตัว
กรองในอุดมคติเหล่านี้
“สัญญาณ” คืออะไร?
บันทึกกิจกรรมทางไฟฟ้าของกล้ามเนื้อหัวใจ เทคนิคการประมวลผลจุด
สัญญาณการวินิจฉัยหลักในการประเมินระบบหัวใจและหลอดเลือด – พิกเซลของรูปภาพต้นฉบับ (อินพุต) ที่พิกัด (x,y) ได้รับการประมวลผล
เพื่อสร้างพิกเซลที่สอดคล้องกันที่พิกัด (x,y) ในรูปภาพที่ปรับปรุง
บันทึกกิจกรรมทางไฟฟ้าของสมอง – พิกเซลเดียวในภาพต้นฉบับที่มีบทบาทในการกำหนดค่าของพิกเซลที่
ใช้หลักอย่างมากในการวินิจฉัยระบบประสาทส่วนกลาง (CNS)
สอดคล้องกันในภาพที่ปรับปรุงแล้วคือพิกเซลที่อยู่ในพิกัดเดียวกันทุก
สัญญาณหลายมิติ
ประการในภาพต้นฉบับ
– ลำดับตัวเลขหลายมิติเรียงลำดับในทุกมิติ
– ลำดับข้อมูล 2 มิติเรียงลำดับในทั้งสองมิติ
การประมวลผลจุดเกี่ยวข้องกับการเปลี่ยนแปลงทางคณิตศาสตร์
– รูปภาพเกือบทั้งหมด ตัวเลข เรียงกันในอวกาศ (ทั้ง 2 มิติ) – แก้ไขค่าของพิกเซลในภาพต้นฉบับเพื่อสร้างค่าของพิกเซลที่สอดคล้อง
– ในภาพระดับสีเทา ค่าของสัญญาณสำหรับชุดพิกัดที่กำหนด (x, y) : กันในภาพที่ปรับปรุงแล้ว
g(x, y)
ระดับความสว่างของภาพที่พิกัดเหล่านี้
– ภาพ 2 มิติที่ใช้กันอย่างแพร่หลายในทางคลินิกการวินิจฉัย ตัวเลือกที่แน่นอนของการแปลงจะถูกระบุโดยวัตถุประสงค์ที่แน่นอนของ
งานการประมวลผลแบบจุด
การถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) เอกซเรย์คอมพิวเตอร์
การประมวลผลจุดมักดำเนินการบนรูปภาพเพื่อปรับปรุงคุณภาพของ
(CT), อัลตราโซนิกภาพ, เอกซเรย์ปล่อยโพซิตรอน (PET)
สัญญาณอนาล็อก : g(t) และ t รูปภาพโดยใช้การปรับแต่งช่วงระดับสีเทาของรูปภาพ
– สัญญาณต่อเนื่องทั้งเวลาและแอมพลิจูด
สัญญาณแยก : g(Ts) และ t=nTs
- แอมพลิจูดต่อเนื่องแต่แยกเวลา เทคนิคการประมวลผลมาสก์
– แยกสัญญาณทั้งเวลาและแอมพลิจูด
– ไม่เพียงแต่พิกเซลที่พิกัด (x,y) ของภาพต้นฉบับเท่านั้น แต่ยังรวมถึง
พิกเซลที่อยู่ใกล้เคียงบางส่วนของจุดนี้ที่เกี่ยวข้องในการสร้างพิกเซลที่พิกัด
สัญญาณสามารถวิเคราะห์หรือประมวลผลได้ (x,y) ในภาพที่ปรับปรุงแล้ว
– ขึ้นอยู่กับวัตถุประสงค์ของการวิเคราะห์สัญญาณ
เทคนิคการประมวลผลพยายาม
- ที่แน่นอน
– ไฮไลท์
- เน้นย้ำ
การแปลงฟูเรียร์ (FT)
– การแปลงที่ออกแบบมาเพื่ออธิบายสัญญาณในโดเมนความถี่และเน้นความรู้ที่สำคัญในการ
แปรผันความถี่ของสัญญาณ
ข้อมูลที่อยู่ในสัญญาณจะเหมือนกันทุกประการในทุกโดเมน
หากวัตถุที่สนใจ (ที่จะวิเคราะห์) ครอบครองเฉพาะช่วงของระดับสีเทา เราอาจ
การเลือกโดเมนจะส่งผลต่อการมองเห็น การแสดง และการเน้นคุณลักษณะบางอย่างเท่านั้น
ในขณะที่ข้อมูลที่อยู่ในสัญญาณยังคงเหมือนเดิมในทุกโดเมน ต้องการปรับเปลี่ยนภาพเพื่อให้วัตถุนั้นครอบครองช่วงของระดับสีเทาที่ใหญ่ขึ้น ดัง
Image Capturing
นั้นจึงเพิ่มการมองเห็นของวัตถุ
ภาพถ่ายใช้เพื่อจับความเข้มของแสงหรือสีของวัตถุ
เทคโนโลยีทางการแพทย์แต่ละอย่างใช้คุณสมบัติทางกายภาพของเนื้อเยื่อสิ่งมีชีวิตที่แตก ในภาพทางการแพทย์ เป็นต้น
ต่างกันเพื่อสร้างภาพ – บ่อยครั้งเราต้องวิเคราะห์เนื้องอกที่ล้อมรอบด้วยอวัยวะที่มีสีเข้มกว่าหรือสว่างกว่า
MRI ขึ้นอยู่กับแม่เหล็ก
คุณสมบัติของเนื้อเยื่อ – หากอวัยวะและวัตถุอื่นๆ ไม่ใช่จุดสนใจหลักของการวิเคราะห์ ดังนั้นเพื่อให้มอง
การสแกน CT อาศัยปฏิสัมพันธ์ระหว่างรังสีเอกซ์และเนื้อเยื่อชีวภาพเพื่อสร้างภาพ เห็นเนื้องอกได้ดีขึ้น เราจึงสามารถทำการเสริมความคมชัดเพื่อ “ยืด” ระดับสีเทา
ในการถ่ายภาพทางการแพทย์ เซ็นเซอร์ที่มีคุณสมบัติทางกายภาพที่แตกต่างกันของวัสดุ
(รวมถึงความเข้มของแสงและสี) ถูกนำมาใช้เพื่อบันทึกข้อมูลทางกายวิภาคและการทำงานของ
ของเนื้องอกได้
เนื้อเยื่อภายใต้การศึกษา การเพิ่มความคมชัดเป็นวิธีการสร้างการมองเห็นที่ดีขึ้นของช่วงระดับสีเทา
Image Representation
เฉพาะที่สอดคล้องกับวัตถุที่จะศึกษา
รูปภาพทางชีวการแพทย์จะแสดงเป็นภาพดิจิทัล
– รูปภาพระดับสีเทา ความแตกต่างระหว่างระดับสีเทาในพื้นที่ที่สนใจจะถูกขยายและปรับปรุงใน
– ภาพสี
ภาพเป้าหมาย
รูปภาพระดับสีเทา
– ความเข้มแสงหรือความสว่างของวัตถุที่แสดงที่พิกัด (x, y) ของภาพจะแสดงด้วยตัวเลขที่ [s1,s2] ครอบคลุมช่วงระดับสีเทาของวัตถุที่สนใจ
เรียกว่า “ระดับสีเทา” [r1,r2] ครอบคลุมระดับสีเทาเพื่อให้มองเห็นวัตถุ
– ยิ่งตัวเลขระดับสีเทาสูง ภาพก็จะยิ่งสว่างที่จุดพิกัด (x, y)
– ค่าสูงสุดในช่วงระดับสีเทาแสดงถึงจุดที่สว่างโดยสมบูรณ์ ในขณะที่จุด ในภาพเป้าหมายได้ดีขึ้น
ที่ระดับสีเทาเป็นศูนย์คือจุดที่มืดสนิท ฟังก์ชันการแปลงจะสร้างภาพไบนารีจากภาพต้น
– จุดสีเทาที่สว่างบางส่วนและมืดบางส่วนจะได้ค่าระดับสีเทาที่อยู่ระหว่าง 0 ถึงค่าความสว่าง
สูงสุด
ฉบับโดยการเน้นช่วงที่สนใจและตั้งค่าอื่นๆ เป็น
– ช่วงระดับสีเทาที่นิยมใช้มากที่สุดในภาพทั่วไปคือ 0-255, 0-511, 0-1023 และอื่นๆ ค่าเกณฑ์เพื่อแยกวัตถุออกจากพื้นหลัง
– ระดับสีเทามักจะถูกกำหนดให้เป็นตัวเลขระหว่างกันที่ไม่ติดลบ
– ช่วยประหยัดพื้นที่จัดเก็บข้อมูลดิจิทัลได้มาก และเร่งการประมวลผลภาพได้อย่างมาก
– ตัวอย่างเช่น เนื้องอกจะต้องถูกแยกออกจากเนื้อเยื่อพื้นหลัง
ภาพสี ฟังก์ชันการแปลงที่เน้นช่วงที่สนใจและตั้งค่าระดับสีเทาอื่นๆ
– มีมาตรฐานมากมายสำหรับภาพสี
ให้เป็นค่าต่ำคงที่ ฟังก์ชันการแปลงจะสร้างภาพ
>แดง (R), เขียว (G), น้ำเงิน (B) หรือ RGB
– ภาพสีสำหรับทุกพิกัด (x, y) เป็นการรวมกันของสีหลักสามสี: RGB ไบนารีจากภาพต้นฉบับโดยการเพิ่มและเน้นระดับ
Image Histogram สีเทาของบริเวณที่สนใจ (เช่น เนื้องอก) และ
ลักษณะทางสถิติของรูปภาพ
สมมติว่าระดับสีเทาของพิกเซลทั้งหมดในรูปภาพอยู่ในช่วง [0, G-1] โดยที่ G คือ ในระดับหนึ่ง มันจะรักษาระดับสีเทาอื่นๆ ซึ่งประกอบ
จน.เต็ม ด้วยเนื้อเยื่อและอวัยวะโดยรอบไปพร้อมๆ กัน
ถ้า r แสดงถึงระดับสีเทาของพิกเซลของภาพ 0 r G-1 โดยที่ r คือจำนวนเต็ม
P(r) คือความถี่ที่ทำให้เป็นมาตรฐาน
ฟังก์ชันการแปลงที่เน้นช่วงที่สนใจและรักษา
P(r) = n(r)/n ค่าของระดับสีเทาอื่นๆ
n(r) คือจำนวนพิกเซลในภาพซึ่งมีระดับสีเทาเท่ากับ r
n คือจำนวนจุดทั้งหมดในรูปภาพ
ฮิสโตแกรมถูกกำหนดให้เป็นกราฟของ p(r) กับ r
ในทางปฏิบัติ เนื่องจากข้อจำกัดในทางปฏิบัติบางประการในการสร้างตัว
ฟิลเตอร์มีความราบรื่นและไม่มีการกระโดดที่คมชัด