问题标签 [wavelet-transform]

我只想知道并理解为什么信号x1的幅度最高，而信号的幅度x2最低，如下图所示？

当我运行代码时，我希望看到x1最低幅度、x2中等幅度和x3最高幅度，因为如下面的等式所示，x1乘以 10x2等于x1再加上另一个幅度 10，依此类推。

请澄清这些观点。

任何人都可以在信号处理方面有经验STFT并向我解释为什么下面发布的图像中的窗口函数来自（tt'），因为 t 是总时间而 t' 是窗口的宽度？

我无法弄清楚，因为最初，窗口位于 t=0，如果示例的窗口长度为 3，那么窗口将跨越 t=0 -> t=3，如果总时间举个例子，T = 10 那么窗口函数就像w(T-3)7 一样？！我真的无法理解它，我相信有任何我无法理解的隐藏事物。

请澄清并指导。谢谢 图片：

我想知道spectrogram下面发布的是否是给定非平稳信号的真实表示。

如果这是一个真实的表示，我对情节中的特定特征有很多疑问......

对于水平轴上的 0->.25，为什么它显示最高频率的信号分量？我假设，给定第一个持续时间t1，我应该只看到信号的频率x1。此外，给定第二个持续时间t2，我应该只看到信号的频率x2，依此类推。但是，这不是我在下面发布的内容中看到的spectrogram。

您能否解释一下为什么我们会在频谱图中看到这些特征？

带有方程的频谱图

代码：

Update_1：当我尝试建议的答案时，我收到了以下信息。

使用的代码：

更新_2

谱图_2：

我们尝试了局部直方图方法进行伤口分割，该方法不适用于所有类型的图像，然后我们教使用小波变换进行伤口分割。

哪种小波变换将有利于伤口分割以及实现它的一些技巧？

有没有比小波变换更好的方法来分割所有光线条件下的伤口？？

我们还尝试了图像聚类，但效果并不好。

这是我们使用的一些测试用例和聚类程序。

有背景的会 1 ：（两个集群）

没有背景的会 1 ：

有背景的会 2 ：

没有背景的会 2 ：（三个集群）

当我们移除背景时，我们得到了更好的分割，但是为了移除背景，我们使用了依赖于手动操作的抓取。因此，我们需要替代 kmean-clustering 来分割图像（或）对上述代码进行一些改进，以实现 100% 的成功案例。

那么有没有更好的方法来分割伤口？？

我对widths传递给scipy.signal.cwt()和扩展的参数感到困惑scipy.signal.find_peaks_cwt()。以前的一个非常有用的 Stack Overflow 问题（以及其中的指针）解释了我的大部分困惑。这widths是一个尺度数组，用于在与数据卷积之前拉伸小波。

让我困惑的一点仍然是，元素的单位是什么widths？宽度为 1 是否意味着小波被拉伸为一个“索引”宽，其中索引是元素之间的距离data？起初我认为是这种情况，但是 (a) 宽度可以采用非整数值，并且 (b) cwt() 结果可能因宽度而异。

这是一些说明我的困惑的代码。为什么最后两行给出不同的结果？

结果很接近，但第二次调用在输入数据的元素 63 处发现了一个虚假峰值。因此，我不相信宽度单位是数据向量的索引。但他们还能是什么？如果不是，单位是widths什么？ cwt()并且find_peaks_cwt()永远不知道或看到任何 x 轴单位（例如support我在代码中定义的向量），那么我错过了什么？实际上，什么时候使用非整数宽度有意义？

有人知道哪种小波更适合虹膜识别中的特征提取吗？

谢谢

我有一个由 fMRI 图像（来自小鼠）组成的数据集，这些图像分为 4 组（应用了不同的药物剂量水平）。每个 fMRI 图像都是 4D，这意味着每个体素都是一个时间序列。对于每个 fMRI 图像，我想提取一个特征向量。

现在我想使用小波分解进行特征提取。在 Matlab 中不存在 4D 小波分解，因此我通过取时间序列的平均值将 4D 图像转换为 3D。然后我可以应用 3D 小波分解并将 LL 分量作为特征，这意味着做这样的事情：

当然，之后可以应用特征选择算法（如递归特征消除）来降低维度。

您如何看待这种方法？有更好的方法吗？

我想通过 dwt2 检测图像的边缘。其实我是要模拟这篇文章的。

边缘检测的第一步是基于用零替换所有近似系数。但是当我用零替换近似系数时，边缘与文章中看到的结果不相似。

这是我的代码：

我在图像上应用 dwt2 函数以应用小波变换，它给出四个结果图像 cA（低通图像）、cH（水平细节图像）、cV（垂直细节图像）、cD（对角线细节图像）。一切都很好，直到现在。我想可视化这些结果图像。

目前我正在使用下面的代码可视化这四个结果图像。

当我运行此代码时，可视化结果如下所示

但我希望我的结果应该是这样的，任何人都可以帮助我。

比如说，我有一个表示为实数数组的信号y = [1,2,0,4,5,6,7,90,5,6]。我可以使用 Daubechies-4 系数D4 = [0.482962, 0.836516, 0.224143, -0.129409]，并应用小波变换来接收信号的高频和低频。因此，高频分量将这样计算：

并且可以使用其他 D4 系数排列来计算低频分量。

问题是：如果y是复数数组呢？我只是将复数相乘和相加来接收子带，还是获得幅度和相位是否正确，将它们中的每一个视为实数，对它们进行小波变换，然后使用公式恢复每个子带的复数数组real_part = abs * cos(phase)和imaginary_part = abs * sin(phase)?