Фурье анализ сигналов. Фундаментальные исследования. Варианты индивидуальных заданий темы ЛВ

Преобразование Фурье – это семейство математических методов, основанных на разложении исходной непрерывной функции от времени на совокупность базисных гармонических функций (в качестве которых выступают синусоидальные функции) различной частоты, амплитуды и фазы. Из определения видно, что основная идея преобразования заключается в том, что любую функцию можно представить в виде бесконечной суммы синусоид, каждая из которых будет характеризоваться своей амплитудой, частотой и начальной фазой.

Преобразование Фурье является основоположником спектрального анализа. Спектральный анализ – это способ обработки сигналов, который позволяет охарактеризовать частотный состав измеряемого сигнала. В зависимости от того, каким образом представлен сигнал, используют разные преобразования Фурье. Различают несколько видов преобразования Фурье:

– Непрерывное преобразование Фурье (в англоязычной литературе Continue Time Fourier Transform – CTFT или, сокращенно, FT );

– Дискретное преобразование Фурье (в англоязычной литературе Discrete Fourier Transform – DFT );

– Быстрое преобразование Фурье (в англоязычной литературе Fast Fourier transform – FFT ).

Непрерывное преобразование Фурье

Преобразование Фурье является математическим инструментом, применяемым в различных научных областях. В некоторых случаях его можно использовать как средство решения сложных уравнений, описывающих динамические процессы, которые возникают под воздействием электрической, тепловой или световой энергии. В других случаях оно позволяет выделять регулярные составляющие в сложном колебательном сигнале, благодаря чему можно правильно интерпретировать экспериментальные наблюдения в астрономии, медицине и химии. Непрерывное преобразование фактически является обобщением рядов Фурье при условии, что период разлагаемой функции устремить к бесконечности. Таким образом, классическое преобразование Фурье имеет дело со спектром сигнала, взятым во всем диапазоне существования переменной.

Существует несколько видов записи непрерывного преобразования Фурье, отличающихся друг от друга значением коэффициента перед интегралом (две формы записи):

или

где и - Фурье-образ функцииили частотный спектр функции ;

- круговая частота.

Следует отметить, что разные виды записи встречаются в различных областях науки и техники. Нормировочный коэффициент необходим для корректного масштабирования сигнала из частотной области во временную. Нормировочный коэффициент уменьшает амплитуду сигнала на выходе обратного преобразования для того чтобы она совпадала с амплитудой исходного сигнала. В математической литературе прямое и обратное преобразование Фурье умножаются на множитель , в то время как в физике чаще всего при прямом преобразовании множитель не ставят, а при обратном ставят множитель . Если последовательно рассчитать прямое преобразование Фурье некоторого сигнала, а после взять обратное преобразование Фурье, то результат обратного преобразования должен полностью совпадать с исходным сигналом.

Если функция нечетная на интервале (−∞, +∞), то преобразование Фурье может быть представлено через синус-функцию:

Если функция четная на интервале (−∞, +∞), то преобразование Фурье может быть представлено через косинус-функцию:

Таким образом, непрерывное преобразование Фурье позволяет представить непериодическую функцию в виде интеграла функции, представляющей в каждой своей точке коэффициент ряда Фурье для непериодической функции.

Преобразование Фурье является обратимым, то есть если по функции был рассчитан ее Фурье-образ , то по Фурье-образу можно однозначно восстановить исходную функцию . Под обратным преобразованием Фурье понимают интеграл вида (две формы записи):

или

где - Фурье-образ функцииили частотный спектр функции ;

- круговая частота.

Если функция нечетная на интервале (−∞, +∞), то обратное преобразование Фурье может быть представлено через синус-функцию:

Если функция четная на интервале (−∞, +∞), то обратное преобразование Фурье может быть представлено через косинус-функцию:

В качестве примера, рассмотрим следующую функцию . График исследуемой экспоненциальной функции представлен ниже.

Поскольку функция является четной функцией, то непрерывное преобразование Фурье будет определяться следующим образом:

В результате получили зависимость изменения исследуемой экспоненциальной функции на частотном интервале (см. ниже).

Непрерывное преобразование Фурье используют, как правило, в теории при рассмотрении сигналов, которые изменяются в соответствии с заданными функциями, но на практике обычно имеют дело с результатами измерений, которые представляют собой дискретные данные. Результаты измерений фиксируются через равные промежутки времени с определённой частотой дискретизации, например, 16000 Гц или 22000 Гц. Однако в общем случае дискретные отсчёты могут идти неравномерно, но это усложняет математический аппарат анализа, поэтому на практике обычно не применяется.

Существует важная теорема Котельникова (в иностранной литературе встречается название «теорема Найквиста-Шеннона», «теорема отсчетов»), которая гласит, что аналоговый периодический сигнал, имеющий конечный (ограниченный по ширине) спектр (0…fmax), может быть однозначно восстановлен без искажений и потерь по своим дискретным отсчётам, взятым с частотой, большей или равной удвоенной верхней частоте спектра - частота дискретизации (fдискр >= 2*fmax). Другими словами, при частоте дискретизации 1000 Гц из аналогового периодического сигнала можно восстановить сигнал с частотой до 500 Гц. Следует отметить, что дискретизация функции по времени приводит к периодизации ее спектра, а дискретизация спектра по частоте приводит к периодизации функции.

Это одно из преобразований Фурье, широко применяемых в алгоритмах цифровой обработки сигналов.

Прямое дискретное преобразование Фурье ставит в соответствие временной функции , которая определена N-точками измерений на заданном временном интервале, другую функцию , которая определена на частотном интервале. Следует отметить, что функция на временном интервале задается с помощью N-отсчетов, а функция на частотном интервале задается с помощью K-кратного спектра.

k ˗ индекс частоты.

Частота k-го сигнала определяется по выражению

где T - период времени, в течение которого брались входные данные.

Прямое дискретное преобразование может быть переписано через вещественную и мнимую составляющие. Вещественная составляющая представляет собой массив, содержащий значения косинусоидальных составляющих, а мнимая составляющая представляет собой массив, содержащий значения синусоидальных составляющих.

Из последних выражений видно, что преобразование раскладывает сигнал на синусоидальные составляющие (которые называются гармониками) с частотами от одного колебания за период до N колебаний за период.

Дискретное преобразование Фурье имеет особенность, так как дискретная последовательность может быть получена суммой функций с различным составом гармонического сигнала. Другими словами, дискретная последовательность раскладывается на гармонические переменные – неоднозначно. Поэтому при разложении дискретной функции с помощью дискретного преобразования Фурье во второй половине спектра возникают высокочастотные составляющие, которых не было в оригинальном сигнале. Данный высокочастотный спектр является зеркальным отображением первой части спектра (в части частоты, фазы и амплитуды). Обычно вторая половина спектра не рассматривается, а амплитуды сигнала первой части спектра - удваиваются.

Следует отметить, что разложение непрерывной функции не приводит к появлению зеркального эффекта, так как непрерывная функция однозначно раскладывается на гармонические переменные.

Амплитуда постоянной составляющей является средним значением функции за выбранный промежуток времени и определяется следующим образом:

Амплитуды и фазы частотных составляющих сигнала определяются по следующим соотношениям:

Полученные значения амплитуды и фазы называют полярным представлением (polar notation). Результирующий вектор сигнала будет определяться следующим образом:

Рассмотрим алгоритм преобразования дискретно заданной функции на заданном интервале (на заданном периоде) с количеством исходных точек

Д искретное преобразование Фурье

В результате преобразования получаем вещественное и мнимое значение функции , которая определена на частотном диапазоне.

Обратное дискретное преобразование Фурье ставит в соответствие частотной функции , которая определена K-кратным спектром на частотном интервале, другую функцию , которая определена на временном интервале.

N ˗ количество значений сигнала, измеренных за период, а также кратность частотного спектра;

k ˗ индекс частоты.

Как уже было сказано, дискретное преобразование Фурье N-точкам дискретного сигнала ставит в соответствие N-комплексных спектральных отсчетов сигнала . Для вычисления одного спектрального отсчета требуется N операций комплексного умножения и сложения. Таким образом, вычислительная сложность алгоритма дискретного преобразования Фурье является квадратичной, другими словами требуется операций комплексного умножения и сложения.

1. Преобразование Фурье и спектр сигнала

Чтобы проверить, правильно ли работает программа, сформируем массив отсчетов как сумму двух синусоид sin(10*2*pi*x)+0,5*sin(5*2*pi*x) и подсунем программке. Программа нарисовала следующее:

рис.1 График временной функции сигнала

рис.2 График спектра сигнала

На графике спектра имеется две палки (гармоники) 5 Гц с амплитудой 0.5 В и 10 Гц - с амплитудой 1 В, все как в формуле исходного сигнала. Все отлично, программист молодец! Программа работает правильно.

Это значит, что если мы подадим на вход АЦП реальный сигнал из смеси двух синусоид, то мы получим аналогичный спектр, состоящий из двух гармоник.

Итого, наш реальный измеренный сигнал, длительностью 5 сек , оцифрованный АЦП, то есть представленный дискретными отсчетами, имеет дискретный непериодический спектр.

С математической точки зрения - сколько ошибок в этой фразе?

рис.4 Спектр функции

Что-то как бы не то! Гармоника 10 Гц рисуется нормально, а вместо палки на 5 Гц появилось несколько каких-то непонятных гармоник. Смотрим в интернетах, что да как…

Во, говорят, что в конец выборки надо добавить нули и спектр будет рисоваться нормальный.

рис.5 Добили нулей до 5 сек

рис.6 Получили спектр

Все равно не то, что было на 5 секундах. Придется разбираться с теорией. Идем в Википедию - источник знаний.

2. Непрерывная функция и представление её рядом Фурье

(1), где:

K - номер тригонометрической функции (номер гармонической составляющей, номер гармоники)
T - отрезок, где функция определена (длительность сигнала)
Ak - амплитуда k-ой гармонической составляющей,
?k- начальная фаза k-ой гармонической составляющей

Что значит «представить функцию в виде суммы ряда»? Это значит, что, сложив в каждой точке значения гармонических составляющих ряда Фурье, мы получим значение нашей функции в этой точке.

(Более строго, среднеквадратичное отклонение ряда от функции f(x) будет стремиться к нулю, но несмотря на среднеквадратичную сходимость, ряд Фурье функции, вообще говоря, не обязан сходиться к ней поточечно. См. https://ru.wikipedia.org/wiki/Ряд_Фурье .)

Этот ряд может быть также записан в виде:

(2),
где , k-я комплексная амплитуда.

Связь между коэффициентами (1) и (3) выражается следующими формулами:

Отметим, что все эти три представления ряда Фурье совершенно равнозначны. Иногда при работе с рядами Фурье бывает удобнее использовать вместо синусов и косинусов экспоненты мнимого аргумента, то есть использовать преобразование Фурье в комплексной форме. Но нам удобно использовать формулу (1), где ряд Фурье представлен в виде суммы косинусоид с соответствующими амплитудами и фазами. В любом случае неправильно говорить, что результатом преобразования Фурье действительного сигнала будут комплексные амплитуды гармоник. Как правильно говорится в Вики «Преобразование Фурье (?) - операция, сопоставляющая одной функции вещественной переменной другую функцию, также вещественной переменной.»

Итого:
Математической основой спектрального анализа сигналов является преобразование Фурье.

Преобразование Фурье позволяет представить непрерывную функцию f(x) (сигнал), определенную на отрезке {0, T} в виде суммы бесконечного числа (бесконечного ряда) тригонометрических функций (синусоид и\или косинусоид) с определёнными амплитудами и фазами, также рассматриваемых на отрезке {0, T}. Такой ряд называется рядом Фурье.

Отметим еще некоторые моменты, понимание которых требуется для правильного применения преобразования Фурье к анализу сигналов. Если рассмотреть ряд Фурье (сумму синусоид) на всей оси Х, то можно увидеть, что вне отрезка {0, T} функция представленная рядом Фурье будет будет периодически повторять нашу функцию.

Например, на графике рис.7 исходная функция определена на отрезке {-T\2, +T\2}, а ряд Фурье представляет периодическую функцию, определенную на всей оси х.

Это происходит потому, что синусоиды сами являются периодическими функциями, соответственно и их сумма будет периодической функцией.

рис.7 Представление непериодической исходной функции рядом Фурье

Таким образом:

Наша исходная функция - непрерывная, непериодическая, определена на некотором отрезке длиной T.
Спектр этой функции - дискретный, то есть представлен в виде бесконечного ряда гармонических составляющих - ряда Фурье.
По факту, рядом Фурье определяется некоторая периодическая функция, совпадающая с нашей на отрезке {0, T}, но для нас эта периодичность не существенна.

Периоды гармонических составляющих кратны величине отрезка {0, T}, на котором определена исходная функция f(x). Другими словами, периоды гармоник кратны длительности измерения сигнала. Например, период первой гармоники ряда Фурье равен интервалу Т, на котором определена функция f(x). Период второй гармоники ряда Фурье равен интервалу Т/2. И так далее (см. рис. 8).

рис.8 Периоды (частоты) гармонических составляющих ряда Фурье (здесь Т=2?)

Соответственно, частоты гармонических составляющих кратны величине 1/Т. То есть частоты гармонических составляющих Fk равны Fk= к\Т, где к пробегает значения от 0 до?, например к=0 F0=0; к=1 F1=1\T; к=2 F2=2\T; к=3 F3=3\T;… Fk= к\Т (при нулевой частоте - постоянная составляющая).

Пусть наша исходная функция, представляет собой сигнал, записанный в течение Т=1 сек. Тогда период первой гармоники будет равен длительности нашего сигнала Т1=Т=1 сек и частота гармоники равна 1 Гц. Период второй гармоники будет равен длительности сигнала, деленной на 2 (Т2=Т/2=0,5 сек) и частота равна 2 Гц. Для третьей гармоники Т3=Т/3 сек и частота равна 3 Гц. И так далее.

Шаг между гармониками в этом случае равен 1 Гц.

Таким образом сигнал длительностью 1 сек можно разложить на гармонические составляющие (получить спектр) с разрешением по частоте 1 Гц.
Чтобы увеличить разрешение в 2 раза до 0,5 Гц - надо увеличить длительность измерения в 2 раза - до 2 сек. Сигнал длительностью 10 сек можно разложить на гармонические составляющие (получить спектр) с разрешением по частоте 0,1 Гц. Других способов увеличить разрешение по частоте нет.

Существует способ искусственного увеличения длительности сигнала путем добавления нулей к массиву отсчетов. Но реальную разрешающую способность по частоте он не увеличивает.

3. Дискретные сигналы и дискретное преобразование Фурье

Обычная схема измерения и оцифровки сигнала выглядит следующим образом.

рис.9 Схема измерительного канала

Сигнал с измерительного преобразователя поступает на АЦП в течение периода времени Т. Полученные за время Т отсчеты сигнала (выборка) передаются в компьютер и сохраняются в памяти.

рис.10 Оцифрованный сигнал - N отсчетов полученных за время Т

Какие требования выдвигаются к параметрам оцифровки сигнала? Устройство, преобразующее входной аналоговый сигнал в дискретный код (цифровой сигнал) называется аналого-цифровой преобразователь (АЦП, англ. Analog-to-digital converter, ADC) (Wiki).

Одним из основных параметров АЦП является максимальная частота дискретизации (или частота семплирования, англ. sample rate) - частота взятия отсчетов непрерывного во времени сигнала при его дискретизации. Измеряется в герцах. ((Wiki))

Согласно теореме Котельникова, если непрерывный сигнал имеет спектр, ограниченный частотой Fмакс, то он может быть полностью и однозначно восстановлен по его дискретным отсчетам, взятым через интервалы времени , т.е. с частотой Fd ? 2*Fмакс, где Fd - частота дискретизации; Fмакс - максимальная частота спектра сигнала. Другими слова частота оцифровки сигнала (частота дискретизации АЦП) должна как минимум в 2 раза превышать максимальную частоту сигнала, который мы хотим измерить.

А что будет, если мы будем брать отсчеты с меньшей частотой, чем требуется по теореме Котельникова?

В этом случае возникает эффект «алиасинга» (он же стробоскопический эффект, муаровый эффект), при котором сигнал высокой частоты после оцифровки превращается в сигнал низкой частоты, которого на самом деле не существует. На рис. 5 красная синусоида высокой частоты - это реальный сигнал. Синяя синусоида более низкой частоты - фиктивный сигнал, возникающий вследствие того, за время взятия отсчета успевает пройти больше, чем пол-периода высокочастотного сигнала.

Рис. 11. Появление ложного сигнала низкой частоты при недостаточно высокой частоте дискретизации

Чтобы избежать эффекта алиасинга перед АЦП ставят специальный антиалиасинговый фильтр - ФНЧ (фильтр нижних частот), который пропускает частоты ниже половины частоты дискретизации АЦП, а более высокие частоты зарезает.

Для того, чтобы вычислить спектр сигнала по его дискретным отсчетам используется дискретное преобразование Фурье (ДПФ). Отметим еще раз, что спектр дискретного сигнала «по определению» ограничен частотой Fмакс, меньшей половине частоты дискретизации Fd. Поэтому спектр дискретного сигнала может быть представлен суммой конечного числа гармоник, в отличие от бесконечной суммы для ряда Фурье непрерывного сигнала, спектр которого может быть неограничен. Согласно теореме Котельникова максимальная частота гармоники должна быть такой, чтобы на нее приходилось как минимум два отсчета, поэтому число гармоник равно половине числа отсчетов дискретного сигнала. То есть если в выборке имется N отсчетов, то число гармоник в спектре будет равно N/2.

Рассмотрим теперь дискретное преобразование Фурье (ДПФ).

Сравнивая с рядом Фурье

Видим, что они совпадают, за исключением того, что время в ДПФ имеет дискретный характер и число гармоник ограничено величиной N/2 - половиной числа отсчетов.

Формулы ДПФ записываются в безразмерных целых переменных k, s, где k – номера отсчетов сигнала, s – номера спектральных составляющих.
Величина s показывает количество полных колебаний гармоники на периоде Т (длительности измерения сигнала). Дискретное преобразование Фурье используется для нахождения амплитуд и фаз гармоник численным методом, т.е. «на компьютере»

Возвращаясь к результатам, полученным в начале. Как уже было сказано выше, при разложении в ряд Фурье непериодической функции (нашего сигнала), полученный ряд Фурье фактически соответствует периодической функции с периодом Т. (рис.12).

рис.12 Периодическая функция f(x) с периодом Т0, с периодом измерения Т>T0

Как видно на рис.12 функция f(x) периодическая с периодом Т0. Однако из-за того, что длительность измерительной выборки Т не совпадает с периодом функции Т0, функция, получаемая как ряд Фурье, имеет разрыв в точке Т. В результате спектр данной функции будет содержать большое количество высокочастотных гармоник. Если бы длительность измерительной выборки Т совпадала с периодом функции Т0, то в полученном после преобразования Фурье спектре присутствовала бы только первая гармоника (синусоида с периодом равным длительности выборки), поскольку функция f(x) представляет собой синусоиду.

Другими словами, программа ДПФ «не знает», что наш сигнал представляет собой «кусок синусоиды», а пытается представить в виде ряда периодическую функцию, которая имеет разрыв из-за нестыковки отдельных кусков синусоиды.

В результате в спектре появляются гармоники, которые должны в сумме изобразить форму функции, включая этот разрыв.

Таким образом, чтобы получить «правильный» спектр сигнала, являющегося суммой нескольких синусоид с разными периодами, необходимо чтобы на периоде измерения сигнала укладывалось целое число периодов каждой синусоиды. На практике это условие можно выполнить при достаточно большой длительности измерения сигнала.

Рис.13 Пример функции и спектра сигнала кинематической погрешности редуктора

При меньшей длительности картина будет выглядеть «хуже»:

Рис.14 Пример функции и спектра сигнала вибрации ротора

На практике бывает сложно понять, где «реальные составляющие», а где «артефакты», вызванные некратностью периодов составляющих и длительности выборки сигнала или «скачками и разрывами» формы сигнала. Конечно слова «реальные составляющие» и «артефакты» не зря взяты в кавычки. Наличие на графике спектра множества гармоник не означает, что наш сигнал в реальности из них «состоит». Это все равно что считать, будто число 7 «состоит» из чисел 3 и 4. Число 7 можно представить в виде суммы чисел 3 и 4 - это правильно.

Так и наш сигнал… а вернее даже не «наш сигнал», а периодическую функцию, составленную путем повторения нашего сигнала (выборки) можно представить в виде суммы гармоник (синусоид) с определенными амплитудами и фазами. Но во многих важных для практики случаях (см. рисунки выше) действительно можно связать полученные в спектре гармоники и с реальными процессами, имеющими циклический характер и вносящими значительный вклад в форму сигнала.

Некоторые итоги

2. Сигнал представлен набором действительных значений и его спектр представлен набором действительных значений. Частоты гармоник положительны. То, что математикам бывает удобнее представить спектр в комплексной форме с использованием отрицательных частот не значит, что «так правильно» и «так всегда надо делать».

3. Сигнал, измеренный на отрезке времени Т определен только на отрезке времени Т. Что было до того, как мы начали измерять сигнал, и что будет после того - науке это неизвестно. И в нашем случае - неинтересно. ДПФ ограниченного во времени сигнала дает его «настоящий» спектр, в том смысле, что при определенных условиях позволяет вычислить амплитуду и частоту его составляющих.

Использованные материалы и другие полезные материалы.

Любая волна сложной формы может быть представлена как сумма простых волн.

Жозеф Фурье очень хотел описать в математических терминах, как тепло проходит сквозь твердые предметы (см. Теплообмен). Возможно, его интерес к теплу вспыхнул, когда он находился в Северной Африке: Фурье сопровождал Наполеона во французской экспедиции в Египет и прожил там некоторое время. Чтобы достичь своей цели, Фурье должен был разработать новые математические методы. Результаты его исследований были опубликованы в 1822 году в работе «Аналитическая теория тепла» (Theorie analytique de la chaleur ), где он рассказал, как анализировать сложные физические проблемы путем разложения их на ряд более простых.

Метод анализа был основан на так называемых рядах Фурье . В соответствии с принципом интерференции ряд начинается с разложения сложной формы на простые — например, изменение земной поверхности объясняется землетрясением, изменения орбиты кометы — влиянием притяжения нескольких планет, изменение потока тепла — его прохождением сквозь препятствие неправильной формы из теплоизолирующего материала. Фурье показал, что сложная форма волны может быть представлена как сумма простых волн. Как правило, уравнения, описывающие классические системы, легко решаются для каждой из этих простых волн. Далее Фурье показал, как эти простые решения можно суммировать, чтобы получить решение всей сложной задачи в целом. (Говоря языком математики, ряд Фурье — это метод представления функции суммой гармоник — синусоид и косинусоид, поэтому анализ Фурье был известен также под названием «гармонический анализ».)

До появления компьютеров в середине ХХ столетия методы Фурье и им подобные были лучшим оружием в научном арсенале при наступлениях на сложности природы. Со времени появления комплексных методов Фурье ученые смогли использовать их для решения уже не только простых задач, которые можно решить прямым применением законов механики Ньютона и других фундаментальных уравнений. Многие великие достижения ньютоновской науки в XIX веке фактически были бы невозможны без использования методов, впервые предложенных Фурье. В дальнейшем эти методы применялись в решении задач в различных областях — от астрономии до машиностроения.

Жан-Батист Жозеф ФУРЬЕ
Jean-Baptiste Joseph Fourier, 1768-1830

Французский математик. Родился в Осере; в возрасте девяти лет остался сиротой. Уже в юном возрасте проявил способности к математике. Фурье получил образование в церковной школе и военном училище, затем работал преподавателем математики. На протяжении всей жизни активно занимался политикой; был арестован в 1794 году за защиту жертв террора. После смерти Робеспьера был выпущен из тюрьмы; принимал участие в создании знаменитой Политехнической школы (Ecole Polytechnique) в Париже; его положение послужило ему плацдармом для продвижения при режиме Наполеона. Сопровождал Наполеона в Египет, был назначен губернатором Нижнего Египта. По возвращении во Францию в 1801 году был назначен губернатором одной из провинций. В 1822 году стал постоянным секретарем Французской академии наук — влиятельная должность в научном мире Франции.

Для контроля дорожной обстановки на трассах с большой интенсивностью движения широко используются камеры видео наблюдения. Информация, поступающая с видеокамер, содержит данные о временном изменении пространственного положения автомобилей, находящихся в поле зрения системы. Обработка этой информации на основе алгоритмов, используемых в телевизионных измерительных системах (ТИС), позволяет определить скорость движения транспортных средств и обеспечить управление транспортными потоками. Именно этими факторами объясняется возрастание интереса к телевизионному мониторингу транспортных магистралей.

Для разработки методов фильтрации изображений транспортных средств на фоне помех необходимо знание их основных параметров и характеристик. Ранее авторами проведено исследование Фурье и вейвлет спектров природных и городских фонов . Настоящая работа посвящена исследованию аналогичных спектров транспортных средств.

• с помощью цифровой фотокамеры был создан банк исходных.bmp файлов монохромных изображений транспортных средств различных типов (легковые и грузовые автомобили, автобусы, по каждой группе количество изображений составляло 20-40 при различных ракурсах и условиях освещения); изображения имели размеры 400 пикселей по горизонтали и 300 пикселей - по вертикали; диапазон изменения яркости от 0 до 255 единиц;
• поскольку изображения содержали кроме транспортного средства также фоновую составляющую, для предотвращения ее влияния на результат она была искусственно подавлена до нулевого уровня;
• производился анализ характеристик изображений транспортных средств методами Фурье и вейвлет анализа.

Разработанная в среде MATLAB программа позволяет рассчитывать среднюю яркость (т.е. математическое ожидание яркости изображения), дисперсию яркости, Фурье-спектр отдельных и суммарных строк изображений, спектрограммы, а также вейвлет-спектры с использованием различных известных вейвлетов (Хаара, Добеши, Симлета и др.). Результаты анализа отражаются в виде двумерных и 3D спектров изображений.

По результатам исследований можно сделать следующие выводы:

• усредненные яркостные характеристики (средняя яркость, дисперсия) изображений различных транспортных средств имеют близкие значения для всех типов; существенное влияние на яркостные характеристики оказывают солнечные блики от стекол и поверхностей автомобиля; в зависимости от интенсивности и направления освещения автомобили черного цвета могут иметь яркостные характеристики, аналогичные светлым автомобилям;
• независимо от типа транспортного средства Фурье и вейвлет спектры имеют сходную структуру;
• ширина Фурье спектра транспортных средств слабо зависит от типа автомобиля; спектр имеет существенно неравномерную структуру, изменяющуюся при изменении освещения и ориентации автомобиля; спектр в горизонтальной плоскости имеет более неравномерную структуру, чем в вертикальной; на спектральные характеристики полугрузовых автомобилей и автобусов большое влияние оказываю рисунки и надписи (рекламы) на его поверхностях;
• при повороте автомобилей существенно изменение спектров изображений в горизонтальной плоскости, спектр в вертикальной плоскости остается достаточно стабильным; это особенно хорошо видно на вейвлет спектрах;
• анализ спектров отдельного транспортного средства и транспортного средства на фоне помех показывает, что они отличаются уровнями амплитуд спектральных составляющих; при отсутствии фона существенно равномернее вертикальный спектр; для изображений автомобилей без фона больше вероятность глубоких провалов в спектре (выше неравномерность), огибающая спектра изображений с фоном равномернее, чем без фона;
• проведенные исследования показали, что из-за сильного влияния большого числа факторов спектральные характеристики транспортных средств (как полученные с помощью Фурье-анализа, так и вейвлет-анализа) не позволяют выделить устойчивые спектральные признаки изображений транспортных средств; это снижает эффективность спектральной фильтрации изображений, проводимую для подавления фона;
• в автоматизированных системах контроля дорожного движения для выделения автомобилей на фоне помех необходимо использовать комплекс признаков, таких как цвет, спектр, геометрические параметры объектов (размеры и соотношения размеров) и динамические характеристики.

СПИСОК ЛИТЕРАТУРЫ

1. Макарецкий Е.А., Нгуен Л.Х. Исследование характеристик изображений природных и городских фонов// Изв. Тульск. Гос. Ун-та. Радиотехника и радиооптика. - Тула, 2005. - Т. 7.- С.97-104.

Библиографическая ссылка

В разделе Вводный обзор обсуждаются два очень простых примера (взятых у Shumway, 1988) для иллюстрации природы спектрального анализа и интерпретации результатов. Если вы незнакомы с этим методом, рекомендуется посмотреть сначала данный раздел этой главы.

Обзор и файл данных. Файл Sunspot.sta содержит часть известных чисел солнечных пятен (Wolfer) с 1749 года по 1924 год (Anderson, 1971). Ниже показан список первых нескольких данных из файла с примерами.

Предполагается, что количество солнечных пятен влияет на погоду на земле, а также на сельское хозяйство, на телекоммуникации и т.д. Применяя этот анализ, можно попытаться выяснить, действительно ли активность солнечных пятен имеет циклическую природу (на самом деле имеет, эти данные широко обсуждаются в литературе; см., например, Bloomfield, 1976, или Shumway, 1988).

Определение анализа. После запуска анализа, откройте файл данных Sunspot.sta. Щелкните кнопку Переменные и выберите переменную Spots (заметим, что если файл данных Sunspot.sta - текущий открытый файл данных, и переменная Spots - единственная переменная в этом файле, то когда откроется диалоговое окно Анализ временных рядов, Spots будет выбрана автоматически). Теперь щелкните по кнопке Фурье (спектральный) анализ, чтобы открылось диалоговое окно Фурье (спектральный) анализ.

Перед применением спектрального анализа, сначала постройте график количества солнечных пятен. Обратите внимание, что файл Sunspot.sta содержит соответствующие годы в качестве имен наблюдений. Чтобы использовать эти имена в линейных графиках, щелкните по вкладке Просмотр ряда и выберите Именами наблюдений в разделе Пометить точки. Также, выберите Задать масштаб оси Х вручную и Мин. = 1, а Шаг= 10. Затем нажмите кнопку График, следующую за кнопкой Просмотр выдел. переменной.

Кажется, что количество солнечных пятен подчинено циклической модели. Тренд не прослеживается, поэтому вернитесь в окно Спектральный анализ и отмените выделение опции Удалить линейный тренд в группе Преобразование исходного ряда.

Очевидно, что среднее ряда больше чем 0 (нуль). Поэтому оставьте опцию Вычесть среднее выбранной [иначе периодограмма "забьется" очень большим пиком на частоте 0 (нуль)].

Теперь вы готовы начать анализ. Теперь щелкните OK (Одномерный анализ Фурье) для вызова диалогового окна Результаты спектрального анализа Фурье.

Просмотр результатов. Раздел информации в верхней части диалогового окна показывает некоторые итоговые статистики ряда. Он также показывает пять наибольших пиков периодограммы (по частоте). Наибольших три пика на частотах 0.0852, 0.0909 и 0.0114. Эта информация часто полезна при анализе очень больших рядов (например, с более чем 100,000 наблюдениями), которые непросто оказать на одном графике. В этом случае, однако, легко увидеть значения периодограммы; щелкнув кнопку Периодограмма в разделе Периодограмма и графики спектральной плотности.

На графике периодограммы видны два четких пика. Максимальный - на частоте примерно 0.9. Вернитесь в окно Результаты спектрального анализа и щелкните кнопку Итог, чтобы увидеть все значения периодограммы (и другие результаты) в таблице результатов. Ниже показана часть таблицы результатов с наибольшим пиком, установленным по периодограмме.

Как обсуждалось в разделе Вводный обзор, Частота - это число циклов в единицу времени (где каждое наблюдение составляет одну единицу времени). Таким образом, Частота 0.0909 соответствует значению 11 Периода (число единиц времени, требующихся на полный цикл). Поскольку данные солнечных пятен в Sunspot.sta представляют собой годовые наблюдения, можно заключить, что существует ярко выраженный 11-летний (возможно немного длиннее чем 11-летний) цикл в активности солнечных пятен.

Спектральная плотность. Обычно для вычисления оценок спектральной плотности периодограмму сглаживают, чтобы убрать случайные колебания. Тип взвешенного скользящего среднего и ширину окна можно выбрать в разделе Спектральные окна. В разделе Вводный обзор эти опции подробно обсуждаются. Для нашего примера оставим выбранное по умолчанию окно (Хемминга ширины 5) и выберем график Спектральной плотности.

Два пика стали теперь даже отчетливее. Посмотрим на значения периодограммы по периоду. Выделите поле Период в разделе График. Теперь выберите график Спектральной плотности.

Снова видно, что существует ярко выраженный 11-летний цикл в активности солнечных пятен; более того, есть признаки существования более продолжительного примерно 80-ти - 90-годового цикла.