白噪音

Abstract 摘要 High level of noise reduces the perceptual quality and intelligibility of speech. Therefore, enhancing the captured speech signal is important in everyday applications such as telephony and teleconferencing. Microphone arrays are typically placed at a distance from a speaker and require processing to enhance the captured signal. Beamforming provides directional gain towards the source of interest and attenuation of interference. It is often followed by a single channel post-filter to further enhance the signal. Non-linear spatial post-filters are capable of providing high noise

傅立叶变换在图像处理中有非常非常的作用。因为不仅傅立叶分析涉及图像处理的很多方面，傅立叶的改进算法， 比如离散余弦变换，gabor与小波在图像处理中也有重要的分量。 印象中，傅立叶变换在图像处理以下几个话题都有重要作用： 1.图像增强与图像去噪 绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 2.图像分割之边缘检测 提取图像高频分量 3.图像特征提取： 形状特征：傅里叶描述子 纹理特征：直接通过傅里叶系数来计算纹理特征 其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性 4.图像压缩 可以直接通过傅里叶系数来压缩数据；常用的离散余弦变换是傅立叶变换的实变换； 傅立叶变换 傅里叶变换是将时域信号分解为不同频率的正弦信号或余弦函数叠加之和。连续情况下要求原始信号在一个周期内满足绝对可积条件。离散情况下，傅里叶变换一定存在。冈萨雷斯版<图像处理>里面的解释非常形象：一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜。棱镜是可以将光分解为不同颜色的物理仪器，每个成分的颜色由波长（或频率）来决定。傅里叶变换可以看作是数学上的棱镜，将函数基于频率分解为不同的成分。当我们考虑光时,讨论它的光谱或频率谱。同样,傅立叶变换使我们能通过频率成分来分析一个函数。 傅立叶变换有很多优良的性质。比如线性

在统计学角度来看，时间序列分析是统计学中的一个重要分支, 是基于 随机过程理论 和 数理统计学 平稳性序列 和 非平稳性序列 . 目前应用最多的是 Box一JenkinS 模型建模法 , 它是由G.E.P.Box和英国统计学家G.M.JenkinS于1970年首次系统提出的. Box一JenkinS方法 是一种较为完善的统计预测方法 , 他们的作用是为实际工作者提供了对时间序列进行分析、预测 , 以用对 ARMA模型 识别、估计和诊断的系统方法. 优点在于 如果建立精确的模型后,并确定模型的系数之后,就可以根据有限的数据集对其发展进行预测 时序分析基础 平稳性 平稳性是时间序列分析中很重要的一个概念。一般的，我们认为一个时间序列是平稳的，如果它同时满足一下两个条件： 1） 均值函数是一个常数函数 。 2） 自协方差函数只与时滞有关，与时间点无关 。 以上面两个时间序列为例。两个序列均满足条件1），因为标准正态分布白噪声和其形成的随机游走的均值函数都是值恒为0的常数函数。再来看条件2）。白噪声的自协方差函数可以表述为： 可以看到只有在时滞为0时值为1，其它均为0，所以白噪声是一个平稳序列。 而随机游走我们上面分析过，其自协方差为： 很明显其自协方差依赖于时间点，所以是一个非平稳序列。 后面可以看到，一般的时间序列分析往往针对平稳序列，对于非平稳序列会通过某些变换将其变为平稳的，例如

目录 噪声 随机性 哈希性 平滑性 柏林噪声 原理 实现(二维） Simplex噪声 原理 实现（二维） Value噪声 原理 实现(二维） 可平铺的噪声 分形噪声 结语 噪声 噪声是游戏编程的常见技术，广泛应用于地形生成，图形学等多方面。 那么为什么要引入噪声这个概念呢？在程序中，我们经常使用直接使用最简单的rand()生成随机值，但它的问题在于生成的随机值太“随机”了，得到的值往往总是参差不齐，如下图使用随机值作为像素点的黑白程度： 而使用噪声，我们得到的值看起来虽然随机但平缓，这种图也看起来更自然和舒服： 而根据wiki，现在噪声类型已经有很多种类： 类别 名称 基于晶格的方法（Lattice based） Perlin噪声，Simplex噪声，Wavelet噪声，Value噪声 基于点的方法（Point based） Worley噪声 本文主要说明Perlin噪声，Simplex噪声，Value噪声这三种常见的噪声。 随机性 随机性是噪声的基础，不必多说。 哈希性 在《Minecraft》里，由于世界是无限大的，它以“Chunk”区块（25×25×100格子）为单位，只加载玩家附近的区块。也就是说，当玩家在移动时，它会卸载远离的区块，然后加载靠近的区块。 一个问题是，当玩家离开一个区块时，进入第二个区块，然后又回到第一个区块，此时玩家期望看到的第一个区块和之前看到的保持一致