频域

两种运动检测算法的介绍： 帧差法： 帧差法是目前运动目标检测中最常用的算法。帧差法依据的原则是：当视频中存在移动物体的时候，相邻帧（或相邻三帧）之间在灰度上会有差别，求取两帧图像灰度差的绝对值，则静止的物体在差值图像上表现出来全是0，而移动物体特别是移动物体的轮廓处由于存在灰度变化为非0，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。 二维频域运动目标检测： 通过对动态图像的行列分解, 将三维频域内的运动检测问题转化到两组二维频域内进行, 从而降低了滤波器设计的难度。给出了一种提取主运动能量的自适应滤波算法, 通过剔除背景和噪声的频率成分, 有效地检测出运动目标。 复杂度分析： 针对帧差法进行分析，代码复杂度主要集中在absdiff与findContours部分，其中absdiff的迭代次数为2*500*500=50000次，时间为88.46ms(取两百帧计算平均的时间) 针对二维频域运动目标检测算法，这里有两个代码版本： 针对py-new-fuliye.py，代码的复杂度主要集中在两个部分：傅里叶变换以及遍历，在py-new-fuliye.py中，共使用了两次傅里叶变换与两次遍历，遍历的迭代次数次数为2*50*30=300次，时间为：54.175ms 针对pepoplefft.py（改进版）进行分析，使用了两次傅里叶变换（一次正一次逆），进行了一次嵌套遍历

''' 基于傅里叶变换的频域滤波。 ''' import numpy as np import numpy . fft as nf import matplotlib . pyplot as plt import scipy . io . wavfile as wf #读取音频文件,将其按照采样率离散化，返回采样率和信号 #sample_reate:采样率(每秒采样个数),　sigs:每个采样位移值。 #================1.原始音频信号,时域信息================================= sameple_rate , sigs = wf . read ( '../da_data/noised.wav' ) print ( '采样率:{}' . format ( sameple_rate ) ) print ( '信号点数量:{}' . format ( sigs . size ) ) sigs = sigs / ( 2 ** 15 ) times = np . arange ( len ( sigs ) ) / sameple_rate plt . figure ( 'Filter' , facecolor = 'lightgray' ) plt . subplot ( 221 ) plt . title ( 'Time Domain' ,

文章目录 1. 直观解释 2. 时域：旋转与傅立叶级数 2.1 欧拉公式 2.2 火星的轨迹曲线 2.3 旋转的傅立叶 3. 频域：线性代数与傅立叶级数 3.1 线性代数 3.2 傅立叶级数的基 3.3 傅立叶级数向量 3.4 频谱图 3.5 应用 3.5.1 图像压缩 3.5.2 模式识别 4 傅立叶级数和傅立叶变换 彩虹，大概是我们在自然界中最容易观察到的傅立叶级数。 1. 直观解释 1666年牛顿发现太阳光经三棱镜的折射后可呈现彩色光，称为光的色散现象： 先说一个物理常识，光是一种波，而光的颜色由振幅和频率所决定。 所以色散实际上是，白色的光波被分解为七色光波（实际应该是无数种颜色的光波）： 七色光波可以用正弦波 a n s i n ( n x ) a_nsin(nx) a n ​ s i n ( n x ) （其中 a n a_n a n ​ 是振幅， n x n_x n x ​ 可以表示频率）来近似。因此上面实际就是傅立叶级数（下面只是傅立叶级数的非常不准确的近似，为了帮助理解简化成了这样子，后面会给出严格定义）： 白 色 = ∑ a n s i n ( n x ) 白色=\sum a_n sin(nx) 白 色 = ∑ a n ​ s i n ( n x ) 雨过天晴，有时就会看见彩虹： 雨后空气中的水分就好像无数的三菱镜，把太阳光拆成了彩色。正是大自然中的色散现象。