Talvez você também possa compartilhar a expressão usada para calcular a curva BER teórica. Houve muitos casos em que a curva derivada da expressão teórica para a probabilidade de erro de símbolo foi comparada com a curva simulada para a probabilidade de erro de bit (e vice-versa) resultante Com muita confusão e má dor. Erros na computação SNR, ou traduzindo um SNR dado para amplitudes de sinal, também são comuns. Ndash Dilip Sarwate 19 de janeiro 12 às 22:18 A explicação simples é que há um erro na sua simulação. Um que funciona em MATLAB: Observe que a expressão teórica para a taxa de erro de bits para a modulação BPSKQPSK é: tendo em mente que Eb é a energia por bit de informação. A distinção um tanto sutil entre Eb e Es, a energia por símbolo. É algo que muitas vezes atrai pessoas novas para o assunto. Esta diferença também explica por que QPSK e BPSK têm a mesma taxa de erro de bits quando expressa como uma função de fração, você não obtém qualquer benefício de desempenho de erro de bit ao mudar para o QPSK, embora você possa alcançar uma taxa de bits determinada com largura de banda menos ocupada. Respondeu 20 de janeiro 12 às 15:15 Como observei no meu comentário sobre a questão principal, outra fonte de confusão é que a taxa de erro de símbolo é Ps 2Qleft (sqrt right) - leftQleft (sqrt right) right2, pois o símbolo está incorreto se no Pelo menos um bit é desmodulado de forma incorreta, os erros de bits nos ramos em fase e em quadratura são independentes, e P (Acup B) P (A) P (B) - P (Acap B) P (A) P (B) - P (A) P (B) 2p-p2 para eventos independentes de probabilidade p ndash Dilip Sarwate 20 de janeiro 12 às 17:53 Posso fazer uma pergunta Como você calcula a energia por bit, quero dizer, na realidade, não é igual a 1. Então, você pode explicar na realidade como eu caculo a energia por bit. Muito obrigado ndash Khanh Nguyen 25 de setembro 13 em 11: 45 A filtragem de imagem pode ser agrupada em dois dependendo dos efeitos: Filtros de passagem baixa (Suavização) Filtragem de passagem baixa (aka Alisamento), é empregado para remover alto ruído de freqüência espacial de uma imagem digital. Os filtros passa-baixa geralmente empregam o operador da janela móvel que afeta um pixel da imagem ao mesmo tempo, alterando seu valor por alguma função de uma região local (janela) de pixels. O operador move-se sobre a imagem para afetar todos os pixels da imagem. Filtros de passagem alta (detecção de borda, afiação) Um filtro passa-alto pode ser usado para tornar a imagem mais nítida. Esses filtros enfatizam detalhes finos na imagem - o oposto do filtro passa-baixa. A filtragem passa-alto funciona da mesma forma que a filtragem passa-baixa, apenas usa um kernel de convolução diferente. Ao filtrar uma imagem, cada pixel é afetado por seus vizinhos, e o efeito líquido da filtragem é mover informações ao redor da imagem. Neste capítulo, use esta imagem: bogotobogo site search: bogotobogo site search: A filtragem média é fácil de implementar. É usado como um método de suavização de imagens, reduzindo a quantidade de variação de intensidade entre um pixel e o próximo, resultando em redução de ruído nas imagens. A idéia de filtragem média é simplesmente substituir cada valor de pixel em uma imagem com o valor médio (médio) de seus vizinhos, inclusive em si. Isso tem o efeito de eliminar valores de pixels que não são representativos de seus arredores. A filtragem média geralmente é pensada como um filtro de convolução. Como outras circunvoluções, ela é baseada em um núcleo, que representa a forma e o tamanho da vizinhança a ser amostrada ao calcular a média. Muitas vezes, é usado um kernel de 3 vezes 3 quadrados, como mostrado abaixo: O mf é o filtro médio: O filtro2 () é definido como: Y filter2 (h, X) filtra os dados em X com o filtro FIR bidimensional no Matriz h. Ele calcula o resultado, Y, usando correlação bidimensional e retorna a parte central da correlação que é do mesmo tamanho que X. Ele retorna a parte de Y especificada pelo parâmetro de forma. Shape é uma string com um desses valores: full. Retorna a correlação bidimensional completa. Neste caso, Y é maior do que X. mesmo. (Padrão) Retorna a parte central da correlação. Neste caso, Y é do mesmo tamanho que X. válido. Retorna apenas as partes da correlação que são computadas sem bordas remendadas. Nesse caso, Y é menor do que X. Agora queremos aplicar o kernel definido na seção anterior usando filter2 (): podemos ver a imagem filtrada (direita) foi borrada um pouco em comparação com a entrada original (esquerda) . Conforme mencionado anteriormente, o filtro de passagem baixa pode ser usado como denoising. Vamos testá-lo. Primeiro, para tornar a entrada um pouco suja, pulverizamos um pouco de pimenta e sal na imagem e, em seguida, aplique o filtro médio: Ele tem algum efeito sobre o barulho de sal e pimenta, mas não muito. Isso apenas os deixou borrados. Que tal tentar o filtro mediano interno do Matlabs bogotobogo pesquisa do site: pesquisa do site bogotobogo: filtro mediano - medfilt2 () Aqui está o script: Muito melhor. Ao contrário do filtro anterior que está apenas usando o valor médio, desta vez usamos a mediana. A filtragem mediana é uma operação não-linear usada frequentemente no processamento de imagens para reduzir o ruído salino e pimenta. Observe também que o medfilt2 () é um filtro 2-D, portanto, ele só funciona para a imagem em escala de cinza. Para remover o ruído para a imagem RGB, vá até o final deste capítulo: Removendo o ruído na imagem RGB. O Matlab fornece um método para criar um filtro 2-D predefinido. Seu fspecial (): h fspecial (type) cria um filtro bidimensional h do tipo especificado. Ele retorna h como um kernel de correlação, que é a forma apropriada para usar com imfilter (). O tipo é uma string com um desses valores: Matlab Image and Video Processing OpenCV 3 - processamento de vídeo de imagem Processamento de imagem e vídeo OpenCV 3 com Python
No comments:
Post a Comment