sábado, 28 de abril de 2012

Vector quantization and signal compression

http://booklens.com/allen-gersho/vector-quantization-and-signal-compression
https://encrypted.google.com/books?id=DwcDm6xgItUC&lpg=PP1&pg=PP1

Vector quantization and signal compression

Vector quantization and signal compression

Springer (1992) 764 pages ISBN: 0792391810, 9780792391814

read online ebook preview


free ebook(e-book) is just for preview. It is not for download in pdf format. Book is provided by google

Comments






© Booklens 2012

 



Simulador Online Web de Analisis de Procesamiento de Audio

Simulador Online Web de Analisis de Procesamiento de Audio

http://125.20.82.167:8091/scilab/indexexp6.html

W3 Scilab - on Web
EMST LAB, IIT GUWAHATI, India

Upload wave file:
Select an example code:


(or) Type your Scilab code below :

Graphical Output

                 

Console output:

Autocorrelation LPC - Determine coefficients of Nth-order forward linear predictors

http://www.mathworks.com/help/toolbox/dsp/ref/autocorrelationlpc.html

Autocorrelation LPC - Determine coefficients of Nth-order forward linear predictors

Library

Estimation / Linear Prediction
dsplp

Description

The Autocorrelation LPC block determines the coefficients of an N-step forward linear predictor for the time-series in each length-M input channel, u, by minimizing the prediction error in the least squares sense. A linear predictor is an FIR filter that predicts the next value in a sequence from the present and past inputs. This technique has applications in filter design, speech coding, spectral analysis, and system identification.
The Autocorrelation LPC block can output the prediction error for each channel as polynomial coefficients, reflection coefficients, or both. It can also output the prediction error power for each channel. The input u can be a scalar, unoriented vector, column vector, sample-based row vector, or a matrix. Frame-based row vectors are not valid inputs. The block treats all M-by-N matrix inputs as N channels of length M.
When you select Inherit prediction order from input dimensions, the prediction order, N, is inherited from the input dimensions. Otherwise, you can use the Prediction order parameter to specify the value of N. Note that N must be a scalar with a value less than the length of the input channels or the block produces an error.
When Output(s) is set to A, port A is enabled. For each channel, port A outputs an (N+1)-by-1 column vector, a = [1 a2 a3 ... aN+1]T, containing the coefficients of an Nth-order moving average (MA) linear process that predicts the next value, ûM+1, in the input time-series.
When Output(s) is set to K, port K is enabled. For each channel, port K outputs a length-N column vector whose elements are the prediction error reflection coefficients. When Output(s) is set to A and K, both port A and K are enabled, and each port outputs its respective set of prediction coefficients for each channel.
When you select Output prediction error power (P), port P is enabled. The prediction error power is output at port P as a vector whose length is the number of input channels.

Algorithm

The Autocorrelation LPC block computes the least squares solution to
where indicates the 2-norm and
Solving the least squares problem via the normal equations
leads to the system of equations
where r = [r1 r2 r3 ... rn+1]T is an autocorrelation estimate for u computed using the Autocorrelation block, and * indicates the complex conjugate transpose. The normal equations are solved in O(n2) operations by the Levinson-Durbin block.
Note that the solution to the LPC problem is very closely related to the Yule-Walker AR method of spectral estimation. In that context, the normal equations above are referred to as the Yule-Walker AR equations.

Dialog Box


Output(s)
The type of prediction coefficients output by the block. The block can output polynomial coefficients (A), reflection coefficients (K), or both (A and K).
Output prediction error power (P)
When selected, enables port P, which outputs the output prediction error power.
Inherit prediction order from input dimensions
When selected, the block inherits the prediction order from the input dimensions.
Prediction order (N)
Specify the prediction order, N, which must be a scalar. This parameter is disabled when you select the Inherit prediction order from input dimensions parameter.

References

Haykin, S. Adaptive Filter Theory. 3rd ed. Englewood Cliffs, NJ: Prentice Hall, 1996.
Ljung, L. System Identification: Theory for the User. Englewood Cliffs, NJ: Prentice Hall, 1987. Pgs. 278-280.
Proakis, J. and D. Manolakis. Digital Signal Processing. 3rd ed. Englewood Cliffs, NJ: Prentice-Hall, 1996.

Supported Data Types

  • Double-precision floating point
  • Single-precision floating point

See Also

AutocorrelationDSP System Toolbox
Levinson-DurbinDSP System Toolbox
Yule-Walker MethodDSP System Toolbox
lpcSignal Processing Toolbox

viernes, 27 de abril de 2012

Morfología binaria Morfología para imágenes con varios niveles de gris Análisis de contornos Análisis de regiones Segmentación de Imágenes Clasificación de Imágenes

 http://www-2.dc.uba.ar/materias/pdi2/

Procesamiento de Imágenes II

 

 
Programa abreviado de la materia
Programa detallado
  • Morfología binaria
    • Introducción
    • Erosión y dilatación
    • Apertura y cerradura
    • Transformada del eje medio, afinamiento y engrosamiento utilizando morfología
  • Morfología para imágenes con varios niveles de gris
    • Introducción
    • Apertura y cerradura
    • Erosión y dilatación
    • Transformada del eje medio, afinamiento y engrosamiento utilizando morfología
  • Análisis de contornos
    • Seguimiento de contornos
    • Llenado de contornos
    • Codificación de cadenas
    • Descriptores de Fourier
  • Análisis de regiones
    • Run-lengths
    • Quad-Trees
    • Representación por momentos
    • Algoritmos de la transformada del eje medio
    • Afinamiento
  • Segmentación de Imágenes
    • Textura
      • Parámetros estadísticos
      • Síntesis de texturas
      • Matriz de ocurrencia
      • Parámetros de Haralick
    • Crecimiento de regiones
    • Partición en regiones
    • Cuencas
  • Clasificación de Imágenes
    • Clasificación supervisada
      • Clasificación Bayesiana
      • Clasificación por distancia mínima
      • Estimación de parámetros por máxima verosimilitud
    • Clasificación no-supervisada (clustering)
      • Medidas de similaridad
      • ISODATA
      • Clustering aglomerativo

 
Bibliografía
  • [Ja], "Fundamentals of Digital Image Processing", Anil K.Jain, Prentice Hall International,1989.
  • [Ca], "Digital Image Processing", K.R.Castleman, Prentice Hall, 1996
  • [Ro], "Digital Signal Processing",Richard A.Roberts & Clifford T.Mullis, Addison-Wesley Series in Electrical Engineering.
  • [Li], "Two Dimensional Signal and Image Processing", Jae S.Lim, Prentice Hall Signal Processing series.
  • [Pa], "Algorithms for Graphics and Image Processing", T.Pavlidis, Springer-Verlag, 1982.
  • [Go], "Digital Image Processing", Rafael C.Gonzalez & Richard E.Woods, Addison-Wesley.
  • [Ri], "Remote Sensing digital Image Analysis", J.A.Richards, Springer-Verlag, 1986.
  • [Du], "Pattern Classification and Scene Analysis", R.O.Duda y P.E.Hart, John Wiley.
  • [Fu], "Introduction to statistical Pattern Recognition", Fukunaga.
  • [Se], "Image Analysis and Mathematical Morphology", J.Serra, Academic Press, 1982.
  • [Ka], "Digital Picture Processing", A.Rosenfeld y A.C.Kak, 2nd edition, Vol.2, 1982.
    Papers de las siguientes publicaciones:
  • IEEE, Transactions on Pattern Analysis and Machine Intelligence
  • IEEE, Transactions on Image Processing
  • Academic Press, Graphical Models and Image Processing

 
 
Puntajes
  • Optativa para Licenciatura en Ciencias de la Computación: 4 puntos
  • Optativa para Doctorado en Ciencias de la Computación: 3 puntos
Horarios
  • Clases Teóricas: 4 horas semanales
  • Prácticas de Laboratorio: 4 horas semanales
  • Consultas: 2 horas semanales
  • Duración: 1 Cuatrimestre

 
Régimen de aprobación
  • Aprobación de trabajos prácticos
    • Dos parciales: uno al finalizar la parte 3 y el otro al final del curso
    • Realización de los proyectos
  • Aprobación de la materia
    • Aprobación de los trabajos prácticos
    • Aprobación de examen final

 
Correlatividades
  • Introducción al Procesamiento Digital de Imágenes

 
Conocimientos previos
  • Detección de bordes
  • Transformada de Fourier
  • Nociones de Probabilidad y Estadística
  • Nociones de Cálculo Numérico
  • Programación en C, Pascal o Fortran

 
Trabajos prácticos 
  • Problemas teórico-prácticos
    •  Se entregarán seis guías de ejercicios teórico-prácticos correspondientes a cada una de las partes de la materia. Las pautas para la resolución de los mismos serán dadas en las clases prácticas y estarán a cargo de los docentes auxiliares.
  • Proyectos de Laboratorio
    • Reconocimiento de objetos en distintos tamaños y orientaciones
      • Utilizando descriptores de Fourier
      • Utilizando momentos
    • Utilización de morfología matemática para la clasificación de imágenes de plaquetas de circuitos impresos identificando
      • Caminos y contactos
      • Esquema de conexión
    • Segmentación de imágenes por partición en regiones utilizando quad-trees y distintos criterios de similaridad
      • Nivel de gris
      • Parámetros estadísticos (valor medio, varianza, etc.)
      • Parámetros texturales basados en matriz de coocurrencia
    • Clasificaciones de distintos tipos de cultivo en una imágen satelital LANDSAT-TM
      • Clasificaciones supervisadas
      • Clasificaciones no supervisadas
      • Aplicación de filtrado morfológico como postprocesamiento

 
Websites de interés
The Computer Vision Homepage
Ken Castleman's Image Processing Page
Signal and Image Processing Institute - University of Southern California
Center for Imaging Science
Computer Vision and Pattern Recognition Group - University of Bonn / CS III
 
 
 
Clases teóricas y ejercicios
Morfología binaria
Ejercicio 1
 
Trabajos prácticos de Laboratorio
TP1
 
 
Dudas y comentarios
Dirigirlos a Docentes de Imágenes.


Ultima actualización: 30
ode Marzo de 2001.