SlideShare uma empresa Scribd logo
1 de 14
Baixar para ler offline
IIR aproximace Gaussovy funkce
David Bařina
Fakulta informačních technologií VUT v Brně
26. června 2012
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 1 / 14
Gaussova funkce
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian
gσ(x) =
1
σ
√
2π
e− x2
2σ2
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 2 / 14
Výpočet aproximací
ideální nelze – nosič (−∞, + ∞)
filtr FIR s pravidlem 3σ, 4σ nebo 5σ – pomalé pro vyšší hodnoty σ
kaskáda uniformních filtrů
kauzální a nekauzální filtr IIR – rychlé pro vyšší hodnoty σ
Deriche1993
YoungVliet1995
Seeman2009
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 3 / 14
Kaskáda uniformních filtrů
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
-50 -40 -30 -20 -10 0 10 20 30 40 50
uniform
h(k) = ⊗M
m=1unifN|k
unifN(k) =
1/(2N + 1) |n| ≤ N
0
N ≈ σ M = 3
nevýhody: vysoká chyba aproximace
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 4 / 14
Kaskáda uniformních filtrů
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian
uniform
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 5 / 14
Deriche1993 (IIR 4. řádu)
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-50 -40 -30 -20 -10 0 10 20 30 40 50
h-
h+
H(z) = H+
(z) + H−
(z)
H+
(z) =
N−1
i=0 b+
i z−i
1 + N
i=1 ai z−i
H−
(z) =
N
i=1 b−
i zi
1 + N
i=1 ai zi
N = 4
výhody: vysoká přesnost, lze paralelizovat
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 6 / 14
Deriche1993 (IIR 4. řádu)
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian
Deriche1993
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 7 / 14
YoungVliet1995 (IIR 5. řádu)
0
0.01
0.02
0.03
0.04
0.05
0.06
-50 -40 -30 -20 -10 0 10 20 30 40 50
h+
H(z) = H+
(z) · H−
(z)
H+
(z) =
α
1 + N
i=1 bi z−i
H−
(z) =
α
1 + N
i=1 bi zi
N = 5
výhody: vysoká přesnost
nevýhody: odezva delší než původní signál, iterativní výpočet
koeficientů, nelze paralelizovat
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 8 / 14
YoungVliet1995 (IIR 5. řádu)
-0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian
VlietYoungVerbeek1998
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 9 / 14
Seeman2009 (3× IIR 1. řádu) symetricky mezi vzorky
-4
-3
-2
-1
0
1
2
3
4
-50 -40 -30 -20 -10 0 10 20 30 40 50
h1-
h2-
h3-
H(z) =
M
i=1
H+
i (z) + H−
i (z)
H+
i (z) =
ai z−0
1 + bi z−1
H−
i (z) =
ai z1
1 + bi z1
M = 3
výhody: lze paralelizovat
nevýhody: vysoká chyba aproximace, střed posunut mezi vzorky
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 10 / 14
Seeman2009 (3× IIR 1. řádu) symetricky mezi vzorky
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian (+0.5)
Seeman2009
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 11 / 14
Seeman2009 + H0 symetricky na vzorek
-4
-3
-2
-1
0
1
2
3
4
-50 -40 -30 -20 -10 0 10 20 30 40 50
h1-
h2-
h3-
h0
H(z) = H0(z) +
M
i=1
H+
i (z) + H−
i (z)
H+
i (z) =
ai z−1
1 + bi z−1
H−
i (z) =
ai z1
1 + bi z1
H0(z) = 1 M = 3
výhody: lze paralelizovat
nevýhody: vysoká chyba aproximace
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 12 / 14
Seeman2009 + H0 symetricky na vzorek
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
-50 -40 -30 -20 -10 0 10 20 30 40 50
Gaussian
Seeman2009 + H0
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 13 / 14
Srovnání pro σ = 10.0
algoritmus MAC/vzorek LS chyba
FIR s 5σ 2 5σ + 1 0.000000000000000
uniformní filtr 3 × (2 σ + 1) 0.000200200281533
IIR Deriche1993 2 × 8 0.000000004324169
IIR YoungVliet1995 2 × 6 0.000000033785211
IIR Seeman2009 2 × 6 0.000042220952108
IIR Seeman2009 + H0 2 × 6 + 1 0.000034187087227
David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 14 / 14

Mais conteúdo relacionado

Destaque

Single-Loop Software Architecture for JPEG 2000
Single-Loop Software Architecture for JPEG 2000Single-Loop Software Architecture for JPEG 2000
Single-Loop Software Architecture for JPEG 2000David Bařina
 
Wavelet Lifting on Application Specific Vector Processor
Wavelet Lifting on Application Specific Vector ProcessorWavelet Lifting on Application Specific Vector Processor
Wavelet Lifting on Application Specific Vector ProcessorDavid Bařina
 
Fixed-point arithmetic
Fixed-point arithmeticFixed-point arithmetic
Fixed-point arithmeticDavid Bařina
 
Real-Time 3-D Wavelet Lifting
Real-Time 3-D Wavelet LiftingReal-Time 3-D Wavelet Lifting
Real-Time 3-D Wavelet LiftingDavid Bařina
 
Lifting Scheme Cores for Wavelet Transform
Lifting Scheme Cores for Wavelet TransformLifting Scheme Cores for Wavelet Transform
Lifting Scheme Cores for Wavelet TransformDavid Bařina
 
Citovanie a parafrázovanie online
Citovanie a parafrázovanie onlineCitovanie a parafrázovanie online
Citovanie a parafrázovanie onlineckest
 
Diplomova prace - obhajoba
Diplomova prace - obhajobaDiplomova prace - obhajoba
Diplomova prace - obhajobaMichal Klajban
 
obhajoba_prace
obhajoba_praceobhajoba_prace
obhajoba_pracezlamalp
 
Prezentace Bakalářské práce - Obhajoba 2012
Prezentace Bakalářské práce - Obhajoba 2012Prezentace Bakalářské práce - Obhajoba 2012
Prezentace Bakalářské práce - Obhajoba 2012Petr Kozlik
 
bakalarska a diplomova praca - zdroje
bakalarska a diplomova praca - zdrojebakalarska a diplomova praca - zdroje
bakalarska a diplomova praca - zdrojeMichal Bočák
 
Šablona prezentace pro obhajobu diplomové práce
Šablona prezentace pro obhajobu diplomové práceŠablona prezentace pro obhajobu diplomové práce
Šablona prezentace pro obhajobu diplomové práceOlga Zbranek Biernátová
 

Destaque (12)

Single-Loop Software Architecture for JPEG 2000
Single-Loop Software Architecture for JPEG 2000Single-Loop Software Architecture for JPEG 2000
Single-Loop Software Architecture for JPEG 2000
 
Wavelet Lifting on Application Specific Vector Processor
Wavelet Lifting on Application Specific Vector ProcessorWavelet Lifting on Application Specific Vector Processor
Wavelet Lifting on Application Specific Vector Processor
 
Fixed-point arithmetic
Fixed-point arithmeticFixed-point arithmetic
Fixed-point arithmetic
 
Real-Time 3-D Wavelet Lifting
Real-Time 3-D Wavelet LiftingReal-Time 3-D Wavelet Lifting
Real-Time 3-D Wavelet Lifting
 
Lifting Scheme Cores for Wavelet Transform
Lifting Scheme Cores for Wavelet TransformLifting Scheme Cores for Wavelet Transform
Lifting Scheme Cores for Wavelet Transform
 
Citovanie a parafrázovanie online
Citovanie a parafrázovanie onlineCitovanie a parafrázovanie online
Citovanie a parafrázovanie online
 
Wavelet News
Wavelet NewsWavelet News
Wavelet News
 
Diplomova prace - obhajoba
Diplomova prace - obhajobaDiplomova prace - obhajoba
Diplomova prace - obhajoba
 
obhajoba_prace
obhajoba_praceobhajoba_prace
obhajoba_prace
 
Prezentace Bakalářské práce - Obhajoba 2012
Prezentace Bakalářské práce - Obhajoba 2012Prezentace Bakalářské práce - Obhajoba 2012
Prezentace Bakalářské práce - Obhajoba 2012
 
bakalarska a diplomova praca - zdroje
bakalarska a diplomova praca - zdrojebakalarska a diplomova praca - zdroje
bakalarska a diplomova praca - zdroje
 
Šablona prezentace pro obhajobu diplomové práce
Šablona prezentace pro obhajobu diplomové práceŠablona prezentace pro obhajobu diplomové práce
Šablona prezentace pro obhajobu diplomové práce
 

Mais de David Bařina

Lossy Light Field Compression
Lossy Light Field CompressionLossy Light Field Compression
Lossy Light Field CompressionDavid Bařina
 
Mathematical curiosities
Mathematical curiositiesMathematical curiosities
Mathematical curiositiesDavid Bařina
 
New Transforms for JPEG Format
New Transforms for JPEG FormatNew Transforms for JPEG Format
New Transforms for JPEG FormatDavid Bařina
 
Discrete Wavelet Transforms on Parallel Architectures
Discrete Wavelet Transforms on Parallel ArchitecturesDiscrete Wavelet Transforms on Parallel Architectures
Discrete Wavelet Transforms on Parallel ArchitecturesDavid Bařina
 
Parallel Implementation of the 2-D Discrete Wavelet Transform
Parallel Implementation of the 2-D Discrete Wavelet TransformParallel Implementation of the 2-D Discrete Wavelet Transform
Parallel Implementation of the 2-D Discrete Wavelet TransformDavid Bařina
 

Mais de David Bařina (8)

CCSDS 122.0
CCSDS 122.0CCSDS 122.0
CCSDS 122.0
 
Lossy Light Field Compression
Lossy Light Field CompressionLossy Light Field Compression
Lossy Light Field Compression
 
Mathematical curiosities
Mathematical curiositiesMathematical curiosities
Mathematical curiosities
 
C/C++ tricks
C/C++ tricksC/C++ tricks
C/C++ tricks
 
New Transforms for JPEG Format
New Transforms for JPEG FormatNew Transforms for JPEG Format
New Transforms for JPEG Format
 
JPEG
JPEGJPEG
JPEG
 
Discrete Wavelet Transforms on Parallel Architectures
Discrete Wavelet Transforms on Parallel ArchitecturesDiscrete Wavelet Transforms on Parallel Architectures
Discrete Wavelet Transforms on Parallel Architectures
 
Parallel Implementation of the 2-D Discrete Wavelet Transform
Parallel Implementation of the 2-D Discrete Wavelet TransformParallel Implementation of the 2-D Discrete Wavelet Transform
Parallel Implementation of the 2-D Discrete Wavelet Transform
 

IIR aproximace Gaussovy funkce

  • 1. IIR aproximace Gaussovy funkce David Bařina Fakulta informačních technologií VUT v Brně 26. června 2012 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 1 / 14
  • 2. Gaussova funkce 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian gσ(x) = 1 σ √ 2π e− x2 2σ2 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 2 / 14
  • 3. Výpočet aproximací ideální nelze – nosič (−∞, + ∞) filtr FIR s pravidlem 3σ, 4σ nebo 5σ – pomalé pro vyšší hodnoty σ kaskáda uniformních filtrů kauzální a nekauzální filtr IIR – rychlé pro vyšší hodnoty σ Deriche1993 YoungVliet1995 Seeman2009 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 3 / 14
  • 4. Kaskáda uniformních filtrů 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05 -50 -40 -30 -20 -10 0 10 20 30 40 50 uniform h(k) = ⊗M m=1unifN|k unifN(k) = 1/(2N + 1) |n| ≤ N 0 N ≈ σ M = 3 nevýhody: vysoká chyba aproximace David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 4 / 14
  • 5. Kaskáda uniformních filtrů 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian uniform David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 5 / 14
  • 6. Deriche1993 (IIR 4. řádu) -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -50 -40 -30 -20 -10 0 10 20 30 40 50 h- h+ H(z) = H+ (z) + H− (z) H+ (z) = N−1 i=0 b+ i z−i 1 + N i=1 ai z−i H− (z) = N i=1 b− i zi 1 + N i=1 ai zi N = 4 výhody: vysoká přesnost, lze paralelizovat David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 6 / 14
  • 7. Deriche1993 (IIR 4. řádu) -0.005 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian Deriche1993 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 7 / 14
  • 8. YoungVliet1995 (IIR 5. řádu) 0 0.01 0.02 0.03 0.04 0.05 0.06 -50 -40 -30 -20 -10 0 10 20 30 40 50 h+ H(z) = H+ (z) · H− (z) H+ (z) = α 1 + N i=1 bi z−i H− (z) = α 1 + N i=1 bi zi N = 5 výhody: vysoká přesnost nevýhody: odezva delší než původní signál, iterativní výpočet koeficientů, nelze paralelizovat David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 8 / 14
  • 9. YoungVliet1995 (IIR 5. řádu) -0.005 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian VlietYoungVerbeek1998 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 9 / 14
  • 10. Seeman2009 (3× IIR 1. řádu) symetricky mezi vzorky -4 -3 -2 -1 0 1 2 3 4 -50 -40 -30 -20 -10 0 10 20 30 40 50 h1- h2- h3- H(z) = M i=1 H+ i (z) + H− i (z) H+ i (z) = ai z−0 1 + bi z−1 H− i (z) = ai z1 1 + bi z1 M = 3 výhody: lze paralelizovat nevýhody: vysoká chyba aproximace, střed posunut mezi vzorky David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 10 / 14
  • 11. Seeman2009 (3× IIR 1. řádu) symetricky mezi vzorky 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian (+0.5) Seeman2009 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 11 / 14
  • 12. Seeman2009 + H0 symetricky na vzorek -4 -3 -2 -1 0 1 2 3 4 -50 -40 -30 -20 -10 0 10 20 30 40 50 h1- h2- h3- h0 H(z) = H0(z) + M i=1 H+ i (z) + H− i (z) H+ i (z) = ai z−1 1 + bi z−1 H− i (z) = ai z1 1 + bi z1 H0(z) = 1 M = 3 výhody: lze paralelizovat nevýhody: vysoká chyba aproximace David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 12 / 14
  • 13. Seeman2009 + H0 symetricky na vzorek 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 -50 -40 -30 -20 -10 0 10 20 30 40 50 Gaussian Seeman2009 + H0 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 13 / 14
  • 14. Srovnání pro σ = 10.0 algoritmus MAC/vzorek LS chyba FIR s 5σ 2 5σ + 1 0.000000000000000 uniformní filtr 3 × (2 σ + 1) 0.000200200281533 IIR Deriche1993 2 × 8 0.000000004324169 IIR YoungVliet1995 2 × 6 0.000000033785211 IIR Seeman2009 2 × 6 0.000042220952108 IIR Seeman2009 + H0 2 × 6 + 1 0.000034187087227 David Bařina (FIT VUT v Brně) IIR aproximace Gaussovy funkce 26. června 2012 14 / 14