Professional Documents
Culture Documents
Digital de Señales
Ana Gil González
Contenido
Objetivos........................................................................................................................................................................... 4
El procesamiento digital de señales................................................................................................................................. 5
Procesamiento.............................................................................................................................................................. 5
Digital............................................................................................................................................................................ 5
Tipos de señales............................................................................................................................................................... 6
Señales analógicas....................................................................................................................................................... 6
Señales de tiempo discreto........................................................................................................................................... 6
Señales digitales........................................................................................................................................................... 6
Etapas de un sistema de procesamiento digital de señales.............................................................................................7
Ventajas del procesado digital.......................................................................................................................................... 7
Filtrado digital frente a analógico..................................................................................................................................... 8
Inconvenientes:............................................................................................................................................................. 8
Aplicaciones.................................................................................................................................................................. 8
Clasificación de señales de acuerdo a su duración........................................................................................................ 10
Señales........................................................................................................................................................................... 11
Señales........................................................................................................................................................................... 12
Teorema de Fourier........................................................................................................................................................ 13
Forma compleja de las series de Fourier........................................................................................................................ 14
Teorema de Parseval..................................................................................................................................................... 14
Convolución.................................................................................................................................................................... 15
Muestrear....................................................................................................................................................................... 16
Conversión AD................................................................................................................................................................ 16
Teorema de muestreo................................................................................................................................................ 16
Imágenes........................................................................................................................................................................ 18
Binarización................................................................................................................................................................ 18
Transformada de Fourier................................................................................................................................................ 23
Transformada inversa de Fourier.................................................................................................................................... 23
Propiedades de la transformada de Fourier................................................................................................................ 23
Transformada de Fourier en tiempo discreto.................................................................................................................. 24
Transformada inversa de Fourier en tiempo discreto..................................................................................................... 24
Propiedades................................................................................................................................................................ 24
Transformada discreta de Fourier................................................................................................................................... 25
Filtro................................................................................................................................................................................ 26
Convolución discreta en imágenes............................................................................................................................. 26
Transformada Z.............................................................................................................................................................. 27
Función de Transferencia de Filtros........................................................................................................................... 28
Filtros Digitales............................................................................................................................................................... 28
Filtro FIR..................................................................................................................................................................... 28
Filtro IIR...................................................................................................................................................................... 28
Transformación bilineal de Tustin................................................................................................................................... 29
Seguimiento.................................................................................................................................................................... 30
Coeficiente de Bhattacharyya..................................................................................................................................... 30
Algoritmo de seguimiento............................................................................................................................................... 31
Objetivos:
El alumno:
• Demostrará habilidades en el campo del procesamiento digital de señales, tanto en la teoría básica como
también en el uso de herramientas actuales.
• Analizará los métodos y algoritmos de tratamiento digital de señales, en especial filtros digitales y la
transformada discreta de Fourier.
• Valorará al procesamiento digital de señales como una herramienta básica para la formación del ingeniero y
su desempeño en el campo laboral.
El procesamiento digital de señales
Estudia los fundamentos matemáticos y algorítmicos que describen como procesar, en un ambiente de cómputo
digital, información asociada a señales provenientes del mundo real.
Procesamiento
La realización de operaciones en los datos mediante una secuencia de instrucciones programadas de acuerdo a un
algoritmo que modifica dichos datos o extrae información de los mismos.
Digital
Sistema electrónico que opera con datos discretos representados en binario.
Tipos de señales
Señales analógicas
Señales continuas tanto en la variable dependiente como en la variable independiente.
La mayoría de las señales físicas son continuas
Señales digitales
Señales discretas tanto en la variable dependiente como en la variable independiente.
Se originan al muestrear y cuantizar una señal continua.
Etapas de un sistema de procesamiento digital de señales
1. Convertir la señal analógica en señal eléctrica. Por ejemplo, usando un transductor tal como un
micrófono que convierte sonido en una señal eléctrica.
2. Digitalizar estas señales usando un convertidor analógico a digital (ADC).
3. En formato digital las señales pueden ser manipuladas, codificadas, comprimidas, etc.
4. La señal procesada puede convertirse de nuevo a un formato analógico para ser utilizada por un
actuador (por ejemplo, las bocinas). Para lo que se requiere un convertidor digital a analógico (DAC)
Repetitividad
La operación de dos unidades distintas es idéntica.
Los sistemas analógicos no tienen este comportamiento debido a la tolerancia de los componentes.
Complejidad
Permite realizar operaciones más sofisticadas (reconocimiento de voz, imágenes).
Existen algoritmos de corrección de errores, transmisión y almacenamiento de datos, compresión de datos,
etc.
Filtrado digital frente a analógico
Un filtro analógico se implementa por medio de amplificadores operacionales y componentes pasivos (resistencias,
capacitores.)
Inconvenientes:
La respuesta del filtro depende de los componentes pasivos.
El filtro no es reproducible con total exactitud debido a la tolerancia de los componentes.
La respuesta del filtro puede variar con las condiciones ambientales.
Filtros de orden superior necesitan redes más complejas o conectar varios filtros en cascada.
Cambiar la respuesta del filtro exige la sustitución de los componentes pasivos.
La frecuencia de operación queda limitada por la respuesta del amplificador operacional.
Aplicaciones
Procesamiento de voz
Procesamiento de imágenes
Sistemas multimedia
Audio
Comunicaciones
Medicina
Señal: función de una o varias variables independientes que almacenan información de ina magnitud física.
Señal digital: Señales discretas tanto en la variable dependiente como en la variable independiente. Se
originan al muestrear y cuantizar una señal continua.
t+ 1,∧−1≤ t ≤ 0
{
x ( t )= 1 ,∧0< t ≤2
−t+3 , 2<t ≤ 3
0 en otro caso
2 ( t +1 ) ,∧−2 ≤t ≤0
{
x ( t )= −2 ( t−1 ) ,∧0<t ≤2
−2 , en otro caso
x (−t )=¿
x ( 2 t )=¿
X(t-2), corrimiento a la derecha
X(-t), reflejo
Periódicas: x(t)=x( t ± nT), donde T es el periodo y n es un entero. Por lo tanto una señal periódica tiene la propiedad de
no variar para un corrimiento del tiempo igual a T.
Simetría Par: x(t) = x(-t), una señal par aes aquella que es igual a la correspondiente señal invertida en el tiempo, es decir
es igual a su reflejo con respecto a eje de origen.
Simetría Impar: x(t)= -x(-t). Si se define una señal impar necesariamente esta será igual a cero para el instante t.
Señales
Deterministas: se pueden definir mediante una forma matemática explicita, un conjunto de datos o una regla bien definida.
Es una señal acerca de la cual no existe incertidumbre con respecto a su valor en cualquier instante de tiempo.
Aleatorias: No pueden describirse con un grado de precisión razonable mediante fórmulas matemáticas explicitas.
Ejemplos: voz, señales sísmicas.
Las señales sinusoidales son un ejemplo de señales periódicas y se representan matemáticamente como:
x ( t )= A sen ( ω 0 t +ϕ )
Donde:
A= amplitud
La suma de dos señales periódicas es periódica sólo si el cociente de sus respectivos periódos se puede expresar como
un número racional.
T1 1
=
T2 K
En conclusión la suma de dos señales periódicas es periódica sólo si el cociente de sus respectivos períodos se puede
expresar como un número racional.
Ejercicio:
π 2π
ω 2= =
3 T2
T 2=6
t t
c) sen t+ sen + sen
3 5
2π 1 2π 1 2π
ω 1=1= ω 2= = ω 3= =
T1 3 T2 5 T2
T 1=2 π
T 2=6 π
T 3=10 π
mcm= 30
T =k ( 2 π )=l ( 6 π ) =m ( lπ )=30 π
k =15 ; l=5 ; m=3
La señal es periódica con T=30
Señales
Escalón unitario: u(t)
Rampa: r( t)= t u( t)
sin ( πt )
Sinc=sinc ( t ) =
πt
Impulso: También llamada función delta o función de Dirac:
δ ( t )= 0, t≠0
{ ∞, t=0
Propiedad:
∞
∫ δ ( t ) dt=1
−∞
Teorema de Fourier
Cualquier función periódica de frecuencia f puede considerarse como la superposición de una serie de ondas sinodales de
frecuencias f, 2f, 3f, 4f, etc.
Donde
2π 2 T /2
ω 0= , a0 = ∫ x(t )dt
T T −T /2
2 T /2
an = ∫ x(t )cos ( nω0 t ) dt , n=0,1,2,...
T −T /2
2 T /2
bn = ∫ x(t )sen (nω0 t ) dt , n=1,2,. ..
T −T /2
Ejercicio:
T
2 T
2 2 2 T T
a 0= ∫ ( 1 ) dt+ ∫ (−1 ) dt=
T 0 T T
2
T 2 2[
−0+−T + =0 ]
T
2 T
2
a n= ∫ ( 1 ) cos( n ω0 ) dt+∫ (−1 ) cos (n w0 ) dt
T 0 T
2
a n=0
T
b n= [ T 72
0
2
2
¿ [ 1−cos ( nπ ) ]
nπ
Ejercicio en MatLab
1 ∞
1 jn ω t − jn ω t 1 jnω t − jn ω t
2 n=1 2 (
x ( t )= a 0 + ∑ an ( e 0 +e 0 ) +b n ( e 0 −e 0 )
2j )
Considerando que 1/j = -j,
1 ∞
1 jnω t 1 − jnω t
2 n=1 2
(
x ( t )= a 0 + ∑ ( a n− jb n ) e 0 + ( an + jb n ) e 0
2 )
Sean
1 1 ¿ 1
c 0 = a0 , c n = ( a n− jbn ) , c n= ( a + jb n )
2 2 2 n
Entonces
∞
jn ω 0 t ¿ − jnω0 t
x ( t )=c 0 +∑ c n e
n=1
( +c n e )
∞ −∞
jnω 0 t jn ω t
x ( t )=c 0 +∑ c n e + ∑ cn e 0
1 T − jnω t
c n= ∫ x ( t ) e 0 dt
T 0
Ejercicio en MatLab
Ejercicio SerieCompleja.m
Teorema de Parseval
El contenido de potencia de una función real y periódica x(t) en el período T está definido como el valor cuadrático medio.
∞
1 T /2 2
∫ [ x ( t ) ] dt= ∑ |c n|2
T −T /2
n=−∞
donde cn son los coeficientes complejos de Fourier de la función x(t).
Identidad de Parseval
1 T /2 2 1 2 1 ∞ 2 2 ∞
∫
T −T /2
[ x ( t ) ] dt= a + ∑( a +b
4 0 2 n=1 n n
) 0 ∑ |c n|2
=|c |2
+2
n=1
Por tanto, la energía total es igual a la suma de las energías de todos los armónicos
Ejercicio en MatLab
Convolución
∞
y ( t ) =x ( t )∗h ( t )= ∫ x ( τ ) h ( t−τ ) dτ
−∞
Ejercicio:
1 ,−¿1 ≤ x ≤ 1
x ( t )= −1
2
{ ,∧en otro caso
2, 0 ≤ x ≤ 1
h ( t )= {0 ,∧en otro caso
El tamaño de el vector de Convolución de dos señales es igual al tamaño del vector x(t) mas el tamaño del vector h(t) menos 1
Ejercicio en MatLab
Muestrear
Conversión AD
Consiste en hacer un muestreo a intervalos regulares de la misma, lo que permite expresar los distintos valores de la amplitud de
la señal como una secuencia de números.
Vmax
R=
2n
Frecuencia de conversión.
Teorema de muestreo
Una señal x(t) con frecuencia máxima f max puede ser recuperada si la frecuencia de muestreo es fs>2 fmax
Frecuencia de Nyquist
fN= 2fmax
Ejemplo:
fs> 300
Ejercicio:
Una señal de audio toma valores entre 0V y 1V, se utiliza un convertidor AD de 3 bits. Calcula la tabla de voltajes de salida
Vmax 1 v 1
R= = 3 = =0.125
2n 2 8
000 0 - 0. 125
001 0.125 –0. 250
010 0.250 – 0.375
011 0.375 - 0.500
100 0.500 – 0.625
101 0.626 – 0.750
110 0.750 – 0.875
111 0.875 – 1.000
Imágenes
Imagen: arreglo bidireccional de M filas x N columnas. ( Matriz compuesta por pixeles que tiene un valor de intensidad de gris)
Operaciones Puntuales
Binarización
O = negro
255 = blanco
Histograma de intensidades
0 1 1 2
2 1 0 2
1 2 2 1
3 0 1 3
# 7
6
d
e 5
4
p 3
i
x 2
e 1
l 0
e
s 0 1 2 3
Niveles de grises
Determina la resolución ce un convertidor de 3 bits con un voltaje de 3 V a ½ paso
Vmax 3 V 3
R= = 3 = =0.375
2n 2 8
00
0 - 0.1875
0
00
0.5625
1
01
0.937
0
01
1.312
1
10
1.687
0
10
2.062
1
11
2.437
0
11
3
1
La mayoría de las señales no son periódicas, sino que varían en forma aleatoria.
Consideremos una onda no periódica x(t), de la cual seleccionamos una porción de duración T.
Si deseamos que el espectro represente a toda la señal, podríamos hacer tender T a infinito, pero nos encontraremos con el
inconveniente de que tanto la frecuencia fundamental como los coeficientes de Fourier tienden a 0.
En otras palabras, los “armónicos” se vuelven infinitamente próximos e infinitamente pequeños. Se tiende, entonces, a un espectro
continuo.
Transformada de Fourier
• La transformada de Fourier se
∞ define como:
F ( ω )=F [ x ( t ) ]= ∫ x ( t ) e− jωt dt
−∞
A partir de F(ω) se puede recuperar x (t) por medio de la Transformada Inversa de Fourier:
∞
1
x ( t )=F [ F ( ω) ]= ∫ F ( ω ) e jωt dω
-1
2π −∞
Propiedades de la transformada de Fourier
Linealidad
F [ a 1 f 1 ( t ) +a2 f 2 ( t ) ]=a 1 F 1 ( ω )+ a2 F 2 ( ω )
Escalamiento
1 ω
F [ f ( at ) ]= F
|a| a ()
Desplazamiento en el tiempo
− jω t0
F [ f ( t −t 0 ) ]=F ( ω ) e
Desplazamiento en la frecuencia
jω 0 t
F [ f (t) e ]=F ( ω−ω ) 0
Inversión en el tiempo
F [ f (−t ) ] =F (−ω )
Diferenciación en el tiempo
¿
[ ]
F f ( t ) = jωF ( ω )= jωF ( f (t ) )
Dual de la diferenciación
¿
F [ tf ( t ) ]= j F ( ω )
Integración en el tiempo
t 1
[
F ∫−∞ f ( x ) dx = ] jω
F ( ω ) +πF ( 0 ) δ ( ω )
Teorema de convolución
F [ f 1 ( t )∗f 2 ( t ) ] =F 1 ( ω ) F 2 ( ω )
Transformada de Fourier en tiempo discreto
1 2π
x [ n ]= ∫ X ( ω ) e jωn dω
2π 0
Propiedades
Linealidad
X [ a1 x 1 [n ]+ a2 x 2 [ n ] ]=aX 1 ( ω ) + a2 X 2 ( ω )
Periodicidad
X ( ω+2 π )= X ( ω )
Desplazamiento en el tiempo
− jω n0
X [ x ( n−n0 ) ]= X ( ω ) e
Desplazamiento en la frecuencia
jω0 n
X [x[ n]e ] =X ( ω−ω ) 0
Inversión en el tiempo
X [ x[−n ]] = X (−ω )
Diferenciación en el tiempo
Integración en el tiempo
[ ]
+∞
1
X ∑ x [ m] = X ( ω ) +πX ( 0 ) ∑ δ ( ω−2 πk )
m=−∞ ( 1+ω ) k =−∞
Escalamiento
X xk [ n ]
[
Donde ] =X ( kω )
x k [ n ]= {0x[n/k
,
], si n es múltiplo de k
si n no es múltiplo de k
Al muestrear la transformada de Fourier en tiempo discreto DTFT se obtiene la expresion correspondiente a la trasformada
discreta de Fourier DFT que en MATLAB se implementa mediante el algoritmo conocido como FFT (Fast Fourier Transform).
N−1
X ( ω k ) = ∑ x [ n ]e− j (2 πk /N ) n
n=0
para k = 0,1,...,N-1. Para evitar problemas de muestreo insuficiente se debe elegir N tal que N>L. Siendo L el número de muestras
de la secuencia de entrada.
Filtro
Dispositivo (hardware o software) que se aplica a un conjunto de datos ruidosos para poder extraer información sobre una cantidad
de interés.
Aplicar un filtro a una imagen consiste en hacer la convolución discreta entre la imagen y el filtro
En imágenes las altas frecuencias corresponden a los cambios bruscos de intensidad (bordes y detalles de la imagen)
Transformada Z
Si se tiene un desplazamiento en el tiempo discreto, su transformada Z se obtiene con la transformada Z de la señal por 2-m
f ( k−m )=2−m F ( z )
Propiedad de Convolución
∞
y ( k )=∑ h ( 1 ) f ( k−1 )
i=0
Y ( Z )=H ( Z ) F ( Z )
Función de transferencia: se define sólo para sistemas LTI con condiciones iniciales nulas.
Y (z)
Y ( Z )= X ( Z ) H ( z )=¿ H ( z )=
X(z)
Ejercicio:
Obtener la transformada Z
a)
Y ( z) B0 + B1 z −1 +…+ B μ z −μ
H ( z) = =
X ( z ) 1+ A 1 z−1 + A2 z−2+ …+ A N z−N
b)
x ( n )= 1 ,∧n ≥ 0
{0 ,∧n<0
∞
z { x [ n ] }=∑ ( 1 ) z−n=1+ z −1 + z−2 +…+ z −n
n =0
z−n−z
x ( Z )( 1−Z )=
1−Z
Pero n->∞
1
X [ Z ]=
1−Z−1
Función de Transferencia de Filtros
a) Pasa bajas
c) Pasa Banda
0.42−0.42 z−2
H3 (z )=
1−0.0443 z −1 +0.159 z−2
d) Rechaza Banda
(−320 )
x=10 =.7079
La frecuencia de corte es a la cual la amplitud de la señal disminuye -3dB o el 70%
Filtros Digitales
Filtro FIR
(Finite Impulse Response)
La salida es una combinación lineal de los valores presentes y pasados de la señal de entrada es decir no son recursivos.
Tienen memoria finita
N −1
y [ n ] = ∑ b k x [ n−k ]
k =0
Filtro IIR
La salida es una combinación ideal de los valores presente s y pasados de la entrada, así como los valores pasados de la
salida. Se trata de un filtro recursivo. Tiene memoria infinita
M N
y [ n ] =∑ b k x [ n−k ] − y [ n ] =∑ a k y [ n−k ]
k=0 k=1
⇔
2 z −1 2 1−z−1
S❑ =
T z+1 T 1+ z−1
z=e j Ω
−jΩ/2
2 e j Ω −1 2 e j Ω /2 ( e ¿ ¿ j Ω/2−e )
jΩ
= j Ω /2 jΩ/2 − j Ω /2
¿
T e +1 T e e +e
2 Ω
T
j tan
2 ( )
<¿> s
2 Ω ⇔
T
j tan
2 ( )
❑ jω
⇔
2 Ω
ω❑
T
tan( )
2
⇔
2 πf
ω❑
T
tan( )
fs
Seguimiento
1 2
k E ( x )={ C d−1 ( d +2 ) ( 1−||x|| )
2
Si||x||> 1
n
^f ( x )= 1 ∑ K x−x 1
n hd i=1 h ( )
x i → conjunto dado de n puntos
h → es el radio de la ventana
n
q u=C ∑ k ¿¿
i=1
1
C= n
2
∑ k (||x i¿|| )
i=1
Coeficiente de Bhattacharyya
m
^ρ ( y )=∑ √ ^
Pu ( ^y 1 ) q^ u
u=1
n 2
^y 0−x i
^y 1=
∑ x i wi g
i=1
(‖ ‖ ) h
n 2
^y 0−x i
∑g
i=1
(‖ ‖ )h
g ( x ) → núcleiniforme
^y 0 →centro inicial o anterior
w → pesosdados por
q^ u
w 1=∑ δ [ b ( x i )−u ]
√ P
^u ( y0 )
Mientras más cercano a 1 sea el coeficiente más parecidos son los objetos.
Ejercicios en MatLab
Algoritmo de seguimiento
Definir Objeto de
Interés
Obtener qu en la
primera imagen de la
secuencia
Obtener pu en la
siguiente imagen de
la secuencia
Calcular el coeficiente
de Bhattacharyya
Obtener la posición
probable del objeto
mediante el vector de
desplazamiento
Calcular el coeficiente
de Bhattacharyya de
qu y pu en el nuevo
punto
SI
Siguiente imagen