Digital Signal Processing with Matlab Examples, Volume 3 Model-Based Actions and Sparse Representation

این جلد سوم از یک سه گانه در مورد پردازش سیگنال مدرن است. این سه کتاب توضیح مختصری از موضوعات پردازش سیگنال و راهنمایی برای پشتیبانی از کاوش عملی فردی بر اساس برنامه‌های متلب ارائه می‌دهند.

این کتاب شامل کدهای متلب برای نشان دادن هر یک از مراحل اصلی نظریه است و راهنمای مستقل مناسب برای مطالعه مستقل. این کد در متن جاسازی شده است و به خوانندگان کمک می کند تا ایده ها و روش های مورد بحث را عملی کنند.

این کتاب در درجه اول بر بانک های فیلتر، موجک ها و تصاویر تمرکز دارد. در حالی که تبدیل فوریه برای سیگنال‌های دوره‌ای کافی است، موجک‌ها برای موارد دیگر مناسب‌تر هستند، مانند سیگنال‌های کوتاه مدت: انفجار، اسپک، توییت، صداهای ریه، و غیره. علاوه بر این، هر دو نیز معکوس هستند، بنابراین سیگنال های اصلی را می توان از اجزای آنها بازیابی کرد. سنجش فشرده به عنوان یک ایده امیدوارکننده ظاهر شده است. یکی از کاربردهای مورد نظر دستگاه‌ها یا حسگرهای شبکه‌ای هستند که اکنون در حال تبدیل شدن به واقعیت هستند. بر این اساس به این موضوع نیز پرداخته می شود. مجموعه‌ای از آزمایش‌هایی که کاربردهای حذف نویز تصویر را نشان می‌دهند نیز گنجانده شده‌اند. به منظور علاقه مندی به خواننده، برنامه های طولانی تر در یک پیوست گروه بندی شده اند. علاوه بر این، یک پیوست دوم در مورد بهینه سازی برای تکمیل محتوای فصل آخر اضافه شده است.

This is the third volume in a trilogy on modern Signal Processing. The three books provide a concise exposition of signal processing topics, and a guide to support individual practical exploration based on MATLAB programs.

This book includes MATLAB codes to illustrate each of the main steps of the theory, offering a self-contained guide suitable for independent study. The code is embedded in the text, helping readers to put into practice the ideas and methods discussed.

The book primarily focuses on filter banks, wavelets, and images. While the Fourier transform is adequate for periodic signals, wavelets are more suitable for other cases, such as short-duration signals: bursts, spikes, tweets, lung sounds, etc. Both Fourier and wavelet transforms decompose signals into components. Further, both are also invertible, so the original signals can be recovered from their components. Compressed sensing has emerged as a promising idea. One of the intended applications is networked devices or sensors, which are now becoming a reality; accordingly, this topic is also addressed. A selection of experiments that demonstrate image denoising applications are also included. In the interest of reader-friendliness, the longer programs have been grouped in an appendix; further, a second appendix on optimization has been added to supplement the content of the last chapter.