[论文解读] Quantum spectral analysis: bandwidth at time

Mario Mastriani|arXiv (Cornell University)|Oct 11, 2016

Neural Networks and Applications被引用 1

一句话总结

本文提出量子谱分析（QSA），一种基于薛定谔方程的新型时变谱分析方法，作为传统基于傅里叶变换分析的补充。与傅里叶变换不同，QSA的时域频率（FIT）度量能够以紧凑支撑集捕捉信号跳变效应，计算成本为O(N)，且无相位模糊性，从而在数字信号处理（DSP）和数字图像处理（DIP）中实现边缘检测、去噪和超分辨率等高级应用。

ABSTRACT

A quantum time-dependent spectrum analysis, or simply, quantum spectral analysis (QSA) is presented in this work, and it is based on Schrodinger equation, which is a partial differential equation that describes how the quantum state of a non-relativistic physical system changes with time. In classic world is named frequency in time (FIT), which is presented here in opposition and as a complement of traditional spectral analysis frequency-dependent based on Fourier theory. Besides, FIT is a metric, which assesses the impact of the flanks of a signal on its frequency spectrum, which is not taken into account by Fourier theory and even less in real time. Even more, and unlike all derived tools from Fourier Theory (i.e., continuous, discrete, fast, short-time, fractional and quantum Fourier Transform, as well as, Gabor) FIT has the following advantages: a) compact support with excellent energy output treatment, b) low computational cost, O(N) for signals and O(N2) for images, c) it does not have phase uncertainties (indeterminate phase for magnitude = 0) as Discrete and Fast Fourier Transform (DFT, FFT, respectively), d) among others. In fact, FIT constitutes one side of a triangle (which from now on is closed) and it consists of the original signal in time, spectral analysis based on Fourier Theory and FIT. Thus a toolbox is completed, which it is essential for all applications of Digital Signal Processing (DSP) and Digital Image Processing (DIP); and, even, in the latter, FIT allows edge detection (which is called flank detection in case of signals), denoising, despeckling, compression, and superresolution of still images. Such applications include signals intelligence and imagery intelligence. On the other hand, we will present other DIP tools, which are also derived from the Schrodinger equation.

研究动机与目标

• 开发一种时域谱分析方法，以克服基于傅里叶方法在捕捉信号跳变和相位模糊性方面的局限性。
• 提供一种与傅里叶分析互补的谱分析工具，形成信号表示的完整三角框架：时域、基于傅里叶的谱，以及FIT。
• 利用薛定谔方程的解，实现边缘检测、去噪和超分辨率等高级数字信号与图像处理应用。
• 通过利用信号和图像分别对应的O(N)和O(N²)复杂度，降低谱分析的计算成本，尤其适用于实时处理和图像处理应用。

提出的方法

• 从时变薛定谔方程推导出一种时变谱分析方法，以建模信号在时间上的演化过程。
• 引入时域频率（FIT）作为度量，量化信号跳变对谱内容的影响，而这一影响在傅里叶理论中未被考虑。
• 将薛定谔方程框架应用于信号与图像，实现具有紧凑支撑集和能量高效表示的谱分析。
• 利用薛定谔方程的解实现低复杂度处理：信号为O(N)，图像为O(N²)。
• 通过避免在幅值为零时出现不确定相位状态，消除DFT/FFT中固有的相位不确定性问题。
• 通过整合原始时域信号、基于傅里叶的分析与FIT，构建一个完整的DSP与DIP工具箱，三者互为依赖。

实验结果

研究问题

• RQ1 如何从薛定谔方程推导出时变谱分析方法，以改进基于傅里叶的方法？
• RQ2 FIT相较于传统傅里叶变换在计算成本、相位稳定性与能量处理方面具有哪些优势？
• RQ3 薛定谔方程框架能否扩展以支持边缘检测与超分辨率等图像处理任务？
• RQ4 在谱分析中引入信号跳变是否能提升去噪与压缩性能，相较于基于傅里叶的方法？
• RQ5 FIT在多大程度上与时域信号和傅里叶谱共同构成一个完整的信号表示三角框架？

主要发现

• FIT提供紧凑支撑集表示，具有优异的能量输出处理能力，支持高效谱分析。
• 该方法在信号上实现O(N)复杂度，在图像上实现O(N²)复杂度，显著降低了与传统傅里叶变换相比的计算成本。
• FIT消除了DFT与FFT中固有的相位不确定性问题，尤其在幅值为零的分量中表现更优。
• 将FIT与时域信号及基于傅里叶的分析相结合，完整构建了一个闭合、全面的DSP与DIP工具箱。
• FIT支持实际图像处理任务，如边缘检测（跳变检测）、去噪、去斑、压缩与超分辨率。
• 薛定谔方程框架支持开发更多DIP工具，超越谱分析范畴，扩展其在信号与图像情报等智能应用中的适用性。