#1 楼
随机采样与随机波形采样无关。只是意味着不是按固定间隔采样,而是随机采样波形。回想一下,在按照Nyquist-Shannon采样定理的采样方案中,在$ \ mathbb {R} $被采样为$ x [n] = x(nT),\ n \ in \ mathbb {Z} $,其中$ T $是采样间隔,$ f_s = 1 / T $是采样频率。如果信号中的最大频率为$ f_ {max} $,则$ f_s $必须为$ f_s \ geq 2f_ {max} $,以避免混叠。为了便于稍后在答案中与随机抽样进行比较,让我以与平常稍有不同的形式重新定义抽样,如下所示:
$$
\开始{align}
x [n]&= x(t)\ cdot s(t)
\ end {align}
$$
其中$ \ delta(t)$是Dirac delta函数,而$ x(t)$仅在$ [0,\ tau ] $。
如果您真的考虑过,在实践中定期采样是相当有限的。可以在几个地方使作物生长起来,并且可能会产生莫尔图案,这是众所周知的可见效果,可以通过在电视上拍摄常规图案的照片在家中进行复制(以下示例)。
但是,这始终是相机的问题,但是如果您直接看到图案,就永远不要用眼睛!原因是因为与相机中的CCD不同,视网膜中的感光器没有以规则的样式布置。随机采样背后的想法(不一定是导致其发展的想法)与眼睛中感光器的非规则布局非常相似。这是一种抗锯齿技术,通过破坏采样中的规律性来起作用。
在随机采样中,信号中的每个点都有非零的采样概率(不同于常规采样,在常规采样中永远不会采样某些部分)。可以在与
$$
\ begin {align}
x [n] &= x(t)\ cdot s(t)
\ end {align}
$$
其中$ \ mathcal {U}(0,\ tau)$是间隔$ [0,\ t $]上的均匀分布。
通过随机抽样,没有“奈奎斯特频率”可以讨论,因此混叠将不再像以前那样成为问题。但是,这是有代价的。您获得的抗锯齿效果会因系统中的噪声而丢失。随机采样会引入高频噪声,尽管对于某些应用(尤其是在成像中),混叠比噪声要强得多(例如,您可以在上面的图像中轻松看到摩尔纹,但是散斑噪声的程度较小)。据我所知,随机采样方案几乎总是用于空间采样(在图像处理,计算机图形学,数组处理等方面),而时域中的采样仍然占主导地位(我不确定人们是否会在时域内对随机抽样感到困扰)。有几种不同的随机采样方案,例如泊松采样,抖动采样等,如果您感兴趣的话可以查阅。有关该主题的一般性低调介绍,请参见SIGGRAPH,第1卷,M.A.Z.Dippé和E.H.Wold,“通过随机采样进行抗锯齿”。 19卷5期,第69-78页,1985年。
评论
$ \ begingroup $
随机采样方案在时域中有一些应用。尽管该技术并非普遍适用,但随机采样间隔可用于压缩感测。
$ \ endgroup $
–Jason R
2011年8月21日在18:28
$ \ begingroup $
@JasonR谢谢。我知道压缩感知中的应用程序,但是它仅由于稀疏条件而起作用,这就是为什么我没有提到它。 (此外,我在压缩感测中看到的示例也大多是通过图像/空间采样进行的,但这可能只是我对选择性阅读的偏见)
$ \ endgroup $
–乳香
2011年8月21日在18:33
$ \ begingroup $
可以改进从随机抽样推断的图像示例。
$ \ endgroup $
–CyberMen
2012年5月29日13:59