Você está na página 1de 43
Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br
Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br

Teoria da Amostragem

Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br
Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello

Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

Teoria da Amostragem Carlos Alexandre Mello Carlos Alexandre Mello – cabm@cin.ufpe.br
Processamento Digital de Sinais
Processamento Digital de Sinais

Aspecto fundamental:

Conversão do sinal contínuo em uma sequência de amostras Um sinal discreto no tempo Após o processamento digital, a sequência de saída pode ser convertida de volta a um sinal contínuo no tempo

de saída pode ser convertida de volta a um sinal contínuo no tempo Carlos Alexandre Mello

Carlos Alexandre Mello – cabm@cin.ufpe.br

de saída pode ser convertida de volta a um sinal contínuo no tempo Carlos Alexandre Mello

2

Processamento Digital de Sinais

Razões para uso de sistemas digitais
Razões para uso de sistemas digitais

Muitas informações (ou dados) estão nessa forma, e.g. entrada/saída de computadores, sinais de controle digital, etc.

A disponibilidade de componentes pequenos, confiáveis e de baixo custo, principalmente, com o aumento da escala de integração dos circuitos integrados.

Relativa simplicidade no projeto de circuitos e facilidade de implementação usando circuitos integrados.

de circuitos e facilidade de implementação usando circuitos integrados. Carlos Alexandre Mello – cabm@cin.ufpe.br 3

Carlos Alexandre Mello – cabm@cin.ufpe.br

de circuitos e facilidade de implementação usando circuitos integrados. Carlos Alexandre Mello – cabm@cin.ufpe.br 3

3

Processamento Digital de Sinais

Razões para uso de sistemas digitais
Razões para uso de sistemas digitais

Ampla utilização de computadores digitais no processamento de todo tipo de dados e sinais

Armazenamento de sinais realizado de modo simples e econômico

Crescente uso e disponibilidade de técnicas de processamento digital de sinais (DSP)

Fidelidade em transmissões longas devido ao uso de estações repetidoras regenerativas

transmissões longas devido ao uso de estações repetidoras regenerativas Carlos Alexandre Mello – cabm@cin.ufpe.br 4

Carlos Alexandre Mello – cabm@cin.ufpe.br

transmissões longas devido ao uso de estações repetidoras regenerativas Carlos Alexandre Mello – cabm@cin.ufpe.br 4

4

Processamento Digital de Sinais

Razões para uso de sistemas digitais
Razões para uso de sistemas digitais

Flexibilidade do formato digital que permite:

Combinação em um mesmo canal de uma variedade de diferentes tráfegos (telégrafo, dados, voz, imagem, vídeo, etc)

Multiplexação feita de forma simples e econômica;

Transmissão com velocidade ajustável; rápida ou lenta em função do tráfego e/ou qualidade exigidas

ajustável; rápida ou lenta em função do tráfego e/ou qualidade exigidas Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

ajustável; rápida ou lenta em função do tráfego e/ou qualidade exigidas Carlos Alexandre Mello – cabm@cin.ufpe.br

5

Processamento Digital de Sinais

Razões para uso de sistemas digitais
Razões para uso de sistemas digitais

Uso de parte do sinal digital para controlar o progresso do sinal através do sistema (ex:

cabeçalho)

Possibilidade da codificação:

 

Codificação da fonte, reduzindo redundância, isto é, compactando os dados;

Codificação do canal, combatendo os efeitos do ruído, interferências, etc.

Aplicação de Criptografia

os efeitos do ruído, interferências, etc. Aplicação de Criptografia Carlos Alexandre Mello – cabm@cin.ufpe.br 6

Carlos Alexandre Mello – cabm@cin.ufpe.br

os efeitos do ruído, interferências, etc. Aplicação de Criptografia Carlos Alexandre Mello – cabm@cin.ufpe.br 6

6

Processamento Digital de Sinais
Processamento Digital de Sinais

A sequência x é escrita como:

x = {x[n]},

-<n < n inteiro

Sequência gerada a partir do processo de amostragem n-ésimo termo:

x[n] = x a (nT),

-<n <

amostragem n-ésimo termo: x[n] = x a (nT), - ∞ <n < ∞ Carlos Alexandre Mello

Carlos Alexandre Mello – cabm@cin.ufpe.br

amostragem n-ésimo termo: x[n] = x a (nT), - ∞ <n < ∞ Carlos Alexandre Mello

7

Processamento Digital de Sinais
Processamento Digital de Sinais

Referimo-nos a um sistema que implementa a operação anterior como um conversor ideal contínuo-para-discreto (C/D) no tempo Na prática, a operação de amostragem é implementada por um conversor analógico-para- digital (A/D) Tais sistemas podem ser vistos como aproximações de conversores C/D ideais Na implementação ou escolha de um conversor A/D deve-se considerar a quantização da saída, linearidade, a necessidade de circuitos sample- and-hold e limitações na taxa de amostragem

de circuitos sample- and-hold e limitações na taxa de amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 8

Carlos Alexandre Mello – cabm@cin.ufpe.br

de circuitos sample- and-hold e limitações na taxa de amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 8

8

Processamento Digital de Sinais
Processamento Digital de Sinais

Circuito sample-and-hold no MatLab

Processamento Digital de Sinais Circuito sample-and-hold no MatLab Carlos Alexandre Mello – cabm@cin.ufpe.br Simulink 9
Processamento Digital de Sinais Circuito sample-and-hold no MatLab Carlos Alexandre Mello – cabm@cin.ufpe.br Simulink 9

Carlos Alexandre Mello – cabm@cin.ufpe.br

Simulink
Simulink
Processamento Digital de Sinais Circuito sample-and-hold no MatLab Carlos Alexandre Mello – cabm@cin.ufpe.br Simulink 9

9

Processamento Digital de Sinais
Processamento Digital de Sinais

Circuito sample-and-hold no MatLab

Entrada Carlos Alexandre Mello – cabm@cin.ufpe.br
Entrada
Carlos Alexandre Mello – cabm@cin.ufpe.br

10

Processamento Digital de Sinais
Processamento Digital de Sinais

Circuito sample-and-hold no MatLab

Saída

Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br
Processamento Digital de Sinais Circuito sample-and-hold no MatLab Saída Carlos Alexandre Mello – cabm@cin.ufpe.br 11

11

Processamento Digital de Sinais
Processamento Digital de Sinais

Circuito sample-and-hold no MatLab

Saída

Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br
Processamento Digital de Sinais Circuito sample-and-hold no MatLab Saída Carlos Alexandre Mello – cabm@cin.ufpe.br 12

12

Processamento Digital de Sinais
Processamento Digital de Sinais

Circuito sample-and-hold no MatLab

Saída

Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br
Processamento Digital de Sinais Circuito sample-and-hold no MatLab Saída Carlos Alexandre Mello – cabm@cin.ufpe.br 13

13

Processamento Digital de Sinais
Processamento Digital de Sinais

Em geral, a amostragem é um processo não-inversível

Ou seja, dada uma seqüência x[n], às vezes, não é possível reconstruir o sinal original x (t)

c

Muitos sinais diferentes podem gerar a mesma seqüência de amostras de saída

sinais diferentes podem gerar a mesma seqüência de amostras de saída Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

sinais diferentes podem gerar a mesma seqüência de amostras de saída Carlos Alexandre Mello – cabm@cin.ufpe.br

14

Processamento Digital de Sinais Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br
Processamento Digital de Sinais
Amostragem
Carlos Alexandre Mello – cabm@cin.ufpe.br

15

Processamento Digital de Sinais
Processamento Digital de Sinais

É conveniente representarmos matematicamente o processo de amostragem, dividindo-o em duas partes

O

rocesso consiste de um trem de im ulsos

p seguido de uma conversão desse trem em uma seqüência

p

de im ulsos p seguido de uma conversão desse trem em uma seqüência p Carlos Alexandre

Carlos Alexandre Mello – cabm@cin.ufpe.br

de im ulsos p seguido de uma conversão desse trem em uma seqüência p Carlos Alexandre

16

Processamento Digital de Sinais

Amostragem
Amostragem
Processamento Digital de Sinais Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 17

Carlos Alexandre Mello – cabm@cin.ufpe.br

Processamento Digital de Sinais Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 17
Processamento Digital de Sinais Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 17

17

Processamento Digital de Sinais
Processamento Digital de Sinais

A diferença fundamental entre x s (t) e x[n] é que x s (t) é um sinal contínuo com valores zero exceto nos inteiros múltiplos de T

t

x[n], por ou ro

l

a

d

o, n

ã

o possu

i

i

f

ã

n ormaç o

explícita sobre a taxa de amostragem e é um sinal onde as regiões que não representam valores inteiros não têm valor definido

as regiões que não representam valores inteiros não têm valor definido Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

as regiões que não representam valores inteiros não têm valor definido Carlos Alexandre Mello – cabm@cin.ufpe.br

18

Teorema da Amostragem
Teorema da Amostragem

Na conversão analógico-digital é necessário colher-se um número discreto de amostras de um sinal contínuo O problema crucial na amostragem está com o d Um número muito pequeno de amostras pode resultar em uma representação demasiadamente pobre do sinal A análise quantitativa acerca desse problema é estudada pelo Teorema de Shannon-Nyquist

ú

n mero

d

t

/

e amos ras seg que

evem ser co

lhid

as

de Shannon-Nyquist ú n mero d t / e amos ras seg que evem ser co

Carlos Alexandre Mello – cabm@cin.ufpe.br

de Shannon-Nyquist ú n mero d t / e amos ras seg que evem ser co

19

Teorema da Amostragem
Teorema da Amostragem

A princípio, pode-se imaginar que, no processo de amostragem de um sinal analógico, há sempre perda de informação e que essa perda é tanto menor quanto maior a taxa de amostragem utilizada Entretanto, o teorema de Shannon mostra que isto nem sempre é verdade

Entretanto, o teorema de Shannon mostra que isto nem sempre é verdade Carlos Alexandre Mello –

Carlos Alexandre Mello – cabm@cin.ufpe.br

Entretanto, o teorema de Shannon mostra que isto nem sempre é verdade Carlos Alexandre Mello –

20

Teorema da Amostragem
Teorema da Amostragem

Experimento: Foto 3x4

Teorema da Amostragem Experimento: Foto 3x4 75 dpi 91x119 200 dpi 245x318 21 600 dpi 724x956

75 dpi

91x119

Teorema da Amostragem Experimento: Foto 3x4 75 dpi 91x119 200 dpi 245x318 21 600 dpi 724x956

200 dpi

245x318

21
21

600 dpi

724x956

Carlos Alexandre Mello – cabm@cin.ufpe.br

Experimento: Foto 3x4 75 dpi 91x119 200 dpi 245x318 21 600 dpi 724x956 Carlos Alexandre Mello
Teorema da Amostragem
Teorema da Amostragem

Experimento: Sinal de voz

>> [som, Fs] = wavread('a_casa.wav'); >> soundsc(som, Fs) >> som2 = som(1:2:length(som)); >> soundsc(som2, Fs/2)

>> soundsc(som, Fs/2) %

>> soundsc(som2, Fs/2) >> soundsc(som, Fs/2) % ☺ Carlos Alexandre Mello – cabm@cin.ufpe.br 22

Carlos Alexandre Mello – cabm@cin.ufpe.br

>> soundsc(som2, Fs/2) >> soundsc(som, Fs/2) % ☺ Carlos Alexandre Mello – cabm@cin.ufpe.br 22

22

Teorema da Amostragem
Teorema da Amostragem
Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br
Teorema da Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 23

23

Teorema da Amostragem
Teorema da Amostragem
Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br
Teorema da Amostragem Carlos Alexandre Mello – cabm@cin.ufpe.br 24

24

Teorema da Amostragem
Teorema da Amostragem

O teorema estabelece que, sob certas condições, as amostras de um sinal podem conter precisamente toda a informação a ele associada Isto significa que o sinal pode ser perfeitamente recuperado a partir de amostras colhidas sem nenhuma aproximação

recuperado a partir de amostras colhidas sem nenhuma aproximação Carlos Alexandre Mello – cabm@cin.ufpe.br 25

Carlos Alexandre Mello – cabm@cin.ufpe.br

recuperado a partir de amostras colhidas sem nenhuma aproximação Carlos Alexandre Mello – cabm@cin.ufpe.br 25

25

Teorema de Shannon
Teorema de Shannon

Um sinal de banda limitada por f m Hz está unicamente determinado por amostras, se são tomadas, pelo menos, 2f m amostras equidistantes por segundo

se são tomadas, pelo menos, 2f m amostras equidistantes por segundo Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

se são tomadas, pelo menos, 2f m amostras equidistantes por segundo Carlos Alexandre Mello – cabm@cin.ufpe.br

26

Teorema de Shannon

Prova
Prova

Se as amostras são obtidas a cada Ts segundos, considera-se então um trem de impulsos δ Ts (t)

considera-se então um trem de impulsos δ T s (t) A amostragem de um sinal f(t)

A amostragem de um sinal f(t) em intervalos de T segundos será definida por:

amostragem de um sinal f(t) em intervalos de T segundos será definida por: Carlos Alexandre Mello
amostragem de um sinal f(t) em intervalos de T segundos será definida por: Carlos Alexandre Mello

Carlos Alexandre Mello – cabm@cin.ufpe.br

amostragem de um sinal f(t) em intervalos de T segundos será definida por: Carlos Alexandre Mello

27

Teorema de Shannon

Prova
Prova
28 Carlos Alexandre Mello – cabm@cin.ufpe.br
28
Carlos Alexandre Mello – cabm@cin.ufpe.br
Pares sinal e transformada
Pares sinal e
transformada
Teorema de Shannon Prova 28 Carlos Alexandre Mello – cabm@cin.ufpe.br Pares sinal e transformada

Teorema de Shannon

Prova
Prova

Vamos analisar o espectro do sinal amostrado O espectro do sinal amostrado fs(t) pode ser determinado com o auxílio do teorema da convolução na freqüência:

com o auxílio do teorema da convolução na freqüência: Segue que: Carlos Alexandre Mello – cabm@cin.ufpe.br

Segue que:

com o auxílio do teorema da convolução na freqüência: Segue que: Carlos Alexandre Mello – cabm@cin.ufpe.br
com o auxílio do teorema da convolução na freqüência: Segue que: Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

com o auxílio do teorema da convolução na freqüência: Segue que: Carlos Alexandre Mello – cabm@cin.ufpe.br

29

Teorema de Shannon

Prova
Prova

Se:

Teorema de Shannon Prova Se: Então, o espectro de fs(t) é dado por: Carlos Alexandre Mello

Então, o espectro de fs(t) é dado por:

Teorema de Shannon Prova Se: Então, o espectro de fs(t) é dado por: Carlos Alexandre Mello
Teorema de Shannon Prova Se: Então, o espectro de fs(t) é dado por: Carlos Alexandre Mello

Carlos Alexandre Mello – cabm@cin.ufpe.br

Teorema de Shannon Prova Se: Então, o espectro de fs(t) é dado por: Carlos Alexandre Mello

30

Teorema de Shannon

Prova
Prova

E, finalmente:

Teorema de Shannon Prova E, finalmente: Este espectro é esboçado para vários valores de w s

Este espectro é esboçado para vários valores de w s , isto é, vários valores para o espaçamento T s entre amostras

s , isto é, vários valores para o espaçamento T s entre amostras Carlos Alexandre Mello

Carlos Alexandre Mello – cabm@cin.ufpe.br

s , isto é, vários valores para o espaçamento T s entre amostras Carlos Alexandre Mello

31

Teorema de Shannon

Prova
Prova

Relação entre a frequência de amostragem e a frequência limite do sinal:

Suponha um sinal banda limitado em w m :

a frequência limite do sinal: Suponha um sinal banda limitado em w m : Carlos Alexandre
a frequência limite do sinal: Suponha um sinal banda limitado em w m : Carlos Alexandre

Carlos Alexandre Mello – cabm@cin.ufpe.br

a frequência limite do sinal: Suponha um sinal banda limitado em w m : Carlos Alexandre

32

Teorema de Shannon

Prova
Prova

Relação entre a frequência de amostragem e a frequência limite do sinal:

Se:

entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –
entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –

Carlos Alexandre Mello – cabm@cin.ufpe.br

entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –

33

Teorema de Shannon

Prova
Prova

Relação entre a frequência de amostragem e a frequência limite do sinal:

Se:

entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –
entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –

Carlos Alexandre Mello – cabm@cin.ufpe.br

entre a frequência de amostragem e a frequência limite do sinal: Se: Carlos Alexandre Mello –

34

Teorema de Shannon

Prova
Prova

Relação entre a frequência de amostragem e a frequência limite do sinal:

Se:

Aliasing
Aliasing
a frequência de amostragem e a frequência limite do sinal: Se: Aliasing Carlos Alexandre Mello –

Carlos Alexandre Mello – cabm@cin.ufpe.br

a frequência de amostragem e a frequência limite do sinal: Se: Aliasing Carlos Alexandre Mello –

35

Teorema de Shannon

Prova
Prova

Recuperação do sinal original - FPB

FPB
FPB
Teorema de Shannon Prova Recuperação do sinal original - FPB FPB Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

Teorema de Shannon Prova Recuperação do sinal original - FPB FPB Carlos Alexandre Mello – cabm@cin.ufpe.br

36

Teorema de Shannon

Prova
Prova

Para recuperação do sinal com um FPB sem distorções, é preciso que:

w s 2w m

ou seja

2π/Ts 2.2πf m Ts 1/(2f m ) seg

O limite 1/Ts = 2f m é chamado de taxa de Nyquist

1/(2f m ) seg O limite 1/Ts = 2f m é chamado de taxa de Nyquist

Carlos Alexandre Mello – cabm@cin.ufpe.br

1/(2f m ) seg O limite 1/Ts = 2f m é chamado de taxa de Nyquist

37

Teorema de Shannon

Prova
Prova

Valores de Ts que não atendam a essa condição podem provocar diversas distorções no sinal, como:

Ganho nas altas fre üências

q

Perda nas altas freqüências Modulação das freqüências do sinal original Casos híbridos

Modulação das freqüências do sinal original Casos híbridos Carlos Alexandre Mello – cabm@cin.ufpe.br 38

Carlos Alexandre Mello – cabm@cin.ufpe.br

Modulação das freqüências do sinal original Casos híbridos Carlos Alexandre Mello – cabm@cin.ufpe.br 38

38

Teorema de Shannon

Prova
Prova
Carlos Alexandre Mello – cabm@cin.ufpe.br
Carlos Alexandre Mello – cabm@cin.ufpe.br

39

Teorema de Shannon

Prova
Prova

Na digitalização de imagens, podemos observar esses fenômenos:

Exemplo: Padrões de Moireé

de imagens, podemos observar esses fenômenos: Exemplo: Padrões de Moireé Carlos Alexandre Mello – cabm@cin.ufpe.br 40
de imagens, podemos observar esses fenômenos: Exemplo: Padrões de Moireé Carlos Alexandre Mello – cabm@cin.ufpe.br 40

Carlos Alexandre Mello – cabm@cin.ufpe.br

de imagens, podemos observar esses fenômenos: Exemplo: Padrões de Moireé Carlos Alexandre Mello – cabm@cin.ufpe.br 40

40

Teorema da Amostragem

Recuperação do Sinal a Partir de suas Amostras
Recuperação do Sinal a Partir de suas Amostras

De acordo com o teorema de Shannon-Nyquist, se Ts ½ fm, então a passagem do sinal amostrado por um filtro passa-baixa ideal recupera exatamente o sinal analógico Sabendo que:

f(t) FPB
f(t)
FPB
F(w)
F(w)

Função Sample

o sinal analógico Sabendo que: f(t) FPB F(w) Função Sample Carlos Alexandre Mello – cabm@cin.ufpe.br 41

Carlos Alexandre Mello – cabm@cin.ufpe.br

o sinal analógico Sabendo que: f(t) FPB F(w) Função Sample Carlos Alexandre Mello – cabm@cin.ufpe.br 41

41

Teorema da Amostragem

Recuperação do Sinal a Partir de suas Amostras
Recuperação do Sinal a Partir de suas Amostras

Como o sinal é recomposto através das amostras, observa-se que f(t) corresponde à superposição de várias funções sample deslocadas, centradas em 0, ±T, ±2T,

de várias funções sample deslocadas, centradas em 0, ± T, ± 2T, Carlos Alexandre Mello –
de várias funções sample deslocadas, centradas em 0, ± T, ± 2T, Carlos Alexandre Mello –

Carlos Alexandre Mello – cabm@cin.ufpe.br

de várias funções sample deslocadas, centradas em 0, ± T, ± 2T, Carlos Alexandre Mello –

42

Teorema da Amostragem
Teorema da Amostragem

Referências:

Discrete-Time Signal Processing, A.Oppenheim e R.W.Schafer, Prentice-Hall, 1989 Digital Signal Processing Using MatLab and Wavelets, M.Weeks, Ed. Infinity Science, 2007 Digital Signal and Image Processing, T.Bose, John Wiley and Sons, 2004

Digital Signal and Image Processing, T.Bose, John Wiley and Sons, 2004 Carlos Alexandre Mello – cabm@cin.ufpe.br

Carlos Alexandre Mello – cabm@cin.ufpe.br

Digital Signal and Image Processing, T.Bose, John Wiley and Sons, 2004 Carlos Alexandre Mello – cabm@cin.ufpe.br

43