上篇主要介绍了信号处理在通信中的应用。本篇我们继续介绍信号处理在其他领域的应用。

第二例，数字图像处理的广泛应用。日常应用中，最常见的就是数码相机了，自从数码相机诞生之日起，因其简单方便的使用特性，不断迅猛发展，以至于到目前为止，已经将传统的胶片相机完全挤出了日常消费市场，并同时不断进攻和蚕食胶片摄影的高端摄影领域，前几年影像领域的百年老店柯达的倒闭也是一个明证。这也从一个侧面也反映了数字信号处理之强大。数码相机的图像处理过程同样包含了丰富的信号处理。准确的说，是数字图像处理。图像的信号采集、变换，比如图像的压缩编码处理（JPEG用到DCT），图像大小的调整，色彩的调整，图像的变换，白平衡处理，人脸检测等等。所有这些都通过数字信号的形式进行处理，也即数字图像处理技术。

再举一例，美国的战斧巡航导弹，在海湾战争中声名鹊起，这种巡航导弹低空飞行，就利用了地形图像匹配算法，将实时摄取的当前地形图像与预先存储好的地形图像进行实时图像匹配，从而确定导弹的当前位置，并精确控制导弹的前进方向。又比如数字电视，安全领域的视频监控，当前国内大多基于现成芯片实现最基本的录制，传输和存储功能,还未涉及到太多的诸如动态图像的捕获，检测、提取、跟踪等高级功能，畅想一下，基于数字图像处理技术可开发一套智能视频检测设备，组装成一个视频监控和存储记录传输装置放到家中，只要窃贼一进入房间，智能图像检测算法立即识别并启动摄像头进行视频录取，记录小偷的相貌身形等特征作为取证证据，同时通过网络传送至小区物管进行报警。

信号与信息处理在图像和视频领域极为突出的一个方向即图像的压缩。因为相对于一维语音信号，二维的图像，三维的视频，它们的容量更为庞大，这对图像/视频信号的传输也好，还是存储处理也好，都构成了严重的挑战。基于一幅图像的相邻区域的相关性冗余，或者基于视频图像相邻帧的相关冗余，可以对图像/视频进行大幅度的压缩。比如，类似傅立叶变换，基于DCT（离散余弦变换）和霍夫曼编码技术，人们制定了JPEG静态图像压缩标准。基于DWT（离散小波变换），制定了JPEG2000图像压缩标准。基于视频图像中以及相邻帧图像中的大量冗余，人们制定了MPEG1、MPEG2、MPEG4、H.264等多种视频图像压缩标准，在保证良好的图像质量的同时不断的提高压缩比率。

第三例，医学影像处理。本质上也属于数字图像处理，但由于在医学上的广泛应用，已经形成了一个极为重要的图像处理分支。比如IEEE会刊，除了Image Processing之外，还有Medical Imaging，由此可见一斑。医学影像处理极大的革新了医疗诊断和治疗手段，比如超声波成像已在胎儿生长发育检测中得到普遍应用，胎儿心脏的先天缺陷可以通过三维超声成像得到清晰的展现。再比如基于图像处理中的RADEON变换（基于多个角度的一维信息恢复人体截面的二维信息），开发出了能够呈现高清晰度人体三维影像的计算机断层扫描技术（CT:Computer Tomography）。相对传统的模拟信号形式的X射线成像，清晰度得到了大幅度提升。由于在医学成像领域的革命性创新，作为发明人的英国电子工程师豪斯菲尔德获得了诺贝尔医学奖。

第四例，语音信号处理。语音在人际交流与沟通中，发挥着重要作用，以至于人们平时都已经不大注意到了。信号处理在语音信号领域也可以大展拳脚。比如语音信号的压缩，人的声音基本分布在20-22000赫兹的范围，因此要不失真的录取人的声音，根据香农采样定理，采样率得达到44000赫兹，而这正是CD的数据速率。但是为了更有效的节省信道带宽，基于AR参数模型等方法，可以将数据速率压缩到3k-4k左右，而基本不令语音产生较大的失真。这样就使得同样带宽的一个信道，可以同时容纳更多的通话用户，也即在不增加硬件成本的情况下，大大增加了通信的容量。比如语音识别，本质上属于模式识别，但由于语音的重要应用，已经发展成为模式识别的一个分量很重的分支，而语音识别的一个理论工具就是随机过程中的马尔可夫链。又比如语音/乐音合成，熟悉乐器的朋友应该知道日本的雅马哈公司，其数字音乐合成技术令人惊叹。

第五例，军事应用。就像上面提到的通信应用一样，军事应用也为信号处理提供了极为肥沃的土壤。信号处理在军事领域的应用实在是太广泛了。我们完全也可以这么来说，是军事领域的迅猛发展和强烈需求，极大促进了的信号处理的研究和发展。比如二十世纪四十年代，受二战的强烈刺激，控制论，信息论等理论应孕而生，导弹、雷达等武器装备都得以开创和发展。扩频通信首先就是在军事领域得到了广泛应用，只是到了二十世纪八十年代，才开始尝试进行商业化应用，也就是WCDMA等各种3G制式。在军事应用最为突出的一个领域就是雷达信号处理。不论是脉冲多普勒雷达，还是SAR合成孔径雷达，相控阵雷达等等，都是信号处理施展拳脚的地方。

第六例，模式识别，更准确的说，属于信息处理的范畴。相对信号而言，是更高一层的处理。模式识别是一个相当广泛的研究领域，由此也促进了很多理论的创立，产生了很多分支，并且新理论，新方法层出不穷，不断的冒出来，由此也可以说明这个领域的火热。比如神经网络，人工智能，模糊模式识别，支撑矢量机。有些是革命性的创新，也有很多只是名词概念的改头换面，但这恰恰从正反两面反映了这个研究领域的活跃。模式识别应用相当广泛，如前面提到的语音识别，又比如人脸识别，指纹识别等等，工业生产制造领域的各种识别检测等等。换个思路，应用到军事领域，就是目标的精确识别和打击。当前汽车产业领域两个热点，一个是新能源技术，一个就是自动驾驶技术。模式识别和人工智能为自动驾驶技术提供强有力的技术支撑。

第七例，无线电监测测向领域的应用。无线电监测本身需要捕获各种频段，各种带宽的信号，并对其进行分析。通信用接收机中的很多处理流程，在监测接收机中也都必不可少，比如信号的采集、移频变换、抽取滤波等等。此外，为了更好的分析信号的特性，获取关于目标信号的更多的信息，往往需要获取信号的频谱信息，对于无线电监测来讲，信号的频谱信息和频谱波形，往往比信号的时域波形更加的重要。然就涉及到信号处理的核心变换，也是信号处理的理论基石之一，即傅里叶变换。测量仪器制造生泰克公司的招牌技术——数字荧光谱，第一次看到的人往往会被其绚丽的画面所震撼，其实就是信号的短时傅里叶变换的生动展现。对于无线电信号的测向和定位而言，同样也包含了丰富的信号处理流程，比如有名的TDOA定位算法，就是通过相关运算推算出几个接收信号的延时，进而由信号延时信息推算距离信息，由距离信息推算位置信息，从而最终完成辐射源的位置的确定。

信号处理的应用极为广泛，难以逐一列举。就像其他工程领域一样，离不开数学理论基础的支撑。比如信号处理的一大块基石：傅立叶变换，是十九世纪法国数学家傅立叶进行热学分析时创立的。又比如近二十年来兴起的小波理论，本来是多分辨率分析，滤波器组，时频分析等多个研究领域的人分头研究进行的，都以为自己发现了一套新的理论框架与方法，但到最后，大家才豁然开朗，原来这几者之间有诸多相通之处，最终却是殊途同归。而且还发现，早在二十世纪上半叶，理论物理学家Grossman就已经根据自身所从事的理论物理领域，对其进行了深入研究。这也再次表明数学和物理理论研究往往会走在工程研究的前面。

信号与信息处理的研究与发展，也离不开通信、计算机、自动控制等多个领域的发展，诸多领域之间是一种相互促进的关系。同样，信号与信息处理的应用，更离不开微电子技术的支撑，也正因为微电子技术的迅猛发展，才使得信号处理的应用从理论分析走向成为现实应用。半导体工艺的不断提升，集成电路设计技术的不断发展，使得众多的数字信号处理流程，在一个指甲大小的芯片中即可全部完成。不论是苹果的iPhone，还是iPad，仔细观察其印制电路板，已经看不到太多的分立容阻器件，基本都是高度的芯片级的集成。基于对通信信号处理的深入理解，高通公司从提倡CDMA技术开始，成长为一个能够对全球所有手机生产商都能施加重大影响的巨无霸，就是一个活生生的案例。类似的例子，在以往几十年中屡见不鲜，并将在日后体现的更为深刻。

从更广泛的意义上来说，信号处理的研究和应用，对于改善人们的工作、生活、娱乐等都有重要意义。相对物理层的信号处理应用来说，信息处理的应用属于更为上层的应用，也更为广泛，也更能直接影响人们的生活。或者更拔高一个高度，与信号/信息处理所相关的通信、导航、识别、检索、传输、存储、分类、识别等领域，将极大的促进人类文明的历史发展进程。