滑动窗口滤波器原理分析及详细代码讲解实现

已于 2023-02-09 22:30:20 修改
阅读量7.5k 收藏 109
点赞数 16
分类专栏： 数据结构和算法 文章标签： 算法 数据结构 c++ c语言 单片机
于 2023-01-19 20:31:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/helloqusheng/article/details/128737759
版权

目录

前言

一、图解滑动窗口滤波器的原理

二、滑动窗口滤波器的特点

三、滑动窗口滤波器的Ｃ++代码实现

1、基本思路

2、头文件filter.h

3、源文件filter.cpp

四、滑动窗口滤波器的Ｃ代码实现

1、基本思路

2、头文件filter.h

3、源文件filter.c

前言

        在嵌入式开发程序中涉及数据采样如传感器采样，AD采样等如果直接读取信号后，将信号值直接参与后续逻辑处理，若程序无软件滤波，会导致静态或者动态采样时：

        1、信号曲线相对没有那么平滑。

        2、同时可能存在脉冲干扰导致逻辑判断错误。

        在信号处理系统中，输入信号通常含有各种噪声和干扰。为对信号进行准确的测量和控制，必须削弱或滤除被测信号中的噪声和干扰。因此在工程应用需要使用软件滤波，软件滤波也称数字滤波，是通过一定的算法削弱噪声的影响。在实际的开发过程中使用了滑动窗口滤波算法来对传感器的数据采样进行滤波处理。

一、图解滑动窗口滤波器的原理

        1、建立采样窗口和滤波窗口，自定义各窗口长度大小。

        2、当数据样本点数未填满采样窗口，对采样窗口内的数据累加做平均值计算。

        例如此时采样窗口内数据采样点只有4个，小于定义的采样窗口长度，则将4个值累加后再做平均值计算。

         3、当数据样本点数已填满采样窗口，进行冒泡排序后，去除n个最大值及最小值后，对滤波窗口内的数据累加做平均值运算。

        例如此时采样窗口内数据采样点有7个，已填满定义长度大小的采样窗口，则分别去除自定义的1个最大值和1个最小值后，对剩余滤波窗口内的数据累加后再做平均值计算。

        4、新的数据样本到来，移除采样窗口中时间最早的点(FIFO)，重复上述3操作。

二、滑动窗口滤波器的特点

        1、经过滤波处理后，滤除了噪声干扰，数据波动稳定平滑。

        2、每采样一个新数据，就将最早采集的那个数据丢掉，因此每进行一次采样，就可计算出一个新的平均值，从而加快了数据处理的速度。

        3、可以根据实时性的要求和需要滤波后数据的平滑度来设置采样窗口和滤波窗口的大小。

        4、当采样的数据量非常大时，这时的采样窗口会设置很大，那么窗口需要消耗一定的内存空间。

        5、当采样数据越多，数据实时性越差，当数据突然发生较大变化时，不能被立刻检测到，无法及时处理突发事件。

三、滑动窗口滤波器的Ｃ++代码实现

1、基本思路

        1、在工程根目录下新建filter文件夹，将源文件filter.cpp和头filter.h放在文件夹中供修改调用。 

        2、头文件：

        （1）定义滤波算法函数中的可修改宏值；

        （2）声明定义的滤波函数模板；

        （3）使用extern的方式声明实例化后的模板函数。    

        3、源文件：

        （1）定义需要使用滤波算法的函数模板；

        （2）在定义的函数模板后进行函数实例化操作，通过这样的方法实现具体的模板函数。       

2、头文件filter.h

#ifndef _FILTER_H_
#define _FILTER_H_

#define MAX_SENSOR_NUM 9   //使用滤波时的传感器数量
#define MAX_DATA_NUM 9     //最大采样点数量，即采样窗口长度
#define WINDOW_DATA_NUM 5  //滤波窗口长度
//去除采样窗口内最大最小值的数量，这里去除两个最大和两个最小 
#define REMOVE_MAXMIN_NUM ((MAX_DATA_NUM - WINDOW_DATA_NUM)/2)  

//extern double m_dataList[MAX_SENSOR_NUM][MAX_DATA_NUM];

//声明定义的函数模板
template<typename InType> InType Filter_SlidingWindowAvg(int index, InType data);
//使用extern的方式声明实例化后的模板函数，根据实际需要自定义数据类型
extern template short Filter_SlidingWindowAvg(int index, short data);
extern template unsigned int Filter_SlidingWindowAvg(int index, unsigned int data);

#endif

3、源文件filter.cpp

#include <algorithm>
#include "Filter.h"

using namespace std;
//定义各个传感器的数据采样点列表
double m_dataList[MAX_SENSOR_NUM][MAX_DATA_NUM] = {0};
//滑窗均值滤波，使用函数模板可用于适配不同数据类型的采样点
template<typename InType>
InType Filter_SlidingWindowAvg(int index, InType data)   
{
    static int dataNum[MAX_SENSOR_NUM] = {0}; //定义记录传感器的采样点个数
    int i;
    double sum = 0;
    double out = 0;
    double array[MAX_DATA_NUM] = {0};
    
    //数据采样点在采样窗口内移动，FIFO操作
    for(i = MAX_DATA_NUM - 2; i >= 0; i--)
        m_dataList[index][i+1] = m_dataList[index][i];
    
    m_dataList[index][0] = data;
    //数据采样点数量小于采样窗口长度，对采样窗口数据累加后进行平均值运算                                     
    if(dataNum[index] < MAX_DATA_NUM) 
    {
        dataNum[index]++;
        for(i = 0; i < dataNum[index]; i++)
        {
            sum += m_dataList[index][i];
        }
        out = sum / dataNum[index];
    }
    //数据采样点已填满采样窗口，进行排序后，去除n个最大值及最小值后，对滤波窗口内的数据累加后进 
    //行平均值运算   
    else        
    {  
        for(i = 0; i < MAX_DATA_NUM; i++)
        {
            array[i] = m_dataList[index][i];
        }
        //利用C++标准库的sort函数进行排序，这里使用默认的升序
        sort(array, array + MAX_DATA_NUM);
        
        int start = (MAX_DATA_NUM - WINDOW_DATA_NUM) / 2; //start = REMOVE_MAXMIN_NUM
        
        for(i = start; i < start + WINDOW_DATA_NUM; i++)
        {
            sum += array[i];
        }
        out = sum / WINDOW_DATA_NUM;
    }
    return out;
}

//对函数模板进行函数实例化操作，根据实际需要自定义数据类型
template short Filter_SlidingWindowAvg(int index, short data);
template unsigned int Filter_SlidingWindowAvg(int index, unsigned int data);

四、滑动窗口滤波器的Ｃ代码实现

1、基本思路

        1、在工程根目录下新建filter文件夹，将头filter.h和源文件filter.c放在文件夹中供修改调用。

        2、头文件：

        （1）定义滤波算法函数中的可修改宏值；

        （2）声明定义的滤波算法函数；

        3、源文件：

        （1）定义冒泡排序功能函数；           

        （2）定义滤波算法功能函数。        

2、头文件filter.h

#ifndef _FILTER_H_
#define _FILTER_H_

#define MAX_SENSOR_NUM 9   //使用滤波时的传感器数量
#define MAX_DATA_NUM 9     //最大采样点数量，即采样窗口长度
#define WINDOW_DATA_NUM 5  //滤波窗口长度
//去除采样窗口内最大最小值的数量，这里去除两个最大和两个最小 
#define REMOVE_MAXMIN_NUM ((MAX_DATA_NUM - WINDOW_DATA_NUM)/2)  

//extern double m_dataList[MAX_SENSOR_NUM][MAX_DATA_NUM];

//声明定义的函数
double Filter_SlidingWindowAvg(int index, double data);

#endif

3、源文件filter.c

#include "Filter.h"

//定义各个传感器的数据采样点列表
double m_dataList[MAX_SENSOR_NUM][MAX_DATA_NUM] = {0};

//冒泡排序
void BubbleSort(double array[], int len)
{
    int temp;
    //外层循环控制排序的趟数，n个元素排序需要循环n-1次
    for(int i=0; i<len-1; i++) 
    {
        //内层循环控制比较的次数，n个元素第i趟比较n-i次 
        for(int j=0; j<len-1-i; j++) 
        {
            //比较相邻的元素大小 目的：将最大的元素选出到移动到最后 
            if(array[j] > array[j+1])
            {
                temp = array[j];
                array[j] = array[j+1];
                array[j+1] = temp;
            }
        }
    }
}

//滑窗均值滤波，这里采样点data数据类型和滤波后返回值数据类型都是double，实际使用可根据需要定义
//其他数据类型
double Filter_SlidingWindowAvg(int index, double data)   
{
    static int dataNum[MAX_SENSOR_NUM] = {0}; //定义记录传感器的采样点个数
    int i;
    double sum = 0;
    double out = 0;
    double array[MAX_DATA_NUM] = {0};
    
    //数据采样点在采样窗口内移动，FIFO操作
    for(i = MAX_DATA_NUM - 2; i >= 0; i--)
        m_dataList[index][i+1] = m_dataList[index][i];
    
    m_dataList[index][0] = data;
    //数据采样点数量小于采样窗口长度，对采样窗口数据累加后进行平均值运算                                     
    if(dataNum[index] < MAX_DATA_NUM) 
    {
        dataNum[index]++;
        for(i = 0; i < dataNum[index]; i++)
        {
            sum += m_dataList[index][i];
        }
        out = sum / dataNum[index];
    }
    //数据采样点已填满采样窗口，进行排序后，去除n个最大值及最小值后，对滤波窗口内的数据累加后进 
    //行平均值运算   
    else        
    {  
        for(i = 0; i < MAX_DATA_NUM; i++)
        {
            array[i] = m_dataList[index][i];
        }
        //调用冒泡排序函数
        BubbleSort(array, MAX_DATA_NUM);

        int start = (MAX_DATA_NUM - WINDOW_DATA_NUM) / 2; //start = REMOVE_MAXMIN_NUM
        
        for(i = start; i < start + WINDOW_DATA_NUM; i++)
        {
            sum += array[i];
        }
        out = sum / WINDOW_DATA_NUM;
    }
    return out;
}

↓↓↓更多技术内容和书籍资料获取，入群技术交流敬请关注“明解嵌入式”↓↓↓

   

卷积神经网络(CNN)原理与代码实战案例讲解
AI天才研究院
07-13 1348
1. 背景介绍 1.1 问题的由来 在计算机视觉领域，图像识别一直是一个重要的研究课题。传统的图像识别方法，如基于特征的方法，虽然在一些场景下表现良好，但在处理复杂、大规模的图像数据时，往往效果不佳。这是因为这些方法往往需要人工设计和选择特征，而这些特征可能并不能很好地捕捉到图像的复杂性和多样性。因此，如
滑动窗口算法
09-14
想知道滑动窗口如何实现吗？该文档有详细的描述
AD采样-滑窗滤波
qq_47827276的博客
10-31 320
如上图，实现ADC1（P6）作为输入信号来控制PWM（P7）输出的功能，在采集ADC1值时，读取的ADC1一直在微小的变化，导致PWM变化，进而导致输出抖动，影响模块正常功能。这时，我们便需要对输入信号ADC1进行滤波，滤波算法有很多，如：限幅录波算法、中位值滤波法等，下面介绍一种滑窗录波算法。1、原理：设置窗口，每次进一个新的AD值，出一个旧的AD值，效果如下图。窗口滑动内数据的处理方式多样可选，如：取平均值、排序后取中位数等。2、代码实现（滑窗内数据的处理方式为取平均值）
LLM(11)：使用滑动窗口进行数据采样
最新发布
CS创新实验室
03-26 1214
如图 2.13 所示。）指的是 LLM 将接收的 input，而箭头右边的 token ID 代表 LLM 应预测的 target 的 token ID。内存占用：较小的batch size意味着在内存中同时处理的数据量减少，这对于内存有限的设备较为友好，可以避免因内存不足而导致的程序崩溃，还可能允许使用更大的模型或更复杂的网络结构。如果我们比较第一和第二批次，可以看到第二批次的 token ID 向右移动了一位（例如，第一批次输入中的第二个 ID 是 367，这是第二批次输入的第一个 ID）。
滑动窗口滤波 c语言,关于中值滤波算法 以及C语言实现
weixin_31939167的博客
05-17 1408
1、什么是中值滤波？中值滤波是对一个滑动窗口内的诸像素灰度值排序，用其中值代替窗口中心象素的原来灰度值，它是一种非线性的图像平滑法，它对脉冲干扰级椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。中值滤波可以过滤尖峰脉冲。目的在于我们对于滤波后的数据更感兴趣。滤波后的数据保留的原图像的变化趋势，同时去除了尖峰脉冲对分析造成的影响。以一维信号的中值滤波举例。对灰度序列80、120、9...
滑动窗口滤波
望那伊人的博客
08-04 6002
滑动窗口滤波器
滑动窗口滤波 (Sliding Window Filtering)
2301_79145450的博客
01-13 749
滑动窗口滤波是信号处理领域中的一种常见技术，用于平滑信号、减少噪声影响以及提取有用信息。这种方法特别适用于实时数据流处理。 工作原理 窗口长度：定义了一个固定大小的时间窗口，在这个窗口内对数据进行处理。 移动方式：随着时间推移，窗口不断向前滑动，每次包含最新的数据点，并丢弃最早的数据点。 滤波算法：可以应用不同的滤波算法，如平均值滤波、中值滤波、加权平均滤波等。 常见滤波算法 均值滤波 (Moving Average)： 计算窗口内所有数据点的平均值作为输出。 简单有效，但
滑动窗口滤波的C语言实现（简单易移植）
热门推荐
qq_37662088的博客
06-01 1万+
滑动窗口滤波，含matlab代码与c语言实现。简单易懂易移植
[滑动窗口/卡尔曼滤波]用C++/ROS写一个简单的速度滤波器
qq_43553302的博客
08-26 1067
在ROS相关的小车进行导航时，往往会使用navigation包里的move_base作为小车的速度输出。move_base为我们内置了一些局部路径规划器如dwa和teb等，但这些速度规划器的输出可能不够平滑，因此我们可以使用速度滤波器来改善这些情况
计算机视觉CV原理与代码实例讲解
AI天才研究院
08-01 336
计算机视觉CV原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 计算机视觉（Computer Vision，简
OpenCV 原理与代码实战案例讲解
AI天才研究院
06-16 915
OpenCV 原理与代码实战案例讲解 1.背景介绍 1.1 OpenCV的起源与发展 OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉库,由Intel公司发起并参与开发
卷积层 (Convolutional Layer) 原理与代码实例讲解
AI天才研究院
07-19 631
卷积层 (Convolutional Layer) 原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 在深度学习领域，尤其是图像识别和处理任务中，卷积层（Convolutional Layer）扮演着至关
滑动窗口滤波—C实现、在mcu应用
L20190411W的博客
10-14 2316
滑动窗口滤波是一种时间域滤波方法，通过对一定数量的连续数据点进行统计处理，来平滑原始信号，减少随机噪声的影响。它的实现简单、计算量小，非常适合资源有限的单片机应用。// 定义窗口大小#define NUM_SAMPLES 8 // 8个数据// 滑动窗口滤波器结构体// 存储最近的RPM样本// 当前窗口内RPM值的总和// 当前写入的位置// 当前样本数量滑动窗口滤波是一种简单且高效的数字滤波方法，适用于在单片机中对数据进行实时平滑处理。
滑动窗口滤波算法C代码实现
ftf15111099814的博客
10-28 2585
滑动窗口滤波算法滑动窗口算法实现平均值滤波与滑动窗口滤波对比运用在实际中的一般写法滑动窗口滤波实现头文件实现具体函数实现测试程序 滑动窗口算法实现 在数字滤波器中，滑动窗口滤波法和平均值滤波法是最为常见和最易实现的两种算法，其中平均值比较简单，实现起来比较容易，而滑动窗口理解起来很容易，但实现起来相对困难。本文的主要内容一是从原理上对比一下两种算法的差别，另外就是通过C代码实现滑动窗口滤波算法，并且提供对应的测试程序。本文所写的滑动窗口算法可用于数字电源中。 平均值滤波与滑动窗口滤波对比 请看上图中的平均
MATLB实现滑动窗口滤波
weixin_44941716的博客
05-18 429
%% 一，区域1 %1.得到数据 500x3 R_mag=importdata('+MAG_Z.txt'); R_mag = R_mag(1:500); %截取矩阵500x3 Time = 1:500; after_R_mag = zeros(500,1); av_10 =0; %% 滑动窗口滤波 %ave = mean(R_mag(:)); L = length(R_mag); %数组长度值 N=10; .
滑动滤波器（Moving Average Filter）
hxc2B的博客
03-05 8563
滑动滤波器，也称为移动平均滤波器（Moving Average Filter, MA Filter），是数字信号处理中常用的一种简单有效的滤波器。它通过计算数据点的一组连续样本的平均值来减少随机噪声。滑动滤波器广泛应用于信号处理、数据处理、控制系统等领域，特别是在需要抑制短期波动、突出长期趋势的场合。
SideWindowBoxFilter滑动窗口滤波
wi162yyxq的博客
06-23 846
随便乱翻看到的一个2019CVPR的oral，并且还不是深度学习的，所以赶快学习一下，具体的论文解读和C++实现可以看这里https://cloud.tencent.com/developer/article/1492206，我尝试用python复现一下，不知道对不对，希望看到错误的话指点我一下。。。 import cv2 import numpy as np from scipy import signal from scipy import misc import random def gasus
【漫谈C语言和嵌入式047】滑窗滤波：嵌入式系统中的信号处理瑞士军刀
2403_83044722的博客
08-27 605
滑窗滤波是一种强大而灵活的信号处理工具。通过选择合适的窗口大小和处理函数，它可以适应各种不同的信号处理需求。在嵌入式系统中，由于其简单高效的特性，滑窗滤波常常是处理传感器数据的首选方法。
GEE基于滑动窗口法主成分分析合成遥感图像的JavaScript代码实现
06-08
以下是GEE基于滑动窗口法主成分分析合成遥感图像的JavaScript代码实现的一个示例： ```javascript // 设置滑动窗口的大小，这里设为3x3的窗口 var windowSize = 3; // 加载需要进行主成分分析的遥感图像 var image = ee.Image('LANDSAT/LC08/C01/T1_TOA/LC08_123032_20140515'); // 获取图像的波段数 var numBands = image.bandNames().size(); // 定义一个滑动窗口的核心函数 var slidingWindow = function(img) { // 将图像转换为一个数组 var arr = img.toArray(); // 获取图像的行和列数 var rows = img.size()[0]; var cols = img.size()[1]; // 定义一个空的结果数组 var out = ee.List([]); // 循环遍历每一个像素点 for (var i = windowSize; i <= rows - windowSize; i++) { for (var j = windowSize; j <= cols - windowSize; j++) { // 定义一个滑动窗口 var window = arr.slice(i - windowSize, j - windowSize, i + windowSize + 1, j + windowSize + 1); // 将滑动窗口转换为一个矩阵 var windowMatrix = ee.Array(window); // 对矩阵进行主成分分析 var pca = windowMatrix.reduceRegion({ reducer: ee.Reducer.pca(numBands), geometry: ee.Geometry.Rectangle(i - windowSize, j - windowSize, i + windowSize, j + windowSize), scale: 30 }); // 将主成分分析的结果添加到结果数组中 out = out.add(ee.Feature(null, pca)); } } // 将结果数组转换为一个特征集合 return ee.FeatureCollection(out); }; // 对图像进行滑动窗口主成分分析 var pcaImage = slidingWindow(image); // 将主成分分析的结果可视化 Map.addLayer(pcaImage, {}, 'PCA Image'); ``` 需要注意的是，这只是一个简单的示例，实际应用中可能需要对代码进行调整以满足不同的需求。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Sharemaker

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值