基于C语言的最大值滤波

void MaxFilter(unsigned int *src, unsigned int *dst, int width, int height)
{
	assert(src != NULL);
	assert(dst != NULL);
	assert(width >= 0);
	assert(height >= 0);

	memset(expandDwtImageBuff, 0, EXPAND_IMAGE_SIZE * sizeof(unsigned int));
	memset(maxCols, 0, EXPAND_IMAGE_SIZE * sizeof(unsigned int));
	memset(maxRows, 0, EXPAND_IMAGE_SIZE * sizeof(unsigned int));
	int expWidth = width + 2 * EXPAND_SIZE;
	int expHeight = height + 2 * EXPAND_SIZE;

	// 对输入图像进行扩展
	for (int y = 0; y < height; y++)
	{
		for (int x = 0; x < width; x++)
			expandDwtImageBuff[(y + EXPAND_SIZE) * expWidth + x + EXPAND_SIZE] = src[y * width + x];
	}

	// 找行方向的最大值(每一行41*1邻域的最大值)
	unsigned int maxColValue = 0;	// 最大值
	Point maxColPos = { 0, 0 };		// 最大值坐标
	const int localDwtLen = 2 * EXPAND_SIZE + 1;

	for (int y = EXPAND_SIZE; y < height + EXPAND_SIZE; y++)
	{
		int starty = y;
		int endy = starty;
		for (int x = EXPAND_SIZE; x < width + EXPAND_SIZE; x++)
		{
			if (expandDwtImageBuff[y * expWidth + x] > 0)
			{
				int startx = x - EXPAND_SIZE;
				int endx = x + EXPAND_SIZE;

				// 最大值求解
				if (x == EXPAND_SIZE || maxColPos.x < startx)
				{
					GetMaxLocation(expandDwtImageBuff + starty * expWidth + startx, localDwtLen, &maxColValue, &maxColPos.x);
					maxColPos.x += startx;
					maxColPos.y += starty;
					maxCols[y * expWidth + x] = maxColValue;
				}
				else
				{

					// 在移入的范围内,比较最大值和移入值
					int newValue = expandDwtImageBuff[y * expWidth + endx];
					if (newValue >= maxColValue)
					{
						maxColValue = newValue;
						maxColPos.x = endx;
						maxColPos.y = y;
					}
					maxCols[y * expWidth + x] = maxColValue;
				}
			}
		}
		maxColPos.x = 0;
		maxColPos.y = 0;
	}

	// 找列方向的最大值(maxCols中每一列1*41邻域的最大值)
	unsigned int maxRowValue = 0;
	Point maxRowPos = { 0, 0 };
	unsigned int localDwtBuff[2 * EXPAND_SIZE + 1] = { 0 };

	for (int x = EXPAND_SIZE; x < width + EXPAND_SIZE; x++)
	{
		int startx = x;
		int endx = startx;
		for (int y = EXPAND_SIZE; y < height + EXPAND_SIZE; y++)
		{
			int starty = y - EXPAND_SIZE;
			int endy = y + EXPAND_SIZE;

			// 最大值求解
			if (y == EXPAND_SIZE || maxRowPos.y < starty)
			{
				for (int i = 0; i < localDwtLen; i++)
					localDwtBuff[i] = maxCols[(starty + i) * expWidth + startx];
				GetMaxLocation(localDwtBuff, localDwtLen, &maxRowValue, &maxRowPos.y);
				maxRowPos.y += starty;
				maxRows[y * expWidth + x] = maxRowValue;
			}
			else
			{
				// 在移入的范围内,比较最大值和移入值
				// 移入值为1*41矩形区域中最后一个值
				int newValue = maxCols[endy * expWidth + x];
				if (newValue >= maxRowValue)
				{
					maxRowValue = newValue;
					maxRowPos.y = endy;
				}
				maxRows[y * expWidth + x] = maxRowValue;
			}

			if (expandDwtImageBuff[y * expWidth + x] == 0)
				maxRows[y * expWidth + x] = 0;
		}
	}

	// 切掉扩展出来的边缘
	for (int y = 0; y < height; y++)
	{
		for (int x = 0; x < width; x++)
			dst[y * width + x] = maxRows[(y + EXPAND_SIZE) * expWidth + x + EXPAND_SIZE];
	}
}

 

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1、限幅滤波法(又称程序判断滤波法) A、方法: 根据经验判断,确定两次采样允许的最大偏差值(设为A) 每次检测到新值时判断: 如果本次值与上次值之差A,则本次值无效,放弃本次值,用上次值代替本次值 B、优点: 能有效克服因偶然因素引起的脉冲干扰 C、缺点 无法抑制那种周期性的干扰 平滑度差 2、中位值滤波法 A、方法: 连续采样N次(N取奇数) 把N次采样值按大小排列 取中间值为本次有效值 B、优点: 能有效克服因偶然因素引起的波动干扰 对温度、液位的变化缓慢的被测参数有良好的滤波效果 C、缺点: 对流量、速度等快速变化的参数不宜 3、算术平均滤波法 A、方法: 连续取N个采样值进行算术平均运算 N值较大时:信号平滑度较高,但灵敏度较低 N值较小时:信号平滑度较低,但灵敏度较高 N值的选取:一般流量,N=12;压力:N=4 B、优点: 适用于对一般具有随机干扰的信号进行滤波 这样信号的特点是有一个平均值,信号在某一数值范围附近上下波动 C、缺点: 对于测量速度较慢或要求数据计算速度较快的实时控制不适用 比较浪费RAM 4、递推平均滤波法(又称滑动平均滤波法) A、方法: 把连续取N个采样值看成一个队列 队列的长度固定为N 每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则) 把队列中的N个数据进行算术平均运算,就可获得新的滤波结果 N值的选取:流量,N=12;压力:N=4;液面,N=4~12;温度,N=1~4 B、优点: 对周期性干扰有良好的抑制作用,平滑度高 适用于高频振荡的系统 C、缺点: 灵敏度低 对偶然出现的脉冲性干扰的抑制作用较差 不易消除由于脉冲干扰所引起的采样值偏差 不适用于脉冲干扰比较严重的场合 比较浪费RAM 5、中位值平均滤波法(又称防脉冲干扰平均滤波法) A、方法: 相当于“中位值滤波法”+“算术平均滤波法” 连续采样N个数据,去掉一个最大值和一个最小值 然后计算N-2个数据的算术平均值 N值的选取:3~14 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差 C、缺点: 测量速度较慢,和算术平均滤波法一样 比较浪费RAM 6、限幅平均滤波法 A、方法: 相当于“限幅滤波法”+“递推平均滤波法” 每次采样到的新数据先进行限幅处理, 再送入队列进行递推平均滤波处理 B、优点: 融合了两种滤波法的优点 对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差 C、缺点: 比较浪费RAM 7、一阶滞后滤波法 A、方法: 取a=0~1 本次滤波结果=(1-a)*本次采样值+a*上次滤波结果 B、优点: 对周期性干扰具有良好的抑制作用 适用于波动频率较高的场合 C、缺点: 相位滞后,灵敏度低 滞后程度取决于a值大小 不能消除滤波频率高于采样频率的1/2的干扰信号 8、加权递推平均滤波法 A、方法: 是对递推平均滤波法的改进,即不同时刻的数据加以不同的权 通常是,越接近现时刻的数据,权取得越大。 给予新采样值的权系数越大,则灵敏度越高,但信号平滑度越低 B、优点: 适用于有较大纯滞后时间常数的对象 和采样周期较短的系统 C、缺点: 对于纯滞后时间常数较小,采样周期较长,变化缓慢的信号 不能迅速反应系统当前所受干扰的严重程度,滤波效果差 9、消抖滤波法 A、方法: 设置一个滤波计数器 将每次采样值与当前有效值比较: 如果采样值=当前有效值,则计数器清零 如果采样值当前有效值,则计数器+1,并判断计数器是否>=上限N(溢出) 如果计数器溢出,则将本次值替换当前有效值,并清计数器 B、优点: 对于变化缓慢的被测参数有较好的滤波效果, 可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动 C、缺点: 对于快速变化的参数不宜 如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导入系统 10、限幅消抖滤波法 A、方法: 相当于“限幅滤波法”+“消抖滤波法” 先限幅,后消抖 B、优点: 继承了“限幅”和“消抖”的优点 改进了“消抖滤波法”中的某些缺陷,避免将干扰值导入系统 C、缺点: 对于快速变化的参数不宜
请问您需要的是C语言实现的卡尔曼滤波的算法说明,还是完整代码实现呢?以下是基于C语言的卡尔曼滤波算法的实现说明。 卡尔曼滤波是一种常用的估计算法,其目的是通过系统模型和观测模型,从测量值中推算系统状态,最大化状态估计的准确性。卡尔曼滤波的主要思想是利用过去的测量值和系统模型预测下一时刻的状态,接着利用当前时刻的测量值对预测值进行修正,最终得到更加准确的状态估计。 以下是基于C语言的卡尔曼滤波算法的实现说明: 1. 矩阵计算的库函数 在C语言中,矩阵的基本运算需要使用库函数进行实现。例如,在计算矩阵的逆时,可以使用GSL(GNU Scientific Library)库中的gsl_matrix_inverse函数;在计算矩阵的乘法时,可以使用gsl_blas_dgemm函数。因此,在实际使用卡尔曼滤波算法时,需要导入相应的库函数,并熟练掌握使用方法。 2. 初始化卡尔曼滤波器 卡尔曼滤波器需要进行初始化,包括初始化系统模型、观测模型和状态向量。系统模型和观测模型需要根据实际情况进行设定,并计算对应的状态转移矩阵和观测矩阵。状态向量则初始化为0,表示初始状态未知。 3. 卡尔曼滤波迭代 卡尔曼滤波迭代过程中,需要进行状态预测和状态修正两个步骤。 状态预测: 根据系统模型和状态向量,可以计算下一时刻的状态预测值。具体而言,需要计算状态转移矩阵A和状态向量x的乘积,并加上过程噪声向量,即 x_k = Ax_{k-1} + w_k 其中,w_k为零均值的高斯白噪声。 状态修正: 由于测量误差的存在,系统的观测值往往与预测值不一致。因此,需要利用测量值对状态进行修正。具体而言,根据观测矩阵和测量向量,可以计算修正向量v_k。同时,需要对修正向量进行加权平均,得出最终的状态估计值。 v_k = z_k - Hx_k K_k = PH^T(HPH^T + R)^{-1} x_k = x_k + K_kv_k 其中,K_k为卡尔曼增益,P为预测误差协方差矩阵,R为观测噪声方差矩阵。 4. 递归卡尔曼滤波 在处理时序数据时,常常需要使用递归卡尔曼滤波算法。递归卡尔曼滤波算法类似于递归神经网络等序列模型,需要对历史数据进行循环迭代。在实现过程中需要注意内存占用和计算效率等问题。 以上是基于C语言的卡尔曼滤波算法的实现说明,希望能对您有所帮助。如果还有问题,欢迎继续提出。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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