信号处理基础之噪声与降噪(一) | 噪声分类及python代码实现

已于 2023-12-20 16:06:01 修改
阅读量1.9k 收藏 20
点赞数 3
文章标签： 信号处理 分类 python
于 2023-12-20 13:15:53 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/m0_47410750/article/details/135105443
版权

后续将给大家分享信号处理基础系列文章，本期是讲噪声相关知识，包括噪声的定义、分类及python代码实现。

1. 噪声的定义

噪声是信息信号在传输过程中所受到的各种各样干扰信号的总成，其直接影响信号的传输质量，甚至破坏正常的信号。通俗地，噪声定义为信号中的无用信号成分，噪声信号混杂在原始信号中，引起信号的失真。

噪声也可以指包含很多频率的信号，即信号的频谱呈现随机性。噪声无处不在，在一些场合，噪声可以被利用，进而分析和观察系统的输出特性。

为了排除噪声的影响，DSP最重要的应用之一是消除信号中的噪声。

2. 噪声的分类

按照噪声对信号的干扰形式分：可分为加性噪声和乘性噪声。

  • 加性噪声：噪声和信道内传输的信号之间存在着相互叠加的关系，其特点是噪声是独立存在的，与信道信号的有无无关，其对信号传输质量影响较大。加性噪声在实际应用中只能被设法减小，无法被彻底清除。
  • 乘性噪声：噪声和信道内传输的信号之间存在相乘的关系，随着信号的存在而存在，当信号消失后，乘性噪声也将湮没。

按照噪声的功率谱分：可分为白噪声和有色噪声。

  • 白噪声：功率谱密度在整个频域内是常数的噪声。所有频率具有相同能量密度的随机噪声称为白噪声。若噪声的概率密度函数同时服从高斯分布，则称为高斯白噪声。具体地，白噪声定义如下：
    在这里插入图片描述

其功率谱密度可表示为：
在这里插入图片描述

  • 有色噪声：功率谱密度函数不平坦的噪声，有色噪声包括红噪声、粉噪声和蓝噪声等。
    红噪声：红噪声也成为布朗噪声，为随机移动噪声。红噪声的功率谱密度与其频率 成反比，即该类噪声在低频时有较大的能量。根据“布朗运动瞬时速度为零均值不相关白噪声”的布朗运动规律，布朗运动是对白噪声进行积分而来，可以得到布朗噪声的功率谱密度为
    在这里插入图片描述

  • 粉噪声：粉噪声介于白噪声和红噪声之间，在很宽频率范围内用等比例频带宽度测量时，频谱连续而均匀的噪声。在给定频率范围内（不含直流成分），随着频率的增加，其功率密度每倍频程下降3dB（密度与频率成反比）。
    粉噪声的功率谱密度可表示为：
    在这里插入图片描述

  • 蓝噪声：在有限频率范围内，功率密度随频率的增加每倍频增长3dB(密度正比于频率)。蓝噪声与粉噪声相对，与粉噪声正好相反，低频声音变得更弱，高频声音变得更强。一般地，将白噪声的低频部分加以抑制，高频部分增强，即可得到蓝噪声。
    紫噪声：在有限频率范围内，功率密度随频率的增加每倍频增长6dB(密度正比于频率的平方值)。其与红噪声相对，该类噪声在高频处有较大能量。

  • 灰噪声：灰噪音是一种介于白噪音和粉红噪音之间的噪声类型，其频谱能量在不同频率上略有变化。
    黑噪声：黑噪音又称为静止噪音，它是一种具有危害性的噪音。它是在20000Hz以上的频率，一定程度上类似于超声波的噪音，这种黑噪音就像“黑光”一样，由于频率太高而使人们无法感知，但它对周围的环境仍然会构成影响，是一种有危害的噪音。黑噪声具有 ，在信号处理中，我们经常会提及狄拉克(Dirac)函数或单位脉冲，这种脉冲是指具有零宽度和无限高电平的信号。

总体而言，噪声是一个随机过程，而随机过程有其功率谱密度，功率谱密度函数的形状决定了噪声的“颜色”。

3. 基于python的噪声构造

白噪声

import numpy as np
from scipy import fftpack
import matplotlib.pyplot as plt
import matplotlib
# 生成白噪声

n_sampling = 10000
fs = 1000
white_noise = np.random.normal(0,5,n_sampling)
t = np.linspace(0, n_sampling / fs, n_sampling)
# 计算功率谱
p = fftpack.fft(white_noise)
power = np.abs(p)**2              # 计算功率谱 (幅度的平方)
power_db = 10 * np.log10(power)   # 幅值转换为分贝
f = np.fft.fftfreq(p.size, 1/fs)  # 计算频率

fig = plt.figure(figsize=(10, 6), dpi=100)
font = {'family': 'Times New Roman', 'size': 14, 'weight': 'normal',}
matplotlib.rc('font', **font)
grid = plt.GridSpec(8, 8, hspace=0.1)
plt.subplot(grid[0:2, 0:8])
plt.plot(t, white_noise, 'b')
plt.xlabel('time(s)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Amplitude', fontname='Times New Roman', fontsize=14)
plt.subplot(grid[3:8, 0:8])
plt.plot(f[0:n_sampling//2], power_db[0:n_sampling//2], 'r')
plt.xlabel('Frequency(Hz)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Magnitude(dB)', fontname='Times New Roman', fontsize=14)
plt.show()
fig.align_labels()

在这里插入图片描述

图1 白噪声及其功率谱

红噪声

import numpy as np
from scipy import fftpack
import matplotlib.pyplot as plt
import matplotlib

# 生成红噪声
n_sampling = 10000
fs = 1000
std = 3
white_noise = np.random.normal(0,5,n_sampling)
red_noise = np.cumsum(white_noise)
red_noise = red_noise / np.max(np.abs(red_noise)) * std
t = np.linspace(0, n_sampling / fs, n_sampling)
# 计算功率谱
p = fftpack.fft(red_noise)
power = np.abs(p)**2              # 计算功率谱 (幅度的平方)
power_db = 10 * np.log10(power)   # 幅值转换为分贝
f = np.fft.fftfreq(p.size, 1/fs)  # 计算频率

fig = plt.figure(figsize=(10, 6), dpi=100)
font = {'family': 'Times New Roman', 'size': 14, 'weight': 'normal',}
matplotlib.rc('font', **font)
grid = plt.GridSpec(8, 8, hspace=0.1)
plt.subplot(grid[0:2, 0:8])
plt.plot(t, red_noise, 'b')
plt.xlabel('time(s)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Amplitude', fontname='Times New Roman', fontsize=14)
plt.subplot(grid[3:8, 0:8])
plt.plot(f[0:n_sampling//2], power_db[0:n_sampling//2], 'r')
plt.xlabel('Frequency(Hz)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Magnitude(dB)', fontname='Times New Roman', fontsize=14)
plt.show()
fig.align_labels()

在这里插入图片描述

图2 红噪声及其功率谱
蓝噪声

import numpy as np
from scipy import fftpack, signal
import matplotlib.pyplot as plt
import matplotlib
# 生成蓝噪声
n_sampling = 10000
fs = 1000
exponent = -1.5
white_noise = np.random.normal(0,5,n_sampling)
b, a = signal.butter(1, 0.5, 'high')
blue_noise = signal.lfilter(b, a, white_noise)
t = np.linspace(0, n_sampling / fs, n_sampling)
# 计算功率谱
p = fftpack.fft(blue_noise)
power = np.abs(p)**2              # 计算功率谱 (幅度的平方)
power_db = 10 * np.log10(power)   # 幅值转换为分贝
f = np.fft.fftfreq(p.size, 1/fs)  # 计算频率

fig = plt.figure(figsize=(10, 6), dpi=100)
font = {'family': 'Times New Roman', 'size': 14, 'weight': 'normal',}
matplotlib.rc('font', **font)
grid = plt.GridSpec(8, 8, hspace=0.1)
plt.subplot(grid[0:2, 0:8])
plt.plot(t, blue_noise, 'b')
plt.xlabel('time(s)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Amplitude', fontname='Times New Roman', fontsize=14)
plt.subplot(grid[3:8, 0:8])
plt.plot(f[0:n_sampling//2], power_db[0:n_sampling//2], 'r')
plt.xlabel('Frequency(Hz)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Magnitude(dB)', fontname='Times New Roman', fontsize=14)
plt.show()
fig.align_labels()

在这里插入图片描述

图3 蓝噪声及其功率谱
紫噪声

import numpy as np
from scipy import fftpack
import matplotlib.pyplot as plt
import matplotlib
# 生成紫噪声
n_sampling = 10000
fs = 1000
white_noise = np.random.normal(0,5,n_sampling)
purple_noise = np.diff(white_noise, 2)
t = np.linspace(0, len(purple_noise) / fs, len(purple_noise))
# 计算功率谱
```python
p = fftpack.fft(purple_noise)
power = np.abs(p)**2              # 计算功率谱 (幅度的平方)
power_db = 10 * np.log10(power)   # 幅值转换为分贝
f = np.fft.fftfreq(p.size, 1/fs)  # 计算频率
fig = plt.figure(figsize=(10, 6), dpi=100)
font = {'family': 'Times New Roman', 'size': 14, 'weight': 'normal',}
matplotlib.rc('font', **font)
grid = plt.GridSpec(8, 8, hspace=0.1)
plt.subplot(grid[0:2, 0:8])
plt.plot(t, purple_noise, 'b')
plt.xlabel('time(s)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Amplitude', fontname='Times New Roman', fontsize=14)
plt.subplot(grid[3:8, 0:8])
plt.plot(f[0:len(purple_noise)//2], power_db[0:len(purple_noise)//2], 'r')
plt.xlabel('Frequency(Hz)', fontname='Times New Roman', fontsize=14)
plt.ylabel('Magnitude(dB)', fontname='Times New Roman', fontsize=14)
plt.show()
fig.align_labels()

在这里插入图片描述

图4 紫噪声及其功率谱
粉噪声/黑噪声

import numpy as np
def generate_pink_or_black_noise(samples, sample_rate, alpha):
"""
这里的alpha参数决定了噪声的颜色。alpha=1.0对应于粉噪声。如果你想生成其他颜色的噪声，
可以改变这个参数。例如，alpha=1.5将生成黑噪声，alpha=0.0将生成白噪声。
"""
    omega = np.fft.fftfreq(samples, d=1./sample_rate)
    s_scale = omega
    s_scale[0] = 1
    sr = np.random.normal(scale=np.sqrt(np.abs(s_scale)**-alpha))
    si = np.random.normal(scale=np.sqrt(np.abs(s_scale)**-alpha))
    s = sr + 1j*si
    y = np.fft.ifft(s).real
    return y

使用函数生成粉噪声

pink_noise = generate_pink_or_black_noise(10000, sample_rate, alpha)

关注公众号《故障诊断与python学习》，了解更多故障诊断干货
往期推荐

[1] 故障诊断代码实战之第1期 | 手把手教你安装python环境(Anaconda)及跑通第一个信号处理案例！！！

[2] 机械故障诊断信号的幅域分析 - 时域统计特征 | 基于python的代码实现，在CWRU和IMF轴承数据集上实战

[3] 机械故障诊断信号的幅域分析 - 幅值概率密度函数 | 基于python的代码实现，在CWRU轴承数据上实战

[4] Python学习｜第1篇，用python读取CWRU数据集

故障诊断与python学习
关注
  • 3
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
信号去噪处理 | Python信号去噪之小波变换
天天酷科研的博客
09-24 787
信号去噪处理 | Python信号去噪之小波变换
chatgpt赋能python：Python音频降噪处理：使用Python减少噪音并提升声音质量
lvsetongdao123的博客
06-30 2393
我们每天听到的声音都是由许多不同频率的声音波形组成的。噪音是指在声音中添加了其他频率的声音波形。这些声音可以是来自电器的嗡嗡声、风扇或其他背景噪音。因此，降噪处理是一种过滤掉周围噪音信号的技术。使用这种技术可以有效地增强音频信号，并减少噪音的影响，从而提高声音质量。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT。
产生一个幅值在[-5，5]之间的均匀分布白噪声信号
04-10
产生一个幅值在「-5,5之间的均匀分布白噪声信号。 前面板设置幅值为5，框图中显示幅值为[-5,5]。
图像数据噪音种类以及Python生成对应噪音
master_hunter的博客
10-25 6146
当涉及到图像处理和计算机视觉任务时，噪音是一个不可忽视的因素。噪音可以由多种因素引起，如传感器误差、通信干扰、环境光线变化等。这些噪音会导致图像质量下降，从而影响到后续的图像分析和处理过程。因此，对于从图像中获取准确信息的应用，我们需要有效地处理这些噪音。在本篇讨论中，我们将深入探讨图像数据中常见的几种噪音类型，以及相应的处理方法，旨在提升图像处理任务的准确性和稳定性。
信号处理基础之噪声与降噪(三) | EMD降噪与VMD降噪及python代码实现
最新发布
weixin_43394610的博客
05-16 4040
信号处理基础之噪声与降噪(三) | EMD降噪与VMD降噪及python代码实现
Python 数据降噪处理的四种方法——均值滤波、小波变换、奇异值分解、改变binSize
热门推荐
哦豁灬
11-09 4万+
Python 数据降噪处理的四种方法——均值滤波、小波变换、奇异值分解、改变binSize github主页：https://github.com/Taot-chen 一、均值滤波 1）算法思想  给定均值滤波窗口长度，对窗口内数据求均值，作为窗口中心点的数据的值，之后窗口向后滑动1，相邻窗口之间有重叠；边界值不做处理，即两端wid_length//2长度的数据使用原始数据。 2）Python实现 ''' 均值滤波降噪： 函数ava_filter用于单次计算给定窗口长度的均值滤波 函数den
python噪声
jsc142915的博客
10-23 2062
1.skimage的API noise_gs_img = util.random_noise(img,mode='gaussian') # gaussian 高斯加性噪声。 noise_salt_img = util.random_noise(img,mode='salt')#盐噪声，随机用1替换像素。属于高灰度噪声。 noise_pepper_img = util.random_noise(img,mode='pepper')# 胡椒噪声，随机用0或-1替换像素，属于低灰度噪声 noise_s.
Python环境下基于自适应滤波器的音频信号（wav格式）降噪方法
weixin_39402231的博客
01-17 1868
Python环境下基于自适应滤波器的音频信号（wav格式）降噪方法
python实现图像添加噪声、噪声处理、滤波器代码实现
L888666Q的博客
09-21 5921
加载图像添加噪声 图像傅里叶变换和反变换并可视化 图像处理---高通滤波、低通滤波、带通滤波 低通滤波器---Butterworth低通滤波器、理想低通滤波器、高斯低通滤波器
python中噪音是什么意思_Python中的随机噪声函数
weixin_39831503的博客
12-30 742
首先，如果你想知道噪声(x)对同一个x总是返回相同的值，不管怎样，即使它从未被调用过，那么你根本就不能使用随机性。一个好的哈希函数是唯一的可能。在但是，如果您只需要能够恢复以前的状态，该状态由以前探索过的所有点的值组成(从未探索过的点在保存和加载后可能会与您没有退出的情况不同……但是如果没有访问多个Universe，怎么会有人知道呢？)，并且您不希望存储所有这些点，那么重新生成它们可能是合理的。在...
python小波阈值去噪
08-06
利用小波通用阈值对离散数据集进行滤波，程序中小波基和阈值函数可改
图像的去噪与增强python,图像降噪和图像增强的关系,Python
09-10
此代码可以实现图像的去噪和增强
使用python实现时间序列白噪声检验方式
09-16
主要介绍了使用python实现时间序列白噪声检验方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
python实现小波降噪
weixin_45080503的博客
04-23 1650
机械故障诊断、小波降噪
python 白噪声检验-Python中的白噪声时间训练
weixin_37988176的博客
10-29 1559
白噪声是时间序列预测中的一个重要概念。如果一个时间序列是白噪声，它是一个随机数序列，不能预测。如果预测误差不是白噪声，它暗示了预测模型仍有改进空间。在本教程中，你将学习Python中的白噪声时间序列。完成本教程后，你将知道:白噪声时间序列的定义以及为什么它很重要。如何检查是否你的时间序列是白噪声。用于识别Python中白噪声的统计和诊断图。让我们开始吧。什么是白噪声时间序列？时间序列可能是白噪声。...
图像噪声、去噪基本方法合集（Python实现）
2301_82000445的博客
01-27 2911
如果要使用本文代码，建议在Jupyter Notebook环境下运行。介绍的主要是一些非常基础的滤波器，滤波功能只能针对某一类噪声有作用，其滤波效果总的来说并不是很好，对于真实环境中纷繁复杂的噪声类型，需要采用更合适、更好的滤波方法，但是这些方法或多或少都是基于这些基本方法去不断优化和改善的。后面有时间再更新一些更强的去噪方法。有些地方可能存在问题和不足，欢迎大家一起交流！
python 高斯白噪声-python白噪声
weixin_37988176的博客
10-30 7796
广告关闭2017年12月，云+社区对外发布，从最开始的技术博客到现在拥有多个社区产品。未来，我们一起乘风破浪，创造无限可能。白噪声是时间序列预测中的一个重要概念。 如果一个时间序列是白噪声，它是一个随机数序列，不能预测。 如果预测误差不是白噪声，它暗示了预测模型仍有改进空间。 在本教程中，你将学习python中的白噪声时间序列。 完成本教程后，你将知道:白噪声时间序列的定义以及为什么它很重要。 如...
信号降噪matlab
07-28
在MATLAB中进行信号降噪的常用方法包括滤波和小波去噪。下面我会分别介绍一下这两种方法。 1. 滤波：滤波是一种常见的信号降噪方法，可以通过设计滤波器来去除噪音。MATLAB提供了丰富的滤波函数和工具箱，如fir1、butter、cheby1等。你可以选择合适的滤波器类型和参数，并使用filter函数将滤波器应用到信号上。 下面是一个简单的示例代码，使用低通滤波器对信号进行降噪： ```matlab % 生成带有噪音的信号 Fs = 1000; % 采样率 t = 0:1/Fs:1; % 时间序列 f1 = 50; % 信号频率 f2 = 150; % 噪音频率 x = sin(2*pi*f1*t) + 0.5*sin(2*pi*f2*t); % 带有噪音的信号 % 设计低通滤波器 fc = 80; % 截止频率 [b, a] = butter(4, fc/(Fs/2)); % 设计4阶巴特沃斯低通滤波器 % 应用滤波器 y = filter(b, a, x); % 绘制结果 subplot(2,1,1); plot(t, x); title('带噪音的信号'); subplot(2,1,2); plot(t, y); title('降噪后的信号'); ``` 2. 小波去噪：小波去噪是一种基于小波分析的信号降噪方法，能够在时域和频域上对信号进行分析。MATLAB中提供了丰富的小波分析函数和工具箱，如wdenoise、wavedec等。你可以使用这些函数对信号进行小波去噪处理。 下面是一个简单的示例代码，使用小波去噪对信号进行降噪： ```matlab % 生成带有噪音的信号 Fs = 1000; % 采样率 t = 0:1/Fs:1; % 时间序列 f1 = 50; % 信号频率 f2 = 150; % 噪音频率 x = sin(2*pi*f1*t) + 0.5*sin(2*pi*f2*t); % 带有噪音的信号 % 小波去噪 wname = 'db4'; % 小波基函数 level = 5; % 分解层数 y = wdenoise(x, level, 'Wavelet', wname); % 绘制结果 subplot(2,1,1); plot(t, x); title('带噪音的信号'); subplot(2,1,2); plot(t, y); title('降噪后的信号'); ``` 以上是两种常见的信号降噪方法，在实际应用中可以根据具体情况选择合适的方法和参数进行信号降噪。希望能对你有所帮助！如果还有其他问题，请继续提问。
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

故障诊断与python学习

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