python实现滤波算法 中值滤波 低通滤波（博文底部vx获取）

在信号处理中，滤波是一种常见的操作，用于改变信号的频率特性或去除噪声。在Python中，可以使用scipy库来实现各种滤波算法。下面是一些基本的滤波算法的示例：

1. 中值滤波： 中值滤波是一种去除信号中噪声的非线性滤波方法，它用信号中每个点周围的中值来替代该点的值。

   from scipy.signal import medfilt
   import numpy as np
   import matplotlib.pyplot as plt
   
   # 创建带有噪声的信号
   np.random.seed(42)
   signal = np.sin(2 * np.pi * 0.01 * np.arange(100)) + 0.2 * np.random.randn(100)
   
   # 中值滤波
   filtered_signal = medfilt(signal, kernel_size=3)
   
   # 绘制原始信号和滤波后的信号
   plt.plot(signal, label='Original Signal')
   plt.plot(filtered_signal, label='Filtered Signal')
   plt.legend()
   plt.show()
   

   pythonCopy code

   from scipy.signal import medfilt import numpy as np import matplotlib.pyplot as plt # 创建带有噪声的信号 np.random.seed(42) signal = np.sin(2 * np.pi * 0.01 * np.arange(100)) + 0.2 * np.random.randn(100) # 中值滤波 filtered_signal = medfilt(signal, kernel_size=3) # 绘制原始信号和滤波后的信号 plt.plot(signal, label='Original Signal') plt.plot(filtered_signal, label='Filtered Signal') plt.legend() plt.show()

2. 低通滤波： 低通滤波器通常用于去除高频噪声，例如使用Butterworth滤波器。

   from scipy.signal import butter, lfilter
   import numpy as np
   import matplotlib.pyplot as plt
   
   def butter_lowpass_filter(data, cutoff_freq, sampling_rate, order=4):
       nyquist = 0.5 * sampling_rate
       normal_cutoff = cutoff_freq / nyquist
       b, a = butter(order, normal_cutoff, btype='low', analog=False)
       filtered_data = lfilter(b, a, data)
       return filtered_data
   
   # 创建带有高频噪声的信号
   np.random.seed(42)
   signal = np.sin(2 * np.pi * 0.2 * np.arange(100)) + 0.5 * np.random.randn(100)
   
   # 低通滤波
   cutoff_frequency = 0.1
   filtered_signal = butter_lowpass_filter(signal, cutoff_frequency, sampling_rate=1.0)
   
   # 绘制原始信号和滤波后的信号
   plt.plot(signal, label='Original Signal')
   plt.plot(filtered_signal, label='Filtered Signal')
   plt.legend()
   plt.show()
   

   pythonCopy code

   from scipy.signal import butter, lfilter import numpy as np import matplotlib.pyplot as plt def butter_lowpass_filter(data, cutoff_freq, sampling_rate, order=4): nyquist = 0.5 * sampling_rate normal_cutoff = cutoff_freq / nyquist b, a = butter(order, normal_cutoff, btype='low', analog=False) filtered_data = lfilter(b, a, data) return filtered_data # 创建带有高频噪声的信号 np.random.seed(42) signal = np.sin(2 * np.pi * 0.2 * np.arange(100)) + 0.5 * np.random.randn(100) # 低通滤波 cutoff_frequency = 0.1 filtered_signal = butter_lowpass_filter(signal, cutoff_frequency, sampling_rate=1.0) # 绘制原始信号和滤波后的信号 plt.plot(signal, label='Original Signal') plt.plot(filtered_signal, label='Filtered Signal') plt.legend() plt.show()

这只是两种常见的滤波方法的示例，实际上，根据信号的特点和任务需求，可能需要使用不同的滤波算法。根据具体情况，你可能需要调整滤波器的参数以及滤波器的类型。