#include <iostream>
#include <vector>
#include <algorithm>
using namespace std;
double MedianFilter(vector<double>& data, int window_size)
{
int n = data.size();
int half_win = window_size / 2;
double median;
for (int i = 0; i < n; i++) {
int left = max(0, i - half_win);
int right = min(n - 1, i + half_win);
vector<double> wnd(data.begin() + left, data.begin() + right + 1);
sort(wnd.begin(), wnd.end());
median = (window_size % 2 == 1) ? wnd[window_size / 2] : (wnd[window_size / 2 - 1] + wnd[window_size / 2]) / 2;
data[i] = median;
}
return median;
}
int main()
{
int window_size = 5;
vector<double> data{ 23.0, 25.0, 21.0, 20.0, 19.0, 22.0, 25.0, 29.0, 30.0, 18.0, 25.0 };
double median = MedianFilter(data, window_size);
cout << "Median: " << median << endl;
for (auto x: data) {
cout << x << ' ';
}
cout << endl;
return 0;
}
在这段代码中,我们首先定义了一个 MedianFilter()
函数,该函数实现了中值滤波算法的基本思想和实现过程。其中,函数的输入参数包括一个待滤波的数据向量 data
和窗口大小 window_size
。函数通过循环遍历整个数据向量,以每一个数据点为中心,动态滑动窗口来计算窗口中所有数据的中值,并将中值以覆盖方式更新回原始数据向量中,从而达到对数据的实时滤波和更新的目的。最后,函数返回最后一个数据点的中值。
在主函数 main()
中,我们定义了一个数据向量 data
和一个窗口大小 window_size
,并调用 MedianFilter()
函数来对数据向量进行中值滤波处理。最终,我们输出了计算得到的中值和滤波后的数据向量。
需要注意的是,这段代码是一个简单的示例程序,仍然有很多可以改进和完善的地方,比如如何动态更新数据、如何处理数据边界问题以及如何根据具体的应用需求选取合适的窗口大小等。因此,在实际应用中,需要根据数据信号的特点和采集环境的不同,来选择合适的数据更新策略和算法参数。