【深度学习-特征工程】各介质滤波方法

图像

滤波名	简介	作用	优点	缺点	python代码示例	是否线性
均值滤波	对于每一个像素，用周围像素的平均值代替该像素的值	去除噪声	简单实用，计算量小	模糊边缘和细节，没有考虑像素之间的相关性	cv2.blur(img, (5, 5))	是
中值滤波	对于每一个像素，用周围像素的中值代替该像素的值	去除噪声	对于椒盐噪声特别有效，不会模糊边缘	算法复杂，计算量大	cv2.medianBlur(img, 5)	否
双边滤波	对于每一个像素，计算出像素与周围像素的权重，用周围像素乘以权重的和代替该像素的值	去除噪声，保留边缘和细节	效果优秀，能够在保持边缘和细节的同时	去除噪声算法复杂，计算量大	cv2.bilateralFilter(img, 9, 75, 75)	否
高斯滤波	对于每一个像素，用周围像素的加权平均值代替该像素的值，权重使用高斯分布计算	去除噪声	简单实用，计算量小	模糊边缘和	cv2.GaussianBlur(img, kernel_size, 0)	是

音频

滤波名	简介	线性/非线性	作用	优点	缺点	python代码示例
低通滤波	过滤高频噪声	线性	减少高频噪声	简单易实现，能够有效减少高频噪声	可能会消除重要的高频信息	scipy.signal.butter(3, 0.05, ‘low’, analog=False, output=‘sos’)
高通滤波	过滤低频噪声	线性	减少低频噪声	简单易实现，能够有效减少低频噪声	可能会消除重要的低频信息	scipy.signal.butter(3, 0.05, ‘high’, analog=False, output=‘sos’)
带通滤波	过滤除中频之外的频率信息	线性	减少除中频之外的噪声	简单易实现，能够有效减少除中频之外的噪声	可能会消除重要的频率信息	scipy.signal.butter(3, [0.05, 0.1], ‘band’, analog=False, output=‘sos’)
均值滤波	计算周围样本的平均值	非线性	平滑信号，减少噪声	简单易实现，能够有效减少噪声	可能会消除重要的信号特征	scipy.signal.convolve(signal, np.ones(window_size) / window_size, mode=‘same’)
高斯滤波	利用高斯分布对信号进行平滑	非线性	平滑信号

自然语言文本

滤波名	简介	线性/非线性	作用	优点	缺点	Python 代码示例
词干提取	将单词还原到它的基本形式	非线性	文本处理	简化文本内容，提取关键词	损失信息	from nltk.stem import PorterStemmer; stemmer = PorterStemmer(); stemmer.stem("running")
停用词过滤	去除文本中出现频率很高但对文本意义没有贡献的词语	非线性	文本处理	缩小文本范围，提升文本质量	损失信息	from nltk.corpus import stopwords; stopwords.words("english")
文本长度滤波	去除文本长度超过限制的文本	非线性	文本处理	缩小文本范围，提升文本质量	损失信息	texts = [text for text in texts if len(text) <= 100]