图像构成与信号处理之二——信号滤波

一、信号滤波与图像滤波

信号滤波和图像滤波都是信号处理的重要任务，它们在不同领域中有广泛的应用。

（一）信号滤波

信号滤波是对信号进行处理的过程，通过去除或抑制不需要的频率成分，以实现信号的平滑或去噪。信号滤波的目标是改变信号的频谱分布，以达到特定的信号处理目的。常用的信号滤波方法有低通滤波、高通滤波、带通滤波等。

（二）图像滤波

图像滤波是对图像进行处理的过程，通过对像素值进行平滑或增强，以实现图像的去噪、增强、边缘检测等目的。图像滤波可以分为频域滤波和空域滤波两类。频域滤波利用图像的傅里叶变换来处理频率信息，而空域滤波则在图像的像素域上直接进行操作。

二、信号滤波示例

（一）限幅滤波法（又称程序判断滤波法）

原理：该方法通过设定一个上下限，将信号限制在该范围内，超过该范围的信号值将被修正。

公式：$output=min(max(input,lowe{r}_{l}imit),uppe{r}_{l}imit)$

def limit_amplitude_filter(input_signal, lower_limit, upper_limit):
    output_signal = []
    for value in input_signal:
        output_signal.append(min(max(value, lower_limit), upper_limit))
    return output_signal

（二）中位值滤波法

原理：取一组数据的中位数作为滤波后的输出值，用于去除异常值或突发噪声。（涉及窗口的问题，比如每次只对窗口的波进行处理）

公式：$output=median(input)$

import numpy as np

def median_filter(input_signal):
    output_signal = []
    for i in range(len(input_signal)):
        window = input_signal[max(i-1, 0):min(i+2, len(input_signal))]
        output_signal.append(np.median(window))
    return output_signal

（三）算术平均滤波法

原理：将一组数据的平均值作为滤波后的输出值，平滑信号。涉及窗口的问题，比如每次只对窗口的波进行处理）

公式：$output=sum(input)/len(input)$

def mean_filter(input_signal):
    output_signal = []
    for i in range(len(input_signal)):
        window = input_signal[max(i-2, 0):min(i+3, len(input_signal))]
        output_signal.append(sum(window) / len(window))
    return output_signal

（四）递推平均滤波法（又称滑动平均滤波法）

原理：采用递推方式计算滑动窗口内数据的平均值，每次新数据进入窗口时，旧数据移除，保持窗口大小不变。

公式：$output[i]=output[i-1]+(input[i]-input[i-n])/n$

def recursive_mean_filter(input_signal, window_size):
    output_signal = []
    current_sum = sum(input_signal[:window_size])
    output_signal.append(current_sum / window_size)
    for i in range(window_size, len(input_signal)):
        current_sum = current_sum - input_signal[i - window_size] + input_signal[i]
        output_signal.append(current_sum / window_size)
    return output_signal

（五）中位值平均滤波法（又称防脉冲干扰平均滤波法）

原理：该方法先用中位值滤波法处理数据，然后再使用算术平均滤波法进一步平滑数据。

公式：$output=mean(median(input))$

def median_mean_filter(input_signal):
    median_filtered = median_filter(input_signal)
    output_signal = mean_filter(median_filtered)
    return output_signal

（六）限幅平均滤波法

原理：该方法先使用限幅滤波法处理数据，再对处理后的数据使用算术平均滤波法进行平滑。

公式：$output=mean(limi{t}_{a}mplitud{e}_{f}ilter(input))$

def limit_amplitude_mean_filter(input_signal, lower_limit, upper_limit):
    limited_signal = limit_amplitude_filter(input_signal, lower_limit, upper_limit)
    output_signal = mean_filter(limited_signal)
    return output_signal

（七）一阶滞后滤波法

原理：该方法利用当前数据与上一时刻的滤波结果之间的差值进行滤波，适用于平稳变化的信号。

公式：$output[i]=(1-alpha)\ast output[i-1]+alpha\ast input[i]$

def first_order_lag_filter(input_signal, alpha):
    output_signal = [input_signal[0]]
    for i in range(1, len(input_signal)):
        output_signal.append((1 - alpha) * output_signal[i - 1] + alpha * input_signal[i])
    return output_signal

（八）加权递推平均滤波法

原理：对滑动窗口内的数据进行加权平均，以增加对新数据的重视程度。

公式：$output[i]=(1-w)\ast output[i-1]+w\ast input[i]$

def weighted_recursive_mean_filter(input_signal, weight):
    output_signal = [input_signal[0]]
    for i in range(1, len(input_signal)):
        output_signal.append((1 - weight) * output_signal[i - 1] + weight * input_signal[i])
    return output_signal

（九）消抖滤波法

原理：消除信号中的抖动或短时波动，只有当信号值连续n次出现在某一范围内时，才接受该值。

公式：$output[i]=input[i]$

def debouncing_filter(input_signal, n):
    output_signal = []
    count = 0
    for i in range(len(input_signal)):
        if input_signal[i] == input_signal[i - 1]:
            count += 1
        else:
            count = 1
        if count >= n:
            output_signal.append(input_signal[i])
    return output_signal

（十）卡尔曼滤波（非扩展卡尔曼）

原理：卡尔曼滤波是一种递归算法，利用状态估计和观测值来融合多个数据来源，优化信号估计。具体原理以及简单示例见下述两个优秀的链接。

图说卡尔曼滤波，一份通俗易懂的教程 - 知乎 (zhihu.com)

(53条消息) Kalman滤波通俗理解+实际应用_南叔先生的博客-CSDN博客

from filterpy.kalman import KalmanFilter

def kalman_filter(input_signal, process_noise, measurement_noise):
    kf = KalmanFilter(dim_x=1, dim_z=1)
    kf.x = input_signal[0]  # 初始状态估计
    kf.F = np.array([[1]])  # 状态转移矩阵
    kf.H = np.array([[1]])  # 观测矩阵
    kf.P *= 1000           # 初始协方差矩阵
    kf.R = measurement_noise  # 观测噪声协方差
    kf.Q = process_noise      # 过程噪声协方差

    output_signal = []
    for z in input_signal:
        kf.predict()
        kf.update(z)
        output_signal.append(kf.x[0])
    
    return output_signal