维纳滤波 信号经过系统之后，相当于进行了卷积操作，若想让其复原，只需再用系统进行反卷积即可。如果没有信号，系统却有了响应，那么这种噪声可以理解为系统的噪声。如果系统的数学形式是已知的，这种噪声就很容易滤掉，如果未知，那就需要进行估计，这就是维纳做的工作。 一个有限脉冲响应(finite impulse response, FIR)，其离散形式可通过卷积表示为 x=sin(1.5πt(1−t)+2.1)+0.1sin(2.5πt+1)+0.18cos(7.6πt) 其滤波效果如下 实现代码如下 【wiener】是signal模块中的滤波函数，其输入参数分别是待滤波数据和滤波模板，此外还有一个noise，表示系统噪声，默认为None，表示自行估计噪声。 巴特沃斯滤波器 FIR的特点是无反馈，yn 完全由xn决定，如果响应受到反馈的影响，便是无限脉冲响应(infinite impulse response, IIR)，其离散形式变为 滤波器设计，就是对ak,bk具体形式的求解，signal模块中提供了一些函数，对这两种信号进行滤波。仍以函数x为例，在添加噪声之后，进行滤波，对于不同的滤波函数，其效果如下 代码为 其中， 【butter】函数生成3阶巴特沃斯滤波器对应的 a aa和b bb值 【lfilter】是最基础的脉冲响应滤波器，从左侧开始进行滤波，故而会产生相位差 【filtfilt】从正反两个方向滤波，可消除了lfilter产生的相位差 中值滤波 中值滤波，就是挑选出将个滤波模板范围内数据的中位数，例如[1,3,2,4]这个数组，给定一个长度为3的滤波窗口，那么元素3所在位置的滤波范围就是1,3,2，其中位数是2，所以要把3更改为2。 二维的中值滤波在图像处理中非常常见，对椒盐噪声有着非常霸道的滤除效果。所谓椒盐噪声，如下方左图所示，就是图像中随机产生的黑色和白色的斑点。在使用二维的中值滤波之后，整张图片都变得清澈了。 绘图代码如下。 排序滤波 排序滤波是中值滤波概念的扩充，和中值滤波的区别是，在对滤波窗口中的数据进行排序之后，可以指定用以替代当前数据的数值序号。下面四个矩阵，展示了以3×3单位矩阵为滤波模板，排序滤波在不同排序参数下的结果。 此滤波过程在scipy中的实现方式如下。 【order_filter】即为signal模块提供的排序滤波函数，以输入参数(x, I, i)为例，表示从矩阵x中选出单位阵I所覆盖区域中第i小的元素。I是一个单位阵，就实际情况来看，其覆盖的第一个子阵中，以0为中心，则只能覆盖到2x2的范围，对角元素0,6，最小值是0，最大值是6。如以6为中心，则可以完全覆盖3x3的内容，最小值为0，最大值为12。 下面是绘图代码。 到此这篇关于Python实现数据滤波的示例详解的文章就介绍到这了,更多相关Python数据滤波内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！