乘法器低通滤波_电容乘法器 滤波 - CSDN
精华内容
参与话题
  • 文章目录1、滤波器1.1 塑造信号的频谱3.2 塑造信号的波形2、频域卷积定理与乘法器模块3、用乘法器和滤波器来搭建第一个调制解调   这一部分我们来介绍两种常用的信号处理模块,它们构成了我们大部分的通信系统。...

      这一部分我们来介绍两种常用的信号处理模块,它们构成了我们大部分的通信系统。注意我们只从算法这一层面讨论这两种模块,看它们是如何改变信号的时域以及频域特性。具体的实现,可以在电子线路、数字信号处理等课程里面找到相关内容。

    1、滤波器

       作为一种重要的线性系统,滤波器模块在通信系统中起着非常重要的作用。图1中给出了滤波器模块的模型图,其中x(t)x(t)X(f)X(f)分别为输入信号的波形和频谱,h(t)h(t)H(f)H(f)分别为滤波器的时域冲激响应和频域传递函数,y(t)y(t)Y(f)Y(f)分别为滤波器输出信号的波形和频谱。
    在这里插入图片描述

    图1 滤波器模块框图

       下面我们来看滤波器在通信系统中的两个应用,根据设计需要,分别塑造信号的频谱与波形。

    1.1 塑造信号的频谱

       由于输出信号频谱等于输入信号频谱与滤波器频域传递函数相乘,即Y(f)=X(f)H(f)Y(f)=X(f)H(f)。利用滤波器,通过设计H(f)H(f),我们可以按照需求来塑造滤波器输出信号的频谱。

    【思考题1】如果滤波器输入信号的波形为x(t)=RecttT0x(t)={\rm Rect}\frac{t}{T_0},其中T0T_0=0.01ms。现有滤波器h(t)=Sa(πf1t)h(t)={\rm Sa}(\pi f_1t),其中f1=1f_1=1kHz。求输出信号y(t)y(t)的波形与频谱。注意比较输入信号与输出信号之间频谱区别.

    3.2 塑造信号的波形

       前面我们提到输出信号波形等于输入信号波形与滤波器冲激函数的卷积,即y(t)=x(t)h(t)y(t)=x(t)*h(t)
       注意如果滤波器的输入信号为冲激信号,那么输出信号就为滤波器的冲激响应。也就是说,通过改变滤波器的冲激响应,在通信系统中就可以获得不同的传输波形。

    【思考题2】如果滤波器输入信号为x(t)=n=δ(tnTs)x(t)=\sum_{n=-\infty}^{\infty}\delta(t-nT_s),考虑滤波器冲激响应分别为门函数h1(t)=Rect(tτ)h_1(t)={\rm Rect}(\frac{t}{\tau})和三角函数h2(t)=Λ(t2τ)h_2(t)=\Lambda (\frac{t}{2\tau}),请画出输出信号波形。

    2、频域卷积定理与乘法器模块

       我们来看看频域卷积定理:
    (2.1)y(t)=x1(t)x2(t)Y(f)=X1(f)X2(f).\tag{2.1} y(t)=x_1(t)x_2(t)\leftrightarrow Y(f)=X_1(f)X_2(f). 这意味着,如果两个信号波形x1(t)x_1(t)x2(t)x_2(t)相乘,得到信号y(t)y(t),那么y(t)y(t)的傅里叶变换(频谱密度)等于x1(t)x_1(t)x2(t)x_2(t)频谱密度X1(f)X_1(f)X2(f)X_2(f)卷积的结果。
       前面我们谈到,时域卷积定理说明了线性系统的时域与频域关系,那么频域卷积定理在系统上有什么意义呢?
       频域卷积定理说明了我们另外一种常用的模块,称为乘法器的时域与频域特性。
       如果乘法器模块输入两个信号,x1(t)x_1(t)x2(t)x_2(t),乘法器的作用就是将这两个信号相乘得到输出信号y(t)y(t),如图2所示。
    在这里插入图片描述

    图2 乘法器模块框图

    3、用乘法器和滤波器来搭建第一个调制解调器

       其实我们可以把乘法器和滤波器看成是积木,我们的通信系统可以用这两种模块搭建出来。
       图3就是一种非常重要的调制系统,模拟幅度调制,怎么样看起来不难吧,就是一个乘法器。图4是模拟幅度调制的相干解调器,好像也不难吧,就是一个乘法器外加一个滤波器。
    在这里插入图片描述

    图3 模拟幅度调制模型
    在这里插入图片描述

    图4 模拟幅度调制信号相干解调器模型

    【思考题3】假定m(t)=Sa(πf1t)m(t)={\rm Sa}(\pi f_1t),请写出图3、图4中s(t)s(t)sd(t)s_d(t)mo(t)m_o(t)波形与频谱的表达式。如果f1<<fcf_1<<f_c,请画出s(t)s(t)sd(t)s_d(t)mo(t)m_o(t)的波形以及频谱示意图。

    展开全文
  • 滤波和卷积

    千次阅读 2009-08-14 10:48:00
    什么叫滤波:用白话讲就是,一个电信号中有若干种成分,把其中一部分交流信号过滤掉就叫滤波。卷积和滤波的区别:在数字信号处理的理论中,卷给可以说是一种数学运算,而滤波是一种信号处理的方法。卷积就像加权乘法...

    什么叫滤波:用白话讲就是,一个电信号中有若干种成分,把其中一部分交流信号过滤掉就叫滤波。

    卷积和滤波的区别:在数字信号处理的理论中,卷给可以说是一种数学运算,而滤波是一种信号处理的方法。卷积就像加权乘法一样,你能说滤波和加权乘法是一样的吗,显然不行;但是滤波最终是有乘法来实现的。

    自适应滤波就是滤波所用的模板系数会根据图像不同位置自动调整。
    中值滤波(median filter)简单的说就是:一个窗(window)中心的象素值就是这个窗包含的象素中处于中间位置的象素值。
    均值滤波(mean filter)就是一个窗中心的象素值就是这个窗包含的象素的平均值。
    空间频率主要是指图像的平滑或粗糙程度。一般可认为,高空间频率区域称“粗糙”,即图像的亮度值在小范围内变化很大,而“平滑”区,图像的亮度值变化相对较小,如平滑的水体表面等。低通滤波主要用于加强图像中的低频成分,减弱高频成分,而高通滤波则正好相反,加强高频细节,减弱低频细节,简单地讲:高通滤波处理过的图像更加“粗糙”。高通滤波顾名思义就是让频率高的通过,使图像具有锐化效果;低通滤波则恰好相反了,它是使低频通过,使图像具有平滑的效果。

     

    模板的定义
    所谓模板就是一个系数矩阵
    模板大小:经常是奇数,如:
    3x3   5x5   7x7
    模板系数: 矩阵的元素
    w1 w2 w3
    w4 w5 w6
    w7 w8 w9

    空域过滤及过滤器的定义:使用空域模板进行的图像处理,被称为空域过滤。模板本身被称为空域过滤器
    空域过滤器的分类
    按效果分:钝化过滤器,锐化过滤器
    按数学形态分类
    1,线性过滤器:使用乘积和的计算,例如:R = w1z1 + w2z2 + … + wnzn
    高通:边缘增强、边缘提取
    低通:钝化图像、去除噪音
    带通:删除特定频率、增强中很少用
    2,非线性过滤器:结果值直接取决于像素邻域的值
    最大值:寻找最亮点,亮化图片
    最小值:寻找最暗点,暗化图片
    中值:钝化图像、去除噪音


    钝化过滤器的主要用途
    1,对大图像处理前,删去无用的细小细节
    2,连接中断的线段和曲线
    3,降低噪音
    4,钝化处理,恢复过分锐化的图像
    5,图像创艺(阴影、软边、朦胧效果)
    缺点:
    如果图像处理的目的是去除噪音,那么,低通滤波在去除噪音的同时也钝化了边和尖锐的细节,但是中值滤波算法的特点:在去除噪音的同时,可以比较好地保留边的锐度和图像的细节锐化过滤器的主要用途
    1,印刷中的细微层次强调。弥补扫描、挂网对图像的钝化
    2,超声探测成象,分辨率低,边缘模糊,通过锐化来改善
    3,图像识别中,分割前的边缘提取
    4,锐化处理恢复过度钝化、暴光不足的图像
    5,图像创艺(只剩下边界的特殊图像)
    6,尖端武器的目标识别、定位

    过滤器效果的分析
    1,常数或变化平缓的区域,结果为0或很小,图像很暗,亮度被降低了
    2,在暗的背景上边缘被增强了
    3,图像的整体对比度降低了
    4,计算时会出现负值,归0处理为常见

    基本高通空域滤波的缺点和问题
    高通滤波在增强了边的同时,丢失了图像的层次和亮度

    展开全文
  • 图像卷积和滤波运算(高斯滤波模板) ...这些性质表明,高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器,且在实际图像处理中得到了工程人员的有效使用.高斯函数具有五个十分重要的性质,它们是:

    图像卷积和滤波运算(高斯滤波模板)  

    高斯函数在图像增强中起到什么作用,麻烦具体点,就比如傅立叶变化在图像增强中可以有去除噪声的作用

     主要是平滑图像~~~
    高斯函数具有五个重要的性质,这些性质使得它在早期图像处理中特别有用.这些性质表明,高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器,且在实际图像处理中得到了工程人员的有效使用.高斯函数具有五个十分重要的性质,它们是:
    (1)二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度是相同的.一般来说,一幅图像的边缘方向是事先不知道的,因此,在滤波前是无法确定一个方向上比另一方向上需要更多的平滑.旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向.
    (2)高斯函数是单值函数.这表明,高斯滤波器用像素邻域的加权均值来代替该点的像素值,而每一邻域像素点权值是随该点与中心点的距离单调增减的.这一性质是很重要的,因为边缘是一种图像局部特征,如果平滑运算对离算子中心很远的像素点仍然有很大作用,则平滑运算会使图像失真.
    (3)高斯函数的付立叶变换频谱是单瓣的.正如下面所示,这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论.图像常被不希望的高频信号所污染(噪声和细纹理).而所希望的图像特征(如边缘),既含有低频分量,又含有高频分量.高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染,同时保留了大部分所需信号.
    (4)高斯滤波器宽度(决定着平滑程度)是由参数σ表征的,而且σ和平滑程度的关系是非常简单的.σ越大,高斯滤波器的频带就越宽,平滑程度就越好.通过调节平滑程度参数σ,可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷.
    (5)由于高斯函数的可分离性,大高斯滤波器可以得以有效地实现.二维高斯函数卷积可以分两步来进行,首先将图像与一维高斯函数进行卷积,然后将卷积结果与方向垂直的相同一维高斯函数卷积.因此,二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长.
     
     什么叫滤波:用白话讲就是,一个电信号中有若干种成分,把其中一部分交流信号过滤掉就叫滤波。
    卷积和滤波的区别:在数字信号处理的理论中,卷给可以说是一种数学运算,而滤波是一种信号处理的方法。卷积就像加权乘法一样,你能说滤波和加权乘法是一样的吗,显然不行;但是滤波最终是有乘法来实现的。
    自适应滤波就是滤波所用的模板系数会根据图像不同位置自动调整。
    中值滤波(median filter)简单的说就是:一个窗(window)中心的象素值就是这个窗包含的象素中处于中间位置的象素值。
    均值滤波(mean filter)就是一个窗中心的象素值就是这个窗包含的象素的平均值。
    空间频率主要是指图像的平滑或粗糙程度。一般可认为,高空间频率区域称“粗糙”,即图像的亮度值在小范围内变化很大,而“平滑”区,图像的亮度值变化相对较小,如平滑的水体表面等。低通滤波主要用于加强图像中的低频成分,减弱高频成分,而高通滤波则正好相反,加强高频细节,减弱低频细节,简单地讲:高通滤波处理过的图像更加“粗糙”。高通滤波顾名思义就是让频率高的通过,使图像具有锐化效果;低通滤波则恰好相反了,它是使低频通过,使图像具有平滑的效果。
     
    ?模板的定义 –所谓模板就是一个系数矩阵 –模板大小:经常是奇数,如: 3x3   5x5   7x7 –模板系数: 矩阵的元素 w1 w2 w3 w4 w5 w6 w7 w8 w9
    空域过滤及过滤器的定义:使用空域模板进行的图像处理,被称为空域过滤。
     
    w1 w2 w3
    w4 w5 w6
    w7 w8 w9

    模板本身被称为空域过滤器
    空域过滤器的分类
    按效果分:钝化过滤器,锐化过滤器
    按数学形态分类
    1,线性过滤器:使用乘积和的计算,例如:R = w1z1 + w2z2 + … + wnzn
    高通:边缘增强、边缘提取
    低通:钝化图像、去除噪音
    带通:删除特定频率、增强中很少用
    2,非线性过滤器:结果值直接取决于像素邻域的值
    最大值:寻找最亮点,亮化图片
    最小值:寻找最暗点,暗化图片
    中值:钝化图像、去除噪音
     
     钝化过滤器的主要用途
    1,对大图像处理前,删去无用的细小细节
    2,连接中断的线段和曲线
    3,降低噪音
    4,钝化处理,恢复过分锐化的图像
    5,图像创艺(阴影、软边、朦胧效果)
    缺点:
    如果图像处理的目的是去除噪音,那么,低通滤波在去除噪音的同时也钝化了边和尖锐的细节,但是中值滤波算法的特点:在去除噪音的同时,可以比较好地保留边的锐度和图像的细节锐化过滤器的主要用途
    1,印刷中的细微层次强调。弥补扫描、挂网对图像的钝化
    2,超声探测成象,分辨率低,边缘模糊,通过锐化来改善
    3,图像识别中,分割前的边缘提取
    4,锐化处理恢复过度钝化、暴光不足的图像
    5,图像创艺(只剩下边界的特殊图像)
    6,尖端武器的目标识别、定位
    过滤器效果的分析
    1,常数或变化平缓的区域,结果为0或很小,图像很暗,亮度被降低了
    2,在暗的背景上边缘被增强了
    3,图像的整体对比度降低了
    4,计算时会出现负值,归0处理为常见
    基本高通空域滤波的缺点和问题
    高通滤波在增强了边的同时,丢失了图像的层次和亮度
     
     
     
     
     
     
     
     
     
    对图像的小波变换在Matlab中实现的实质是不是用一块模板在图像上作卷积。
    遇到这样的问题,Atrous小波变换中是用一个模板在图像上进行卷积可以得到小波平面,以及低频分量。
    那么其他的小波变换呢?
    Matlab上有许多现成的小波变换函数以及小波函数,但是我对其中的原理不了解。 如Mallat小波,db小波,对图像进行分解时,是不是也是由一个模板在图像上进行卷积呢,要不如何处理呢?
    没错,小波变换实际就是用模板和信号进行卷积,只不过在做小波变换的时候一般至少需要两个模板,一个是充当低通分解滤波器的模板,一个是充当高通分解滤波器的模板(对于MALLAT 和ZHONG的二进小波变换还需要另外两个滤波器),在Atrous小波变换中,还需要在每级小波变换后对模板进行插0操作。在对图像进行小波变换的时候要分别对行和列进行操作(当然了你要是变成矩阵运算的话就不需要分别对行和列进行操作了)
     
     
    高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。关于高斯滤波的数学原理说明可以从文章底部的参考资料中获得。
    通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
    高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
    一般的模板为3×3或5×5大小,其权值分布如下图:
     
    若使用3×3模板,则计算公式如下:
    g(x,y)={f(x-1,y-1)+f(x-1,y+1)+f(x+1,y-1)+f(x+1,y+1)+[f(x-1,y)+f(x,y-1)+f(x+1,y)+f(x,y+1)]*2+f(x,y)*4}/16;
    其中,f(x,y)为图像中(x,y)点的灰度值,g(x,y)为该点经过高斯滤波后的值。
      高斯滤波可以在频域和空间域实现,在频域的处理方法是将图像通过傅立叶变换后转换到频域,变换后的图像与高斯滤波器相乘然后利用傅立叶反变换转换回空间域得到滤波后的图像,我是利用lpfilter函数生成高斯滤波器的,这在我昨天贴出的代码里没有给出,是我疏忽了。 空间滤波的方法是生成高斯卷积模板,通过模板与图像进行卷积的过程实现对图像的滤波过程,这在matlab中是利用imfilter实现的。 我的问题是希望将频率滤波方法转换成空间滤波方法得到同样的效果。现在问题已经解决了,是因为我忽略了高斯函数在傅立叶变换前后尽管形式相同,但标准差发生了变化,即原来的高斯函数越宽(标准差越大),变换后的高斯函数就越窄(标准差越小),因此sigma不应使用相同的值来生成高斯滤波器。 
     
     1 图像滤波的基本概念
         图像常常被强度随机信号(也称为噪声)所污染.一些常见的噪声有椒盐(Salt & Pepper)噪声、脉冲噪声、高斯噪声等.椒盐噪声含有随机出现的黑白强度值.而脉冲噪声则只含有随机的白强度值(正脉冲噪声)或黑强度值(负脉冲噪声).与前两者不同,高斯噪声含有强度服从高斯或正态分布的噪声.研究滤波就是为了消除噪声干扰。
         图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像,空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算,即输出图像中任何像素的值都是通过采用一定的算法,根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波(例如最常见的均值滤波和高斯滤波),否则为非线性滤波(中值滤波、边缘保持滤波等)。
         线性平滑滤波器去除高斯噪声的效果很好,且在大多数情况下,对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是,同一模式的权重因子可以作用在每一个窗口内,也就意味着线性滤波器是空间不变的,这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子,且仍然可以用滤波器完成加权运算,那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器.非线性滤波器也可以是空间不变的,也就是说,在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。
     
     2 图像滤波的计算过程分析
         滤波通常是用卷积或者相关来描述,而线性滤波一般是通过卷积来描述的。他们非常类似,但是还是会有不同。下面我们来根据相关和卷积计算过程来体会一下他们的具体区别:
     卷积的计算步骤:
     (1)       卷积核绕自己的核心元素顺时针旋转180
     (2)       移动卷积核的中心元素,使它位于输入图像待处理像素的正上方
     (3)       在旋转后的卷积核中,将输入图像的像素值作为权重相乘
     (4)       第三步各结果的和做为该输入像素对应的输出像素
     相关的计算步骤:
     1移动相关核的中心元素,使它位于输入图像待处理像素的正上方
    
     2将输入图像的像素值作为权重,乘以相关核
     3将上面各步得到的结果相加做为输出
         可以看出他们的主要区别在于计算卷积的时候,卷积核要先做旋转。而计算相关过程中不需要旋转相关核。
     例如: magic(3) =[8 1 6;3 5 7;4 9 2],旋转180度后就成了[2 9 4;7 5 3;6 1 8]
     
     三 高斯平滑滤波器的设计
         高斯函数的最佳逼近由二项式展开的系数决定,换句话说,用杨辉三角形(也称Pascal三角形)的第n行作为高斯滤波器的一个具有n个点的一维逼近,例如,五点逼近为:
     1 4 6 4 1
         它们对应于Pascal三角形的第5行.这一模板被用来在水平方向上平滑图像.在高斯函数可分离性性质中曾指出,二维高斯滤波器能用两个一维高斯滤波器逐次卷积来实现,一个沿水平方向,一个沿垂直方向.实际中,这种运算可以通过使用单个一维高斯模板,对两次卷积之间的图像和最后卷积的结果图像进行转置来完成.
     这一技术在模板尺寸N约为10时的滤波效果极好.对较大的滤波器,二项式展开系数对大多数计算机来说都太多.但是,任意大的高斯滤波器都能通过重复使用小高斯滤波器来实现.高斯滤波器的二项式逼近的σ可用高斯函数拟合二项式系数的最小方差来计算.
    
        设计高斯滤波器的另一途径是直接从离散高斯分布中计算模板权值。为了计算方便,一般希望滤波器权值是整数。在模板的一个角点处取一个值,并选择一个K使该角点处值为1。通过这个系数可以使滤波器整数化,由于整数化后的模板权值之和不等于1,为了保证图像的均匀灰度区域不受影响,必须对滤波模板进行权值规范化。
    
       高斯滤波器的采样值或者高斯滤波器的二项式展开系数可以形成离散高斯滤波器.当用离散高斯滤波器进行卷积时,其结果是一个更大的高斯离散滤波器.若一幅图像用N*N离散高斯滤波器进行平滑,接着再用M*M离散高斯滤波器平滑的话,那么平滑结果就和用(N+M-1)*(N+M-1)离散高斯滤波器平滑的结果一样.换言之,在杨辉三角形中用第N行和第M行卷积形成了第N+M-1行.
     
     四 使用高斯滤波器进行图像的平滑
          如果适应卷积运算对图像进行滤波,在matlab中可以通过2个不同的函数来实现conv2imfliter。他们的调用方式如下:
     Img_n = conv2(Img,g,'same');  和
    Img_n = imfilter(Img,g,'conv');
     这两种函数处理的结果是完全一样的。
          imfiler函数在默认的情况下,对图像的滤波计算用的是相关
           Img_n = imfilter(Img,g);%使用相关运算滤波
     
         下面是一个简单的例子展示了使用相同的高斯滤波核函数,相关运算和卷积运算对图像平滑的效果可以直接后边附的程序查看。
         由结果可以看出相关运算和卷积运算的在用于图像平滑滤波时效果差别不大。当模板大小N>50的时候。边界的系数已经非常小,对运算起到的作用和微乎其微,所以平滑的结果差别已经非常细微,肉眼几乎难以察觉。
     example.m
     clear all
     I = imread('lena.bmp');
     Img = double(I);
     alf=3;
     n=10;%定义模板大小
     n1=floor((n+1)/2);%计算中心
     for i=1:n
     for j=1:n
     b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);
     end
     end
     Img_n = uint8(conv2(Img,b,'same')); 
     K=uint8(imfilter(Img,b));
     Img_n2=uint8(imfilter(Img,b,'conv'));
     J=(Img_n2)-Img_n;
     flag=mean(J(:))
     subplot(131),imshow(I);title('原图')
     subplot(132),imshow(Img_n);title('卷积运算图')
     subplot(133),imshow(K);title('相关运算图')
     figure(2),surf(b);
     http://sunnysnow2004.blog.163.com/blog/static/5282482420085184017571/ 
     
     高斯核函数在图像滤波中的应用
     高斯(核)函数简介
     1函数的基本概念
     所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。
     高斯函数具有五个重要的性质,这些性质使得它在早期图像处理中特别有用.这些性质表明,高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器,且在实际图像处理中得到了工程人员的有效使用.高斯函数具有五个十分重要的性质,它们是:
     (1)二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度是相同的.一般来说,一幅图像的边缘方向是事先不知道的,因此,在滤波前是无法确定一个方向上比另一方向上需要更多的平滑.旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向.
     (2)高斯函数是单值函数.这表明,高斯滤波器用像素邻域的加权均值来代替该点的像素值,而每一邻域像素点权值是随该点与中心点的距离单调增减的.这一性质是很重要的,因为边缘是一种图像局部特征,如果平滑运算对离算子中心很远的像素点仍然有很大作用,则平滑运算会使图像失真.
     (3)高斯函数的付立叶变换频谱是单瓣的.正如下面所示,这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论.图像常被不希望的高频信号所污染(噪声和细纹理).而所希望的图像特征(如边缘),既含有低频分量,又含有高频分量.高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染,同时保留了大部分所需信号.
     (4)高斯滤波器宽度(决定着平滑程度)是由参数σ表征的,而且σ和平滑程度的关系是非常简单的.σ越大,高斯滤波器的频带就越宽,平滑程度就越好.通过调节平滑程度参数σ,可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷.
     (5)由于高斯函数的可分离性,大高斯滤波器可以得以有效地实现.二维高斯函数卷积可以分两步来进行,首先将图像与一维高斯函数进行卷积,然后将卷积结果与方向垂直的相同一维高斯函数卷积.因此,二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长.
     2函数的表达式和图形
     在这里编辑公式很麻烦,所以这里就略去了。可以参看相关的书籍,仅给出matlab绘图的代码
     alf=3;
     n=7;%定义模板大小
     n1=floor((n+1)/2);%确定中心
     for i=1:n
     
     a(i)= exp(-((i-n1).^2)/(2*alf^2));
     
     for j=1:n
     
     b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf);
     
     end
     end
     subplot(121),plot(a),title('一维高斯函数' )
     subplot(122),surf(b),title('二维高斯函数' )
     二 图像滤波
     1 图像滤波的基本概念
     图像常常被强度随机信号(也称为噪声)所污染.一些常见的噪声有椒盐(Salt & Pepper)噪声、脉冲噪声、高斯噪声等.椒盐噪声含有随机出现的黑白强度值.而脉冲噪声则只含有随机的白强度值(正脉冲噪声)或黑强度值(负脉冲噪声).与前两者不同,高斯噪声含有强度服从高斯或正态分布的噪声.研究滤波就是为了消除噪声干扰。
     图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像,空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算,即输出图像中任何像素的值都是通过采用一定的算法,根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波(例如最常见的均值滤波和高斯滤波),否则为非线性滤波(中值滤波、边缘保持滤波等)。
     线性平滑滤波器去除高斯噪声的效果很好,且在大多数情况下,对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是,同一模式的权重因子可以作用在每一个窗口内,也就意味着线性滤波器是空间不变的,这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子,且仍然可以用滤波器完成加权运算,那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器.非线性滤波器也可以是空间不变的,也就是说,在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。
     2 图像滤波的计算过程分析
     滤波通常是用卷积或者相关来描述,而线性滤波一般是通过卷积来描述的。他们非常类似,但是还是会有不同。下面我们来根据相关和卷积计算过程来体会一下他们的具体区别:
     卷积的计算步骤:
     (1)    卷积核绕自己的核心元素顺时针旋转180度
     (2)    移动卷积核的中心元素,使它位于输入图像待处理像素的正上方
     (3)    在旋转后的卷积核中,将输入图像的像素值作为权重相乘
     (4)    第三步各结果的和做为该输入像素对应的输出像素
     相关的计算步骤:
     (1)移动相关核的中心元素,使它位于输入图像待处理像素的正上方
     (2)将输入图像的像素值作为权重,乘以相关核
     (3)将上面各步得到的结果相加做为输出
     
     可以看出他们的主要区别在于计算卷积的时候,卷积核要先做旋转。而计算相关过程中不需要旋转相关核。
     例如: magic(3) =[8 1 6;3 5 7;4 9 2],旋转180度后就成了[2 9 4;7 5 3;6 1 8]
    
    

    引用:http://blog.sina.com.cn/s/blo_4b700c4c0102e02s.html

     
    展开全文
  • 一阶IIR滤波器的C语言设计和优化

    千次阅读 2018-04-19 11:34:53
    对于N阶IIR的计算方程式为:...x[n]为本次要滤波的输入数据,x[n-1]为上一次滤波前的输入数据,y[n-1]为上一次滤波器输出的数据。设计这个滤波器,主要就是设计其中的系数a和b。################################...

    对于N阶IIR的计算方程式为:


    其中N表示滤波器的级数,当N=1的时候,其方程可以展开为如下所示:


    本文的研究对象就是这个一阶方程,其中y为输出数据,x为输入数据,a和b为滤波器的系数。

    x[n]为本次要滤波的输入数据,x[n-1]为上一次滤波前的输入数据,y[n-1]为上一次滤波器输出的数据。

    设计这个滤波器,主要就是设计其中的系数a和b。

    ######################################

    几乎网上的所有资料都是叫你使用matlab中的fdtool来设计参数,其实如果只是计算滤波参数,

    完全不用安装matlab这个几百兆的大家伙,可以使用下面介绍的小工具完成任务:

    1.直接在线计算:http://www-users.cs.york.ac.uk/~fisher/mkfilter

    2.下载专用小软件ScopeIIR,官方网站:http://iowegian.com/scopeiir

    3.下载专用小软件FiWiz,官方网站:http://www1.icsi.berkeley.edu/~storn/fiwiz.html

    4.下载专用小软件Iowa Hill,官方网站:http://iowahills.com/8DownloadPage.html

    #####################################

    无论使用哪种方式计算参数,都要输入采样率,滤波器类型,滤波级数,截止频率等参数。

    最后都会得到A0,A1,A2,B0,B1,B2这样的滤波器系数,直接代入到公式中计算就可以了。

    默认情况下,公式中的数据用代码都是采用浮点数float或者double来计算,这样可以提高精度,
    但是大量的浮点乘法计算量比较大,特别是对于主频不高的单片机而言就更为吃力;
    所以我们希望可以使用定点整数以减少计算量,甚至希望用移位器和加法器来代替乘法。

    下面就举一个实例来研究如何减少计算量:

    我们要设计一个采样率为1000,截止频率为100,滤波器类型为Butterworth,阶数为1的IIR低通滤波器,
    通过计算得到如下参数:

    B[0]=+1.000000
    B[1]=+1.000000
    A[1]=-0.509525

    (细心的人可能会发现高通滤波器和低通滤波器的区别只有B[1]这个参数,一个为+1.00,一个为-1.00)

    代入公式得到:y[n]=x[n]+x[n-1]+0.509525*y[n-1]

    我们优化的重点就是这个0.50952*y[n-1],利用移位法来代替小数乘法,
    原理就是把小数分解为1/M[0]+1/M[1]+...的方式,其中M[n]必须为2的整数次幂,
    分解的次数越多,分母越大,误差就越小,可以根据实际情况需要选择分解的精度。

    分解过程:

    0.509525 * 1024 = 521(注:需要更高精度,可以把1024改为2048,4096,8192.......)

    =521/1024

    =(512+8+1)/1024

    =512/1024+8/1024+1/1024

    =1/2+1/8+1/1024

    所以这个公式可以改写为:y[n]=x[n]+x[n-1]+y[n-1]/2+y[n-1]/8+y[n-1]/1024

    最后附上C语言代码:

    /*************************************************************************************************
    * 输入待滤波的数据,返回滤波后的数据
    * 由于输入输出都是整型数据,为了防止数据溢出或数据太小,可以将输入数据先左/右移N位,最后返回时再右/左移N位
    **************************************************************************************************/
    int iir_filter(int x1)
    {
        static int x0;
        static int y0;
        int y1;
        y1 = x1 + x0 + (y0>>1) + (y0>>3) + (y0>>10);
        x0 = x1;
        y0 = y1;
        return y1;
    }


    展开全文
  • C++实现Cascaded Integrator Comb(CIC)滤波器

    千次阅读 2016-12-11 16:06:19
    笔者最近在做音频处理相关的项目,要实现在Android手机上将48k采样的音频信号降频到基带...不同于一般的FIR滤波器需要乘法器,CIC滤波器实现简单,只用加法器、减法器和寄存器就可以执行采样率转换和低通滤波,并且具有
  • 模拟滤波器和数字滤波器

    千次阅读 2016-12-12 23:37:13
    模拟:用于抗混叠,避免ADC采样时(低通采样或带通采样)将无关频带的信号混叠到有用信号中。 模拟信号可以用数字无限逼近(采样频率),但是不是等于  数字:先数字下变频,然后抽取滤波、成形滤波(或匹配滤波)...
  • 常见运放电路分析仿真汇总

    万次阅读 2018-08-16 09:35:08
    第八章 运算放大应用 §8.1 比例运算电路 8.1.1 反相比例电路  1. 基本电路  电压并联负反馈输入端虚短、虚断              特点:  反相端为虚地,...
  • FIR滤波器的Matlab实现

    万次阅读 2017-02-22 16:16:38
    FIR 滤波器广泛应用于数字信号处理中,主要功能就是将不感兴趣的信号滤除,留下有用信号。FIR滤波器是全零点结构,系统永远稳定;并且具有线性相位的特征... FIR滤波处理如下式所示,其中x(n)为输入信号,h(n)为FI
  • 双边滤波(二)

    千次阅读 2014-05-03 17:49:30
    双边滤波问世
  • FIR滤波器(1)- 基础知识

    万次阅读 2014-05-25 09:42:52
    FIR滤波器广泛应用于数字信号处理中,主要功能就是将不感兴趣的信号滤除,留下有用信号。FIR滤波器是全零点结构,系统永远稳定;并且具有线性相位的特征,在有效... FIR滤波处理如下式所示,其中x(n)为输入信号,h
  • 高斯滤波器原理及其实现

    千次阅读 2017-07-26 08:28:10
    高斯滤波器是空间滤波器的一种,学习高斯滤波器,需要空间滤波的知识作为先验知识(各种数字图像处理的书中都有介绍,冈萨雷斯的经典教材说的还是比较清楚的,建议看英文版,个人感觉比翻译过来的更容易理解)。...
  • 1---FIR滤波器简介

    万次阅读 2017-09-09 10:56:24
    2. FIR滤波器是怎么滤波的 信号通过一个FIR滤波器其实就是信号与FIR滤波器的系数进行卷积(即乘累加)的过程。 简单信号模型 低频信号:即在时域上变化慢的信号,如1 1 1 1 2 2 2 2,还有直流信号1 1 1 1 1 1 1 ...
  • 半带 FIR 滤波器(Half-band FIR Filter)

    千次阅读 2018-12-25 16:14:12
    半带滤波器是一种特殊的低通FIR数字滤波器。这种滤波器由于通带和阻带相对于二分之一Nyquist频率对称,因而有近一半的滤波器系数精确为零。 半带 FIR滤波器的一般频率响应: 幅度频率响应关于π...
  • 滤波器的种类及原理

    万次阅读 多人点赞 2018-03-27 11:45:33
    利用滤波器的这种选频作用,可以滤除干扰噪声或进行频谱分析...滤波的概念滤波是信号处理中的一个重要概念,滤波电路的作用是尽可能减小脉动的直流电压中的交流成分,保留其直流成分,使输出电压纹波系数降低,波形...
  • FPGA数字信号处理(二)并行FIR滤波器Verilog设计

    万次阅读 多人点赞 2019-04-03 14:48:57
    该篇是FPGA数字信号处理的第二篇,选题为DSP系统中极其常用的FIR滤波器。本文将简单介绍FIR滤波器的原理,详细介绍使用Verilog HDL设计并行FIR滤波器的流程和方法。接下来几篇会介绍串行结构FIR的Verilog设计、使用...
  • 数据滤波处理

    千次阅读 2017-07-08 15:31:21
    在工业过程控制系统中,由于被控对象的环境比较恶劣,干扰源比较多,仪器、仪表采集的信息常会受到干扰,所以在模拟系统中,为了消除干扰,常采用RC滤波电路,而在由工业控制计算机组成的自动检测系统中,为了提高采样的可靠...
  • 转自网易博客:... ... 高斯函数在图像增强中起到什么作用,麻烦具体点,就比如傅立叶变化在图像增强中可以有去除噪声的作用 主要是平滑图像~~~
  • FPGA数字信号处理(三)串行FIR滤波器Verilog设计

    千次阅读 多人点赞 2018-06-15 10:32:25
    该篇是FPGA数字信号处理的第三篇,选题为DSP系统中极其常用的FIR滤波器。本文将在上一篇“FPGA数字信号处理(二)并行FIR滤波器Verilog设计” ... 串行FIR 并行FIR使用n/2(借助线性...
  • 这篇博客算是前言吧,最近在做...同时对于极端条件下的滤波(针对可变滤波参数设计),例如低通滤波的Fp相对于采样频率来说很低,这样的滤波器如何设计。另外,还要考虑到FPGA乘法器的运行速度,如何将一个包含有延迟乘
1 2 3 4 5 ... 20
收藏数 1,814
精华内容 725
关键字:

乘法器低通滤波