数据滤波

本篇博客来说说硬件开发的笔试或者面试。 面试主要是基于项目的，所以在这里不过多讨论，看自己的项目经验了。 笔试题目，硬件笔试包含的内容还是比较多的，有FPGA，C语言，信号系统知识，数电模电、电路分析、高频电路、PCB设计，通信原理等。在这里尽可能列举硬件笔试可能会出现的题目。 以下回答为笔者杜撰，未必正确，欢迎大家一同讨论。 PCB的两条走线过长平行走线会引起什么后果？ 从信号完整性方面来考虑，过长的走线耦合增强，串扰的本质在于耦合，所以过长平行走线会引起串扰，可能会引起误码操作。 常见的组合逻辑电路有哪些？ 加法器，数据选择器，数据输出器，编码器，译码器，数值比较单元，算数逻辑单元。 存储器有哪些构成？ 存储阵列，地址译码器和输出控制电路。 锁相环电路的基本构成？ 分频器、鉴频鉴相器、环路滤波器、压控振荡器。 RS232和RS485的主要区别？ RS232是利用传输线与公共地之间的电压差传输信号，RS485是利用传输线之间的电压差作为传输信号，由于电压差分对的存在，可以很好的抑制共模干扰，所以RS485传输更远。 驱动蜂鸣器的三极管工作在哪个区，若是做反相器呢 ？ 由于单片机等其他MCU IO输出的电流比较小，大概在几十个mA以下，所以为了驱动需要电流较大的器件，需要额外的器件。驱动蜂鸣器利用三极管，使其工作在放大区。利用三极管的饱和和截止特性，可以做反相器，作为开关使用。

1.噪声 1.1噪声分类 噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生，也可能在量化等处理中产生。 根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。) 1)加性噪声,此类噪声与输入图像信号无关，含噪图像可表示为f(x,y)=g(x,y)+ n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声。 2)乘性噪声,此类噪声 与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+ n(x,y)g(x,y),飞点扫描器扛描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。 3)量化噪声,此类噪声 与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。 1.2椒盐噪声 椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割弓|起。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像,使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声,而不能使用中值滤波对白噪声及椒盐噪声进行滤波,因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布,给随后的重心法细化过程带来负面影响。 大量的实验研究发现,由摄像机拍摄得到的图像受离散的脉冲

作者：凌逆战 地址： https://www.cnblogs.com/LXP-Never/p/12051532.html 波束成型 （Beamforming）又叫 波束赋形 、 空域滤波 作用 ：对多路麦克风信号进行合并处理， 抑制非目标方向 的干扰信号， 增强目标方向 的声音信号。 原理 ：调整相位阵列的基本单元参数，使得某些角度的信号获得相长干涉，而另一些角度的信号获得相消干涉。对各个阵元输出信号加权求和、滤波，最终输出期望方向的语音信号，相当于形成一个“波束”。 远场 ：由于信号源到阵列的距离远大于阵元间距， 不同阵元接收信号的 幅度差异较小 ，因此把不同阵元采集的语音信号的幅值认为都是一样的，只需对各阵元接收信号的 相位差异 进行处理即可。 近场 ：不同阵元 接收到的信号幅度 受信号源到各 阵元距离差异 的影响非常明显，需考虑信号源到达不同阵元的 波程差 。 问题： 通常的阵列处理多为窄带，使得传统的窄带信号处理方法的缺点逐渐显现出来。语音信号的频率范围为300~3400Hz，没有经过调制过程，且高低频相差比较大，不同阵元的相位延时与声源的频率关系密切，使得现有的窄带波束形成方法不再适用 信噪比比较低和混响影响比较高的环境下难以准确估计波达方向 传统的后置滤波只考虑散射噪声或只从波束形成后的单通道输出中估计噪声不足 根据 获取加权矢量时采用的方法 不同

算法（Algorithm）： 计算机解题的基本思想方法和步骤。 算法的描述： 是对要解决一个问题或要完成一项任务所采取的方法和步骤的描述，包括需要什么数据（输入什么数据、输出什么结果）、采用什么结构、使用什么语句以及如何安排这些语句等。通常使用自然语言、结构化流程图、伪代码等来描述算法。 一、计数、求和、求阶乘等简单算法 此类问题都要使用循环，要注意根据问题确定循环变量的初值、终值或结束条件，更要注意用来表示计数、和、阶乘的变量的初值。 例：用随机函数产生100个[0，99]范围内的随机整数，统计个位上的数字分别为1，2，3，4，5，6，7，8，9，0的数的个数并打印出来。 本题使用数组来处理，用数组a[100]存放产生的确100个随机整数，数组x[10]来存放个位上的数字分别为1，2，3，4，5，6，7，8，9，0的数的个数。即个位是1的个数存放在x[1]中，个位是2的个数存放在x[2]中，……个位是0的个数存放在数组x[10]。 二、求两个整数的最大公约数、最小公倍数 分析： 求最大公约数的算法思想：(最小公倍数=两个整数之积/最大公约数) (1) 对于已知两数m，n，使得m>n； (2) m除以n得余数r； (3) 若r=0，则n为求得的最大公约数，算法结束；否则执行(4)； (4) m←n，n←r，再重复执行(2)。 例如: 求 m="14" ,n=6 的最大公约数. m

总结一下学习过程中的Butterworth滤波。 Butterworth的运用比原理简单，基于应用来说就是简单的权重滤波。 先在Matlab中选择参数，根据滤波后的数据观察滤波效果。 低通滤波MATLAB代码示例如下： clear;clc; fs=400; %采样频率 fc=150;%通带临界频率 wn=2*fc/fs; [b,a]=butter(1,wn,‘low’);%构造butterworth低通滤波器，保留频率低于 150Hz的振动 Y_low=filter(b,a,Y); figure();plot(Y_low,‘r’);hold on;plot(Y,‘b’) xlabel(‘Time’);ylabel(‘Amplitude’) 带通滤波MATLAB代码示例如下： clear;clc; fs=400; %采样频率 wn=2 fc/fs; [b,a]=butter(1,2 150/fs,2*600/fs); %构造butterworth低通滤波器，保留频率高于150Hz低于600Hz的振动 Y_Y=filter(b,a,Y); figure();plot(Y_Y,‘r’);hold on;plot(Y,‘b’) xlabel(‘Time’);ylabel(‘Amplitude’) 来源： CSDN 作者： dewarf 链接： https://blog.csdn.net

除了元器件的选择和电路设计之外，良好的印制电路板（PCB）设计在电磁兼容性中也是一个非常重要的因素。PCB EMC设计的关键，是尽可能减小回流面积，让回流路径按照设计的方向流动。最常见返回电流问题来自于参考平面的裂缝、变换参考平面层、以及流经连接器的信号。跨接电容器或是去耦合电容器可能可以解决一些问题，但是必需要考虑到电容器、过孔、焊盘以及布线的总体阻抗。本讲将从PCB的分层策略、布局技巧和布线规则三个方面，介绍EMC的PCB设计技术。 PCB分层策略 电路板设计中厚度、过孔制程和电路板的层数不是解决问题的关键，优良的分层堆叠是保证电源汇流排的旁路和去耦、使电源层或接地层上的瞬态电压最小并将信号和电源的电磁场屏蔽起来的关键。从信号走线来看，好的分层策略应该是把所有的信号走线放在一层或若干层，这些层紧挨著电源层或接地层。对於电源，好的分层策略应该是电源层与接地层相邻，且电源层与接地层的距离尽可能小，这就是我们所讲的“分层”策略。下面我们将具体谈谈优良的PCB分层策略。 1．布线层的投影平面应该在其回流平面层区域内。布线层如果不在其回流平面层地投影区域内，在布线时将会有信号线在投影区域外，导致“边缘辐射”问题，并且还会导致信号回路面积地增大，导致差模辐射增大。 2．尽量避免布线层相邻的设置。因为相邻布线层上的平行信号走线会导致信号串扰，所以如果无法避免布线层相邻

1. 点检测 g = abs(imfilter(tofloat(f), w)) >= T; f 是输入图像，w 是适合点检测的模板: ，g 是包含检测点的图像。imfilter 把输出转换为输入所属的类，如果输入是整数类，并且 abs 操作不接受整数数据，那么在滤波操作中用 tofloat(f)来防止对数值的过早截取。输出图像 g 是 logical 类；值是 0 和 1。如果 T 值没有给出，那么通常基于滤波结果来选取。在那种情况下，先前的一串指令分成三个基本步骤：1) 计算滤波后的图像 abs(imfilter(tofloat(f),w))；2) 从滤波后的图像的数据中找出 T 的值；3) 把滤波后的图像与T做比较。 2.线检测 g = imfilter(tofloat(f), w); 其中w为线检测模板： 如果图中的第一个模板在图像上移动，就会对水平线(一个像素宽)的响应更强烈。对于恒定的背景，当线通过模板的中间一行时可能产生更大的响应。同样，图 中的第 2 个模板对+45°线响应最好，第 3 个模板对垂直线响应最好，第 4 个模板对 –45°线响应最好。注意，每个模板的优先方向都用比其他可能方向要大的系数加权。每个模板的系数之和为 0，这表明在恒定亮度区域中，模板的响应为 0。若每方向模板都应用于同一图像，其中一方向模板在图像中心点响应比其他模板在图像中心点响应都大

一、前言 着实好久没有写博客了，回来填坑，不过opencv4已经出来很久了，我的教程还在3徘徊。作为基础完全够用了，先把基础的坑填完吧，确实是很纠结自己的研究方向，不知道，还是多学吧，想太多，不如好好学。 如果想看其他有关于OpenCV学习方法介绍、学习教程、代码实战、常见报错及解决方案等相关内容，可以直接看我的OpenCV分类： 【OpenCV系列】：https://blog.csdn.net/shuiyixin/article/category/7581855 如果你想了解更多有关于计算机视觉、OpenCV、机器学习、深度学习等相关技术的内容，想与更多大佬一起沟通，那就扫描下方二维码加入我们吧！ 二、线性滤波与非线性滤波 1、回顾 1.分类 上节课我么讲到线型滤波和非线性滤波，我们讲了三种重要的线性滤波。也提到两种非线性滤波。常用的线性与非线性滤波如下： （1）线性滤波 ：方框滤波、均值滤波、高斯滤波； （2）非线性滤波 ：中值滤波、双边滤波 2.线性滤波器的分类 上节课我们也讲到线性滤波器的分类，线性滤波器经常用于剔除输入信号中不想要的频率或者从许多频率中选择一个想要的频率。几种常见的线性滤波器如下： （1）低通滤波器：允许低频率的波通过。 （2）高通滤波器：允许高频率的波通过的。 （3）带通滤波器：允许一定范围频率的波通过。 （4）带阻滤波器

1. 数字信号滤波 参考自： https://blog.csdn.net/colapin/article/details/52840075 >> clear all; close all; >> Signal = textread('呼吸十进制数据.txt'); % 读取原始数据，这里是 n * 1 的数据 >> Wc = 2 * 0.8 / 32; % 0.8--截止频率， 32--采样频率 >> [b, a] = butter(4, Wc); % 4--阶数 >> Signal_Filter = filter(b, a, Signal); % 滤波 >> subplot(2, 1, 1); >> plot(Signal); >> title('原始图像'); >> subplot(2,1,2); >> plot(Signal_Filter); >> title('巴特沃斯低通滤波后图像'); 示例： （为什么滤完波前几个数是零？？） 2. 数字图像滤波 来源： CSDN 作者： 什么珂 链接： https://blog.csdn.net/qq_34915398/article/details/104246247

本文主要介绍了高斯滤波器的原理及其实现过程 高斯滤波器是一种线性滤波器，能够有效的抑制噪声，平滑图像。其作用原理和均值滤波器类似，都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同，均值滤波器的模板系数都是相同的为1；而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小。 什么是高斯滤波器 既然名称为高斯滤波器，那么其和高斯分布（正态分布）是有一定的关系的。一个二维的高斯函数如下： \[ h(x,y) = e ^ {- \frac{x^2 + y^2}{2\sigma ^ 2}} \] 其中 \((x,y)\) 为点坐标，在图像处理中可认为是整数； \(\sigma\) 是标准差。要想得到一个高斯滤波器的模板，可以对高斯函数进行离散化，得到的高斯函数值作为模板的系数。例如：要产生一个 \(3 \times 3\) 的高斯滤波器模板，以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标，如下所示（x轴水平向右，y轴竖直向下） 这样，将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。 对于窗口模板的大小为 \((2k + 1) \times (2k + 1)\) ，模板中各个元素值的计算公式如下： \[ H_{i,j} = \frac{1}{2\pi \sigma ^ 2}e ^{-\frac