数据滤波

本文参考如下博客内容，在此对原博客作者表示感谢。 点云滤波简介： https://www.cnblogs.com/zhaobinyouth/p/6196358.html 点云滤波—直通滤波器：https://blog.csdn.net/wolfcsharp/article/details/93195621 点云滤波—体素网格滤波器：https://blog.csdn.net/wolfcsharp/article/details/93198320 点云滤波—统计滤波器：https://blog.csdn.net/wolfcsharp/article/details/93203442 PCL 几种滤波方法：https://blog.csdn.net/qq_39482438/article/details/81110036 Bilateral Filters（双边滤波算法）原理及实现：https://blog.csdn.net/piaoxuezhong/article/details/78302920 1 点云滤波和信号处理滤波 点云滤波是点云处理的基本步骤，也是进行 high level 三维图像处理之前必须要进行的预处理。其作用类似于信号处理中的滤波，但实现手段却和信号处理不一样。我认为原因有以下几个方面： 点云不是函数，对于复杂三维外形其x,y

第一个问题：高斯函数为什么能作为图像处理中的滤波函数？ 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

1 如何判定噪声类型？ 传导噪声类型定位 不同噪声类型，处理方式不同 针对传导骚扰，行业内的经验是从超标的频率范围判定噪声是差模还是共模噪声，然后采取相应的整改措施。这个分类是根据大量测试数据和整改经验得出的结论，工程分析时具有很好的参考价值。 辐射噪声类型定位 不同噪声类型，处理方式不同 上图是辐射测试图片，可以看到有不同形状的噪声，如馒头波、尖峰脉冲，我们可以从测试波形大致判定是电源噪声或系统频率噪声发射出来的。不同的噪声有不同的处理方法，重点是找准干扰源。通常开关电源的噪声从频谱看是连续的，通常我们叫它「馒头波」，或者叫「宽带噪声」。而系统频率通常是孤立的，因此也叫「尖峰脉冲」或「窄带尖峰」。 了解了EMI从波形判定噪声类型后，如果出现问题，该如何分析噪声是从哪里出来的呢？接下来看看EMI的分析三部曲。 2 EMI分析三部曲 EMI超标一般主要由以上三部分导致： 电缆、结构、单板 。在遇到EMI问题时，也是从这三个方面去诊断。接下来针对这三种超标情况，分享一下诊断技巧，首先来看电缆导致的超标问题。 电缆超标定位 针对EMI，特别是辐射发射，大多数情况下是从线缆辐射出来的。在出现这种情况后，首先判定整个系统有哪些电缆，如信号电缆、电源电缆。 在保证产品正常运行的情况下，可以先将信号电缆完全去掉，再检验是否有问题。如果某个电缆去掉后测试结果变化很大甚至合格了

转自 http://blog.csdn.net/zouxy09/article/details/49080029 一、线性滤波与卷积的基本概念 线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。 对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置，这个操作就叫卷积或者协相关。卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。 Correlation 和 Convolution可以说是图像处理最基本的操作，但却非常有用。这两个操作有两个非常关键的特点：它们是线性的，而且具有平移不变性shift-invariant。平移不变性指我们在图像的每个位置都执行相同的操作。线性指这个操作是线性的，也就是我们用每个像素的邻域的线性组合来代替这个像素。这两个属性使得这个操作非常简单，因为线性操作是最简单的，然后在所有地方都做同样的操作就更简单了。 实际上，在信号处理领域，卷积有广泛的意义，而且有其严格的数学定义，但在这里不关注这个。

1.导入数据的注意事项 1.1路径和数据中不得包括 非字母，非数字，非下划线 的字符。 1.2文件夹，文件，workspace中的变量名称 不得以数字打头 。 1.3 不要用 matlab或者eeglab中 函数的名字 作为变量或者文件夹名字。 鉴别方法： which -all [variablename] 2.降采样(有需要的话） 2.1如果你的采样频率 高于250hz 的话，可以降采样到250hz。 2.2降采样之前为了 抗锯齿化 要先进行 低通滤波 ，eeglab 自动 实现低通滤波。 2.3降采样的好处： 2.3.1 压缩数据量 。 2.3.2去掉高频数据，以便ICA进行 更好的分解 。 来源： https://www.cnblogs.com/rgd2019/p/11938243.html

对于角度传感器的输出值进行均值滤波时，在角度的循环点处因数据值的非连续性，如果不对原始数据进行处理做会出现错误数据，如（354 + 5）/2= 179.5，正常值应为359.5。采用把角度值转化为三角函数值滤波后再通过反函数（结合象限）求值的方法较多，此外对于两个数据值的滤波可通过差值判断的方法也可以解决，对于多数据的滤波有什么更高效的方法呢？ 对落入阈值范围（360度情况下如：330-360；0-30）的数据采取标记的方法，在要平均的数据中只有在两种数据都存在的情况下对数据进行处理就可以了。 int num = 5; //滤波值数量 int i = 0; //输入值放入数组循环 int m = 0; //标记 int n = 0; //标记 double[] data = new double[5]; //将滤波值置入数组 double temp, output; void Filter(double input) { data[i] = input; if (m > 0) m--; if (n > 0) n--; if (input > 330) m = num; if (input < 30) n = num; temp = 0; if (m > 0 && n > 0) { for (int j = 0; j < num; j++) if (data[j] < 30)

作者：Hohohong 链接：https://www.jianshu.com/p/8d2d93c4229b 來源：简书 图像卷积滤波与高斯模糊 1.1 图像卷积滤波 对于滤波来说，它可以说是图像处理最基本的方法，可以产生很多不同的效果。以下图来说 图中矩阵分别为二维原图像素矩阵，二维的图像滤波矩阵（也叫做卷积核，下面讲到滤波器和卷积核都是同个概念），以及最后滤波后的新像素图。对于原图像的每一个像素点，计算它的领域像素和滤波器矩阵的对应元素的成绩，然后加起来，作为当前中心像素位置的值，这样就完成了滤波的过程了。 可以看到，一个原图像通过一定的卷积核处理后就可以变换为另一个图像了。而对于滤波器来说，也是有一定的规则要求的。 ① 滤波器的大小应该是奇数，这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2。 ② 滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。 ③ 如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。 ④ 对于滤波后的结构，可能会出现负数或者大于255的数值。对这种情况，我们将他们直接截断到0和255之间即可。对于负数，也可以取绝对值。 1.2 卷积核一些用法

本文转自： h.264 去块滤波 原作者： https://www.cnblogs.com/TaigaCon h.264 去块滤波 块效应及其产生原因 我们在观看视频的时候，在运动剧烈的场景常能观察到图像出现小方块，小方块在边界处呈现不连续的效果（如下图），这种现象被称为块效应（blocking artifact）。 首先我们需要搞清楚块效应产生的原因。h.264在编码过程中对像素残差进行了DCT变换，变换后得到的DCT系数是与每个像素都相关的，这些系数代表了被变换数据的基础色调与细节。h.264在DCT变换后对DCT系数进行了量化，量化能有效去除相邻像素间的空间冗余，也就是说会抹去元素数据的部分细节。比较理想的情况是量化抹去人眼无法识别的细节部分，但是在低码率的情况下就会导致原始数据的细节丢失过多。而且，DCT变换时基于块的，即将8x8或者4x4的像素残差进行变换后得到8x8或者4x4DCT系数，此时如果进行了低码率的量化，就会使得相邻两个块的相关性变差，从而出现块效应。 h.264的运动补偿加剧了由变换量化导致的块效应。由于运动补偿块的匹配不可能绝对准确，各个块的残差大小程度存在差异，尤其是当相邻两个块所用参考帧不同、运动矢量或参考块的差距过大时，块边界上产生的数据不连续就更加明显。 块效应主要有两种形式：一种是由于DCT高频系数被量化为0，使得强边缘在跨边界处出现锯齿状

原作者： https://www.cnblogs.com/TaigaCon h.264 去块滤波 块效应及其产生原因 我们在观看视频的时候，在运动剧烈的场景常能观察到图像出现小方块，小方块在边界处呈现不连续的效果（如下图），这种现象被称为块效应（blocking artifact）。 首先我们需要搞清楚块效应产生的原因。h.264在编码过程中对像素残差进行了DCT变换，变换后得到的DCT系数是与每个像素都相关的，这些系数代表了被变换数据的基础色调与细节。h.264在DCT变换后对DCT系数进行了量化，量化能有效去除相邻像素间的空间冗余，也就是说会抹去元素数据的部分细节。比较理想的情况是量化抹去人眼无法识别的细节部分，但是在低码率的情况下就会导致原始数据的细节丢失过多。而且，DCT变换时基于块的，即将8x8或者4x4的像素残差进行变换后得到8x8或者4x4DCT系数，此时如果进行了低码率的量化，就会使得相邻两个块的相关性变差，从而出现块效应。 h.264的运动补偿加剧了由变换量化导致的块效应。由于运动补偿块的匹配不可能绝对准确，各个块的残差大小程度存在差异，尤其是当相邻两个块所用参考帧不同、运动矢量或参考块的差距过大时，块边界上产生的数据不连续就更加明显。 块效应主要有两种形式：一种是由于DCT高频系数被量化为0，使得强边缘在跨边界处出现锯齿状，称为梯形噪声；另一种经常出现在平坦区域

基本方法：采用队列作为测量数据存储器 , 设队列的长度为 N , 每进行一次测量 , 把测量结果放于队尾 , 而扔掉原来队首的一个数据 , 这样在队列中始终就有 N 个 “ 最新 ” 的数据。当计算平均值时 , 只要把队列中的 N 个数据进行算数平均 , 就可得到新的算数平均值。这样每进行一次测量 , 就可得到一个新的算术平均值。 其程序如下所示： #include <stdio.h> // 定义滤波数据类型 typedef int filter_type; // 函数声明 filter_type filter(filter_type value_buf[], filter_type new_value, int num); // 递推平均滤波函数 filter_type filter(filter_type value_buf[], filter_type new_value, int num) { static int i; int count; filter_type sum = 0; value_buf[i++] = new_value; // 调试信息 /*for (count=0; count<num; count++) printf("%d ", value_buf[count]); printf("\n");*/ if (i == num) i = 0; for