python一维滤波

㈠ python 中一维数据中值滤波函数，在matlab中有 medfilt1函数，Python中有吗，只找到了图像2维的，

有的，在numpy包中

importnumpyasnp
dat=[1,3,5,6,7,2,4]
med=np.median(dat)#med=4.0

㈡ 什么是维纳滤波，对于python里的函数scipy.signal.wiener(im,mysize

文档很细致啊。
im : ndarray
An N-dimensional array.
mysize : int or arraylike, optional
A scalar or an N-length list giving the size of the Wiener filter window in each dimension. Elements of mysize should be odd. If mysize is a scalar, then this scalar is used as the size in each dimension.
noise : float, optional
The noise-power to use. If None, then noise is estimated as the average of the local variance of the input.

㈢ 一维中值滤波详细计算方法

摘要 1、取连续采样值N（N大于等于3）点，N为奇数，去掉最小值和最大值，去中间的值作为中间点的采样值。

㈣ python如何实现类似matlab的小波滤波

1. T=wpdec(y,5,'db40');
   %信号y进行波包解层数5T波树plot看
   a10=wprcoef(T,[1,0]);
   %a10节点[1,0]进行重构信号貌似没层重构说吧能某层某节点进行重构节点编号波树

2. %以下为滤波程序（主要调节参数c的大小）
   c=10;
   wn=0.1;
   fs=50000; %采样频率；
   b=fir1(c,wn/(fs/2),hamming(c+1));
   y1=filtfilt(b,1,y);%对y滤波。
   

㈤ 如何使用fir滤波 python

如何用python实现图像的一维高斯滤波 建议你不要使用高斯滤波。 推荐你使用一维中值滤波 matlab的函数为 y = medfilt1(x,n); x为数组，是你要处理原始波形，n是中值滤波器的参数（大于零的整数）。y是滤波以后的结果（是数组） 后面再 plot(y); ...

㈥ 一维频率滤波

所谓一维滤波，是指信号或其谱以及滤波因子都是单变量函数的滤波。该变量可以是频率或时间，也可以是波数或空间，原理方法都相同。实际工作中频率滤波用得最为广泛，故以一维频率滤波为例加以介绍。

(一)理想一维频率滤波

1.理想滤波器

最理想的滤波器是有效波在其频率范围内完全无畸变地通过，干扰完全被压制掉。因此，要求其频率响应为

地震勘探

这意味着其相位响应特性为零_h(f)=0，故理想滤波器一定是零相滤波器，一定是非物理可实现的。当然，它也隐含着在有效波频带内不要有干扰，否则无法滤掉。

理想滤波器的频率响应函数图形是一个矩形，像门一样，所以也称之为门式滤波。

2.理想低通滤波器

在有效波和干扰的频谱分布如图4-13a所示的情况下，可以设计理想低通滤波器。其频率响应如图4-14a所示，其数学模型为

地震勘探

图4-13 有效波和干扰波的频谱例举

通过傅里叶反变换可求出相应的脉冲响应

地震勘探

该脉冲响应曲线绘于图4-14b中。

图4-14 理想低通滤波器的频率和脉冲响应

3.理想带通滤波器

一般情况下，既有高频干扰，又有低频干扰(图4-13b)，需要设计带通滤波器。其数学表达式为

地震勘探

求其脉冲响应h_b(t)的方法有二。

一是利用低通滤波器组合。因为带通滤波器的频率响应等于两个截频不同的低通滤波器的频率响应之差(图4-15)。根据傅里叶变换的线性性质，带通滤波器的脉冲响应也等于这两个低通滤波器的脉冲响应之差。故带通滤波器的脉冲响应可直接写出为

地震勘探

图4-15 理想带通滤波器的频率响应

式中:f₀为通频带的中心频率，Δf为半带宽，f₀=(f₁+f₂)/2，Δf=(f₂-f₁)/2。

第二种方法是直接计算H_b(f)的傅里叶反变换，可以得到相同的结果。

4.理想高通滤波器

其频率响应为

地震勘探

而脉冲响应的计算也可采用相减法或直接计算傅里叶反变换的方法，得

地震勘探

(二)数字滤波的特殊性

数字滤波必须在数字计算机上进行运算，它面临着两个特殊问题。一个问题是数字滤波只能对离散时间序列而不是连续时间函数进行运算，即所谓离散性。另一个问题是脉冲响应只能取有限长度而不是理论要求的无限长，也就是有限性。由于存在这些特殊性，运算结果不能达到门式滤波的“理想”情况。而会发生畸变。

1.伪门现象

如果将脉冲响应函数h(t)按采样间隔Δ进行离散采样，则采样后得到的脉冲响应时间序列h(nΔ)的频率特性除了有与h(t)的频率特性相对应的“正门”之外，还存在着^以为周期的无数个“伪门”。下面用简单的频率褶积定理来证明这一点。

间隔为Δ的无数个δ脉冲所组成的无穷序列Δ(t)(图4-16b)称为采样函数，因为它与脉冲响应函数h(t)(图4-16a)相乘就得到采样后的脉冲响应时间序列h(nΔ)(图4-16c)。Δ(t)的傅里叶变换是频率采样函数Δ(f)(图4-16e)。它由间隔为 幅度为 的无数个δ脉冲所组成。h(t)的傅里叶变换是H(f)(图4-16d)。根据频率褶积定理，h(nΔ)的傅里叶变换应是H(f)与Δ(f)的褶积，是一个周期为 的函数(图4-16f)。这样，在正门之外出现了无数个伪门。

图4-16 用频率褶积定理证明伪门的存在图中箭头表示傅里叶变换对

由于伪门的存在，某些干扰波的频谱可能出现在伪门范围内被保留下来，达不到滤波效果。此外，当采样频率 小于截止频率f_c的二倍时，这些周期性的滤波门会发生重叠，若频率响应本身是曲线形;则这种重叠还会导致响应的畸变(图4-17)。

为了解决伪门问题，可采取适当地选择采样间隔Δ的办法，使第一个伪门出现在干扰波频率范围之外，这样做也可以防止响应畸变这种假频效应出现。

图4-17 采样间隔不足引起的畸变

2.吉普斯现象

所有理想滤波器的频率响应函数在截止频率处(f_c或f₁、f₂)都是间断的，间断函数的傅里叶反变换(脉冲响应函数)必定是无限长的。实际计算中脉冲响应函数只能取有限长，即要对它截断。截断后的脉冲响应所对应的频率响应函数不再是一个理想的“门”，而是接近于这个门的一条幅值有波动的曲线。这种现象称为吉普斯现象。

仍然可以用频率褶积定理来说明这一问题。无限长的脉冲响应h(t)，与矩形函数p(t)相乘得到截断后的脉冲响应h'(t)(图4-18a、b、c)。函数p(t)也称为截断时窗，其数学定义是

地震勘探

它的傅里叶变换为

地震勘探

图4-18 用频率褶积定理证明吉普斯现象的存在双向箭头表傅里叶变换对

其形状与理想低通滤波器的脉冲响应函数类似(图4-18e)。根据频率褶积定理，h'(t)所对应的频率响应函数H'(f)应为H(f)与P(f)相褶积的结果(图4-18d、e、f)。它是一条连续、光滑、有波动的曲线(图4-18f)。数学上可以证明:在不连续点处的波动幅度最大，约等于原来矩形幅度的9%，随着远离不连续点，波动的幅度越来越小。由于频率特性曲线在通频带内是波动的曲线，滤波后有效波必定会发生畸变。另外在通频带外亦是波动的曲线，必定不能有效地压制干扰。

为了避免吉普斯现象，可采用若干方法。其中之一是镶边法，它从频率域角度考虑问题，在矩形频率特性曲线的不连续点处镶上连续的边，使频率特性曲线变为连续的曲线。

例如，镶边后的低通滤波频率响应为(图4-19)

图4-19 镶边后低通滤波器的频率响应

地震勘探

其中镶边函数g(f)要求满足条件

地震勘探

满足此条件的函数很多，余弦镶边函数

地震勘探

即为其中之一。确定了镶边函数后，利用傅里叶反变换求出相应的h^*(t)，再进行褶积滤波就可减小吉普斯现象的影响。使用余弦镶边函数(4-39)的低通滤波脉冲响应为

地震勘探

也可以采用乘因子法。这是从时间域角度考虑问题的方法。即在截断h(t)时不使用矩形时窗函数，而代之以一个逐渐衰减的时窗函数。一个好的时窗函数应具有如下性质:①时间区间应尽可能地长，以使对应的频谱能量集中在其主瓣;②时窗形状应尽可能圆滑，没有陡的倾角。满足这些条件的时窗函数很多。例如地震勘探中用得较多的三角形窗，其数学表达式为

地震勘探

它的傅里叶变换是

地震勘探

W(f)是sinc函数的平方，不会有负的旁瓣，是一种较好的时窗。

镶边法和乘因子法虽然是从不同的角度考虑问题所得到的方法，但二者的本质是一样的———加速时间域中脉冲响应函数的衰减，减少截断带来的误差，其结果也是相似的———降低了频率域中滤波器的选择性，使频率响应曲线的陡度变小。

㈦ 对于一个一维数组来说，对它进行滤波的物理含义是什么

先说第二个问题，滤波器的设置有好几种方法，你说的这个低通截止频率，如果只是一个参数的话，那就是衰减3dB的点，也就是我们说的3dB带宽。 另外，由于我们滤波器都是有限长度的，所以不可能是理想滤波器，这就难免通阻带带内衰减不相同，只是大体上将0.125*fs/2以上的信号给滤掉了。

再说第一个问题，采样频率是指你得到这些点的采样频率，如果你每隔1ms采一个点，那么你的采样速率就是1kHz。无论采样速率是多少，滤波过程都会将所有点作为样本的。区别在于，如果你不设置采样速率，采样速率默认是1。采样速率跟截止频率的比例一定，那得到的滤波器就是一样的。

举个例子：
hs = fdesign.lowpass(0.4,0.5,1,80,2)
h=design(hs)
fvtool(h)
你可以运行一下，看一下参数对应的含义。

㈧ 如何用python实现图像的一维高斯滤波

如何用python实现图像的一维高斯滤波
建议你不要使用高斯滤波。
推荐你使用一维中值滤波
matlab的函数为
y = medfilt1(x,n);
x为数组，是你要处理原始波形，n是中值滤波器的参数（大于零的整数）。y是滤波以后的结果（是数组）
后面再
plot(y);
就能看到滤波以后的结果
经过medfilt1过滤以后，y里储存的是低频的波形，如果你需要高频波形，x-y就是高频波形
顺便再说一点，n是偶数的话，滤波效果比较好。
N越小，y里包含的高频成分就越多，y越大，y里包含的高频成分就越少。
记住，无论如何y里保存的都是整体的低频波。（如果你看不懂的话，滤一下，看y波形，你马上就懂了）

㈨ python中怎么生成基于窗函数的fir滤波器

SciPy提供了firwin用窗函数设计低通滤波器，firwin的调用形式如下：

firwin(N, cutoff, width=None, window='hamming')

其中N为滤波器的长度；cutoff为以正规化的频率；window为所使用的窗函数。

㈩ 如何用python实现图像的一维高斯滤波器

如何用python实现图像的一维高斯滤波器
现在把卷积模板中的值换一下，不是全1了，换成一组符合高斯分布的数值放在模板里面，比如这时中间的数值最大，往两边走越来越小，构造一个小的高斯包。实现的函数为cv2.GaussianBlur()。对于高斯模板，我们需要制定的是高斯核的高和宽（奇数），沿x与y方向的标准差(如果只给x，y=x，如果都给0，那么函数会自己计算)。高斯核可以有效的出去图像的高斯噪声。当然也可以自己构造高斯核，相关函数：cv2.GaussianKernel().
import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(‘flower.jpg‘,0) #直接读为灰度图像
for i in range(2000): #添加点噪声
temp_x = np.random.randint(0,img.shape[0])
temp_y = np.random.randint(0,img.shape[1])
img[temp_x][temp_y] = 255
blur = cv2.GaussianBlur(img,(5,5),0)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(blur,‘gray‘)