Skip to main content
 首页 » 编程设计

python之FFT 低通滤波器

2024年10月25日11mayingbao

请注意,这是一个新手问题。 我获取了一些噪声数据(来自灰度图像的 1x200 像素切片),我试图为此构建一个简单的 FFT 低通滤波器。我确实了解傅立叶变换的一般原理,但在尝试实现它时遇到了麻烦。 我的脚本在示例数据上运行良好,但在我的数据上表现得很奇怪。

我想我一定是在某个时候混合了维度,但已经过了好几个小时,我找不到哪里!我怀疑,因为 print(signal.shape) 的输出(请参见下文)在示例数据和实际数据之间是不同的。此外,scipy.fftpack.rfft(signal) 似乎对我的信号没有做任何事情,而不是像它应该的那样计算频域中的函数。

我的脚本:

(将使用示例数据开箱即用,只需将所有内容复制粘贴到 #example data 下方)

import cv2 
import numpy as np     
from scipy.fftpack import rfft, irfft, fftfreq, fft, ifft 
import matplotlib as mpl 
import matplotlib.pyplot as plt 
#=========================================== 
#GETTING DATA AND SETTING CONSTANTS 
#=========================================== 
REACH = 100 
COURSE = 180 
CENTER = (cx, cy) 
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
gray = cv2.equalizeHist(gray) 
gray2 = gray.copy() 
 
#drawing initial vector 
cv2.line(gray, (cx, cy + REACH), (cx, cy - REACH), 0, 5) 
cv2.circle(gray, (cx, cy + REACH), 10, 0, -1) 
cv2.circle(gray, (cx, cy), REACH, 0, 5) 
 
#flooding contour with white 
cv2.drawContours(gray2, contours, index, 255, -1) 
 
#real data 
signal = gray2[(cy - REACH):(cy + REACH), (cx-0.5):(cx+0.5)] 
time = np.linspace(0, 2*REACH, num=200) 
 
#example data 
time   = np.linspace(0,10,2000) 
signal = np.cos(5*np.pi*time) + np.cos(7*np.pi*time) 
 
#============================================= 
#THE FFT TRANSFORM & FILTERING 
#============================================= 
#signal filtering 
f_signal = rfft(signal) 
W = fftfreq(signal.size, d=time[1]-time[0]) 
 
 
cut_f_signal = f_signal.copy() 
cut_f_signal[(W>5)] = 0 
 
cut_signal = irfft(cut_f_signal) 
 
#================================== 
#FROM HERE ITS ONLY PLOTTING 
#================================== 
 
print(signal.shape) 
plt.figure(figsize=(8,8)) 
 
ax1 = plt.subplot(321) 
ax1.plot(signal) 
ax1.set_title("Original Signal", color='green', fontsize=16) 
 
ax2 = plt.subplot(322) 
ax2.plot(np.abs(f_signal)) 
plt.xlim(0,100) 
ax2.set_title("FFT Signal", color='green', fontsize=16) 
 
ax3 = plt.subplot(323) 
ax3.plot(cut_f_signal) 
plt.xlim(0,100) 
ax3.set_title("Filtered FFT Signal", color='green', fontsize=16) 
 
ax4 = plt.subplot(324) 
ax4.plot(cut_signal) 
ax4.set_title("Filtered Signal", color='green', fontsize=16) 
 
for i in [ax1,ax2,ax3,ax4]: 
    i.tick_params(labelsize=16, labelcolor='green') 
 
plt.tight_layout() 
plt.show() 

真实数据的结果:

参数:

signal = gray2[(cy - REACH):(cy + REACH), (cx-0.5):(cx+0.5)] 
time = np.linspace(0, 2*REACH, num=200) 

过滤参数:

cut_f_signal[(W<0.05)] = 0 

输出:

signal.shape 的输出是(200L, 1L)

示例数据的结果:

参数:

signal = np.cos(5*np.pi*time) + np.cos(7*np.pi*time) 
time   = np.linspace(0,10,2000) 

过滤参数:

cut_f_signal[(W>5)] = 0 

输出:

signal.shape 的输出是(2000L,)

请您参考如下方法:

所以我开始考虑这个问题,过了一段时间我意识到自己的方式很愚蠢。我的基础数据是一张图像,我取了它的一部分来生成上述信号。 因此,与其尝试实现一个不太令人满意的自制 FFT 滤波器来平滑信号,实际上使用众多经过实战测试的滤波器之一来平滑图像要好得多,也更容易(高斯、双边等)在同样多的图像库中可用(在我的例子中,OpenCV)...

感谢那些花时间尝试提供帮助的人!