加性高斯白噪声及维纳滤波的基本原理与Python实现

加性高斯白噪声属于白噪声的一种，有如下两个特点：

random.gauss(mu, sigma) 其值即服从高斯分布，若想要是实现加性高斯白噪声，循环作加即可

实际上逆滤波是维纳滤波的一种理想情况，当不存在加性噪声时，维纳滤波与逆滤波等同。

在时域内有

根据时域卷积定理，我们知道 时域卷积等于频域乘积

则有

这意味着，当我们已知系统函数时，我们可以很简单的完成滤波。

理解了逆滤波的基本过程之后，实际上维纳滤波就不是太大问题了。实际上，逆滤波对于绝大多数情况滤波效果都不好，因为逆滤波是通过傅里叶变换将信号由时域转换到频域，再根据 时域卷积定理 ，在频域作除法。对于乘性干扰这当然是没问题的，甚至是完美的。而如果存在加性噪声，例如：加性高斯白噪声。逆滤波效果就不好了，某些情况下几乎无法完成滤波情况。

输入信号经过系统函数后

时域上

频域上

若存在加性噪声则为

时域上

频域上

则

于是，从上面对输入信号的估计表达式可以看出，多出了一项加性噪声的傅里叶变换与系统函数的比值。尤其当 相对于 很小时，滤波后的信号差距十分严重。

而我们又知道： 白噪声的白为噪声的功率谱为常数 ，即 为常数，于是，从直观上看，当 相对于 较大时，则 较小，上式第一项则较小，而第二项较大从而保持相对平稳。

click me!

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‘)

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）

---