如何进行软件滤波？

1、限幅滤波法（又称程序判断滤波法）

A、方法：

根据经验判断，确定两次采样允许的最大偏差值（设为A），每次检测到新值时判断：

如果本次值与上次值之差<=A,则本次值有效

如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值

B、优点：

能有效克服因偶然因素引起的脉冲干扰

C、缺点

无法抑制那种周期性的干扰

平滑度差

2、中位值滤波法

A、方法：

连续采样N次（N取奇数）

把N次采样值按大小排列

取中间值为本次有效值

B、优点：

能有效克服因偶然因素引起的波动干扰

对温度、液位变化缓慢的被测参数有良好的滤波效果

C、缺点：

对流量、速度等快速变化的参数不宜

3、算术平均滤波法

A、方法：

连续取N个采样值进行算术平均运算

N值较大时：信号平滑度较高，但灵敏度较低

N值较小时：信号平滑度较低，但灵敏度较高

N值的选取：一般流量，N=12；压力：N=4

B、优点：

适用于对一般具有随机干扰的信号进行滤波

这样信号的特点是有一个平均值，信号在某一数值范围附近上下波动

C、缺点：

对于测量速度较慢或要求数据计算速度较快的实时控制不适用

比较浪费RAM

4、递推平均滤波法（又称滑动平均滤波法）

A、方法：

把连续取得的N个采样值看成一个队列

队列的长度固定为N

每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据.(先进先出原则)

把队列中的N个数据进行算术平均运算,就可获得新的滤波结果

N值的选取：流量，N=12；压力：N=4；液面，N=4~12；温度，N=1~4

B、优点：

对周期性干扰有良好的抑制作用，平滑度高

适用于高频振荡的系统

C、缺点：

灵敏度低

对偶然出现的脉冲性干扰的抑制作用较差

不易消除由于脉冲干扰所引起的采样值偏差

不适用于脉冲干扰比较严重的场合

比较浪费RAM

5、中位值平均滤波法（又称防脉冲干扰平均滤波法）

A、方法：

相当于“中位值滤波法”+“算术平均滤波法”

连续采样N个数据，去掉一个最大值和一个最小值

然后计算N-2个数据的算术平均值

N值的选取：3~14

B、优点：

融合了两种滤波法的优点

对于偶然出现的脉冲性干扰，可消除由于脉冲干扰所引起的采样值偏差

C、缺点：

测量速度较慢，和算术平均滤波法一样

比较浪费RAM

%%%%%%%%spatial frequency (SF) filtering by low pass filter%%%%%%%%

% the SF filter is unselective to orientation (doughnut-shaped in the SF

% domain).

[FileName,PathName,FilterIndex] = uigetfile

filename = fullfile(PathName, FileName)

[X map] = imread(filename, fmt)% read image

L = double(X)% transform to double

%%%%%%%%%%%%% need to add (-1)x+y to L

% calculate the number of points for FFT (power of 2)

fftsize = 2 .^ ceil(log2(size(L)))

% 2d fft

Y = fft2(X, fftsize(1), fftsize (2))

Y = fftshift(Y)

% obtain frequency (cycles/pixel)

f0 = floor([m n] / 2) + 1

fy = ((m: -1: 1) - f0(1) + 1) / m

fx = ((1: n) - f0(2)) / n

[mfx mfy] = meshgrid(fx, fy)

% calculate radius

SF = sqrt(mfx .^ 2 + mfy .^ 2)

% SF-bandpass and orientation-unselective filter

filt = SF >k0

A_filtered = filt .* A% SF filtering

L_filtered = real(ifft2(ifftshift(A_filtered)))% IFFT

L_filtered = L_filtered(1: size(L, 1), 1: size(L, 2))

%%%%%%%%%%need to add (-1)x + y to L_filtered

% show

figure(1)

clf reset

colormap gray

% plot image

subplot(2, 2, 1)

imagesc(L)

colorbar

axis square

set(gca, 'TickDir', 'out')

title('original image')

xlabel('x')

ylabel('y')

imwrite(L, fullfile(FilePath, 'original image.bmp'), 'bmp')

% plot amplitude

A = abs(A)

A = log10(A)

% spectral amplitude

subplot(2, 2, 2)

imagesc(fx, fy, A)

axis xy

axis square

set(gca, 'TickDir', 'out')

title('amplitude spectrum')

xlabel('fx (cyc/pix)')

ylabel('fy (cyc/pix)')

imwrite(A, fullfile(FilePath, 'amplitude spectrum.bmp'), 'bmp')

% filter in the SF domain

subplot(2, 2, 3)

imagesc(fx, fy, filt)

axis xy

axis square

set(gca, 'TickDir', 'out')

title('filter in the SF domain')

xlabel('fx (cyc/pix)')

ylabel('fy (cyc/pix)')

imwrite(filt, fullfile(FilePath, 'filter in SF.bmp'), 'bmp')

% filtered image

subplot(2, 2, 4)

imagesc(L_filtered)

colorbar

axis square

set(gca, 'TickDir', 'out')

title('filtered image')

xlabel('x')

ylabel('y')

imwrite(filtered, fullfile(FilePath, 'filtered image.bmp'), 'bmp')

%%%%%%%%%%%%%%%%%median filter%%%%%%%%%%%%%%%%

[FileName,PathName,FilterIndex] = uigetfile

filename = fullfile(PathName, FileName)

[LNoise map] = imread(filename, fmt)% read image

L = medfilt2(LNoise, [3 3])% remove the noise with 3*3 block

figure

imshow(LNoise)

title('image before fitlering')

figure

imshow(L)

title('filtered image')

imwrite(FilePath, 'filtered image.bmp', bmp)

---