高通滤波器：通过高频信号并降低悉搏频率低于阈值频率的信号幅度
如果你看一下文档，它说：“为了测量器件的实际加速度，重力的作用，必须消除这可以通过应用来实现。高通滤波器相反，。低通过滤波器可以用来隔离重银陆顷力。“
调用例子resultBitmap = (Bitmap) intent.getParcelableExtra("resultBitmap")
// 图片与处理
BitmapFilter bitmapFilter = new BitmapFilter(resultBitmap)
bitmapFilter.changeGrey()
resultBitmap = bitmapFilter.getBitmap()
以下是BitmapFilter
package com.example.androcr
import android.graphics.Bitmap
import android.graphics.Color
/**
* 图像预处理腔嫌类
* @author Administrator
*/
public class BitmapFilter {
private Bitmap bitmap
private int iw
private int ih
private int[] pixels
public BitmapFilter(Bitmap bitmap) {
this.bitmap = bitmap
this.iw = bitmap.getWidth()
this.ih = bitmap.getHeight()
pixels = new int[iw * ih]
// 将bitmap转化为pixel数组
bitmap.getPixels(pixels, 0, iw, 0, 0, iw, ih)
}
public Bitmap getBitmap() {
//漏局 将pixel数组转化为bitmap
bitmap = Bitmap.createBitmap(pixels, iw, ih, Bitmap.Config.ARGB_8888)
return bitmap
}
/**
* 图像的二值化
*/
public void changeGrey() {
// 选取的阈值
int grey = 120
int pixel
int alpha, red, green, blue
for (int i = 0i <返圆让 iw * ihi++) {
pixel = pixels[i]
alpha = Color.alpha(pixel)
red = Color.red(pixel)
green = Color.green(pixel)
blue = Color.blue(pixel)
red = (red >grey) ? 255 : 0
green = (green >grey) ? 255 : 0
blue = (blue >grey) ? 255 : 0
pixels[i] = alpha <<24 | red <<16 | green <<8 | blue
}
}
/**
* 图像的锐化
*/
public void sharp() {
// 像素中间变量
int tempPixels[] = new int[iw * ih]
for (int i = 0i <iw * ihi++) {
tempPixels[i] = pixels[i]
}
int alpha
int red6, red5, red8, sharpRed
int green5, green6, green8, sharpGreen
int blue5, blue6, blue8, sharpBlue
for (int i = 1i <ih - 1i++) {
for (int j = 1j <iw - 1j++) {
alpha = Color.alpha(pixels[i * iw + j])
// 对图像进行尖锐化
// 锐化red
red6 = Color.red(pixels[i * iw + j + 1])
red5 = Color.red(pixels[i * iw + j])
red8 = Color.red(pixels[(i + 1) * iw + j])
sharpRed = Math.abs(red6 - red5) + Math.abs(red8 - red5)
// 锐化green
green5 = Color.green(pixels[i * iw + j])
green6 = Color.green(pixels[i * iw + j + 1])
green8 = Color.green(pixels[(i + 1) * iw + j])
sharpGreen = Math.abs(green6 - green5)
+ Math.abs(green8 - green5)
// 锐化blue
blue5 = Color.blue(pixels[i * iw + j])
blue6 = Color.blue(pixels[i * iw + j + 1])
blue8 = Color.blue(pixels[(i + 1) * iw + j])
sharpBlue = Math.abs(blue6 - blue5)
+ Math.abs(blue8 - blue5)
// 处理颜色溢出
if (sharpRed >255)
sharpRed = 255
if (sharpGreen >255)
sharpGreen = 255
if (sharpBlue >255)
sharpBlue = 255
tempPixels[i * iw + j] = alpha <<24 | sharpRed <<16
| sharpGreen <<8 | sharpBlue
}
}
pixels = tempPixels
}
/**
* 中值滤波
*/
public void median() {
// 对图像进行中值滤波
int alpha, red, green, blue
int red4, red5, red6
int green4, green5, green6
int blue4, blue5, blue6
for (int i = 1i <ih - 1i++) {
for (int j = 1j <iw - 1j++) {
// alpha值保持不变
alpha = Color.alpha(pixels[i * iw + j])
// 处理red分量
red4 = Color.red(pixels[i * iw + j - 1])
red5 = Color.red(pixels[i * iw + j])
red6 = Color.red(pixels[i * iw + j + 1])
// 水平方向进行中值滤波
if (red4 >= red5) {
if (red5 >= red6) {
red = red5
} else {
if (red4 >= red6) {
red = red6
} else {
red = red4
}
}
} else {
if (red4 >red6) {
red = red4
} else {
if (red5 >red6) {
red = red6
} else {
red = red5
}
}
}
// 处理green分量
green4 = Color.green(pixels[i * iw + j - 1])
green5 = Color.green(pixels[i * iw + j])
green6 = Color.green(pixels[i * iw + j + 1])
// 水平方向进行中值滤波
if (green4 >= green5) {
if (green5 >= green6) {
green = green5
} else {
if (green4 >= green6) {
green = green6
} else {
green = green4
}
}
} else {
if (green4 >green6) {
green = green4
} else {
if (green5 >green6) {
green = green6
} else {
green = green5
}
}
}
// 处理blue分量
blue4 = Color.blue(pixels[i * iw + j - 1])
blue5 = Color.blue(pixels[i * iw + j])
blue6 = Color.blue(pixels[i * iw + j + 1])
// 水平方向进行中值滤波
if (blue4 >= blue5) {
if (blue5 >= blue6) {
blue = blue5
} else {
if (blue4 >= blue6) {
blue = blue6
} else {
blue = blue4
}
}
} else {
if (blue4 >blue6) {
blue = blue4
} else {
if (blue5 >blue6) {
blue = blue6
} else {
blue = blue5
}
}
}
pixels[i * iw + j] = alpha <<24 | red <<16 | green <<8
| blue
}
}
}
/**
* 图像的平滑
*/
public void smooth() {
int[] tempPixels = new int[iw * ih]
//图像的平滑
int min = -1000
int max = 1000
for (int i = 0i <ihi++) {
for (int j = 0j <iwj++) {
if (i == 0 || i == 1 || i == ih - 1 || i == ih - 2 || j == 0
|| j == 1 || j == iw - 1 || j == iw - 2) {
tempPixels[i * iw + j] = pixels[i * iw + j]
} else {
// 中心的九个像素点
float average = (
pixels[i * iw + j]
+ pixels[i * iw + j - 1]
+ pixels[i * iw + j + 1]
+ pixels[(i - 1) * iw + j]
+ pixels[(i - 1) * iw + j - 1]
+ pixels[(i - 1) * iw + j + 1]
+ pixels[(i + 1)]
+ pixels[(i + 1) * iw + j]
+ pixels[(i + 1) * iw + j - 1]
) / 9
tempPixels[i * iw + j] = (int) (average)
}
if (tempPixels[i * iw + j] <min)
min = tempPixels[i * iw + j]
if (tempPixels[i * iw + j] >max)
max = tempPixels[i * iw + j]
}
}
for (int i = 0i <iw * ihi++) {
tempPixels[i] = (tempPixels[i] - min) * 255 / (max - min)
}
pixels = tempPixels
}
}
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信陪（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：
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个采样值进行算术者基平均运算
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：首坦谨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
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）