Liukuva Keskiarvo Kohinanvaimennus

Tiedemiehen ja insinöörien opas digitaaliselle signaalinkäsittelylle Steven W Smith, Ph. D.Kappale 15 Keskimääräisten suodattimien siirtäminen. Noise Reduction vs Step Response. Many tutkijat ja insinöörit tuntevat syyllisyytensä liikkuvan keskimääräisen suodattimen käyttämiseen Koska se on niin yksinkertainen, liikkuva keskimääräinen suodatin on usein ensimmäinen asia, kun ongelma on edennyt Vaikka ongelma on täysin ratkaistu, on vielä tunne, että jotain muuta pitäisi tehdä Tämä tilanne on todella ironista Ei vain liikkuvan keskiarvosuodatin on erittäin hyvä useille sovelluksille , se on optimaalinen tavalliselle ongelmalle, vähentäen satunnaista valkoista kohinaa pitäen samalla terävimmän askelvasteen. Kuva 15-1 esittää esimerkin siitä, miten tämä toimii. Signaali a: a on satunnaisessa kohinaisessa pulssissa. b ja c, tasoitustoiminto liikkuva keskimääräinen suodatin pienentää satunnaisen kohinan hyvää amplitudia mutta vähentää myös reunojen terävyyttä Huono kaikista mahdollisista lineaarisista suodattimista, joita voitaisiin käyttää, liikkuva keskiarvo tuottaa vähäisempi melu tietylle reunan terävyydelle Melun vähennys on yhtä suuri kuin keskimääräisten pisteiden neliöjuuri Esimerkiksi 100 pisteen liukuva keskimääräinen suodatin pienentää kohinaa kertoimella 10. Ymmärtää, miksi liikkumaton keskiarvo, jos paras ratkaisu, kuvittele haluamme suunnitella suodattimen, jolla on kiinteä reuna-terävyys. Esimerkiksi anna olettaa, että korjaamme reunan terävyyden määrittämällä, että askelvastuksen nousussa on 11 pistettä. Tämä edellyttää, että suodatinydin on yksitoista pistettä Optimointikysymys on, kuinka valitsessamme suodatinkornissa olevat yhdentoista arvot minimoidaksemme lähtösignaalin kohinaa Koska melu, jonka yritämme vähentää, on satunnainen, mikään syöttöpisteistä ei ole erityinen, jokainen on yhtä meluisa kuin sen naapuri Siksi on hyödytön antaa etusijalle jonkin syöttöpisteen antamalla sille suuremman kertoimen suodatinydintä varten. Pienin kohina saadaan, kun kaikkia panosnäytteitä kohdellaan tasan Liite, eli liukuva keskimääräinen suodatin Seuraavassa tässä luvussa näytämme, että muut suodattimet ovat olennaisilta osiltaan hyviä. Tarkoituksena on, että suodatin ei ole parempi kuin yksinkertainen liukuva keskiarvo. NOISE REDUCTION BY IMAGE AVERAGING. Image-melu voi vaarantaa yksityiskohtien tason digitaaliset tai kalvokuvat ja näin vähentää tätä kohinaa voi parantaa huomattavasti lopullista kuvaa tai tulosta Ongelmana on, että useimmat melun vähentämiseen tai poistamiseen liittyvät tekniikat tulevat aina pehmenemään kuvaa. Myös pehmennys voi olla hyväksyttävää, taivas, mutta maisemien lehdet voivat kärsiä jopa konservatiivisilla yrityksillä vähentää melua. Tässä osassa verrataan pari yleistä melunvaimennusmenetelmää ja otetaan käyttöön myös vaihtoehtoinen tekniikka, joka on keskimäärin useita eri altistuksia melun vähentämiseksi. Kuvasäästö on yleistä korkealaatuisessa astrofotografisessa, mutta on epäilemättä alikäyttöinen muuntyyppisille matalan valon ja yövalokuvien keskittymiselle. Keskitasolla on valta vähentää melua vaarantamatta deta il, koska se todella nostaa kuvasi signaalin ja kohinasuhteen SNR-arvoa Lisäsuoritus on se, että keskiarvotus voi myös kasvattaa kuvan bittisyvyyttä kuin mitä olisi mahdollista yhdellä kuvankerralla. Averaging voi myös olla erityisen hyödyllinen niille, jotka haluavat jäljitellä ISO 100: n sileys, mutta jonka kamera vain laskee ISO 200: een, kuten useimmat Nikonin digitaaliset järjestelmäkamerat. Kuvan keskiarvo toimii oletuksella, että kuvasi kohina on todella satunnainen. Tällä tavoin todelliset kuvatiedot ylittävät satunnaiset vaihtelut vähitellen tasaantuu, kun keskiarvo on enemmän ja enemmän. Jos otit kaksi kuvaa tasaisesta harmaasta laastarista käyttäen samoja kameran asetuksia ja samanlaisissa olosuhteissa lämpötila, valaistus jne., saisit samanlaiset kuvat kuin vasemmalla. Tämä kuvaaja kuvaa kirkkauden vaihteluita ohutsinisiä ja punaisia ​​kuvapisteiden kaistaleita ylä - ja alakuvissa, vastaavasti. Viivoitettu vaakaviiva edustaa keskiarvoa tai mitä tämä kuvaaja l ook, kuten jos olisi nollakohinaa Huomaa, kuinka kukin punaisista ja sinisistä viivoista vaihtelee yksitellen raidallisen viivan yläpuolella ja alapuolella Jos ottaisimme pikselin arvon kussakin sijaintipaikassa pitkin tätä riviä, ja keskitämme sen pikselin arvolla samassa toisen valokuvan sijaintia, kirkkauden vaihtelua vähennettäisiin seuraamalla. Vaikka näiden kahden keskimääräinen arvo vaihtelee edelleen keskiarvon yläpuolella ja alapuolella, suurin poikkeama pienenee huomattavasti. Visuaalisesti tämä vaikuttaa siihen, että laastari vasemmalle näyttävät tasaisemmalta Kaksi keskimäärin kuvaa yleensä tuottaa kohinaa, joka on verrattavissa ISO-asetukseen, joka on puolet herkästä, joten kaksi ISO 400: n keskimääräistä kuvaa on verrattavissa ISO 200: n otettuun kuvaan ja niin edelleen Yleensä melunvaihdon suuruus laskee neliöjuurta, joten keskimäärin neljä kuvaa on tarpeen leikata puolessa. NOISE DETAIL COMPARISON. Seuraava esimerkki havainnollistaa kuvan keskimäärän tehokkuutta Esimerkki esimerkistä: Canon EOS 300D Digital Rebel on ISO 1600: n mukainen kuva, joka kärsii liiallisesta melusta. Tässä esimerkissä kuvataan, miten liikkuvaa keskimääräistä suodatinta ja resamplinga voidaan käyttää erottamaan kellonajan komponenttien vaikutus tunneittaiseen lämpötilaan lukemista sekä poistaa ei-toivottua linjamelua avoimen silmukan jännitemittauksesta. Esimerkki osoittaa myös, miten kellosignaalin tasoja tasoitetaan ja säilytetään reunat käyttämällä mediaanisuodatinta. Esimerkki osoittaa myös, kuinka Hampelin suodatinta käytetään poistamaan suuret outliers. Smoothing on, miten löydämme tärkeitä kuvioita meidän tiedot, jättäen pois asiat, jotka ovat merkityksettömiä eli melua Käytämme suodatus suorittaa tämän tasoituksen Tasoitus tavoitteena on tuottaa hitaita arvonmuutoksia, jotta se on helpompi nähdä trendit meidän Joskus kun tarkastelet syöttödataa, saatat haluta suoda dataa nähdäksesi signaalin trendin. Esimerkissämme meillä on joukko lämpötila-arvoja Celsius-arvoina. e tunti tunnelmaa Loganin lentokentällä koko tammikuun 2011 ajan. Huomaa, että voimme nähdä visuaalisesti sen vaikutuksen, että kellonaika on lämpötilan lukemissa. Jos olet kiinnostunut päivittäisestä lämpötilan vaihtelusta kuukaudessa, vain tunneittain vaihtelevat vaikuttaa meluun, joka voi tehdä päivittäisistä muunnelmista vaikeasti havaittavaksi. Jos haluat poistaa päivän vaikutuksen, haluamme nyt tasoittaa tietoja käyttämällä liikkuvaa keskimääräistä suodatinta. Moving Average Filter. Yksinkertaisimmassa muodossaan liikkuva keskiarvo pituuden N suodatin ottaa jokaisen N: n peräkkäisen aaltomuodon näytteen keskiarvon. Jokaisen datapisteen liukuvan keskimääräisen suodattimen muodostamiseksi rakennamme suodattimen kertoimet siten, että jokainen piste on yhtä painotettu ja vaikuttaa 1 24: een kokonaismäärään. Tämä antaa meille keskimääräisen lämpötilan 24 tunnin jakson aikana. Viivästysviive. Huomaa, että suodatettu lähtö viivästyy noin kaksitoista tuntia Tämä johtuu siitä, että liikkuvan keskimääräisen suodattimemme on viivästynyt. Kaikki symmetriset f pituus N on viivästynyt N-1 2 näytteestä Voimme ottaa huomioon tämän viiveen manuaalisesti. Ethracting keskimääräiset erot. Välinemmin voimme myös käyttää liukuva keski-suodatin saada paremman arvion siitä, miten kellonaika vaikuttaa yleiseen lämpötila Tämän tekemiseksi ensin vähennetään tasoitettu tieto tuntilämpötilamittauksista. Sitten segmentoidaan eriytetty tieto päiviin ja otetaan keskimäärin kuukauden aikana kaikkiin 31 päivään. Peak-kirjekuoren poisto. Joskus haluamme myös olla tasaisesti vaihtelevia arvio siitä, miten lämpötilasignaalin korkeudet ja alamäet muuttuvat päivittäin. Tätä varten voimme käyttää kirjekuoritoimintoa ääri - ja alamäkien yhdistämiseen yli 24 tunnin jakson osajoukossa. Tässä esimerkissä varmistetaan, että vähintään 16 tuntia jokainen äärimmäinen äärimmäinen ja äärimmäinen alhainen Voimme myös saada tunteen siitä, miten korkeudet ja alamäet ovat trending ottamalla keskimäärin kahden ääripäät. Painotettu liikkuvat keskimääräiset suodattimet. Muuta liikkuvia keskimääräisiä suodattimia älä paina jokaista näytettä tasaisesti. Toinen yleinen suodatin seuraa binomimaista laajentamista. Tämän tyyppinen suodatin lähentää normaalia käyrää suurille n arvoille. Se on hyödyllistä suodattaa korkeataajuinen melu pienelle n. Binomi-suodattimen kertoimien löytäminen itsessään ja sitten iterativisesti konvolvoi tuotoksen määrätyllä määrällä kertaa Tässä esimerkissä käytetään viittä täydellistä iteraatiota. Toinen suodatin, joka on hieman samanlainen kuin Gaussian laajennussuodatin, on eksponentiaalinen liukuva keskiarvosuodatin Tämän tyyppinen painotettu liukuvan keskiarvosuodatin on helppo rakentaa ja ei vaadi suurta ikkunan kokoa. Yle voit säätää eksponentiaalisesti painotettua liikkuvaa keskimääräistä suodatinta alfa-parametrilla nollan ja yhden välillä. Alfa-arvon korkeampi arvo on vähemmän tasoittavaa. Valitse lukemaa yhdelle päivälle. Valitse maa.