การย้าย ค่าเฉลี่ย กรอง matlab ภาพ

สร้างเมื่อวันพุธที่ 08 ตุลาคม 2551 เวลา 20:04 น. แก้ไขล่าสุดในวันพฤหัสบดีที่ 14 มีนาคม 2013 เวลา 01:29 น. เขียนโดย Batuhan Osmanoglu ผู้ชม: 41460 Moving Average ใน Matlab บ่อยครั้งฉันพบว่าตัวเองต้องใช้ข้อมูลเฉลี่ยที่ฉันต้องลดเสียงรบกวนเล็กน้อย บิต. ฉันเขียนฟังก์ชันคู่ที่จะทำสิ่งที่ฉันต้องการ แต่ MATLABs สร้างขึ้นในฟังก์ชั่นกรองทำงานได้ดีเช่นกัน ที่นี่ฉันเขียนเกี่ยวกับ 1D และ 2D เฉลี่ยของข้อมูล สามารถใช้ตัวกรองแบบ 1D ได้โดยใช้ตัวกรอง ฟังก์ชั่นการกรองจำเป็นต้องใช้พารามิเตอร์ป้อนข้อมูลอย่างน้อยสามตัว ได้แก่ ค่าสัมประสิทธิ์การนับสำหรับตัวกรอง (b) ค่าสัมประสิทธิ์ตัวหารสำหรับตัวกรอง (a) และข้อมูล (X) แน่นอน ตัวกรองค่าเฉลี่ยที่ใช้งานได้สามารถกำหนดได้โดย: สำหรับข้อมูล 2D เราสามารถใช้ฟังก์ชัน Matlabs filter2 ได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับวิธีการทำงานของตัวกรองคุณสามารถพิมพ์ได้: นี่คือการใช้ตัวกรองเฉลี่ย 16 ถึง 16 ที่รวดเร็วและสกปรก ขั้นแรกเราต้องกำหนดตัวกรอง เนื่องจากสิ่งที่เราต้องการคือการมีส่วนร่วมเท่าเทียมกันของเพื่อนบ้านทั้งหมดเราจึงสามารถใช้ฟังก์ชันเหล่านี้ได้ เราแบ่งทุกอย่างด้วย 256 (1616) เนื่องจากเราไม่ต้องการเปลี่ยนระดับทั่วไป (amplitude) ของสัญญาณ ในการใช้ตัวกรองเราสามารถพูดได้ว่าด้านล่างนี้เป็นผลลัพธ์ของระยะ interferogram ของ SAR ในกรณีนี้ Range อยู่ในแกน Y และ Azimuth จะถูกแมปกับแกน X ตัวกรองมีความกว้าง 4 พิกเซลในช่วงและกว้าง 16 พิกเซลใน Azimuth การเรียบและอย่างไรฉันสามารถทำได้ฉันมีอาร์เรย์ใน Matlab ซึ่งเป็นสเปกตรัมขนาดของสัญญาณเสียง (ขนาดของ 128 จุดของ FFT) ฉันจะราบรื่นนี้โดยใช้ค่าเฉลี่ยเคลื่อนที่จากสิ่งที่ฉันเข้าใจฉันควรใช้ขนาดของหน้าต่างของจำนวนองค์ประกอบหนึ่งให้ใช้ค่าเฉลี่ยและนี่เป็นองค์ประกอบแรกที่ 1 จากนั้นเลื่อนหน้าต่างไปทางขวาโดยองค์ประกอบหนึ่งให้ใช้ค่าเฉลี่ยซึ่งจะกลายเป็นองค์ประกอบที่ 2 และอื่น ๆ เป็นจริงวิธีการทำงานฉันไม่แน่ใจตัวเองตั้งแต่ถ้าฉันว่าในผลสุดท้ายของฉันฉันจะมีน้อยกว่า 128 องค์ประกอบ ดังนั้นมันทำงานอย่างไรและจะช่วยให้เรียบจุดข้อมูลหรือมีวิธีอื่นที่ฉันสามารถทำเรียบข้อมูลที่ถาม 15 ตุลาคม 12 ที่ 6:30 ย้ายจาก stackoverflow 15 ตุลาคม 12 เวลา 14:51 คำถามนี้มาจาก ไซต์สำหรับนักเขียนโปรแกรมมืออาชีพและที่กระตือรือร้น สำหรับสเปกตรัมที่คุณอาจต้องการเฉลี่ยด้วยกัน (ในมิติเวลา) หลายสเปกตรัมแทนที่จะเป็นค่าเฉลี่ยในการทำงานตามแกนความถี่ของคลื่นเดียวที่มีการเกิด endolith 16 ต. ค. 12 ที่ 1:04 endolith ซึ่งเป็นเทคนิคที่ถูกต้อง การคำนวณค่าเฉลี่ยในโดเมนความถี่ (บางครั้งเรียกว่า Danielle Periodogram) เหมือนกับการบันทึกในโดเมนเวลา การประมาณค่า periodograms เป็นจำนวนมาก (quotspectraquot) เป็นความพยายามที่จะเลียนแบบค่าเฉลี่ยของวงดนตรีที่ต้องการโดยใช้ระยะเวลาจริง (เรียกว่า Welch Periodogram) ยังเป็นเรื่องของความหมายฉันจะยืนยันว่า quotsmoothingquot เป็น non - causual low - pass กรอง ดูการกรองแบบ Kalman กับ Kalman smoothing, การกรอง Wiener v การให้ความนุ่มนวลของ Wiener ฯลฯ มีความแตกต่างอย่างไม่มีข้อยกเว้นและขึ้นอยู่กับการใช้งาน ndash Bryan Dec 12 12 at 19:18 การเรียบสามารถทำได้หลายวิธี แต่ในแง่พื้นฐานและทั่วไปหมายความว่าคุณได้ออกสัญญาณโดยการผสมองค์ประกอบกับเพื่อนบ้านของพวกเขา คุณสเปรย์สัญญาณเล็กน้อยเพื่อกำจัดเสียงรบกวน ตัวอย่างเช่นเทคนิคการเรียบง่ายมากคือการคำนวณองค์ประกอบของสัญญาณ f (t) ทั้งหมดเป็น 0.8 ของค่าเดิมบวก 0.1 ของแต่ละประเทศเพื่อนบ้าน: โปรดทราบว่าปัจจัยการคูณหรือน้ำหนักเพิ่มขึ้นเท่าไหร่ ดังนั้นถ้าสัญญาณมีค่าคงที่อย่างสม่ำเสมอการปรับให้ราบเรียบไม่ได้เปลี่ยนไปเท่าไร แต่ถ้าสัญญาณมีการเปลี่ยนแปลงที่ฉับพลันฉับพลันแล้วการมีส่วนร่วมจากเพื่อนบ้านจะช่วยให้ชัดเจนขึ้นเสียงที่บิต น้ำหนักที่คุณใช้ในฟังก์ชันการคำนวณซ้ำนี้สามารถเรียกได้ว่าเป็นเคอร์เนล ฟังก์ชันแบบเกาส์เดียวหรือเคอร์เนลพื้นฐานอื่น ๆ ควรทำในกรณีของคุณ ตัวอย่างที่ดีของการเรียบ: ด้านบน: สัญญาณ unsmoothed ด้านล่าง: สัญญาณเรียบตัวอย่างของเมล็ดไม่กี่: นอกเหนือจากคำตอบที่ดีของ Junuxx ฉันต้องการจะลดลงไม่กี่บันทึก Smoothing เกี่ยวข้องกับการกรอง (บทความเกี่ยวกับ Wikipedia ค่อนข้างคลุมเครือ) - คุณควรเลือกคุณสมบัติที่เรียบขึ้นอยู่กับคุณสมบัติของมัน หนึ่งในรายการโปรดของฉันคือตัวกรองมัธยฐาน นี่เป็นตัวอย่างของตัวกรองที่ไม่ใช่เชิงเส้น มันมีคุณสมบัติที่น่าสนใจบางอย่างจะรักษาขอบและมีประสิทธิภาพมากภายใต้เสียงขนาดใหญ่ ถ้าคุณมีแบบจำลองว่าสัญญาณของคุณมีลักษณะเป็นตัวกรองคาลมานก็น่าดู การปรับให้เรียบของมันคือการประมาณความเป็นไปได้สูงสุดของสัญญาณ Bayesian จากการสังเกตการณ์ ตอบตุลาคม 15 12 เวลา 11:07 น. 1 สำหรับการกล่าวขวัญตัวกรองคาลมาน Diego Dec 13 12 at 18:48 Smoothing หมายถึงการใช้ข้อมูลจากตัวอย่างเพื่อนบ้านเพื่อเปลี่ยนความสัมพันธ์ระหว่างตัวอย่างเพื่อนบ้าน สำหรับเวกเตอร์ที่ จำกัด ในตอนท้ายไม่มีข้อมูลเพื่อนบ้านอยู่ข้างใดข้างหนึ่ง ตัวเลือกของคุณคือ: ไม่เรียบกรองปลายรับเวกเตอร์เรียบที่เรียบผลให้ข้อมูลขึ้นและราบรื่นกับที่ (ขึ้นอยู่กับความถูกต้องความเป็นประโยชน์ของการคาดการณ์ใด ๆ ออกปลาย) หรืออาจจะใช้เมล็ดเรียบที่แตกต่างกันอสมมาตรที่ปลาย (ซึ่งสิ้นสุดขึ้น ลดเนื้อหาข้อมูลลงในสัญญาณต่อไป) ตอบวันพุธที่ 15 ตุลาคมเวลา 19:44 น. อื่น ๆ ได้กล่าวถึงวิธีที่คุณทำเรียบ, Id ต้องการพูดถึงว่าทำไมเรียบทำงาน ถ้าคุณทำอย่างถูกต้องจะทำให้สัญญาณของคุณมีขนาดเล็กลงจะแตกต่างกันไปเล็กน้อยจากตัวอย่างหนึ่งไปยังอีกตัวอย่างหนึ่ง (จุดเวลาตัวอย่างพิกเซล ฯลฯ ) และคาดว่าจะมีลักษณะเรียบโดยรวม กล่าวคือสัญญาณของคุณมีความถี่สูงเพียงเล็กน้อยนั่นคือส่วนประกอบสัญญาณที่แตกต่างกันในอัตราที่ใกล้เคียงกับอัตราการสุ่มตัวอย่างของคุณ แต่การวัดมักได้รับความเสียหายจากเสียงรบกวน ในการประมาณครั้งแรกเรามักพิจารณาเสียงตามการกระจายแบบ Gaussian ด้วยค่าเฉลี่ยศูนย์และส่วนเบี่ยงเบนมาตรฐานบางอย่างที่เพิ่มเพียงด้านบนของสัญญาณ เพื่อลดสัญญาณรบกวนในสัญญาณของเราเรามักทำสมมติฐานที่สี่ดังต่อไปนี้: เสียงเป็นแบบสุ่มไม่มีความสัมพันธ์ระหว่างกลุ่มตัวอย่างมีค่าเฉลี่ยเป็นศูนย์และสัญญาณมีขนาดใหญ่เกินไป ด้วยสมมติฐานเหล่านี้เราสามารถใช้ตัวกรองเฉลี่ยแบบเลื่อน พิจารณาตัวอย่างสามตัวอย่างติดต่อกัน เนื่องจากสัญญาณมีขนาดใหญ่ oversampled สัญญาณพื้นฐานสามารถพิจารณาเพื่อเปลี่ยนเชิงเส้นซึ่งหมายความว่าค่าเฉลี่ยของสัญญาณในสามตัวอย่างจะเท่ากับสัญญาณจริงที่ตัวอย่างตรงกลาง ในทางตรงกันข้ามเสียงมีค่าเป็นศูนย์และไม่มีความสัมพันธ์กันซึ่งหมายความว่าค่าเฉลี่ยของค่าเฉลี่ยควรมีค่าเป็นศูนย์ ดังนั้นเราจึงสามารถใช้ตัวกรองแบบเลื่อนเฉลี่ยสามตัวอย่างซึ่งเราจะแทนที่แต่ละตัวอย่างด้วยค่าเฉลี่ยระหว่างตัวเองกับเพื่อนบ้านสองแห่งที่อยู่ติดกัน แน่นอนยิ่งเราใหญ่หน้าต่างมากเท่าใดเสียงจะเฉลี่ยออกไปเป็นศูนย์มากขึ้น แต่สมมติฐานของเราเกี่ยวกับความเป็นเส้นตรงของสัญญาณที่แท้จริงจะน้อยลง ดังนั้นเราจึงต้องทำการตัดจำหน่าย วิธีหนึ่งในการพยายามให้ได้สิ่งที่ดีที่สุดของทั้งสองโลกคือการใช้ค่าเฉลี่ยถ่วงน้ำหนักซึ่งเราจะให้น้ำหนักตัวอย่างน้อยกว่าเพื่อให้เราได้รับผลกระทบจากเสียงรบกวนโดยเฉลี่ยในช่วงที่ใหญ่ขึ้นในขณะที่ไม่ได้ให้ความสำคัญกับสัญญาณที่แท้จริงมากเกินไปซึ่งมันเบี่ยงเบนไปจากความเป็นเส้นตรงของเรา การสันนิษฐาน วิธีที่คุณควรจะใส่น้ำหนักขึ้นอยู่กับเสียงสัญญาณและประสิทธิภาพในการคำนวณและแน่นอนการตัดจำหน่ายระหว่างการกำจัดเสียงรบกวนและตัดเป็นสัญญาณ โปรดทราบว่าในช่วงไม่กี่ปีที่ผ่านมามีงานทำมากมายเพื่อให้เราสามารถผ่อนคลายข้อสมมติฐานทั้งสี่ตัวอย่างเช่นโดยการออกแบบรูปแบบการปรับให้ราบเรียบกับหน้าต่างตัวกรองแบบตัวแปร (การแพร่กระจายแบบ anisotropic) หรือแผนการที่ไม่ใช้หน้าต่างจริงๆ (nonlocal หมายถึง) ตอบ 27 ธันวาคม 12 ที่ 15: 10 อะไรคือความราบเรียบและฉันจะทำมันฉันมีอาร์เรย์ใน Matlab ซึ่งเป็นสเปกตรัมขนาดของสัญญาณเสียง (ขนาดของ 128 จุดของ FFT) ฉันจะราบรื่นนี้โดยใช้ค่าเฉลี่ยเคลื่อนที่จากสิ่งที่ฉันเข้าใจฉันควรใช้ขนาดของหน้าต่างของจำนวนองค์ประกอบหนึ่งให้ใช้ค่าเฉลี่ยและนี่เป็นองค์ประกอบแรกที่ 1 จากนั้นเลื่อนหน้าต่างไปทางขวาโดยองค์ประกอบหนึ่งให้ใช้ค่าเฉลี่ยซึ่งจะกลายเป็นองค์ประกอบที่ 2 และอื่น ๆ เป็นจริงวิธีการทำงานฉันไม่แน่ใจตัวเองตั้งแต่ถ้าฉันว่าในผลสุดท้ายของฉันฉันจะมีน้อยกว่า 128 องค์ประกอบ ดังนั้นมันทำงานอย่างไรและจะช่วยให้เรียบจุดข้อมูลหรือมีวิธีอื่นที่ฉันสามารถทำเรียบข้อมูลที่ถาม 15 ตุลาคม 12 ที่ 6:30 ย้ายจาก stackoverflow 15 ตุลาคม 12 เวลา 14:51 คำถามนี้มาจาก ไซต์สำหรับนักเขียนโปรแกรมมืออาชีพและที่กระตือรือร้น สำหรับสเปกตรัมที่คุณอาจต้องการเฉลี่ยด้วยกัน (ในมิติเวลา) หลายสเปกตรัมแทนที่จะเป็นค่าเฉลี่ยในการวิ่งตามแกนความถี่ของคลื่นเดียวที่มีการตีความ endolith 16 ต. ค. 12 ที่ 1:04 endolith ทั้งสองเป็นเทคนิคที่ถูกต้อง ค่าเฉลี่ยในโดเมนความถี่ (บางครั้งเรียกว่า Danielle Periodogram) จะเหมือนกับการเว้นวรรคในโดเมนเวลา การประมาณค่า periodograms เป็นจำนวนมาก (quotspectraquot) เป็นความพยายามที่จะเลียนแบบค่าเฉลี่ยของวงดนตรีที่ต้องการโดยใช้ระยะเวลาจริง (เรียกว่า Welch Periodogram) ยังเป็นเรื่องของความหมายฉันจะยืนยันว่า quotsmoothingquot เป็น non - causual low - pass กรอง ดูการกรองแบบ Kalman กับ Kalman smoothing, การกรอง Wiener v การให้ความนุ่มนวลของ Wiener ฯลฯ มีความแตกต่างอย่างไม่มีข้อยกเว้นและขึ้นอยู่กับการใช้งาน ndash Bryan Dec 12 12 at 19:18 การเรียบสามารถทำได้หลายวิธี แต่ในแง่พื้นฐานและทั่วไปหมายความว่าคุณได้ออกสัญญาณโดยการผสมองค์ประกอบกับเพื่อนบ้านของพวกเขา คุณสเปรย์สัญญาณเล็กน้อยเพื่อกำจัดเสียงรบกวน ตัวอย่างเช่นเทคนิคการเรียบง่ายมากคือการคำนวณองค์ประกอบของสัญญาณ f (t) ทั้งหมดเป็น 0.8 ของค่าเดิมบวก 0.1 ของแต่ละประเทศเพื่อนบ้าน: โปรดทราบว่าปัจจัยการคูณหรือน้ำหนักเพิ่มขึ้นเท่าไหร่ ดังนั้นถ้าสัญญาณมีค่าคงที่อย่างสม่ำเสมอการปรับให้ราบเรียบไม่ได้เปลี่ยนไปเท่าไร แต่ถ้าสัญญาณมีการเปลี่ยนแปลงที่ฉับพลันฉับพลันแล้วการมีส่วนร่วมจากเพื่อนบ้านจะช่วยให้ชัดเจนขึ้นเสียงที่บิต น้ำหนักที่คุณใช้ในฟังก์ชันการคำนวณซ้ำนี้สามารถเรียกได้ว่าเป็นเคอร์เนล ฟังก์ชันแบบเกาส์เดียวหรือเคอร์เนลพื้นฐานอื่น ๆ ควรทำในกรณีของคุณ ตัวอย่างที่ดีของการเรียบ: ด้านบน: สัญญาณ unsmoothed ด้านล่าง: สัญญาณเรียบตัวอย่างของเมล็ดไม่กี่: นอกเหนือจากคำตอบที่ดีของ Junuxx ฉันต้องการจะลดลงไม่กี่บันทึก Smoothing เกี่ยวข้องกับการกรอง (บทความเกี่ยวกับ Wikipedia ค่อนข้างคลุมเครือ) - คุณควรเลือกคุณสมบัติที่เรียบขึ้นอยู่กับคุณสมบัติของมัน หนึ่งในรายการโปรดของฉันคือตัวกรองมัธยฐาน นี่เป็นตัวอย่างของตัวกรองที่ไม่ใช่เชิงเส้น มันมีคุณสมบัติที่น่าสนใจบางอย่างจะรักษาขอบและมีประสิทธิภาพมากภายใต้เสียงขนาดใหญ่ ถ้าคุณมีรูปแบบว่าสัญญาณของคุณมีลักษณะเป็นตัวกรองคาลมานจะคุ้มค่าอย่างไร การปรับให้เรียบของมันคือการประมาณความเป็นไปได้สูงสุดของสัญญาณ Bayesian จากการสังเกตการณ์ ตอบตุลาคม 15 12 เวลา 11:07 น. 1 สำหรับการกล่าวขวัญตัวกรองคาลมาน Diego Dec 13 12 at 18:48 Smoothing หมายถึงการใช้ข้อมูลจากตัวอย่างเพื่อนบ้านเพื่อเปลี่ยนความสัมพันธ์ระหว่างตัวอย่างเพื่อนบ้าน สำหรับเวกเตอร์ที่ จำกัด ในตอนท้ายไม่มีข้อมูลเพื่อนบ้านอยู่ข้างใดข้างหนึ่ง ตัวเลือกของคุณคือ: ไม่เรียบกรองปลายรับเวกเตอร์เรียบที่เรียบผลให้ข้อมูลขึ้นและราบรื่นกับที่ (ขึ้นอยู่กับความถูกต้องความเป็นประโยชน์ของการคาดการณ์ใด ๆ ออกปลาย) หรืออาจจะใช้เมล็ดเรียบที่แตกต่างกันอสมมาตรที่ปลาย (ซึ่งสิ้นสุดขึ้น ลดเนื้อหาข้อมูลลงในสัญญาณต่อไป) ตอบวันพุธที่ 15 ตุลาคมเวลา 19:44 น. อื่น ๆ ได้กล่าวถึงวิธีที่คุณทำเรียบ, Id ต้องการพูดถึงว่าทำไมเรียบทำงาน ถ้าคุณทำอย่างถูกต้องจะทำให้สัญญาณของคุณมีขนาดเล็กลงจะแตกต่างกันไปเล็กน้อยจากตัวอย่างหนึ่งไปยังอีกตัวอย่างหนึ่ง (จุดเวลาตัวอย่างพิกเซล ฯลฯ ) และคาดว่าจะมีลักษณะเรียบโดยรวม กล่าวคือสัญญาณของคุณมีความถี่สูงเพียงเล็กน้อยนั่นคือส่วนประกอบสัญญาณที่แตกต่างกันในอัตราที่ใกล้เคียงกับอัตราการสุ่มตัวอย่างของคุณ แต่การวัดมักได้รับความเสียหายจากเสียงรบกวน ในการประมาณครั้งแรกเรามักพิจารณาเสียงตามการกระจายแบบ Gaussian ด้วยค่าเฉลี่ยศูนย์และส่วนเบี่ยงเบนมาตรฐานบางอย่างที่เพิ่มเพียงด้านบนของสัญญาณ เพื่อลดสัญญาณรบกวนในสัญญาณของเราเรามักทำสมมติฐานที่สี่ต่อไปนี้: สัญญาณรบกวนเป็นแบบสุ่มไม่มีความสัมพันธ์ระหว่างกลุ่มตัวอย่างมีค่าเฉลี่ยเป็นศูนย์และสัญญาณมีขนาดใหญ่เกินไป ด้วยสมมติฐานเหล่านี้เราสามารถใช้ตัวกรองเฉลี่ยแบบเลื่อน พิจารณาตัวอย่างสามตัวอย่างติดต่อกัน เนื่องจากสัญญาณมีขนาดใหญ่ oversampled สัญญาณพื้นฐานสามารถพิจารณาเพื่อเปลี่ยนเชิงเส้นซึ่งหมายความว่าค่าเฉลี่ยของสัญญาณในสามตัวอย่างจะเท่ากับสัญญาณจริงที่ตัวอย่างตรงกลาง ในทางตรงกันข้ามเสียงมีค่าเป็นศูนย์และไม่มีความสัมพันธ์กันซึ่งหมายความว่าค่าเฉลี่ยของค่าเฉลี่ยควรมีค่าเป็นศูนย์ ดังนั้นเราจึงสามารถใช้ตัวกรองแบบเลื่อนเฉลี่ยสามตัวอย่างซึ่งเราจะแทนที่แต่ละตัวอย่างด้วยค่าเฉลี่ยระหว่างตัวเองกับเพื่อนบ้านสองแห่งที่อยู่ติดกัน แน่นอนยิ่งเราใหญ่หน้าต่างมากเท่าใดเสียงจะเฉลี่ยออกไปเป็นศูนย์มากขึ้น แต่สมมติฐานของเราเกี่ยวกับความเป็นเส้นตรงของสัญญาณที่แท้จริงจะน้อยลง ดังนั้นเราจึงต้องทำการตัดจำหน่าย วิธีหนึ่งในการพยายามให้ได้สิ่งที่ดีที่สุดของทั้งสองโลกคือการใช้ค่าเฉลี่ยถ่วงน้ำหนักซึ่งเราจะให้น้ำหนักตัวอย่างน้อยกว่าเพื่อให้เราได้รับผลกระทบจากเสียงรบกวนโดยเฉลี่ยในช่วงที่ใหญ่ขึ้นในขณะที่ไม่ได้ให้ความสำคัญกับสัญญาณที่แท้จริงมากเกินไปซึ่งมันเบี่ยงเบนไปจากความเป็นเส้นตรงของเรา การสันนิษฐาน วิธีที่คุณควรจะใส่น้ำหนักขึ้นอยู่กับเสียงสัญญาณและประสิทธิภาพในการคำนวณและแน่นอนการตัดจำหน่ายระหว่างการกำจัดเสียงรบกวนและตัดเป็นสัญญาณ โปรดทราบว่าในช่วงไม่กี่ปีที่ผ่านมามีงานทำมากมายเพื่อให้เราสามารถผ่อนคลายข้อสมมติฐานทั้งสี่ตัวอย่างเช่นโดยการออกแบบรูปแบบการปรับให้ราบเรียบกับหน้าต่างตัวกรองตัวแปร (การแพร่กระจายแบบ anisotropic) หรือแผนการที่ไม่ใช้หน้าต่างจริงๆ (nonlocal หมายถึง) ตอบเมื่อวันที่ 27 ธันวาคม 12 เวลา 15: 10Mean filter หรือกรองเฉลี่ยหมวด การพัฒนาซอฟต์แวร์สัญญาณและภาพ (DSP and DIP) นามธรรม. บทความนี้เป็นคู่มือปฏิบัติสำหรับตัวกรองเฉลี่ยหรือความเข้าใจในตัวกรองและการใช้งานเฉลี่ย บทความประกอบด้วยทฤษฎี, C source code, คำแนะนำในการเขียนโปรแกรมและการประยุกต์ใช้ตัวอย่าง 1. ข้อมูลเบื้องต้นเกี่ยวกับตัวกรองเฉลี่ยหรือตัวกรองค่าเฉลี่ยของตัวกรองเฉลี่ย หรือกรองเฉลี่ยเป็นตัวกรองหน้าต่างของคลาสเชิงเส้นซึ่งจะทำให้ได้ภาพที่นุ่มนวล (ภาพ) ตัวกรองทำงานเป็น low-pass one แนวคิดพื้นฐานที่อยู่เบื้องหลังตัวกรองคือองค์ประกอบใด ๆ ของสัญญาณ (ภาพ) ใช้ค่าเฉลี่ยทั่วบริเวณใกล้เคียง เพื่อให้เข้าใจถึงวิธีการที่เกิดขึ้นในทางปฏิบัติให้เราเริ่มต้นด้วยแนวคิดเรื่องหน้าต่าง 2. กรองหน้าต่างหรือหน้ากากให้เราลองนึกภาพคุณควรอ่านจดหมายและสิ่งที่คุณเห็นในข้อความที่ถูก จำกัด ด้วยรูในรูปแบบลายฉลุพิเศษเช่นนี้ ดังนั้นผลของการอ่านคือเสียง t โอเคให้เราอ่านจดหมายอีกครั้ง แต่ด้วยความช่วยเหลือของฉลุอื่น: ตอนนี้ผลของการอ่าน t คือเสียง 240 ลองมาลองสามครั้งตอนนี้คุณกำลังอ่านจดหมาย t เป็นเสียง 952 เกิดอะไรขึ้นที่นี่เพื่อบอกว่า ในภาษาคณิตศาสตร์คุณกำลังดำเนินการ (อ่าน) เหนือองค์ประกอบ (ตัวอักษร t) และผล (เสียง) ขึ้นอยู่กับย่านองค์ประกอบ (ตัวอักษรติดกับ t) หน้าต่างที่เป็นลายฉลุหรือลวดลายซึ่งคุณเลือกส่วนประดับประคอง 0151 ชุดองค์ประกอบรอบ ๆ ตัวที่กำหนด 0151 เพื่อช่วยในการตัดสินใจของคุณ ชื่ออื่นสำหรับหน้าต่างตัวกรองคือมาส์กหน้ากาก 0151 เป็นแบบลายฉลุซึ่งจะซ่อนองค์ประกอบที่เราไม่ให้ความสนใจ ในตัวอย่างของเราองค์ประกอบที่เรากำลังดำเนินการอยู่ในตำแหน่งที่ด้านซ้ายสุดของหน้าต่างในทางปฏิบัติอย่างไรก็ตามตำแหน่งตามปกติเป็นศูนย์กลางของหน้าต่าง ให้เราดูตัวอย่างหน้าต่างบ้าง ในมิติเดียว มะเดื่อ. 4. หน้ากากหรือหน้ากากขนาด 5 in 1D ในสองมิติ มะเดื่อ. 5. หน้าต่างหรือหน้ากากขนาด 3times3 ในแบบ 2D ในสามมิติ คิดเกี่ยวกับการสร้าง ตอนนี้คุยเรื่องห้องในอาคารแล้ว ห้องเป็นเหมือนหน้าต่าง 3 มิติซึ่งจะตัดบางสเปซออกจากพื้นที่ทั้งหมดของอาคาร คุณสามารถหาหน้าต่าง 3D ในการประมวลผลภาพระดับเสียง (voxel) 3. ทำความเข้าใจเกี่ยวกับตัวกรองค่าเฉลี่ยตอนนี้ให้เราดูวิธีทำความเข้าใจกับองค์ประกอบต่างๆในบริเวณใกล้เคียงกัน สูตรง่าย 0151 รวมองค์ประกอบและแบ่งผลรวมตามจำนวนขององค์ประกอบ ตัวอย่างเช่นให้เราคำนวณค่าเฉลี่ยสำหรับกรณีที่แสดงในรูป 7. มะเดื่อ. 7. ใช้ค่าเฉลี่ย และนั่นคือทั้งหมด ใช่เราเพิ่งกรองสัญญาณ 1D ด้วยตัวกรองค่าเฉลี่ยให้เราทำประวัติและเขียนคำแนะนำแบบทีละขั้นตอนสำหรับการประมวลผลโดยใช้ตัวกรองค่าเฉลี่ย ตัวกรองค่าเฉลี่ยหรืออัลกอริธึมตัวกรองเฉลี่ย: วางหน้าต่างเหนือองค์ประกอบใช้ค่าเฉลี่ย 0151 รวมองค์ประกอบและหารผลรวมตามจำนวนองค์ประกอบ ตอนนี้เมื่อเรามีอัลกอริทึมแล้วก็ถึงเวลาที่ต้องเขียนโค้ด mdash แล้วให้เราลงมาเขียนโปรแกรม 4. การเขียนโปรแกรมกรองค่าเฉลี่ย 1D ในส่วนนี้เราจะพัฒนาตัวกรองค่าเฉลี่ย 1D ที่มีหน้าต่างขนาด 5. ให้เรามีสัญญาณ 1D ที่มีความยาว N เป็น input ขั้นตอนแรกคือการวาง 0151 หน้าต่างที่เราทำโดยการเปลี่ยนดัชนีขององค์ประกอบชั้นนำ: ให้ความสนใจว่าเรากำลังเริ่มต้นด้วยองค์ประกอบที่สามและจบด้วยอันดับสุดท้าย แต่สอง ปัญหาคือเราไม่สามารถเริ่มต้นด้วยองค์ประกอบแรกเพราะในกรณีนี้ส่วนด้านซ้ายของหน้าต่างตัวกรองว่างเปล่า เราจะกล่าวถึงด้านล่างวิธีแก้ปัญหาดังกล่าว ขั้นตอนที่สองคือการใช้ค่าเฉลี่ยโอเค: ตอนนี้ให้เราเขียนอัลกอริทึมเป็นฟังก์ชันดังนี้: อิลิเมนต์ type สามารถกำหนดได้ดังนี้: 5. การรักษาขอบสำหรับตัวกรองหน้าต่างทั้งหมดมีปัญหาบางอย่าง นั่นคือการรักษาขอบ หากคุณวางหน้าต่างไว้เหนือองค์ประกอบแรก (รายการสุดท้าย) ส่วนด้านซ้าย (ด้านขวา) ของหน้าต่างจะว่างเปล่า เพื่อเติมช่องว่างควรขยายสัญญาณ สำหรับตัวกรองค่าเฉลี่ยควรมีการขยายสัญญาณหรือภาพสมมาตรเช่นนี้ดังนั้นก่อนส่งสัญญาณไปยังฟังก์ชั่นการกรองค่าเฉลี่ยของเราควรขยายสัญญาณ ให้เราเขียนกระดาษห่อหุ้มซึ่งทำให้การเตรียมการทั้งหมด ตามที่คุณเห็นโค้ดของเราจะพิจารณาปัญหาที่เป็นประโยชน์บางประการ ประการแรกเราตรวจสอบพารามิเตอร์การป้อนข้อมูลของเรา 0151 สัญญาณไม่ควรเป็นโมฆะและความยาวของสัญญาณควรเป็นบวก: ขั้นตอนที่สอง 0151 เราตรวจสอบกรณี N1 กรณีนี้เป็นกรณีพิเศษเนื่องจากการสร้างส่วนขยายเราต้องการอย่างน้อยสององค์ประกอบ สำหรับสัญญาณที่มีความยาว 1 องค์ประกอบผลลัพธ์คือสัญญาณที่ตัวเอง รวมทั้งตัวกรองค่าเฉลี่ยของเราจะทำงานในตำแหน่งถ้าผลลัพธ์พารามิเตอร์ผลลัพธ์เป็น NULL ตอนนี้ให้เราจัดสรรหน่วยความจำสำหรับการขยายสัญญาณ และตรวจสอบการจัดสรรหน่วยความจำ