Medelfilter eller medelfilter. Kategorin Digital signal och bildbehandling DSP och DIP-mjukvaruutveckling. Artiklarna är en praktisk guide för medelfilter eller genomsnittlig filterförståelse och implementering. Artikeln innehåller teori, C-källkod, programmeringsinstruktioner och provprogram. 1 Introduktion till genomsnittligt filter eller genomsnittligt filter. Filtret eller det genomsnittliga filtret är fönsterfiltret av linjär klass som släpper signalbilden. Filtret fungerar som lågpass. Grunden bakom filtret är att varje element i signalbilden tar ett genomsnitt Över dess grannskap För att förstå hur det görs i praktiken, låt oss börja med fönsteride.2.2 Filterfönster eller mask. Låt oss föreställa dig att du borde läsa ett brev och det du ser i text begränsad av hål i speciell stencil som denna. 1 Första stencilen. Så är resultatet av läsning ljudet t Ok, låt oss läsa brevet igen, men med hjälp av en annan stencil. Fig 2 Andra stencil. Nå är resultatet av att läsa t ljud Låt oss göra Den tredje försöket. Fig 3 tredje stencilen. Nu läser du bokstaven t som ljud. Vad händer här Att säga det i matematiskt språk gör du en operation som läser över elementbokstav t Och resultatet ljudet beror på elementet grannskap bokstäver bredvid T. Och den stencilen, som hjälper till att plocka upp elementet grannskap, är fönstret Ja, fönstret är bara en stencil eller ett mönster, genom vilket du väljer elementet grannskapet en uppsättning av element runt den givna för att hjälpa dig att fatta beslut Namn på filterfönstret är mask 3 i 2D. I tre dimensioner Tänk på byggnad Och nu om rum i byggnaden Rummet är som 3D-fönster, vilket skär ut en del delrum från hela byggnaden. Du kan hitta 3D-fönster i volym voxel Bildbehandling. Fig 6 Fönster eller mask av storlek 3 3 3 i 3D.3 Förstå genomsnittlig filter. Nå låt oss se hur man tar ett medelvärde över elementets grannskap. Formeln är enkla summeringselement och dela summan med antalet Element Fo R exempel, låt oss beräkna ett medelvärde för fallet, som visas i fig. 7.Fig 7 Med ett genomsnitt. Och det är allt Ja, vi har bara filtrerat 1D-signal med medelfilter. Låt oss göra CV och skriva ner steg för steg instruktioner för bearbetning med medelfilter. Använd filter eller medelfilteralgoritm. Placera ett fönster över elementet. Ta en genomsnittlig summa upp och dela summan av antalet element. Nu när vi har algoritmen är det dags att skriva Någon kod låt oss komma ner till programmering.4 1D medelfilterprogrammering. I detta avsnitt utvecklar vi 1D medelfilter med fönster av storlek 5 Låt oss ha 1D-signal med längd N som input Det första steget är att placera fönster genom att ändra index Av det ledande elementet. Uppmärksamma att vi börjar med det tredje elementet och slutar med det sista men två Problemet är att vi inte kan börja med det första elementet, för i det här fallet är den vänstra delen av filterfönstret tomt. Vi kommer att diskutera nedan, hur man löser det problemet. Det andra steget är t Låta medelvärdet ok. Nu, låt oss skriva ner algoritmen som funktion. Typelement kan definieras som.5 Behandla kanter. För alla fönsterfilter finns det ett problem Det är kantbehandling Om du placerar fönster över första sista elementet, så Vänster högra delen av fönstret kommer att vara tomt För att fylla gapet, bör signalen utökas För medelfilter är det bra att utvidga signalen eller bilden symmetriskt, så här. Så innan signalet skickas till vår genomsnittliga filterfunktion ska signalen förlängas Låt oss skriva ner omslaget, vilket gör alla förberedelser. Som du kan se tar vår kod hänsyn till några praktiska problem. Först och främst kontrollerar vi våra ingångsparametrar bör signalen inte vara NULL, och signallängden ska vara positiv. Andra steg vi kontrollerar Fall N 1 Det här fallet är speciellt, för att bygga förlängning behöver vi minst två element. För signalen med 1 elementlängd är resultatet själva signalen. OBS! Vårt genomsnittliga filter fungerar på plats, om utgångsparameterns resultat är NULL. Now Låt oss allokera minne för signalförlängning. Och kolla minnesallokering. Jag kodar någonting för tillfället där jag m tar en massa värden över tiden från en hårdvarukompass. Denna kompass är mycket exakt och uppdateras mycket ofta, med det resultat att om det jiggles något, slutar jag med det udda värdet som är väldigt inkonsekvent med sina grannar. Jag vill släta ut dessa värden. Hade gjort lite läsning, det verkar som att det jag vill ha är ett högpassfilter, ett lågpassfilter Eller ett rörligt genomsnittligt rörligt medelvärde som jag kan komma ner med, behåll bara en historia av de senaste 5 värdena eller vad som helst och använd medelvärdet av dessa värden nedströms i min kod där jag en gång bara använde det senaste värdet. Det borde jag Tänk, glatt ut dem jigglar bra, men det slår mig att det är nog ganska ineffektivt, och det här är förmodligen ett av de kända problemen med riktiga programmerare som det var en väldigt snygg kladdmatlösning. Jag är dock en av de hemska Självlärd programmerare s utan en formell utbildning i vad som helst vagt relaterat till CompSci eller Math Reading runt lite tyder på att detta kan vara ett högt eller lågt passfilter, men jag kan inte hitta någonting som förklarar vad som är begripligt för ett hack som jag Effekten av dessa algoritmer skulle vara på en uppsättning värden, än mindre hur matematiken fungerar Svaret som ges här, till exempel, svarar tekniskt på min fråga, men endast i förståeliga för dem som förmodligen redan vet hur man löser problemet. Det Skulle vara en väldigt härlig och smart person som vem skulle kunna förklara vilken typ av problem det här är och hur lösningarna fungerar, i termer som är begripliga för en doktorsexamen. askad 21 sep 10 kl 13 01. Om ditt rörliga medelvärde måste vara långt i För att uppnå den nödvändiga utjämningen och du behöver verkligen inte någon särskild form av kärnan, då blir du bättre om du använder ett exponentiellt avtagande glidande medelvärde. Där väljer du liten för att vara en lämplig konstant, t. ex. om du väljer liten 1- 1 N, det kommer att ha samma antal medelvärden som ett fönster av storlek N, men fördelas annorlunda över äldre punkter. Ännu, eftersom nästa värde av glidande medel beror endast på föregående och dina data, du don t Måste hålla en kö eller något och du kan tänka på det här som att göra något som, väl jag har en ny punkt men jag tror inte verkligen på det, så jag mår att hålla 80 av min gamla uppskattning av mätningen, Och bara lita på den nya datapunkten 20 Det är ganska mycket detsamma som att säga: Jo, jag litar bara på den nya punkten 20, och jag använder 4 andra punkter som jag litar på samma mängd, förutom att istället för att uttryckligen ta de 4 andra Poäng antar du att medelvärdet du gjorde senast var förnuftigt så att du kan använda ditt tidigare arbete. Svarat 21 september 10 på 14 27. Hej, jag vet att det här är 5 år sent, men tack för ett fantastiskt svar jobbar jag på ett spel där ljudet ändras baserat på din hastighet, men på grund av att du kör spelet på en slow-ass-dator, skulle hastigheten Svänger vildt vilket var bra för styrning men mycket irriterande i ljud. Detta var en väldigt enkel och billig lösning på någonting som jag trodde skulle vara ett väldigt komplext problem. Adam Mar 16 15 på 20 20. Om du försöker avlägsna tillfällig Udda värde är ett lågpassfilter det bästa av de tre alternativen som du har identifierat Lågpassfilter tillåter låghastighetsändringar som de som orsakas av att man roterar en kompass för hand, samtidigt som man avvisar höghastighetsförändringar som de Orsakad av stötar på vägen, till exempel. Ett rörligt medelvärde kommer förmodligen inte vara tillräckligt, eftersom effekterna av ett enda blip i dina data kommer att påverka flera efterföljande värden beroende på storleken på ditt glidande medelfönster. Om de udda värdena är lätt upptäckt kan du till och med vara bättre med en glitch-removal-algoritm som helt ignorerar dem. Här är ett gickdiagram för att illustrera. Det första diagrammet är ingångssignalen, med en obehaglig glitch. Det andra diagrammet visar effekten av en 10- Provrörelse medelvärdet Det slutliga diagrammet är en kombination av 10-provvärdet och den enkla glitchdetekteringsalgoritmen som visas ovan. När glitchen upptäcks används 10-medelvärdet i stället för det faktiska värdet. Svarat den 21 september 10 vid 13 38. Något förklarat Och bonuspoäng för graven Henry Cooke 22 september 10 på 0 50.Wow Sågent såg så bra svar Muis 4 juni 13 på 9 14. Det rörliga genomsnittet är ett lågpassfilter nomen 21 okt 13 på 19 36.Try a running streaming median istället kert 25 april kl 22 09.Genomsnittet kan jag komma ner med men det verkar som om det är ganska ineffektivt. Det är verkligen ingen anledning att ett rörligt medelvärde borde vara ineffektivt. Du behåller antalet datapunkter du vill ha i Någon buffert som en cirkulär kö På varje ny datapunkt popar du det äldsta värdet och subtraherar det från en summa och trycker på det nyaste och lägger till det i summan. Således innebär varje ny datapunkt bara en pop-push, ett tillägg och en subtraktion Ditt rörliga medelvärde är alltid denna skiftande sum dividerad med antalet värden i din buffert. Det blir lite svårare om du tar emot data samtidigt från flera trådar, men eftersom dina data kommer från en hårdvarubutik som tycks vara mycket tveksamt för mig. Och även hemska självlärda programmörer förenar. Det rörliga genomsnittet verkade ineffektivt för mig eftersom du måste lagra en buffert med värden - bättre att bara göra lite Clever Maths med ditt inmatningsvärde och nuvarande arbetsvärde Jag tror att s hur exponentiell rörligt medelvärde fungerar En optimering jag har sett för denna typ av glidande medel innebär att du använder en fast längdskön en pekare till var du befinner dig i den köen och bara sveper pekaren med eller en om Voila Inget dyrt tryck pop Kraft till amatörerna, bror Henry Cooke 22 sep 10 på 0 54. Henry För ett rakt glidande medelvärde behöver du bufferten helt enkelt så att du vet vilket värde som dyker när nästa värde blir skjutet. Med det sagt är den fasta längdskön en pekare du beskriver precis vad jag menade med cirkulär Kö Det var därför jag sa att det inte är ineffektivt Vad tyckte du att jag menade Och om ditt svar är en matris som ändrar sina värden tillbaka på varje indexerad borttagning som stdvektor i C-brunn, så är jag så ont jag inte ens vill prata med dig mer Dan Tao Sep 22 10 på 1 58. Henry Jag vet inte om AS3, men en Java-programmerare har samlingar som CircularQueue till sitt förfogande Jag är inte en Java-utvecklare så jag är säker på att det finns bättre exempel Där ute, det är precis vad jag hittade från en snabb Google-sökning, som precis implementerar den funktionalitet vi talar om. Jag är ganska säker på att majoriteten av mellannivå och lågnivå språk med standardbibliotek har något liknande, till exempel i s Queue T Anyway Jag var filosofi själv, så allt är förlåtet Dan Tao Sep 22 10 på 12 44. Ett exponentiellt förfallande glidande medelvärde kan beräknas för hand med endast trenden om du använder rätt värden. Se om en idé om hur man gör det snabbt med en penna och papper om du letar efter exponentiellt slätat glidande medelvärde med 10 utjämning Men eftersom du har en dator, vill du förmodligen göra binärväxling i motsats till decimalväxling. På så sätt är allt du behöver en variabel för ditt nuvarande värde och en för genomsnittsvärdet. Nästa genomsnittliga kan sedan beräknas från den. svarade den 21 september 10 på 14 39. det var tekniken kallad en intervall grind som fungerar bra med felaktiga prover med låg förekomst, förutsatt att användningen av en av de ovan nämnda filterteknikerna rör sig i genomsnitt, exponentiell, när du har tillräckligt historia en tidskonstant kan du testa det nya inkommande dataprovet för rimlighet innan det läggs till i beräkningen. En del kunskap om den maximala rimliga frekvensen av förändringen av signalen är nödvändig, det råa provet jämförs med den senaste glattningen värdet, och om det absoluta värdet av den skillnaden är större än det tillåtna intervallet, kastas eller ersätts det med några heuristiska, t. ex. en förutsägelse baserad på lutningsskillnad eller trendprognosvärde från dubbel exponentiell utjämning. ansvarad 30 april 16 vid 6 56. Det är möjligt att genomföra ett glidande medelvärde i C utan att det behövs ett fönster i prov. Jag har funnit att jag kan optimera lite genom att välja en fönsterstorlek Det är en kraft av två för att tillåta bitskiftning istället för att dela men behöver inte buffert vara bra. Finns det ett sätt att uttrycka ett nytt glidande medelresultat endast som en funktion av det gamla resultatet och det nya provet. Glidande medelvärde, över ett fönster med 4 prov att vara. Lägg till nytt prov eA glidande medelvärde kan implementeras rekursivt men för en exakt beräkning av glidande medelvärde måste du komma ihåg det äldsta inmatningsexemplet i summan dvs a i ditt exempel För en längd N flyttande medelvärde du beräknar. Där yn är utsignalen och xn är ingångssignalen. Eq 1 kan skrivas rekursivt som. Så du behöver alltid komma ihåg provet x nN för att beräkna 2.As påpekade av Conrad Turner , du kan använda en oändlig lång exponering Ential-fönstret istället, vilket gör det möjligt att beräkna utmatningen endast från tidigare utmatning och nuvarande input. but detta är inte ett vanligt obetydligt rörligt medelvärde, men ett exponentiellt vägt rörligt medelvärde, där proverna tidigare har en mindre vikt, men vid Åtminstone i teorin glömmer du aldrig någonting, vikterna blir bara mindre och mindre för prover långt tidigare. Jag implementerade ett glidande medelvärde utan individuellt objektminne för ett GPS-spårprogram som jag skrev. Jag börjar med 1 prov och dela med 1 för att få Nuvarande avg. Jag lägger sedan anothe prov och delar med 2 till den nuvarande avg. This fortsätter tills jag kommer till längden av genomsnittet. En gång senare lägger jag till i det nya provet, får medelvärdet och tar bort det genomsnittet från Totalt. Jag är inte en matematiker men det verkade som ett bra sätt att göra det. Jag tänkte att det skulle vända på magen på en riktig matte kille men det visar sig att det är ett av de accepterade sätten att göra det. Och det fungerar bra Kom bara ihåg Att ju högre din le Ngth desto långsammare följer det vad du vill följa Det kan inte ha betydelse för det mesta, men när du följer satelliter, om du är långsam kan spåret vara långt ifrån den verkliga positionen och det kommer att se dåligt ut. Du kan få ett mellanrum mellan satt och de efterföljande prickarna jag valde en längd på 15 uppdaterade 6 gånger per minut för att få tillräcklig utjämning och inte komma för långt från den faktiska lätta positionen med de jämnaste spårpunkterna. svarade 16 november 16 vid 23 03.initialisera totalt 0, räkna 0 varje gång vi ser ett nytt värde. Då lägger en inmatningsscanning till en helt nyValue, en inkrementräkning, en dividerar genomsnittlig totalräkning. Detta skulle vara ett glidande medelvärde över alla inmatningar. För att beräkna medelvärdet över endast de sista 4 ingångarna skulle det krävas 4 inputvariables, kanske kopiering av varje ingång till en äldre ingångsvariabel, då beräknas det nya glidande medlet som summan av de fyra ingångsvariablerna dividerat med 4 högerskift 2 skulle vara bra om alla ingångar var positiva för att göra den genomsnittliga beräkningen. Svarade 3 februari 15 Klockan 4 06.Th vid kommer faktiskt att beräkna det totala genomsnittet och INTE det glidande genomsnittet När räkningen blir större blir effekten av ett nytt ingångsprov försvinnande liten Hilmar 3 feb kl 13:53. Ditt svar.2017 Stack Exchange, Inc.
No comments:
Post a Comment