Moving Average Filter White Noise

Hallo Ich versuche, ein Bild mit 4 Objekten im Inneren mit MatLab zu filtern. Mein erstes Bild hatte einen schwarzen Hintergrund mit weißen Objekten, so war es für mich klar, jedes Bild heraus zu filtern, indem ich diese großen weißen Abschnitte mit BW Label und trennen sie aus dem Bild. Das nächste Bild hat Rauschen in it though. Jetzt habe ich ein Bild mit weißen Linien durch meine Objekte laufen und sie sind jetzt tatsächlich miteinander verbunden. Wie könnte ich filtern diese Zeilen in MatLab Was ist mit Salz und Pfeffer-Rauschen Gibt es MatLab-Funktionen, die dies tun können, kann dies gefragt werden Wenn Sie mit der Verzerrung der Objekte ein wenig leben können, können Sie eine schließende (morphologische) Filter mit etwas Kontraststreckung. Youll brauchen die Bildverarbeitung Toolbox, aber heres die allgemeine Idee. Weichzeichnen, um die Zeilen zu töten, andernfalls wird der schließende Filter Ihre Objekte löschen. Sie können fspecial verwenden, um einen Gaußschen Filter und Imfilter zu erstellen, um es anzuwenden Wenden Sie die schließende Filter auf das Bild mit imclose mit einer Maske, die größer ist als Ihr Rauschen, aber kleiner als das Objekt Stücke (Ich habe ein 3x3 Diamant in meinem Beispiel). Threshold Ihr Bild mit im2bw, so dass jedes Pixel auf reine schwarz oder reinweiß basiert Ive befestigt ein Beispiel, das ich für ein Schulprojekt zu tun hatte. In meinem Fall war der Hintergrund weiß und die Objekte schwarz, und ich streckte zwischen der Erosion und Dilatation. Sie können nicht wirklich sehen das Grau nach der Erosion, aber es war da (daher die Notwendigkeit für Schwellenwert). Sie können natürlich direkt die Schließung (Erosion gefolgt von Dilatation) und dann Schwelle. Beachten Sie, dass diese Filterung die Objekte verzerrt. FYI in der Regel Salz-und-Pfeffer-Rauschen wird mit einem gleitenden durchschnittlichen Filter gereinigt, aber das wird das Bild Graustufen verlassen. Für mein Projekt brauchte ich ein reines Schwarz-Weiß (für BW Label) und die morphologischen Filter funktionierten hervorragend, um das Rauschen vollständig auszulöschen. Der Wissenschaftler und Ingenieure Leitfaden zur digitalen Signalverarbeitung Von Steven W. Smith, Ph. D. Kapitel 15: Verschieben von Durchschnittsfiltern Rauschreduzierung und Schrittreaktion Viele Wissenschaftler und Ingenieure fühlen sich schuldig, wenn Sie den gleitenden Mittelfilter verwenden. Weil es so einfach ist, ist der gleitende Durchschnitt Filter oft das erste, was versucht, wenn mit einem Problem konfrontiert. Auch wenn das Problem vollständig gelöst ist, gibt es immer noch das Gefühl, dass etwas mehr getan werden sollte. Diese Situation ist wirklich ironisch. Nicht nur ist der gleitende mittlere Filter sehr gut für viele Anwendungen, er ist optimal für ein gemeinsames Problem, wodurch zufälliges weißes Rauschen unter Beibehaltung der schärfsten Sprungantwort. Abbildung 15-1 zeigt ein Beispiel dafür, wie dies funktioniert. Das Signal in (a) ist ein in zufälligem Rauschen vergrabener Impuls. In (b) und (c) verringert die Glättungswirkung des gleitenden Durchschnittsfilters die Amplitude des zufälligen Rauschens (gut), verringert aber auch die Schärfe der Kanten (schlecht). Von allen möglichen linearen Filtern, die verwendet werden könnten, erzeugt der gleitende Durchschnitt das niedrigste Rauschen für eine gegebene Flankenschärfe. Der Betrag der Rauschunterdrückung ist gleich der Quadratwurzel der Anzahl der Punkte im Durchschnitt. Zum Beispiel verringert ein 100-Punkte-gleitender Durchschnittsfilter das Rauschen um den Faktor 10. Um zu verstehen, warum der gleitende Durchschnitt die beste Lösung ist, stellen wir uns vor, wir wollen einen Filter mit fester Kantenschärfe entwerfen. Nehmen wir zum Beispiel an, dass wir die Kantenschärfe festlegen, indem wir angeben, dass es elf Punkte im Anstieg der Sprungantwort gibt. Dies erfordert, dass der Filterkern elf Punkte hat. Die Optimierungsfrage lautet: Wie wählen wir die elf Werte im Filterkernel aus, um das Rauschen am Ausgangssignal zu minimieren Da das Rauschen, das wir reduzieren wollen, zufällig ist, ist keiner der Eingangspunkte etwas Besonderes, jeder ist genauso laut wie sein Nachbar . Daher ist es nutzlos, irgendeinem der Eingangspunkte eine bevorzugte Behandlung zu geben, indem ihm ein größerer Koeffizient im Filterkern zugewiesen wird. Das niedrigste Rauschen wird erhalten, wenn alle Eingangsabtastwerte gleich behandelt werden, d. h. das gleitende Mittelfilter. (Später in diesem Kapitel zeigen wir, dass andere Filter im Wesentlichen so gut sind, dass kein Filter besser ist als der einfache gleitende Durchschnitt).Frequenzantwort von Moving Average Filter und FIR Filter Vergleichen Sie den Frequenzgang des Moving Average Filters mit dem Des regulären FIR-Filters. Stellen Sie die Koeffizienten des regulären FIR-Filters als Folge von skalierten 1s ein. Der Skalierungsfaktor ist 1 / filterLength. Erstellen Sie ein dsp. FIRFilter-Systemobjekt, und legen Sie seine Koeffizienten auf 1/40 fest. Um den gleitenden Durchschnitt zu berechnen, erstellen Sie ein dsp. MovingAverage-Systemobjekt mit einem Schiebefenster mit der Länge 40, um den gleitenden Durchschnitt zu berechnen. Beide Filter haben die gleichen Koeffizienten. Der Eingang ist Gaußsches weißes Rauschen mit einem Mittelwert von 0 und einer Standardabweichung von 1. Stellen Sie den Frequenzgang beider Filter mithilfe von fvtool dar. Die Frequenzantworten entsprechen genau, was beweist, dass das gleitende Mittelfilter ein Spezialfall des FIR-Filters ist. Zum Vergleich den Frequenzgang des Filters ohne Rauschen. Vergleichen Sie den Frequenzgang des Filters mit dem des idealen Filters. Sie können sehen, dass der Hauptlappen im Durchlassbereich nicht flach ist und die Wellen im Stopband nicht eingeschränkt sind. Der Frequenzgang des gleitenden Durchschnittsfilters stimmt nicht mit dem Frequenzgang des idealen Filters überein. Um ein ideales FIR-Filter zu realisieren, ändern Sie die Filterkoeffizienten zu einem Vektor, der keine Folge von skalierten 1s ist. Der Frequenzgang des Filters ändert sich und neigt dazu, sich näher an die ideale Filterantwort zu verschieben. Entwerfen Sie die Filterkoeffizienten anhand vordefinierter Filterspezifikationen. Beispielsweise ein FIR-Filter mit einer normierten Grenzfrequenz von 0,1, einer Durchlaßbandwelligkeit von 0,5 und einer Stoppbanddämpfung von 40 dB. Verwenden Sie fdesign. lowpass, um die Filterspezifikationen und die Designmethode zu definieren, um den Filter zu entwerfen. Die Antwort des Filters im Durchlaßbereich ist nahezu flach (ähnlich der idealen Reaktion), und das Stoppband hat Gleichstromgrenzen eingeschränkt. MATLAB und Simulink sind eingetragene Warenzeichen von The MathWorks, Inc. Bitte lesen Sie Mathworks / Warenzeichen für eine Liste anderer Marken, die Eigentum von The MathWorks, Inc. sind. Andere Produkt - oder Markennamen sind Warenzeichen oder eingetragene Warenzeichen der jeweiligen Eigentümer. Wähle dein Land