前言：中文期刊网精心挑选了滤波器去噪原理和基本方法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
滤波器去噪原理和基本方法范文1
关键词：小波分析；小波去噪；非平稳信号；matlab仿真 小波分析是当前应用数学和工程学科中一个迅速发展的新领域，经过近10年的探索研究，重要的数学形式化体系已经建立，理论基础更加扎实。传统的信号分析是建立在Fourier变换的基础之上的。虽然Fourier变换能够分别从信号的时域和频域进行观察分析，但却不能把二者有机地结合起来，其Fourier谱是信号的统计特性，是整个时间域内的积分，没有局部化分析信号的能力，不具备时域信息。因此，Fourier分析使用的是一种全局的变换，要么完全在时域，要么完全在频域，因此无法表述信号的时频局域性质，而这种性质恰恰是非平稳信号最根本和最关键的性质。
小波分析属于时频分析的一种，是一种信号的时间――尺度、时间――频率的分析方法，它继承和发展了Fourier分析理论。它具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但形状可改变，且时间窗和频率窗都可改变的时频局部化分析方法。
小波分析在时域、频域同时具有良好的局部化性质，能较好地解决突变信号与非平稳信号的问题。它在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的“显微镜”。
一、小波分析原理及其数学描述
小波分析是一种窗口大小（即窗口面积）固定但其形状可改变，时问和率窗都可改变的时频局部化分析方法。即在低频部分具有较高的频率分辨率较低的时间分辨率，即在高频部分具有较高的时间分辨率和较低的频率分辨使小波变换具有对信号的自适应性。
二、小波去噪原理
小波消噪（滤波）方法有模极大值方法，尺度空间滤波、阈值法等。利用信号和噪声在小波变换尺度空间表现出的不同特征：信号小波变换的系数随尺度的增大而增大，而白噪声、尖脉冲的幅值、方差、模极大值的稠密度随尺度的增大而减小，因此对于含噪声的信号进行小波分解，重构可以对信号滤波。
这里主要介绍阈值滤波的方法。
首先，对信号进行多尺度一维小波分解，如图1用信号S的三尺度分解进一步说明多分辨分析。从图中可以明显看出，多分辨分析只是对低频部分进行进一步分解，而高频部分则不予以考虑，分解具有关系：S=A3+D3+D2+D1，A为信号低频部分，D为信号高频部分。然后，可以以门限阈值等形式对小波系数进行处理。最后，对信号进行重构即可以达到消噪的目的。
三 、小波去噪的研究
噪声通常被认为是有害信号，一般情况下应被抑制，然而，噪声中也可能包含许多有用信息，如机电一体化设备运行中所产生的噪声，就在一定程度上包含了反映其工作情况，状态信息或参数等内容，因为这些设备在运行时，其中力、速度、加速度的变化以及振动的振幅、频率等信息都会以噪声的形式表现出来。如果能采集、记录到这样的噪声信号并对其进行必要的处理，就能从中提取到机电设备的工作情况、状态参数等重要信息，还能以此作为我们对其进行监控的手段之一。利用噪声信号中的有用信息进行机电设备的故障诊断或状态监控，关键之处就是要对它进行合适的处理，因为在生产现场所采集到的噪声信号非常繁杂且数据量很大，这其中有不少是无用数据，若不进行处理的话，很难获得我们想要的信息。在实际的工程应用中，所分析的信号可能包含许多尖峰或突变部分，并且噪声也不是平衡的白噪声，对这种信号进行分析，首先需要作信号的预处理，将信号的噪声部分去除，提取有用信号。对这种信号的消噪小波分析由于能同时在时、频域中对信号进行分析，所以它能有效地区分信号中的突变部分和噪声，从而实现信号的消噪。
1、小波分析用于降噪的过程
小波分析用于降噪的过程，可细分为如下几段。
1）分析过程：选定一种小波，对信号进行N层小波（小波包）分解；
2）作用阈值过程：对分解得到的各层系数选择一个阈值，并对细节系数作用软阈值处理；
3）重建过程：降处理后的系数通过小波（小波包）重建恢复原始信号。
这个过程基于下如基本假设，即携带信息的原始信号在频域或小波域的能量相对集中，表现为能量密集区域的信号分析系数的绝对值比较大，而噪声信号的能量谱相对分散，所以其系数的绝对值小，这样我们就可以通过作用阈值的方法过滤掉绝对值小于一定阈值的小波系数，从而达到降噪的效果。
2、用小波分析对非平稳信号消除噪声
在一个方波信号上加入一个高斯白噪声，再将其分别用小波分析和傅里叶变换进行信号噪声消除。
1）小波基的选择：
作为小波的函数，它一定要满足容许条件，在时域一定要是有限支撑的，同时，也希望在频域也是有限支撑的，但若时域越窄，其频域必然是越宽，反之亦然。在时域和频域的有限支撑方面往往只能取一个折中。此外，希望由母小波形成的是两两正交的；进一步希望有高阶的消失矩，希望与相关的滤波器具有线性相位等等。这里选择的是sym小波，又称为正交小波，它是双正交小波，并是紧支撑的，且接近对称（故所用的滤波器可接近于线性相位）。
2）小波多尺度分解各子带系数的特点及噪声影响
对图像的小波变换覆盖了图像频带90%的小波系数集中在21、22、23它们包含了大部分图像信息，所以可以只考虑这三个尺度的信息，而尺度2j> 23的信息保留在图像的低频分量中。随着层数的增加，小波系数的范围越来越大，说明较低层的小波系数具有更重要的地位。分辨率最低时，该子带小波系数的范围比别的子带小波系数范围宽，值和方差都比别的要大，说明这些小波系数同样具有重要地位。
在各个子带做特征提取之前，应首先考虑图像中噪声对子带系数的影响。根据Donoho的理论对含噪图像连续做几次小波分解之后，由空间分布不均匀的干净图像所对应的各尺度上小波系数在某些特定的位置有较大的值，这些点对应干净图像的畸变位置和重要信息，而其它大部分位置的值较小；对于白噪声而言，它对应的小波系数在每一尺度上的分布是均匀的，并随着尺度的增加，系数的幅值有所减小。可以看出，噪声的影响主要集中在最高频子带中。因此考虑消噪问题时，可根据噪声小波分解的系数的特点找一个合适阈值λ，把低于λ的小波系数视为主要由噪声引起的设为0，而高于λ的予以保留，对最高频子带可提高阈值以减少噪声影响。
结语
本文基于小波分析在时域、频域同时具有良好的局部化性质，提出了应用小波分析方法对含噪声速变信号进行信噪分离处理，以及对速变数据突变点进行特征提取。小波分析有傅立叶分析不可比拟的优点。可见小波分析方法对飞行器遥测参数的数据处理及分析是非常有意义的一种方法。
[参考文献]
[1]胡广书，现代信号处理教程，清华大学出版社，2004.
[2]徐长发、李国宽，实用小波方法，华中科技大学出版社，2001.
[3]董长虹，Mablab小波分析工具箱原理与应用，国防工业出版社，2004.
[4]小波分析理论与MATLAB实现，电子工业出版社，2005.
滤波器去噪原理和基本方法范文2
关键词： 语音存储与回放； ADPCM； 短时傅里叶变换； FPGA控制
中图分类号： TN911.7?34 文献标识码： A 文章编号： 1004?373X（2013）13?0049?04
Digital voice storage and replay system based on ADPCM
LI Tao1，2， ZENG Pan1，2， XIAO Gong?hai1
（1. Shanghai Institute of Technical Physics， Chinese Academy of Sciences， Shanghai 200083， China；
2. University of Chinese Academy of Sciences， Beijing 100039， China）
Abstract ： With singlechip and FPGA as the cybernetics core， the system realizes voice storage and reply system. It can collect and simulate voice signals and stereo signals from earphone and lift utilization rate of memory by the use of ADPCM， which means the voice can be stored for more than 2 minutes. Based on the short?time Fourier transform principle， it can also achieve spectral analysis of voice signals and real?time display. Through using the stereo audio amplifier， each sound track can be adjusted and muted. Furthermore， some measures as pre?emphasis， de?emphasis and anti?aliasing filtering are used in this system to increase SNR efficiently and get good quality of the recorded voice for a longer time.
Keywords： voice storage and replay； ADPCM； short?time Fourier transform； FPGA control
0 引 言
由单片机与FPGA共同完成语音的录制与回放，可以拥有丰富的接口资源和运算能力，鉴于PCM的存储冗余值过大和DPCM的量化噪声问题，ADPCM成为了不错的压缩算法[1?2]。同时为了拥有较高的共模抑制比、低失真、高功率和高输入阻抗，本文采用仪表放大器、立体声功率放大和控制芯片，结合ADPCM编码，设计并实现了具有采集速度快、存储时间长、语音回放质量良好的数字语音存储与回放系统。
1 系统设计框图
系统主要包括采集、处理与语音回放模块三个部分。对于采集模块，一般由麦克风或者耳机输入的语音通过前置放大和低通滤波等预处理之后，完成A/D转化。对于语音处理模块来说，进行ADPCM的编码以及FFT运算，可将数字化的语音存储于外部介质。对于回放模块来说，可提取存储的语音内容，并且通过解码、D/A转换，最后驱动扬声器来完成回放功能。系统整体框图如图1所示[3?4]。
图1 系统整体框图
其中的立体声ADC和立体声DAC组成部分都集成在芯片PCM3010内部。通过立体声音量控制芯片PGA3010实现立体声音量的调节，最后由功率放大器驱动扬声器完成语音播放功能。同时，通过在FPGA内部对采样数据进行短时傅里叶变换，可在示波器上实时显示语音信号的频谱。
2 理论分析计算[5?7]
2.1 ADPCM编码的理论分析
ADPCM的原理是对相邻两采样值的差值进行编码，利用自适应的思想改变量化阶的大小。ADPCM编码法结合了DCM与ADM，其实是差分算法原理的自适应方向改进。对于输入的信号[Si]与自适应输出值[Sp]存在差值，根据自适应量化步长[d]对此差值进行量化，输出ADPCM四位量化码I。对于量化码I又重新计算量化步长[d]。其原理图如图2所示。
另外一方面对于量化码I，又要送入反量化器，根据计算的步长[d]进行差别断定，生成新的解码值，进行下一轮的语音编码。其原理图如图3所示。
图2 ADPCM编码原理图
图3 ADPCM解码原理图
通过ADPCM的编码，可以达到1/6的压缩比率。也就是说，对于24 b的采样数据，4 b的存储率即可达成要求，可以大大延长存储的时间。当采样速率为46 kHz时，数据传输速率为184 Kb/s，由于外部存储器BQ4015大小为512×8 Kb，故能够存储的最长时间为22 s。当采样速率为8 kHz时，能够存储的最长时间为128 s。
2.2 信噪比计算
一般认为，通话的语音频率一般不超过3.4 kHz，所以低通滤波器选取3.4 kHz作为其截至频率，同时保证A/D采样频率高于8 kHz，根据奈奎斯特定律，即可满足语音量化不损失。对于耳机声道声音，其频率范围为20 Hz～20 kHz，所以对于上述的滤波器以及A/D采样频率也能满足其要求。根据如下信噪比（单位：dB）公式：
[SNR=10logσ2xσ2e=6.02B+4.77-20logxmaxσx]
式中[σ2x]，[σ2e]，[xmax]，[B]分别为输入语音信号方差、噪声信号方差、信号峰值、量化字长。
若假定语音信号服从拉普拉斯分布，则[xmax=4σx]。
所以可以计算出：
[SNR=6.02B-7.2]
表明量化器中每个比特字长对信噪比的贡献大约为6 dB。选用24 b A/D转换器PCM3010，理论上可以达到137 dB的信噪比。
2.3 预加重处理
为了提升语音质量，一般都会对采集的语音进行预加重处理。使得信号的高频部分进行提升，同时信号更平坦。处理的时候一般在高频段按照-6 dB/倍频程跌落，在FPGA内部实现具有6 dB/倍频程提升高频特性的预加重数字滤波器。选取一阶高通滤波器，其特性函数为：
[H（z）=1-uz-1]
式中[u]值取为0.94～0.97。当然，在信号处理之后，还需要通过去加重来还原原本的语音信号。
2.4 分帧加窗处理
为了能用传统的方法对语音信号进行分析处理，需要对本来是时变语音信号进行加窗处理。假定语音信号在30 ms内是平稳的，则在30 ms范围内对于语音信号分割加窗。若采样速率为46 kHz，每帧信号由512个点组成，则一帧的时间长度为11.1 ms，满足语音信号的短时平稳特性。
不同的窗函数对于信号会有不同的处理结果，为了选取更优的处理结果，于是对于矩形窗和汉明窗两个最为典型的窗的特性进行比较，结果如图4，图5所示。
图4 64点矩形窗幅频特性
由图4，图5可知，矩形窗有不错的平滑特性，但是在频谱带外会有一定的信号损失，会有泄漏现象。而汉明窗虽然平滑特性不好，但是其带宽却大于矩形窗，更适合语音信号处理。故在时域中对每帧信号添加汉明窗，再进行傅里叶变换，能更真实地分析其频谱信息。
显示频谱时，由于示波器的分辨率有限，对512点的频谱信息，采取每间隔8个点抽取1个点的方式，即得到64点的频谱信息。由于显示时只需显示[0～fs2][（fs]为采样速率）频率段的信息，故最后在示波器上清晰地显示32个点的频谱。
图5 64点汉明窗幅频特性
3 单元模块电路设计[8?10]
3.1 前级放大电路
一般来说，语音的输入能量不大，为了完成A/D操作，就需要对输入的信号进行放大。对于简单的电路放大设计，选用最基本的AD620、INA129。对于调制电阻[RG]，通过增益计算公式[G=49.4 kΩ/RG+1]可以计算得到， [RG]使用50 kΩ可调电位器来达到2.5倍的增益放大，电路设计图如图6，图7所示。
图6 语音信号放大电路图
图7 耳机声道信号放大电路图
3.2 A/D及D/A设计电路
PCM3010为24 b立体声音频编码器，其内部包含[Σ?Δ]型ADC和DAC。其中立体声ADC输入信号峰峰值为3 V，内置抗混叠滤波器和高通滤波器，采样速率为16～96 kHz可调，立体声DAC输出信号峰峰值为3 V，内置去加重滤波器，转换速率为16～192 kHz可调。DAC输出信号接后置低通滤波器，可实现较好的波形输出。
该芯片将ADC、DAC集成一体，极大地简化了硬件电路规模，并且价格便宜，具有极高的性价比。这里在某些数据线与控制线上串接了一个小电阻，以降低信号上下边沿的跳变速率。其电路图如图8所示。
图8 A/D采样及D/A输出电路图
3.3 音量控制及功放电路
音量调节选用高性能立体声音频音量控制芯片PGA2310实现。通过数字方法控制模拟音量，每声道音量单独可调，并具有静噪功能。它具有极宽的增益衰减范围，-95.5～31.5 dB以0.5 dB步进可调，失真度仅为0.000 4%。其输出两路信号送入高效D类音频功率放大器TPA2000D4，+5 V供电驱动4 Ω负载时功率可达2 W。其静态功耗低，外接电路简单，无需外接LC输出滤波器，即可直接驱动扬声器。电路图如图9所示。
4 程序设计
系统软件部分由单片机的C51语言和FPGA的VerilogHDL语言组成。其中，单片机主要完成用户输入输出处理和系统的控制，FPGA主要完成需要严格时序控制（如数据采集、频谱显示）以及大规模数据计算（如FFT、ADPCM编码）等。整个系统的设计中模块化思想贯穿始终，采用菜单键选择所用功能，系统流程图如图10所示。
5 测试方案与测量结果
5.1 测试仪器
测试仪器包括直流稳压稳流电源，型号为SG1733SB3A；60M数字存储示波器，型号为Tektronix TDS1002；秒表。
图10 程序流程图
5.2 测试方案与测试结果
5.2.1 语音存储与回放效果测试
（1）一名组员面对麦克风以不同大小的声音说话，录下一段语音，记录回放语音的效果，结果见表1。
表1 麦克风输入语音回放效果测试
[次数＼&音量＼&语音质量＼&1＼&小＼&较好＼&2＼&中＼&好＼&3＼&大＼&好＼&4＼&无＼&无声音＼&]
（2）由耳机输入不同音量的立体声音乐，录下一段语音，记录回放语音的效果，结果见表2。
5.2.2 语音存储时间测试
（1）由耳机不间断地输入立体声音乐，启用录音模式，待系统显示存储器存满后，回放语音，用秒表记录语音回放最长时间，结果见表3。
表2 麦克风输入语音回放效果测试
[次数＼&音量＼&语音质量＼&1＼&小＼&较好＼&2＼&中＼&好＼&3＼&大＼&好＼&4＼&无＼&无声音＼&]
表3 耳机输入语音存储时间测试
[次数＼&1＼&2＼&3＼&4＼&5＼&语音存储时间 /s＼&123＼&123＼&123＼&124＼&124＼&]
（2）一名组员面对麦克风不间断地说话，启用录音模式，待系统显示存储器存满后，回放语音，用秒表记录语音回放最长时间，结果见表4。
表4 麦克风输入语音存储时间测试
[次数＼&1＼&2＼&3＼&4＼&5＼&语音存储时间 /s＼&8＼&8＼&9＼&8＼&9＼&]
5.2.3 语音频谱分析及显示测试
由耳机或麦克风输入一段语音信号，由扬声器直接播放出来，同时在示波器上实时显示频谱。测试结果为当播放的声音变化时，可观察到频谱有相应的明显变化。
由于不能明确知道语音信号的实时频率和幅度信息，故只对频谱进行了定性测试。
5.3 测试结果分析及总结
系统实现了语音存储及回放，最长存储时间达2 min，回放语音效果清晰良好，并能在示波器上实时显示语音频谱。采用ADPCM编码在保证回放音质的情况下，极大地提高了存储器的利用率，并通过对语音信号采用分帧加窗的方法实现了短时频谱分析。
另外，系统采取了一系列抗干扰措施以减小噪声，如数字地与模拟地分开走线，在一点汇合；电源处采用一个10 μF和0.1 μF的电容并联去耦；时钟走线尽量短等。但系统在语音回放时仍存在一定的噪声，尤其当输入语音音量较小时，噪声更为明显，这是本系统需要完善的地方。
参考文献
[1] 韩纪庆.语音信号处理[M].北京：清华大学出版社，2004.
[2] 陈永彬.语音信号处理[M].上海：上海交通大学出版社，2000.
[3] 黄根春.电子设计教程[M].北京：电子工业出版社，2007.
[4] 曹志刚，钱亚生.现代通信原理[M].北京：清华大学出版社，2006.
[5] 林志锋.ADPCM语音压缩编解码器的FPGA实现[J].电声技术，2009，33（5）：70?76.
[6] 冯喜忠.数字化语音存储于回放系统研究[J].济源职业技术学院学报，2009，8（2）：16?19.
[7] 陈溯.ADPCM语音压缩编码的分析与仿真[J].中国西部科技，2008，7（32）：45?47.
[8] 董尚斌，代永红.电子线路[M].北京：清华大学出版社，2006.
[9] LOIZOU P. COLEA： A Matlab software tool for speech analysis [D]. Dallas： University of Arkansas， 1998.
滤波器去噪原理和基本方法范文3
关键词 眼电信号 小波去噪 模糊c均值聚类
中图分类号：TP391.41 文献标识码：A
0 引言
众所周知，疲劳是人的一个自然的生理现象，它的产生与一个人的劳动强度、工作环境、本身的健康和情绪等等有关，是人体的一种自我调节和保护功能。当疲劳被人们感觉时就意味着此刻需要好好休息一下。但是随着现在经济的高速发展与生活节奏的加快，许多工作人员因为种种原因，都是顶着疲劳继续工作，这样就使得人体产生的疲劳成为一些事故的根本导火索。本文要探索的是与人疲劳有关的眼电信号，通过对人体眼电信号的研究，来找出人的疲劳度量，预防人因为过度疲劳工作而导致事故的发生。
现有的科学研究发现，人体内蕴藏着大量丰富的生物电信号，本文研究的眼电信号便是其中之一。随着科学技术的发展，现在已经可以通过一些设备采集眼电信号，进行分析研究，破译它所蕴含的心理信息。然后通过眼电信号反映出来的信息对工作人员的工作疲劳程度进一步的分析，以此判断工作人员此时是否适合继续进行工作，为人们提供更安全的工作环境。同时，眼电信号还有着广阔的发展前景，随着深入的研究，可以利用这些眼电信号来对人的生活、工作、医疗等许多方面进行改善和提高。
本文通过实验方法采集了执行过程控制任务的操作员的眼电信号，通过小波分析方法去除其中的高频干扰信号，然后采用模糊c均值聚类检测眼电波形的眨眼峰值点，从而计算出操作员的眨眼率。本文的研究成果将有利于后续对眼电信号和疲劳的分析，可利用眨眼率分析操作员的疲劳程度。
1 方法
1.1 眼电分析方法
传统的人眼分析方法：主要有模板匹配法、灰度投影法、先验知识法、边缘检测法，神经网络、支持向量机、马尔可夫模型和模糊推理模型，眼电图EOC。①
新型的人眼分析方法：（1）基于代价敏感支持向量机的人眼检测方法：②该方法利用Gabor滤波器来提取人眼特征向量，使其特征值维数提高，再利用PCA进行降维处理，将拒识代价和误分类代价集成到支持向量机设计中，使得分类器拥有最小平均代价，然后设计支持向量机对提取的特征进行多次训练，从而实现人眼检测。（2）小波包变换理论：③小波包变换（Wavelet Packet Transform）方法是在小波变换（使信号分解成低频近似部分和高频细节部分）的基础上，在借助于小波分解滤波器，对各个尺度上对低、高频子带均进行二次分解。解决了小波变换不对高频部分进行分解，从而导致高频部分频率局部性不好的问题，对信号有着更强大的分析能力。（3）微机分析系统：④微机分析系统是一个多功能的分析软件系统，它能接收记录仪传送的眼电信号试验数据作为原始数据存盘.之后便能对眼电波形进行复杂的处理和分析，给出分析诊断报告，从而提高分析的水平。（4）MPl50系统：⑤ MPl50系统是一个功能十分强大的基于计算机的数据采集系统，它适用性宽广，可以和任何一台具有Ethemet以太网口的计算机通信。它可以实现眼电EOG信号的采集与分析，并能控制数据采集的过程，完成实时的数据计算，并可以用多种文件格式保存采集的数据。
本文首先利用小波变换对采集的眼电信号进行去噪，然后采用模糊c均值聚类方法检测眨眼峰值点。
1.2 小波去噪
小波变换作为一种新兴的数学处理方法，是结合了泛函数、Fourier分析、调和分析和数值分析的最完美的结合。小波变换在数学界被称作“数学显微镜”，具有良好的时频局部化特性，能有效的从信号中提取相关的信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析。小波变换解决了Fourier变换不能解决的许多困难问题。
小波变换继承和发展了傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征。
小波去噪基于小波变换原理，利用小波变换的多分辨率、去相关和选基灵活等特性进行信号的去噪。信号经过小波变换后，在不同的分辨率下呈现出不同的规律，通过设定每一尺度下的阈值门限，调整小波系数，就可以达到小波去噪的目的。
小波去噪的基本思路可以概括为：首先，利用小波变换把含噪信号分解成多尺度信号，本文采用db小波进行小波分解；然后，设置阈值，把每一尺度中属于噪声的小波系数去除，保留属于信号的小波系数；最后，重构出小波去噪后的信号。小波去噪的关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。
小波去噪的方法有小波分解与重构法去噪、小波变换阈值去噪、平移不变量小波去噪、小波变换模极大值法去噪等一些方法。
1.3 模糊c均值聚类算法
模糊c-均值聚类算法（Fuzzy c-means Algorithm ，FCM），是用隶属度确定每组数据所属类别的一种聚类方法。该算法是1973年，由Bezdek在早期硬c均值聚类（HCM）方法的基础上提出的一种改进算法。在多种模糊聚类算法中，模糊c均值算法的应用最为广泛且较为成功。FCM方法通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。
FCM算法可描述为：⑥设 = {，，…，}是维聚类样本， = （，，…，）为中第个维特征向量。将该样本集划分为（2≤≤）个子集，聚类中心的集合为 = {，，…，}，模糊矩阵 = （），是第个样本属于第类的隶属度，（>1）为模糊指数。
FCM的目标函数为：
（1）
其中，表示样本点与第类的聚类中心的欧氏距离。
使目标函数最小的算法迭代过程如下：
（1）初始化参数。给定聚类类别数、初始聚类中心、模糊系数、迭代终止阈值；
（2）根据下述公式计算隶属度矩阵；
（2）
（3）根据下式更新个聚类中心（1≤≤）；
（3）
（4）如果||||
图1 眼电信号去噪前后对比图
2 结果及讨论
本文对眼电信号进行分析和处理的过程如下：
（1）小波去噪：采用db4小波将眼电信号进行3层小波分解，通过无偏估计方法估计各层小波系数的噪声阈值，最后采用软阈值的方法去除小波系数中的噪声，从而达到去除眼电信号中的高频干扰的目的。图1为一小段眼电信号去噪前后对比图。
图2 眼电峰值点图形（红色星号为找到的眼电峰值点）
图3 每分钟眨眼率波形图
（下转第253页）（上接第212页）
（2）模糊c均值聚类：去噪后的信号计算其一阶导数、二阶导数，然后进行模糊c均值聚类，将眼电信号分为两类：高值点类和低值点类。最后在高值点类中找到了眼电的眨眼峰值点。图2为通过模糊c均值聚类找到的眨眼峰值点，从图中可以看出，本文提出的方法正确的找到了眼电峰值所在位置。
（3）眨眼率计算：采用相同的方法对所有的眼电信号进行峰值检测，并计算每分钟的眨眼率。图3为计算出来的每分钟眨眼率波形图。
3 总结
本文对操作员的眼电信号进行了分析，首先通过小波去噪方法去除了眼电信号中的高频干扰，然后利用模糊c均值聚类方法检测出了眼电波形中的眨眼峰值点，从而计算出操作员眨眼率。本文方法对眨眼峰值点的检测非常准确，可以计算出正确的眨眼率信息，其成果可用于进一步的基于眨眼率的操作员疲劳分析，从而判断操作员的疲劳度。
基金项目：上海高校青年教师培养资助计划（ZZGJD12011）
*通讯作者：王娆芬
注释
①②徐欢，高雁凤，郑恩辉，等.一种用于驾驶员疲劳检测的人眼检测方法.计算机工程，2013.39（9）：254-257.
③ 高春芳，吕宝粮，马家昕.一种用小波包变换提取眼电信号警觉度特征的方法.中国生物医学工程学报，2012.31（5）：641-648.
④ 李忠诚，李智，赵岗金，等.眼电信号记录及分析系统的研究.北京生物医学工程，1999.3.
滤波器去噪原理和基本方法范文4
我国现役空间瞬态光辐射信号探测系统中，老型号较多，大部分没有配备自动检测和录取设备。空间瞬态信号的录取、数据的处理和上报大多由人工进行，难以胜任复杂环境下快速、准确录取信号以及气象情报入网的要求。为适应现代化气象分析的要求，采用DSP＋CPLD的方式将极大地提高现有空间瞬态信号探测的自动录取和分析能力。
在实时信号处理技术中，DSP＋CPLD方式是目前国际上比较通用的方法，如美国、俄罗斯等多采用这种方式。DSP是一种可编程的数字微处理器。与单片机相比，DSP芯片具有更适于数字信号处理的软件和硬件资源，可用于复杂的数字信号处理算法。本文采用美国TI公司的TMS320C3X系列浮点DSP芯片TMS320C32作为整个系统的主机，利用其完成系统的控制和数字信号处理功能。
CPLD是一种多用途、高密度的复杂可编程逻辑器件，可将系统的部分或全部功能集成在一块芯片上，并且具有设计方便灵活、易于修改等特点，可大大缩短研制时间，并减小系统硬件复杂度。本文采用美国ALTERA公司的MAX7000S系列CPLD芯片EPM7128SLC84，利用CPLD实现A／D变速率采样及其它逻辑控制。
1 系统组成及基本原理
本探测系统主要解决了嵌入式系统线路板面积有限与实时数据处理需要大量存储空间的矛盾，实现实时处理信号。
如图1所示，空间瞬态光辐射信号实时探测系统主要由三大模块组成：前级预处理电路模块、A／D变速率采样模块、DSP信号识别及存储模块。
各模块的主要功能为：
（1）前级预处理电路模块，负责空间瞬态光辐射信号的光电转换、背景扣除、动态范围压缩等任务；
（2）A／D变速率采样模块，负责触发信号产生、上升速率初判、信号采集时序控制、A／D变速率采样及FIFO缓冲存储等任务；
（3）DSP信号识别及存储模块，负责对空间瞬态信号进行快速识别处理，反演计算出能量大小，报告事件发生时刻并存储和传输数据；同时控制整个系统、并与PC机或其它系统传输数据发送。
2 前级预处理电路模块
2．1光电转换
由于空间瞬态光辐射信号速度快、动态范围大，故对光辐射探测器要求较高。本文采用日本滨松公司的S2387－1010R硅光电二极管，它具备灵敏度高、动态范围大、时间响应快和覆盖范围大等特性。
2．2 背景扣除
太阳光辐射能量比空间瞬态光辐射信号能量高几个数量级。对于系统而言，由于太阳光的影响，目标信号十分微弱，大多掩埋在强噪声之中。因此必须对强背景信号进行扣除处理，提取出有用目标事件瞬态信号。
在信号自动处理和分析技术中，强背景下弱信号的提取是一个难点。本文根据背景信号变化缓慢而目标信号变化快速的特点，采用高通滤波器对信号进行背景扣除。
高通滤波器在技术实现上可以采用数字电路，也可以采用模拟电路。为简化电路、减轻后续处理电路压力，本文采用电容、电阻等构建一个模拟高通滤波器进行背景扣除，其原理如图2所示。
由图2可知，滤波器的传递函数为：
H（s）＝R/[(1/sC)+R]＝sRC/(1+sRC)
选择适当电阻、电容值即可实现对目标信号的背景扣除。
2．3 动态范围压缩
空间瞬态光辐射信号的动态范围太大，如果直接对其进行A／D转换，则A／D的量化分辨率至少要15bit，并且因bit数多而增加后级数字信号处理的数据量、降低系统的实时性。因此采用对数放大器对信号的动态范围进行对数压缩。采用12bit的A／D转换器即可满足要求，且减少了处理的数据量，提高了系统实时性。本文采用美国TI公司的TL441M对数放大器。它是由四级30dB对数放大器级联成的单片高性能对数放大器芯片，可以得到120dB的输入电压动态范围。
3 A／D变速率采样模块
3．1 阈值触发
如图3所示，经前级预处理后，目标信号进入阈值触发电路中的电压比较器。DSP设置阈值信号，锁存后经D／A转换输出到电压比较器，与输入的目标信号进行比较：若目标信号超过阈值信号，则产生触发信号并驱动时序控制电路及A／D转换电路工作；否则不工作。
3．2 CPLD控制A／D变速率采样
为了进一步减少信号处理的数据量，实现实时处理，本文采用了变速率采样的方法解决线路板面积有限与数据处理需要大容量存储空间的矛盾。
由空间瞬态光辐射信号特征可知，其初始值变化速度快，高频分量所占比重较大；而后面信号变化速度逐渐减小，越靠后信号越接近缓变信号，低频含量高。所以采用采样间隔逐渐增大的方法实现变速率采样。
如图4所示，初始采样频率为f,每隔M个采样点采样频率下降一半,一直到采样结束。在电路实现中采用的方法是：A／D转换器按照固定的转换速率进行模拟量到数字量的转换，而CPLD控制采样数据的变速率接收并存储至FIFO。
FIFO存储数据由其写使能控制信号WEN（低电平有效）决定：当WEN为低电平时，数据在每个写时钟信号WCLK的上升沿写入FIFO；当WEN为高电平时，数据保持不变。因此，控制FIFO变速率接收数据即控制它的写使能信号WEN为低电平的间隔变速率变化。如图5所示，在CPLD中由写时钟信号WCLK每隔M点二分频后、再调整占空比即可实现WEN的时序信号。
CPLD对FIFO变速率接收采样数据的逻辑控制，用美国ALTERA公司的软件MUX＋plus II可由三种方法实现：一是用计数器、分频器等画电路图实现；二是用VHDL语言或AHDL语言编程实现；三是输入时序波形文件实现。针对本系统而言，采取第二种方法较为简便，用VHDL语言编程实现的算法流程图如图6所示。
本文中A／D转换器采用美国AD公司的AD678，它是一个12bit的多用途A／D转换器，内部包括采样保持器、微处理器接口、基准电压源和时钟驱动电路，具有高可靠性和低功耗等特性。
3．3 由CPLD进行上升速率初判
目标信号幅度值从超过阈值起始点开始的一段时间内的上升速率是判断其能量范围的重要判据。因此电路中采用CPLD对A／D采样的数据做初步判断。当目标信号上升速率满足设定要求时，产生上升速率触发信号，并与其它结果做符合判定；否则丢弃当前数据，等待下一次探测数据。
3．4 FIFO存储
FIFO（First In First Out）是一种先进先出的存储器，即先读入的数据先读出。FIFO存储器自身的访问时间一般为几十纳秒。A／D转换器等外设速度一般比DSP慢。如果采用FIFO，A／D可以先将数据送往FIFO，一旦FIFO满，FIFO再向DSP申请中断。这样可以省去DSP等待与查询的时间，而且中断次数也可以减少，从而提高传输速度。
本系统中,FIFO作为缓冲存储器给上升速率初判电路和DSP处理器提供数据，同时作为变速率采样结果的暂存单元。本文采用美国IDT公司的IDT72XXX系列同步并行FIFO实现对数据的缓存。
4 DSP信号识别及存储模块
4．1 DSP处理及存储
目标信号自动识别能量范围和录取的核心是DSP信号处理模块。为了满足实时处理的要求，硬件的选取应以尽可能少的占用系统时间资源为基础。从这个基本原则出发，采用TMS320C32作为处理器。它是目前TI公司浮点DSP系列中性价比较高、在国内已得到广泛应用的芯片。它的指令周期为33／40／50ns，具有丰富的硬件资源，如内部有512字节的RAM、串行口、分开的程序总线、数据总线和DMA总线等，并且外部存储器宽度可变、有程序引导（Boot－load）功能。在软件方面，它丰富的指令系统、灵活的程序控制、流水线操作和多样的寻址方式等特点使其特别适合于数字信号处理。
DSP处理模块主要由DSP、慢速EPROM、高速SRAM、绝对时钟芯片RTC（Real－Time－Clock）及RS232串口组成，其运行机制如图7所示。其中，选择慢速EPROM主要是为了降低系统成本，本文采用美国ATMEL公司的AT27C010芯片。用于存储程序和初始化数据。高速SRAM用于程序执行和数据的暂存，本文采用美国ISSI公司的IS61C6416芯片，它与慢速EPROM配合，既降低了系统成本，又能使程序快速运行，实现对信号的实时处理。
如图7，一旦目标事件发生，输入信号经A／D转换后，数据缓存在FIFO中，以备DSP调用。DSP上电复位后，将存储在慢速EPROM中的程序装载到高速SRAM中运行，对暂存在FIFO中的目标信号数据进行能量范围的识别和处理；然后从绝对时钟芯片RTC取得目标事件发生的时刻值，和处理结果一起存储在SRAM中；并将信号处理结果与发生时刻值从RS232串口输出到PC机。
如图8所示，系统工作流程是：空间瞬态光辐射信号经光辐射探测器转换为电信号，经前级预处理电路放大、去噪并压缩动态范围；若信号超过阈值，则阈值触发电路触发A／D采样后暂存在FIFO中，否则不触发A／D；由上升速率初判电路初步检测信号初始值的上升速率?熏当上升速率满足设定要求时，产生上升速率触发信号，否则丢弃当前数据；上升速率触发信号产生后，DSP从FIFO中取得数据，对信号进行模式识别和处理，存储处理结果并经接口电路传送到PC机。
4．2 绝对时钟芯片RTC
所谓绝对时钟是指不仅支持每天时间的更新，而且支持日期（世纪、年、日、星期）更新的一种永久性时钟电路。本文采用美国MOTORALA公司的DS12887时钟芯片，它对年、月、日、时、分、秒、星期进行自动记录，内含114字节的RAM单元和内置晶振电路，支持多种中断方式，备用电池可供其工作10年，是目前计算机上的主流实时时钟芯片。
4．3 RS232串口
由于RS232串口电平标准采用了负逻辑，与DSP的电平标准不兼容，所以采用RS232串口收发的数据需要进行电平转换。本文采用美国MAXIM公司的MAX232芯片作为电平转换器件，它仅需＋5V电源，电平转换所需的±10V电源由片内电荷泵产生。
滤波器去噪原理和基本方法范文5
关键词：图像分割；边缘检测；算子
中图分类号： 文献标识码：A 文章编号：1007-9599(2011)22-0000-02
Image Segmentation Stud and Achievement Based on Visual C + + Image Edge Detection
Lei Xun,Cheng Luyu,Zheng Tao,Wang Xidi
(Xinjiang Agricultural University of Computer and Information Engineering,Urumqi 830052,China)
Abstract:Recalling the definition of image segmentation and classification algorithms,introduces the emerging modern image segmentation techniques:transform based on wavelet analysis and neural network-based image segmentation.In visual C++ platform to achieve several edge detection simulation.
Keywords:Image segmentation;Edge detection;Operators
图像分割是计算机视觉领域中最基本、也是最困难的问题之一，分割结果的好坏直接影响到后续工作的优劣。由于图像的多样性和复杂性，目前还没有一种完全通用的分割方法可以实现对所有图像的正确分割，因此图像分割技术一直是图像处理邻域的研究热点之一。
一、图像分割算法介绍
（一）图像阈值分割。对灰度图像的阈值分割就是首先对图像中的所有像素点根据灰度值来进行分级，之后通过算法来确定一个确定的阈值相比较，将大于以及小于阈值的灰度值对应的像素点进行分类，而后对两类不同的像素点进行二值化。可以看出，阈值的确定是图像阈值分割算法研究的重点。
（二）图像边缘检测法。图像的边缘是指图像局部区域亮度变化显著的部分。该区域的灰度剖面一般可以看做一个阶跃，即从一个灰度值的很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。[1]边缘检测主要是图像的灰度变化的度量，检测和定位。边缘检测的基本思想：先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置阈值的方法提取边缘点集。[2]
（三）区域提取法。区域提取法有两种方法：区域生长法和区域分裂合并法。区域生长法是从某个像素出发，按照一定的准则，逐步合并邻近像素形成所需的分割区域，当满足一定的条件时，区域分割完毕；区域分裂合并法是从整个图像出发，逐渐分裂切割得到各个子区域。在实际应用当中通常是这两种基本方法的结合。两种方法的关键都是如何选择合适的相似准则。
（四）结合特定理论工具的分割算法。基于小波分析和变换的分割方法：小波分析计算复杂度低，抗噪声能力强，且容易与其它方法结合进行图像分割。小波分析发展了传统的傅立叶变换思想，对非平稳信号具有更好的分析能力。[3]基于小波分析的动态阈值分割方法，先由二进制小波变换将图像的直方图分解为不同层次的小波系数， 然后依据一定的分割准则和小波系数选择阈值门限，利用阈值标出图像分割的区域。把小波分析引入图像分割，利用小波分析动态取得阈值，可以实现很好的分割效果。
基于神经网络的分割方法：人工神经网络，也称为神经网络(Neural Networks)，即从生物学神经系统的信号传递而抽象发展成的一种方法。是由大量模拟神经元的数学模型相互连接，模拟人脑处理信息的方式，通过学习可以进行并行分布处理的非线性网络系统。在神经网络的应用中，相当多的神经网络模型都是采用BP神经网络或者它的改进形式。
二、边缘检测的Visual C++实现
（一）原理和算法
边缘是一定数量点灰度发生变化的地方，那么边缘检测大体上就是计算这个灰度变化带的导数。对这种变化最有用得两个特征是灰度的变化率和方向，分别以梯度向量的幅度和方向来表示它们。
基于灰度的一阶导数可以得到了原始数据灰度的梯度，可以利用此数据搜寻图像灰度峰值，基于灰度的二阶导数实质上是灰度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点就是梯度中的局部最大值，峰值检测就是边线检测，边缘检测算子检查每个像素的邻域并量化灰度变化率，也包括方向的确定。
1.Roberts边缘检测算子。Roberts边缘检测算子是2 X 2 算子模板，利用斜向上的4个像素交叉差分定义。因此该算子对45度和135度方向上的边缘较为敏感。该模板数学表示为：g(x，y)=[ - ]2+ - ]2}1/2 ，其中f(x，y)是具有整数像素坐标的输入图像。
2.Prewitt边缘算子
为了在边缘检测中减少噪声的影响，1970年Prewitt提出Prewitt算子。Prewitt算子从加大边缘检测算子模板大小出发，由2X2扩大到3X3来计算差分算子，其水平方向和垂直方向上的算子模板为以下两个：
. .
3.Sobel边缘算子
Sobel算子从不同的方向检测边缘，距离不同的像素具有不同的权值，在边缘点处达到极值的现象进行边缘检测。图像中的每个点都用下面这两个卷积核做卷积，一个核对通常的垂直边缘响应最大，而另一个对水平边缘响应最大。
一个是检测水平边沿的 .一个是检测竖直平边沿的 。
4.拉普拉斯算子是对二维函数进行运算的二阶导数算子。通常使用的拉普拉斯边缘检测算子如下：
.
由于拉普拉斯算子是一个二阶导数，所以它将在边缘处产生一个陡峭的零交叉。而噪声点对边缘检测有一定的影响，所以可以利用平滑滤波器进行平滑后再进行边缘检测效果会更好，譬如高斯拉普拉斯算子。
（二）仿真实验与分析
本实验采用的软件环境为Windows XP，编程环境Visual C++6.0，对bmp文件进行格式分析后先将24位位图转换为256位图，二值化后再利用边缘检测算子对图片分别进行卷积运算。
实验结果如下所示：
原图
Robert算子 Prewitt算子
Sobel算子 拉普拉斯算子
Robert算子利用4个像素进行计算，边缘定位准，对噪声敏感，适于处理陡峭的低噪声图像。Prewitt 算子对噪声有抑制作用，但Prewitt算子对图像边缘的定位不如Robert算子，与Prewitt算子相比，Sobel算子对于像素的位置的影响做了加权，因此效果更好。Laplacian 算子同样对噪声比较敏感，所以通常都是用Laplacian 算子和平滑算子结合生成的模板进行图像分割处理。
结论语：
本实验只是利用各种边缘检测算子对灰度图像的分割进行了研究，但通常图像信息中空间复杂性和相关性都比较强，每种方法也只局限于特定的分割对象。实际应用中往往是各种算法的综合处理。各种算法虽然都可以不断改进，但如果要从根本上提高图像处理质量的话，未来需要成功加入高层的语义信息才能满足社会更多的需求。
参考文献：
[1]殷国军,秦莉.图像分割算法研究综述[J].河北工程技术高等专科学校学报.2009,(02)
[2]黄锋华,刘琪芳,冀金凤.基于MATLAB数字图像边缘检测算子的研究[J].机械工程与自动化,2011,(04)
[3]王彪,李建文,王钟斐,基于小波分析的新阈值去噪方法,计算机工程与设计,2011,(03)
[作者简介]
