请注意,这是一个新手问题。
我得到了一些嘈杂的数据(从灰度图像中获取的1x200像素切片),我正在尝试构建一个简单的FFT低通滤波器。我确实理解傅里叶变换的一般原理,但在尝试实现它时遇到了麻烦。
我的脚本在示例数据上运行良好,但在我的数据上表现出奇怪的方式。我认为我必须在某个地方混淆了维度,但已经过了很长时间,我找不到哪里出错了!我怀疑,因为输出(请参见下面)的print(signal.shape)在示例和真实数据之间是不同的。此外,scipy.fftpack.rfft(signal)似乎对我的信号无动于衷,而不是像它应该做的那样在频域计算函数。
我的脚本:
(将使用示例数据直接复制粘贴下面的所有内容即可运行)
我的脚本在示例数据上运行良好,但在我的数据上表现出奇怪的方式。我认为我必须在某个地方混淆了维度,但已经过了很长时间,我找不到哪里出错了!我怀疑,因为输出(请参见下面)的print(signal.shape)在示例和真实数据之间是不同的。此外,scipy.fftpack.rfft(signal)似乎对我的信号无动于衷,而不是像它应该做的那样在频域计算函数。
我的脚本:
(将使用示例数据直接复制粘贴下面的所有内容即可运行)
import cv2
import numpy as np
from scipy.fftpack import rfft, irfft, fftfreq, fft, ifft
import matplotlib as mpl
import matplotlib.pyplot as plt
#===========================================
#GETTING DATA AND SETTING CONSTANTS
#===========================================
REACH = 100
COURSE = 180
CENTER = (cx, cy)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.equalizeHist(gray)
gray2 = gray.copy()
#drawing initial vector
cv2.line(gray, (cx, cy + REACH), (cx, cy - REACH), 0, 5)
cv2.circle(gray, (cx, cy + REACH), 10, 0, -1)
cv2.circle(gray, (cx, cy), REACH, 0, 5)
#flooding contour with white
cv2.drawContours(gray2, contours, index, 255, -1)
#real data
signal = gray2[(cy - REACH):(cy + REACH), (cx-0.5):(cx+0.5)]
time = np.linspace(0, 2*REACH, num=200)
#example data
time = np.linspace(0,10,2000)
signal = np.cos(5*np.pi*time) + np.cos(7*np.pi*time)
#=============================================
#THE FFT TRANSFORM & FILTERING
#=============================================
#signal filtering
f_signal = rfft(signal)
W = fftfreq(signal.size, d=time[1]-time[0])
cut_f_signal = f_signal.copy()
cut_f_signal[(W>5)] = 0
cut_signal = irfft(cut_f_signal)
#==================================
#FROM HERE ITS ONLY PLOTTING
#==================================
print(signal.shape)
plt.figure(figsize=(8,8))
ax1 = plt.subplot(321)
ax1.plot(signal)
ax1.set_title("Original Signal", color='green', fontsize=16)
ax2 = plt.subplot(322)
ax2.plot(np.abs(f_signal))
plt.xlim(0,100)
ax2.set_title("FFT Signal", color='green', fontsize=16)
ax3 = plt.subplot(323)
ax3.plot(cut_f_signal)
plt.xlim(0,100)
ax3.set_title("Filtered FFT Signal", color='green', fontsize=16)
ax4 = plt.subplot(324)
ax4.plot(cut_signal)
ax4.set_title("Filtered Signal", color='green', fontsize=16)
for i in [ax1,ax2,ax3,ax4]:
i.tick_params(labelsize=16, labelcolor='green')
plt.tight_layout()
plt.show()
实际数据的结果:
参数:
signal = gray2[(cy - REACH):(cy + REACH), (cx-0.5):(cx+0.5)]
time = np.linspace(0, 2*REACH, num=200)
筛选参数:
cut_f_signal[(W<0.05)] = 0
输出:
signal.shape
的输出是 (200L, 1L)
示例数据的结果:
参数:
signal = np.cos(5*np.pi*time) + np.cos(7*np.pi*time)
time = np.linspace(0,10,2000)
过滤参数:
cut_f_signal[(W>5)] = 0
输出:
signal.shape
的输出为(2000L,)
cut_f_signal[(W<0.05)] = 0
,它将起到一个高通滤波器的作用(截止频率非常低,所以可能不会像你想象的那样对信号产生太大影响),而不是低通滤波器(如果要实现相同截止频率的低通滤波,请尝试使用cut_f_signal[(W>0.05)] = 0
)。 - SleuthEye