C++实现自适应中值滤波 自适应中值滤波算法

自适应滤波是信号处理中常用的一种技术，用于降低信号中的噪声。在Matlab中，有许多方法和函数可以实现自适应滤波和降噪。本文将介绍一些常见的Matlab自适应滤波与降噪技巧，并通过实例演示其应用。

自适应滤波的核心思想是根据输入信号的特性自动调整滤波器参数，以提高滤波效果。

中值滤波是一种非线性平滑技术，它基于排序统计理论，将数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。这种方法可以有效地抑制噪声，同时保护信号的边缘不被模糊。中值滤波的优点是能够去除椒盐噪声等噪声，同时保留图像的边缘信息。然而，它对于图像中的细节信息会有一定的模糊作用。为了改进这一点，人们提出了自适应中值滤波方法，它根据像素点周围邻域的灰度值的方差来动态调整中值滤波器的窗口大小，从而达到更好的去噪效果。

在Matlab中，可以使用`medfilt1`函数实现中值滤波，这是一种常用的自适应滤波方法。中值滤波通过将每个点周围邻域内的值取中值来估计信号的本地特征。

% 生成带有噪声的信号
x = linspace(0, 10, 100);
y = sin(x) + 0.1*randn(size(x));
% 应用中值滤波进行降噪
y_filtered = medfilt1(y);
% 绘制原始信号和滤波后的信号

用C++实现这段MATLAB代码的功能，使用`medfilt1`函数进行中值滤波。以下示例中，我们首先生成了一个带有噪声的正弦信号，并使用`medfilt1`函数对其进行中值滤波。最后，绘制了原始信号和滤波后的信号，它演示了如何使用一维数组（类似于MATLAB的向量）来模拟medfilt1函数的功能。 请注意，由于C++没有直接提供中值滤波的函数，我们需要手动实现它。一个简单的方法是通过滑动窗口遍历数组，并在每个窗口内找到中值。它实现了类似MATLAB medfilt1的功能：

#include <iostream>
#include <vector>
#include <algorithm>
#include <cmath>

using namespace std;

// 函数用于对一维数组进行中值滤波
vector<double> medfilt1(const vector<double>& signal, int filterSize) {
    int n = signal.size();
    int padSize = (filterSize - 1) / 2; // 假设filterSize是奇数
    vector<double> paddedSignal(n + 2 * padSize);
    vector<double> filteredSignal(n);

    // 对信号进行边界填充（可选，取决于你的需求）
    for (int i = 0; i < n; ++i) {
        paddedSignal[i + padSize] = signal[i];
    }

    // 应用中值滤波
    for (int i = padSize; i < n + padSize; ++i) {
        vector<double> window(paddedSignal.begin() + i - padSize, paddedSignal.begin() + i + padSize + 1);
        nth_element(window.begin(), window.begin() + padSize, window.end()); // 找到中值
        filteredSignal[i - padSize] = window[padSize];
    }

    return filteredSignal;
}

int main() {
    // 生成带有噪声的信号（这里简化处理，直接生成向量）
    vector<double> x(100);
    for (int i = 0; i < 100; ++i) {
        x[i] = i * 0.1; // 这里使用线性信号代替sin(x)，以简化示例
    }
    vector<double> y(x.size());
    for (int i = 0; i < x.size(); ++i) {
        y[i] = x[i] + 0.1 * rand() / (RAND_MAX / 2.0) - 0.05; // 添加噪声
    }

    // 应用中值滤波
    int filterSize = 3; // 滤波器大小，例如3, 5, 7等奇数
    vector<double> y_filtered = medfilt1(y, filterSize);

    // 打印或绘制结果（这里仅打印部分结果）
    for (int i = 0; i < 10; ++i) { // 仅打印前10个值作为示例
        cout << "Original: " << y[i] << ", Filtered: " << y_filtered[i] << endl;
    }

    return 0;
}

在这个例子中，我们创建了一个medfilt1函数，它接受一个信号向量和一个滤波器大小作为参数，并返回滤波后的信号向量。我们使用std::vector来存储信号和滤波后的信号，并使用std::nth_element算法来找到滑动窗口内的中值。 另外，在main函数中使用了线性信号和简单的噪声生成方法来简化示例。

在实际应用中，你可能需要生成更复杂的信号和噪声模型。 在实际应用中，需要根据具体情况调整自适应滤波器的参数，以获得最佳的降噪效果。例如，对于中值滤波，可以通过调整邻域的大小来控制滤波器的效果。用C++实现以下MATLAB代码的功能，调整中值滤波器的邻域大小。

% 生成带有噪声的信号
x = linspace(0, 10, 100);
y = sin(x) + 0.1*randn(size(x));
% 应用不同大小的中值滤波器进行降噪
y_filtered_3 = medfilt1(y, 3);  % 邻域大小为3
y_filtered_7 = medfilt1(y, 7);  % 邻域大小为7
y_filtered_11 = medfilt1(y, 11);  % 邻域大小为11

在C++中实现与MATLAB中medfilt1函数类似的功能，我们通常会使用滑动窗口来计算中值，因为C++标准库中没有直接提供中值滤波的函数。以下是一个使用C++实现的基本框架，该框架可以模拟MATLAB中的medfilt1函数，并允许调整邻域（窗口）的大小。它没有进行任何优化，并且假设输入数组x和y是浮点数数组，并且已经通过某种方式初始化了。

#include <iostream>
#include <vector>
#include <algorithm>
#include <cmath>
#include <iomanip>

using namespace std;

// 函数用于计算滑动窗口的中值
template <typename T>
T slidingWindowMedian(const vector<T>& signal, int index, int windowSize) {
    vector<T> window(signal.begin() + max(0, index - windowSize / 2),
                          signal.begin() + min(static_cast<int>(signal.size()), index + windowSize / 2 + 1));
    nth_element(window.begin(), window.begin() + window.size() / 2, window.end());
    return window[window.size() / 2];
}

// 中值滤波函数
vector<double> medfilt1(const vector<double>& signal, int windowSize) {
    vector<double> filteredSignal(signal.size());
    for (size_t i = 0; i < signal.size(); ++i) {
        filteredSignal[i] = slidingWindowMedian(signal, static_cast<int>(i), windowSize);
    }
    return filteredSignal;
}

int main() {
    // 生成带有噪声的信号
    vector<double> x(100);
    iota(x.begin(), x.end(), 0); // 用0到99填充x
    transform(x.begin(), x.end(), x.begin(), [](double val) { return val / 10.0; }); // 转换为0到10

    vector<double> y(100);
    transform(x.begin(), x.end(), y.begin(), [](double val) { return sin(val) + 0.1 * rand() / static_cast<double>(RAND_MAX); });

    // 应用不同大小的中值滤波器进行降噪
    vector<double> y_filtered_3 = medfilt1(y, 3);
    vector<double> y_filtered_7 = medfilt1(y, 7);
    vector<double> y_filtered_11 = medfilt1(y, 11);

    // 绘制原始信号和不同大小邻域的滤波后信号（这里用打印代替绘图）
    cout << "Original signal:" << endl;
    for (double val : y) {
        cout << val << " ";
    }
    cout << endl;

    cout << "Filtered signal with window size 3:" << endl;
    for (double val : y_filtered_3) {
        cout << val << " ";
    }
    cout << endl;

    // ... 类似地打印y_filtered_7和y_filtered_11 ...

    return 0;
}

在这个例子中，我使用了库中的std::nth_element函数来找到滑动窗口中的中值。请注意，为了简单起见，我没有处理窗口大小为奇数或偶数时的边界情况，但上面的代码应该适用于大多数情况。此外，我使用了std::iota来填充x数组，并使用std::transform来应用函数到x和y的元素上。