#1 楼
您给出的示例是获取4个样本并取其平均值,这有点像穷人的低通滤波器。通常情况并非如此简单。但是,为了理解起见,使用这些简单的示例会有一些价值。低通滤波器的确就像获取4个样本并取其平均值。例如:
samples = [6 1 -10 -4];
avg_value = mean(samples) = -1.75
高通滤波器正在删除“ DC”项。或更笼统地说,它正在删除不变的数据。一种简单的思考方法是从每个样本中减去avg_value。例如:
samples = [6 1 -10 -4];
avg_value = mean(samples) = -1.75;
high_pass = samples-avg_value;
high_pass: [7.75 2.75 -8.25 -2.25]
现在,如果取“高通过”信号的平均值,最终将得到0。
我提到的这两个“过滤器”都是极端的,因为您有一个仅提供DC的过滤器,而另一个仅除去DC的过滤器。基本上,最终您会得到这种理想的滤波器,其中低通滤波器为绿色,高通滤波器为黄色。
对于低通,您将使用的过滤器的响应看起来更像这样:
而对于高通:
#2 楼
首先,平均值是一个非常特定的低通滤波器。高通滤波意味着保持快速变化并丢弃“逐渐变化”。微分是一种经典的数学方法。
在离散域中,如果将信号向量与$(\ begin {matrix} 1&-1 \ end {matrix})$卷积,则会看到在信号快速变化的任何地方都达到峰值。这是一个高通滤波器。
在图像处理领域中,高通滤波也称为“边缘检测”。
评论
$ \ begingroup $
差分是指差分信号。像Highpass = [sample1-sample2,sample2-sample3,sample3-sample4]这样的东西。
$ \ endgroup $
– Goldenmean
2011年8月19日在12:23
$ \ begingroup $
@goldenmean是的,那几乎就是他的意思。有时,根据需要添加不同的缩放因子,例如[sample1-.5 * sample2,sample2-.5 * sample3等。这与对(1 -.5)进行卷积相同
$ \ endgroup $
– Kellenjb
2011年8月19日在12:30
$ \ begingroup $
差分不是传统的高通滤波器。响应增加到无穷大
$ \ endgroup $
– Endolith
2011年8月19日在15:19
#3 楼
在图像处理中,低通滤波器可以平均像素的邻域,从而使图像更平滑,更模糊。高通滤镜可以检测图像中的边缘,从而使边缘变得更清晰可见。这是因为出现边缘的地方是图像中变化最大的部分。低通试图通过平均邻域来减少图像的急剧增加或减少,而高通滤波器则通过减去像素值使其更加可见。
评论
$ \ begingroup $
kellenjb-谢谢。我可以将您在回答中所说的话联系起来:high_pass =样本-平均,以及@MArtin Thompson在上面的回答中所说的与图像锐化算法有关,该算法是OriginalImage-模糊版本= ImaeEdgeMap。并且OriginalImage + ImageEdgeMap =锐化的OriginalImage。
$ \ endgroup $
– Goldenmean
2011年8月19日在12:21
$ \ begingroup $
如果将某个“截止”点以下的所有频率(以某种程度或某种程度地衰减),则高通不仅会消除DC。
$ \ endgroup $
–马丁·汤普森(Martin Thompson)
2011年8月19日在12:32
$ \ begingroup $
@Martin是的,低通滤波器也不只是为您提供DC。我将仅讨论简单的情况,因为这似乎是OP所在的位置。
$ \ endgroup $
– Kellenjb
2011年8月19日在12:34
$ \ begingroup $
为什么要投票?我该怎么做才能改善?
$ \ endgroup $
– Kellenjb
2011年8月19日在16:20