维纳滤波python 函数_加性高斯白噪声及维纳滤波的基本原理与Python实现

1. 加性高斯白噪声

1.1 特点

加性高斯白噪声属于白噪声的一种，有如下两个特点：

功率谱密度为常数，即白

高斯则为其幅度的概率密度函数服从高斯分布

1.2 高斯分布的一维概率密度函数

为标准差

为均值

1.3 Python内置库说明

random.gauss(mu, sigma)其值即服从高斯分布，若想要是实现加性高斯白噪声，循环作加即可

1.4 Code

import numpy as np

import random

def gaussian_white_noise(intput_signal, mu, sigma):

'''

加性高斯白噪声（适用于灰度图）

:param intput_signal: 输入图像

:param mu: 均值

:param sigma: 标准差

:return:

'''

intput_signal_cp = np.copy(intput_signal) # 输入图像的副本

m, n = intput_signal_cp.shape # 输入图像尺寸（行、列）

# 添加高斯白噪声

for i in range(m):

for j in range(n):

intput_signal_cp[i, j] = intput_signal_cp[i, j] + random.gauss(mu, sigma)

return intput_signal_cp

1.5 测试对比

均值为0，标准差为10时的加行高斯白噪声前后对比图

2. 逆滤波

实际上逆滤波是维纳滤波的一种理想情况，当不存在加性噪声时，维纳滤波与逆滤波等同。

2.1 基本原理

在时域内有

为输入信号

为系统函数

为输出信号

根据时域卷积定理，我们知道时域卷积等于频域乘积

分别为输出信号，输入信号，系统函数的傅里叶变换

则有

这意味着，当我们已知系统函数时，我们可以很简单的完成滤波。

2.2 Code

import numpy as np

def inverse_filtering(input_singal, h):

'''

逆滤波

:param input_singal: 输入信号

:param h: 退化函数（时域）

:return: 滤波后的信号（幅值）

'''

output_signal = [] #输出信号

output_signal_fft = [] #输出信号的傅里叶变换

h_fft = np.fft.fft2(h) # 退化函数的傅里叶变换

input_singal_fft = np.fft.fft2(input_singal) # 输入信号的傅里叶变换

output_signal_fft = input_singal_fft / h_fft

output_signal = np.abs(np.fft.ifft2(output_signal_fft))

return output_signal

3 维纳滤波

3.1 直观认识

理解了逆滤波的基本过程之后，实际上维纳滤波就不是太大问题了。实际上，逆滤波对于绝大多数情况滤波效果都不好，因为逆滤波是通过傅里叶变换将信号由时域转换到频域，再根据时域卷积定理，在频域作除法。对于乘性干扰这当然是没问题的，甚至是完美的。而如果存在加性噪声，例如：加性高斯白噪声。逆滤波效果就不好了，某些情况下几乎无法完成滤波情况。

3.2 数学解释

输入信号经过系统函数后

时域上

频域上

若存在加性噪声则为

时域上

其中

频域上

其中

则

于是，从上面对输入信号的估计表达式可以看出，多出了一项加性噪声的傅里叶变换与系统函数的比值。尤其当

相对于

很小时，滤波后的信号差距十分严重。

3.3 维纳滤波表达式

而我们又知道：白噪声的白为噪声的功率谱为常数，即

为常数，于是，从直观上看，当

相对于

较大时，则

较小，上式第一项则较小，而第二项较大从而保持相对平稳。

3.4 Code

import numpy as np

def wiener_filtering(input_signal, h, K):

'''

维纳滤波

:param input_signal: 输入信号

:param h: 退化函数（时域）

:param K: 参数K

:return: 维纳滤波后的信号（幅值）

'''

output_signal = [] # 输出信号

output_signal_fft = [] # 输出信号的傅里叶变换

input_signal_cp = np.copy(input_signal) # 输入信号的副本

input_signal_cp_fft = np.fft.fft2(input_signal_cp) # 输入信号的傅里叶变换

h_fft = np.fft.fft2(h) # 退化函数的傅里叶变换

h_abs_square = np.abs(h_fft)**2 # 退化函数模值的平方

# 维纳滤波

output_signal_fft = np.conj(h_fft) / (h_abs_square + K)

output_signal = np.abs(np.fft.ifft2(output_signal_fft * input_signal_cp_fft)) # 输出信号傅里叶反变换

return output_signal

4 维纳滤波与逆滤波对比

camera

coins

5 GitHub