锐客网

  1. 首页 > 睿知 > it技术 > >

噪声函数python python 噪声

噪声IT技术

Python科学计算——任意波形拟合任意波形的生成(geneartion of arbitrary waveform) 在商业，军事等领域都有着重要的应用，诸如空间光通信 (free-space optics communication) ， 高速信号处理 (high-speed signal processing) ， 雷达 (radar) 等 。在任意波形生成后，如何评估生成的任意波形 成为另外一个重要的话题 。
假设有一组实验数据，已知他们之间的函数关系：y=f(x) ， 通过这些信息 ， 需要确定函数中的一些参数项 。例如，f 是一个线型函数 f(x)=k*x b，那么参数 k 和 b 就是需要确定的值 。如果这些参数用 p 表示的话 ， 那么就需要找到一组 p 值使得如下公式中的 S 函数最?。?
这种算法被称之为 最小二乘拟合(least-square fitting) 。scipy 中的子函数库 optimize 已经提供实现最小二乘拟合算法的函数leastsq。下面是 leastsq 函数导入的方式：
scipy.optimize.leastsq 使用方法
在Python科学计算——Numpy.genfromtxt一文中，使用numpy.genfromtxt对数字示波器采集的三角波数据导入进行了介绍，今天 ， 就以4GHz三角波波形的拟合为案例介绍任意波形的拟合方法 。
在Python科学计算——如何构建模型？一文中，讨论了如何构建三角波模型 。在标准三角波波形的基础上添加了 横向，纵向的平移和伸缩特征参数，最后添加了 噪声参数 模拟了三角波幅度参差不齐的随机性特征 。但在波形拟合时，并不是所有的特征参数都要纳入考量 ， 例如，噪声参数应是 波形生成系统 的固有特征，正因为它的存在使得产生的波形存在瑕疵，因此，在进行波形拟合并评估时，不应将噪声参数纳入考量，最终模型如下：
在调用 scipy.optimize.leastsq 函数时，需要构建误差函数：
有时候 ， 为了使图片有更好的效果，需要对数据进行一些处理：
leastsq 调用方式如下：
合理的设置 p0 可以减少程序运行时间，因此，可以在运行一次程序后，用拟合后的相应数据对 p0 进行修正 。
在对波形进行拟合后，调用 pylab 对拟合前后的数据进行可视化：
均方根误差(root mean square error) 是一个很好的评判标准，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度 。
RMSE 用程序实现如下：
拟合效果 ， 模型参数输出：
leastsq 函数适用于任何波形的拟合，下面就来介绍一些常用的其他波形：
python中的噪声是什么意思白噪声是时间序列预测中的一个重要概念 。如果一个时间序列是白噪声，它是一个随机数序列，不能预测 。如果预测误差不是白噪声，它暗示了预测模型仍有改进空间 。
什么是白噪声时间序列？
时间序列可能是白噪声 。时间序列如果变量是独立的且恒等分布的均值为0，那么它是白噪声 。这意味着所有变量具有相同的方差 (sigma^2)，并且每个值与该系列中的所有其他值具有零相关 。
如果序列中的变量被高斯分布绘制 ， 则该系列称为高斯白噪声 。
为什么这么重要？
白噪声是时间序列分析和预测中的一个重要的概念 。
重要的两个主要原因为：
1.可预测性：如果你的时间序列是白噪声，那么根据定义它是随机的 。你无法对它合理的建模并进行预测 。
2.模型诊断：时间序列上一系列误差的预测模型最好是白噪声 。
模型诊断是时间序列预测的重要领域 。
时间序列数据在潜在的因素产生的信号上被预测，它包含一些白噪声成分 。
例如：
y(t)= signal(t)noise(t)
通过时间序列预测模型进行预测，可以对其进行收集和分析 。在理想情况下，预测误差应该是白噪声 。
当预测误差为白噪声时，意味着时间序列中的所有信号已全部被模型利用进行预测 。剩下的就是无法建模的随机波动 。
模型预测的信号不是白噪声则表明可以进一步对预测模型改进 。
你的时间序列白噪音吗?
你的时间序列如果符合下面条件则不是白噪声:
你的序列均值为零吗?
方差随时间变化吗?
值与延迟值相关吗?
你可以用一些工具来检查你的时间序列是否为白噪音:
创建一个折线图 。检查总体特征 ， 如变化的平均值，方差或延迟变量之间的明显关系 。
计算汇总统计 。对照序列中有意义的连续块的均值和方差 ， 检查整个序列的均值和方差(如年、月、日) 。
创建一个自相关的图 。检查延迟变量之间的总体相关性 。
白噪声时间序列的例子
在本节中,我们将使用Python创建一个高斯白噪声序列并做一些检查 。它有助于在实践中创建和评估白噪声时间序列 。它将提供参考框架和示例图并且使用和比较自己的时间序列项目的统计测试，以检查它们是否为白噪声
首先 ， 我们可以使用随机模块的gauss()函数创建一个1,000个随机高斯变量的列表 。
我们将从高斯分布提取变量：平均值(mu)0.0和标准偏差(sigma)1.0 。
一旦创建,为方便起见，我们可以在Pandas序列中打包这个列表 。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plot
# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)
接下来，我们可以计算和打印一些汇总统计数据，包含序列的平均值和标准偏差 。
# summary statsprint(series.describe())
鉴于我们在绘制随机数时定义了平均值和标准偏差，所以应该不会有意外 。
count1000.000000mean-0.013222std1.003685min-2.96121425%-0.68419250%-0.01093475%0.703915max2.737260
我们可以看到平均值接近0.0 ， 标准偏差接近1.0 。考虑到样本较小预测会有些误差 。
如果我们有更多的数据，将序列分成两半计算和比较每一半的汇总统计可能会更有趣 。我们认为每个子系列的平均值和标准差都会相似 。
现在我们可以创建一些序列的线条图 。
# line plot
series.plot()pyplot.show()
我们可以看到，这个序列似乎是随机的 。
我们还可以创建直方图，并确认分布是高斯分布 。
# histogram plot
series.hist()pyplot.show()
事实上，直方图显示了典型的钟形曲线 。
最后，我们可以创建一个自相关图并检查延迟变量的所有自相关 。
# autocorrelationautocorrelation_plot(series)pyplot.show()
自相关图没有显示任何显著的自相关特征 。在峰值时可信度达在95％和99％，但这只是统计的偶然情况 。
为了完整性，下面提供了完整的代码清单 。
from randomimport gaussfrom randomimport seedfrom pandasimport Seriesfrom pandas.tools.plottingimport autocorrelation_plotfrom matplotlibimport pyplot
# seed random number generatorseed(1)# create white noise series
series= [gauss(0.0,1.0)for iin range(1000)]series= Series(series)# summary statsprint(series.describe())# line plot
series.plot()pyplot.show()# histogram plot
series.hist()pyplot.show()# autocorrelationautocorrelation_plot(series)pyplot.show()
原文：网页链接
python 能不能生成拉普拉斯噪声可以 。
拉普拉斯是一种二阶导数算子噪声函数python，是一个与方向无关噪声函数python的各向同性（旋转轴对称）边缘检测算子 。若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子进行检测 。
拉普拉斯算子为二阶差分，其方向信息丢失，常产生双像素，对噪声有双倍加强作用，因此它很少直接用于边缘检测 。
OpenCV Python 系列教程4 - OpenCV 图像处理（上） 学习目标：
OpenCV 中有 150 多种色彩空间转化的方法，这里只讨论两种：
HSV的色相范围为[0,179]，饱和度范围为[0,255]，值范围为[0,255] 。不同的软件使用不同的规模 。如果要比较 OpenCV 值和它们，你需要标准化这些范围 。
HSV 和 HLV 解释
运行结果：该段程序的作用是检测蓝色目标，同理可以检测其他颜色的目标
结果中存在一定的噪音，之后的章节将会去掉它
这是物体跟踪中最简单的方法 。一旦你学会了等高线的函数，你可以做很多事情，比如找到这个物体的质心，用它来跟踪这个物体，仅仅通过在相机前移动你的手来画图表 ， 还有很多其他有趣的事情 。
菜鸟教程 在线 HSV- BGR 转换
比如要找出绿色的 HSV 值 ， 可以使用上面的程序，得到的值取一个上下界 。如上面的取下界 [H-10, 100, 100]，上界 [H 10, 255, 255]
或者使用其他工具如GIMP
学习目标：
对图像进行阈值处理，算是一种最简单的图像分割方法，基于图像与背景之间的灰度差异，此项分割是基于像素级的分割
threshold(src, thresh, maxval, type[, dst]) - retval, dst
计算图像小区域的阈值 。所以我们对同一幅图像的不同区域得到不同的阈值，这给我们在不同光照下的图像提供了更好的结果 。
三个特殊的输入参数和一个输出参数
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) - dst
opencv-threshold-python
OpenCV 图片集
本节原文
学习目标：
OpenCV 提供两种变换函数： cv2.warpAffine和cv2.warpPerspective
cv2.resize()完成缩放
文档说明
运行结果
说明:cv2.INTER_LINEAR方法比cv2.INTER_CUBIC还慢，好像与官方文档说的不一致？ 有待验证 。
速度比较： INTER_CUBICINTER_NEARESTINTER_LINEARINTER_AREAINTER_LANCZOS4
改变图像的位置，创建一个np.float32类型的变换矩阵，
warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) - dst
运行结果：
旋转角度（）是通过一个变换矩阵变换的：
OpenCV 提供的是可调旋转中心的缩放旋转，这样你可以在任何你喜欢的位置旋转 。修正后的变换矩阵为
这里
OpenCV 提供了cv2.getRotationMatrix2D控制
cv2.getRotationMatrix2D(center, angle, scale) → retval
运行结果
cv2.getAffineTransform(src, dst) → retval
函数关系：
\begin{bmatrix} x'_i \ y'_i \end{bmatrix}\begin{bmatrix} x'_i \ y'_i \end{bmatrix} =
其中
运行结果：图上的点便于观察，两图中的红点是相互对应的
透视变换需要一个 3x3 变换矩阵 。转换之后直线仍然保持笔直，要找到这个变换矩阵，需要输入图像上的 4 个点和输出图像上的对应点 。在这 4 个点中 ， 有 3 个不应该共线 。通过cv2.getPerspectiveTransform计算得到变换矩阵，得到的矩阵cv2.warpPerspective变换得到最终结果 。
本节原文
平滑处理（smoothing）也称模糊处理（bluring）,是一种简单且使用频率很高的图像处理方法 。平滑处理的用途：常见是用来 减少图像上的噪点或失真。在涉及到降低图像分辨率时，平滑处理是很好用的方法 。
图像滤波：尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性 。
消除图像中的噪声成分叫做图像的平滑化或滤波操作 。信号或图像的能量大部分集中在幅度谱的低频和中频段，在高频段，有用的信息会被噪声淹没 。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响 。
滤波的目的：抽出对象的特征作为图像识别的特征模式；为适应图像处理的要求 ， 消除图像数字化时混入的噪声 。
滤波处理的要求：不能损坏图像的轮廓及边缘等重要信息；图像清晰视觉效果好 。
平滑滤波是低频增强的空间滤波技术，目的：模糊和消除噪音 。
空间域的平滑滤波一般采用简单平均法，即求邻近像元点的平均亮度值 。邻域的大小与平滑的效果直接相关，邻域越大平滑效果越好，但是邻域过大，平滑也会使边缘信息的损失的越大 ， 从而使输出图像变得模糊 。因此需要选择合适的邻域 。
滤波器：一个包含加权系数的窗口 ， 利用滤波器平滑处理图像时，把这个窗口放在图像上，透过这个窗口来看我们得到的图像 。
线性滤波器：用于剔除输入信号中不想要的频率或者从许多频率中选择一个想要的频率 。
低通滤波器、高通滤波器、带通滤波器、带阻滤波器、全通滤波器、陷波滤波器
boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) - dst
均值滤波是方框滤波归一化后的特殊情况 。归一化就是要把处理的量缩放到一个范围内如 (0,1)，以便统一处理和直观量化 。非归一化的方框滤波用于计算每个像素邻近内的积分特性，比如密集光流算法中用到的图像倒数的协方差矩阵 。
运行结果：
均值滤波是典型的线性滤波算法，主要方法为邻域平均法，即用一片图像区域的各个像素的均值来代替原图像中的各个像素值 。一般需要在图像上对目标像素给出一个模板（内核），该模板包括了其周围的临近像素（比如以目标像素为中心的周围8（3x3-1）个像素 ， 构成一个滤波模板，即 去掉目标像素本身 ） 。再用模板中的全体像素的平均值来代替原来像素值 。即对待处理的当前像素点（x，y），选择一个模板 ， 该模板由其近邻的若干像素组成，求模板中所有像素的均值 ， 再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x ， y）=1/m ∑f（x，y） ，其中m为该模板中包含当前像素在内的像素总个数 。
均值滤波本身存在着固有的缺陷 ， 即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊 ， 不能很好地去除噪声点 。
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst
结果：
高斯滤波：线性滤波，可以消除高斯噪声，广泛应用于图像处理的减噪过程 。高斯滤波就是对整幅图像进行加权平均的过程 ， 每一个像素点的值，都由其本身和邻域内的其他像素值经过 加权平均 后得到 。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值 。
高斯滤波有用但是效率不高 。
高斯模糊技术生成的图像，其视觉效果就像是经过一个半透明屏幕在观察图像 ， 这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同 。高斯平滑也用于计算机视觉算法中的预先处理阶段，以增强图像在不同比例大小下的图像效果（参见尺度空间表示以及尺度空间实现） 。从数学的角度来看，图像的高斯模糊过程就是图像与正态分布做卷积 。由于正态分布又叫作高斯分布，所以这项技术就叫作高斯模糊 。
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器 。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效 。
一维零均值高斯函数为:高斯分布参数决定了高斯函数的宽度 。
高斯噪声的产生
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) - dst
线性滤波容易构造，并且易于从频率响应的角度来进行分析 。
许多情况，使用近邻像素的非线性滤波会得到更好的结果 。比如在噪声是散粒噪声而不是高斯噪声，即图像偶尔会出现很大值的时候，用高斯滤波器进行图像模糊时，噪声像素不会被消除 ， 而是转化为更为柔和但仍然可见的散粒 。
中值滤波（Median filter）是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值，该方法在去除脉冲噪声、椒盐噪声『椒盐噪声又称脉冲噪声，它随机改变一些像素值 ， 是由图像传感器，传输信道 ， 解码处理等产生的黑白相间的亮暗点噪声 。椒盐噪声往往由图像切割引起 。』的同时又能保留图像边缘细节，
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，其基本原理是把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，让周围的像素值接近的真实值，从而消除孤立的噪声点，对于 斑点噪声（speckle noise）和椒盐噪声（salt-and-pepper noise） 来说尤其有用，因为它不依赖于邻域内那些与典型值差别很大的值 。中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程却不再是加权运算 。
中值滤波在一定的条件下可以克服常见线性滤波器如最小均方滤波、方框滤波器、均值滤波等带来的图像细节模糊 ， 而且对滤除脉冲干扰及图像扫描噪声非常有效，也常用于保护边缘信息, 保存边缘的特性使它在不希望出现边缘模糊的场合也很有用，是非常经典的平滑噪声处理方法 。
与均值滤波比较：
说明：中值滤波在一定条件下，可以克服线性滤波器（如均值滤波等）所带来的图像细节模糊，而且对滤除脉冲干扰即图像扫描噪声最为有效 。在实际运算过程中并不需要图像的统计特性 ， 也给计算带来不少方便 。但是对一些细节多，特别是线、尖顶等细节多的图像不宜采用中值滤波 。
双边滤波（Bilateral filter）是一种非线性的滤波方法 ， 是结合 图像的空间邻近度和像素值相似度 的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的 。具有简单、非迭代、局部的特点 。
双边滤波器的好处是可以做边缘保存（edge preserving），一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显 。双边滤波器顾名思义比高斯滤波多了一个高斯方差 sigma－d ，它是基于空间分布的高斯滤波函数，所以在边缘附近 ， 离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存 。但是由于保存了过多的高频信息 ， 对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉 ， 只能够对于低频信息进行较好的滤波 。
运行结果
学习目标:
形态变换是基于图像形状的一些简单操作 。它通常在二进制图像上执行 。
膨胀与腐蚀实现的功能
侵蚀的基本思想就像土壤侵蚀一样，它会侵蚀前景物体的边界（总是试图保持前景为白色） 。那它是做什么的？内核在图像中滑动（如在2D卷积中） 。只有当内核下的所有像素都是 1 时，原始图像中的像素（ 1 或 0 ）才会被视为 1 ， 否则它将被侵蚀（变为零）
erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) - dst
与腐蚀的操作相反 。如果内核下的至少一个像素为“1”，则像素元素为“1” 。因此它增加了图像中的白色区域或前景对象的大小增加 。通常，在去除噪音的情况下，侵蚀之后是扩张 。因为，侵蚀会消除白噪声 ， 但它也会缩小我们的物体 。所以我们扩大它 。由于噪音消失了，它们不会再回来，但我们的物体区域会增加 。它也可用于连接对象的破碎部分
加性高斯白噪声及维纳滤波的基本原理与Python实现 加性高斯白噪声属于白噪声的一种，有如下两个特点：
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
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 。
在时域内有
根据时域卷积定理，我们知道 时域卷积等于频域乘积
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 。
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 。
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
频域上
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 。
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?。鲜降谝幌钤蚪闲?nbsp;， 而第二项较大从而保持相对平稳 。
click me!
【噪声函数python python 噪声】关于噪声函数python和python 噪声的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站 。

    推荐阅读


    上一篇：asp.net修改sln，ASPNET修改时出现序列不包含任何元素

    下一篇：如何查看服务器的最近重启时间？ 怎么查看服务器的重启时间