滑动均值滤波

最近时间在研究滤波算法,目的是为了更好的识别音频数据。因为有些音频数据里面的杂波太多,很难识别,所以需要先对其进行过滤,才能解析识别。为此,我先在matlab上做了仿真.采用的很多滤波算法,最后选择了对我这个效果最好的,滑动均值滤波。

什么是滑动均值滤波

滑动平均滤波就是把连续取得的N个采样值看成一个队列,队列的长度固定为N,每次采样得到一个新数据放到队尾,并丢掉原来队首的一次数据,把队列中的N个数据进行平均运算,就可以获得新的滤波结果

具体的matlab代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
clear
clc
load boxinfo.mat %载入音频数据
T = data;
figure(1)
plot(T,'-*')
title('原始数据')
hold on;
%%
%滑动平滑滤波
L = length(T);
N=10; % 窗口大下
k = 0;
m =0 ;
for i = 1:L
m = m+1;
if i+N-1 > L
break
else
for j = i:N+i-1
k = k+1;
W(k) = T(j) ;
end
T1(m) = mean(W);
k = 0;
end
end
plot(T1,'r-o')
grid
legend('原始数据','滤波之后')

滤波前后对比图

滤波前后对比图

简单分析一下

经过滑动滤波之后,波形整体变得平滑,这里我们重点关注一下x轴附近的点,可以发现,在波形与x轴交叉的地方,波形都平稳过度,这极大方便的我们后期进行统计。

窗口大小选择

从代码中我们可以发现窗口大小我们选择的是10,如何选择窗口大小,这里我们需要进行一些简单的分析和测试。如果x轴附近的噪点数量(一上一下)比较多,那么窗口大小就应该大一些,反之,小一些。但是过大又会出现过拟合的现象,所以可以多取几个值,然后对比一下,选择一个最好的即可。

不同的窗口大小对比图

不同的窗口大小对比图

简单分析一下

从图中我们可以很明显的看出,当N=4的时候,滤波效果还不是很好,在x轴附近依然有噪点(一上一下),当N=7的时候,已经基本满足我们的要求,图形已经可以很平稳的过度了,但是从右边的标记处可以看出还是不是很平稳,所以可以继续提高N值,当N=10的时候,波形就完全能够达到我们的要求,所以取10即可。

滑动滤波的Java实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73

/*
* 功能 对音频数据进行滑动滤波,使其更好的识别 时间:2015/9/11
*/
public class MovingAverageFilter implements IAudioSignalFilter {
private static final int WINDOWS = 1;
private short[] mTemp = null; // 只声明暂时不初始化,用来记录最后得不到均值处理的点
private short[] mBufout = null;
private int mWindowSize = WINDOWS;

public MovingAverageFilter(int size) {
mWindowSize = size;
}

// 均值滤波方法,输入一个buf数组,返回一个buf1数组,两者下表不一样,所以定义不同的下表,buf的下表为i,buf1的下表为buf1Sub.
// 同理,临时的winArray数组下表为winArraySub
public short[] movingAverageFilter(short[] buf) {
int bufoutSub = 0;
int winArraySub = 0;
short[] winArray = new short[mWindowSize];

if (mTemp == null) {
mBufout = new short[buf.length - mWindowSize + 1];
for (int i = 0; i < buf.length; i++) {
if ((i + mWindowSize) > buf.length) {
break;
} else {
for (int j = i; j < (mWindowSize + i); j++) {
winArray[winArraySub] = buf[j];
winArraySub = winArraySub + 1;
}

mBufout[bufoutSub] = mean(winArray);
bufoutSub = bufoutSub + 1;
winArraySub = 0;
}
}
mTemp = new short[mWindowSize - 1];
System.arraycopy(buf, buf.length - mWindowSize + 1, mTemp, 0,
mWindowSize - 1);
return mBufout;
} else {
short[] bufadd = new short[buf.length + mTemp.length];
mBufout = new short[bufadd.length - mWindowSize + 1];
System.arraycopy(mTemp, 0, bufadd, 0, mTemp.length);
System.arraycopy(buf, 0, bufadd, mTemp.length, buf.length); // 将temp和buf拼接到一块
for (int i = 0; i < bufadd.length; i++) {
if ((i + mWindowSize) > bufadd.length)
break;
else {
for (int j = i; j < (mWindowSize + i); j++) {
winArray[winArraySub] = bufadd[j];
winArraySub = winArraySub + 1;
}
mBufout[bufoutSub] = mean(winArray);
bufoutSub = bufoutSub + 1;
winArraySub = 0;
System.arraycopy(bufadd, bufadd.length - mWindowSize + 1,
mTemp, 0, mWindowSize - 1);
}
}
return mBufout;
}
}

public short mean(short[] array) {
long sum = 0;
for (int i = 0; i < array.length; i++) {
sum += array[i];
}
return (short) (sum / array.length);
}
}