维纳滤波原理与其应用.pptVIP

维纳滤波理论及其应用 维纳滤波理论地位 现代控制理论所包含的学科内容十分广泛,主要的方面有:线性系统理论、非线性系统理论、最优控制理论、随机控制理论和适应控制理论。 随机控制理论的目标是解决随机控制系统的分析和综合问题。维纳滤波理论和卡尔曼-布什滤波理论是随机控制理论的基础之一。 维纳滤波理论出现的背景 随着自动化系统和自动控制理论的出现，对信息的研究开始突破原来仅限于传输方面的概念。 美国数学家维纳在这个时期发表了著名的《控制论》和《平稳时间序列的外推、内插和平滑问题》，从控制的观点揭示了动物与机器的共同的信息与控制规律，研究了用滤波和预测等方法，从被噪声湮没了的信号中提取有用信息的信号处理问题，建立了维纳滤波理论。 维纳滤波理论 连续随机信号的线性均方估值——维纳滤波理论 对于信号s(t)和噪声n(t)的混合体η(t)=s(t)+n(t)，按照均方误差最小的准则，从η(t)中分离出信号s(t)的理论，称为维纳滤波理论。 维纳滤波理论进一步分为滤波、预测、平滑： 滤波 是利用直到当前时刻的随机过程的观察值，来得到当前信号值的估计； 平滑 是利用直到当前时刻的随机过程的观察值，得到过去某个时刻信号的估值； 预测 是利用直到当前时刻的随机过程的观察值，得到将来某个时刻信号的估值。 希望x(n)通过线性系统h(n)后得到的y(n)尽量接近s(n)，称y(n)为s(n)的估计值,用 表示。 这种线性系统h(.)称为对于s(n)的一种估计器。 维纳滤波器输入－输出关系 从当前和过去的观测值x(n),x(n-1),x(n-2),… x(n-m) 估计当前的信号值 称为过滤或滤波。 从过去的观测值x(n－1),x(n-2),… x(n-m)估计当前 的或将来的信号值 称为预测 或外推。 从过去的观测值x(n－1),x(n-2),… x(n-m)估计过去 的信号值 称为平滑或内插。 维纳滤波是最佳线性过滤与预测或线性最优估计之一。 最优是以估计结果与信号真值之间的误差的均方值最小为最佳准则。 最小均方误差 信号的真值与估计值之间的误差e(n) e(n)为随机变量，可正可负，用其均方值表达误差较为合理。均方误差最小是指它的平方的统计平均值最小： 最小 维纳滤波是根据全部过去的和当前的观察数据来估计信号的当前值，它的解是以传函H(z) 或单位冲激h(n)的形式给出。是通过卷积、相关求解的。适用于平稳系统（最佳线性过滤器）。 维纳滤波都是以均方误差最小为准则解决最佳线性过滤和预测问题。 维纳滤波器在图像去噪中的应用 图像在成像、传输、转换或存储的过程中会受到各种随机干扰信号即噪声的影响，从而会使画面变得粗糙、质量下降、特征淹没。为了减弱噪声、还原真实的画面，就需要用到降噪滤波器对图像数据进行处理。 选取了图像降噪比较有代表性的维纳滤波对同时加有高斯噪声、椒盐噪声和乘性噪声的图像进行了滤波处理，结合其处理效果，详细分析维纳滤波在图像去噪的作用。 原始图像与加噪图像 维纳滤波对加有高斯噪声、椒盐噪声、乘性噪声的图像处理后的对比图 从图中可以看到维纳滤波对高斯噪声、乘性噪声都有明显的抑制作用，相对于均值滤波和中值滤波，维纳滤波对这两种噪声的抑制效果更好，缺点就是容易失去图像的边缘信息，维纳滤波对椒盐噪声几乎没有抑制作用。 推广的维纳滤波器 维纳滤波器是根据有用信号和干扰信号的统计特性（自相关函数或功率谱），以线形最小均方误差估计准则设计的最优滤波器，它假定噪声是高斯的而且是加性的，噪声和信号相互独立，这样能得到最小意义下的最优滤波。 实际测量的很多噪声往往是非加性的，它可能是Poisson过程，也可能是乘性噪声。这时如果对它使用普通的维纳滤波器，则其估计信号在最小均方误差意义下不再是最优的，将普通滤波器推广到一种特殊的乘性噪声的情形。