当前位置：首页 > news >正文

第八章：滤波模块 —— 给你的数据“洗个澡”！

news 2026/8/21 16:47:20

🧼 滤波模块 —— 给你的数据“洗个澡”！

✅ 适用对象：嵌入式初学者、传感器开发者
💡 核心目标：理解为什么需要滤波 + 掌握4种常用滤波算法 + 能在项目中灵活选用
🧠 特色：用“洗澡”比喻滤波过程，用“电话降噪”解释原理，小白秒懂！

🎧 一、什么是滤波？

想象你在嘈杂的菜市场打电话：

你想说：“今天温度是25度。”
但背景有喇叭声、叫卖声、狗叫声……
对方听到的是：“今…嗞嗞…25…嗡嗡…度？”

这时候，如果手机有个智能降噪功能，只保留你的声音、去掉杂音——这就是滤波！

🔍技术定义：
滤波就是在信号处理中，去除噪声或不需要的频率成分，保留有用信息的过程。

❓ 二、为什么要滤波？

在真实世界中，传感器采集的数据从来不是“干净”的：

噪声来源	举例
环境干扰	电磁干扰、电源波动
硬件误差	ADC 量化误差、接触不良
突发干扰	开关抖动、电机启停

如果不滤波：

温度读数忽高忽低
电机控制频繁抖动
数据分析结果失真

✅滤波的作用：
让数据更稳定、可靠、可信，就像给脏衣服“洗个澡”，焕然一新！

🧰 三、4 种常用滤波算法详解

1. 限幅滤波（Limit Filter）—— “设个安全围栏”

📌 原理

把数据限制在合理范围内，超出就“裁掉”。

🎯 使用场景

传感器偶尔跳变（如 ADC 读到 0 或 4095 的异常值）
已知物理量不可能超过某范围（如温度 -10℃ ~ 60℃）

✅ 优点：简单、快速

❌ 缺点：不能平滑连续噪声

void limit_value(uint32_t *data, int size, uint32_t min_val, uint32_t max_val) { for (int i = 0; i < size; i++) { // 修复：i++ → i++ if (data[i] < min_val) { data[i] = min_val; } else if (data[i] > max_val) { data[i] = max_val; } } }

💡生活比喻：就像给水位设上下限——太高溢出、太低干涸，系统自动“拉回”安全区。

2. 中值滤波（Median Filter）—— “取中间靠谱值”

📌 原理

对窗口内数据排序，取中位数。能有效消除脉冲噪声（尖峰干扰）。

🎯 使用场景

图像去噪（椒盐噪声）
传感器受瞬时干扰（如按键抖动、电机火花）

✅ 优点：抗尖峰干扰强，保留边缘

❌ 缺点：计算量大，不适合高频实时系统

#include <stdlib.h> #include <string.h> int compare(const void *a, const void *b) { return (*(uint32_t *)a - *(uint32_t *)b); } uint32_t mid_value(uint32_t *data, int size) { uint32_t *copy = (uint32_t *)malloc(size * sizeof(uint32_t)); memcpy(copy, data, size * sizeof(uint32_t)); qsort(copy, size, sizeof(uint32_t), compare); uint32_t median; if (size % 2 == 0) { // 修复：= → == median = (copy[size / 2 - 1] + copy[size / 2]) / 2; } else { median = copy[size / 2]; } free(copy); return median; }

💡生活比喻：10个人猜体重，去掉最高最低，取中间那个人的答案——更靠谱！

3. 算术平均滤波（Arithmetic Mean Filter）—— “大家投票取平均”

📌 原理

对 N 个采样值求平均，平滑小波动。

🎯 使用场景

温度、湿度等缓慢变化的传感器
需要降低随机噪声

✅ 优点：平滑效果好

❌ 缺点：响应慢，可能滞后；对突发噪声无效

uint32_t avg_value(uint32_t *data, int size) { uint32_t sum = 0; for (int i = 0; i < size; i++) { // 修复：i++ → i++ sum += data[i]; } return sum / size; }

💡生活比喻：考试去掉一个最高分、一个最低分，再算平均分——更公平！

4. 一阶滞后滤波（First Order Lag Filter）—— “温柔地跟随变化”

📌 原理

一种低通滤波器，输出 = α × 当前值 + (1−α) × 上次输出

α 越小，越平滑，但响应越慢

🎯 使用场景

压力、液位、温度等缓慢变化的信号
需要平滑曲线且保留趋势

✅ 优点：内存占用小（只需存上次值），平滑自然

❌ 缺点：对快速变化信号反应迟钝

uint32_t adc_filter(uint32_t CurrValue) { static uint32_t LastValue = 0; // 初始值设为0 // 等效于：LastValue = 0.25 * CurrValue + 0.75 * LastValue uint32_t tmp = (32 * CurrValue + 96 * LastValue) >> 7; // 修复：> → >> LastValue = tmp; return LastValue; }

🔧公式解析：
(32 + 96) = 128，>>7相当于/128
所以：tmp = (32/128)*Curr + (96/128)*Last = 0.25*Curr + 0.75*Last

💡生活比喻：老司机开车——不猛踩油门，也不急刹车，平稳跟车！

📈 四、滤波前后对比分析

下图展示了四种滤波算法对同一组含噪声原始数据（灰色虚线）的处理效果：

滤波类型	曲线颜色	效果描述
限幅滤波	蓝色	抑制了过大的噪声峰值，但保留了其他波动
中值滤波	绿色	有效去除尖锐脉冲，曲线更平滑
算术平均滤波	橙色	明显平滑，消除了小幅抖动
一阶滞后滤波	红色	温和跟踪信号，无突变，适合慢变信号

📊结论：没有“最好”的滤波，只有“最合适”的滤波！

🧪 五、使用场景与对比总结

滤波类型	适用场景	优点	缺点
限幅滤波	抑制突发性异常值	实现简单、速度快	无法平滑连续噪声
中值滤波	脉冲噪声、图像处理	强力去除尖峰，保边缘	计算开销大
算术平均滤波	平滑传感器数据	效果稳定、易实现	信号滞后，怕突变
一阶滞后滤波	低频慢变信号	内存小、平滑自然	响应速度慢

📦 六、完整头文件示例（filter.h）

#ifndef __FILTER_H #define __FILTER_H #include <stdint.h> void limit_value(uint32_t *data, int size, uint32_t min_val, uint32_t max_val); int compare(const void *a, const void *b); uint32_t mid_value(uint32_t *data, int size); uint32_t avg_value(uint32_t *data, int size); uint32_t adc_filter(uint32_t CurrValue); #endif