Python FFT滤波实战：去除非600Hz噪声
54 浏览量
更新于2024-08-28
2
收藏 156KB PDF 举报
在本篇关于"Python利用FFT进行简单滤波的实现"的文章中，主要探讨了如何使用快速傅立叶变换（Fast Fourier Transform, FFT）技术对数字信号进行滤波处理。文章首先介绍了滤波的基本流程，包括：
1. 信号预处理：任何类型的信号（如图像、声音或模拟信号通过ADC采集的数据）都需要先转化为数字信号，并确保采样率满足奈奎斯特采样定理，即采样频率至少是信号最高频率的两倍。在这个例子中，信号采样率为1400Hz，以适应最大600Hz的信号频率。
2. 信号生成与FFT应用：
- 生成模拟信号，如y = 2*sin(2π*180x) + 3*sin(2π*390x) + 4*sin(2π*600x)，包含了180Hz, 390Hz和600Hz的频率分量。
- 使用numpy库中的fft函数对信号进行快速傅里叶变换，得到频域表示的信号。
- 为了可视化和分析，对变换结果进行模值计算，并进行归一化处理，通常只关注频率的一半范围，因为实际信号是对称的。
3. 滤波操作：
- 通过将目标频率（如600Hz）对应的频域数据置零，达到滤除噪声的效果。这一步需要对实部和虚部数据分别处理。
- 滤波后，再进行逆傅里叶变换（IFFT），将滤波后的频域数据转换回时域信号。
文章通过具体实例展示了如何使用Python的numpy库来实现这个过程，这对于处理音频、图像等信号的频域分析和滤波具有实用价值。理解并掌握这种基于FFT的滤波技术，有助于在实际工程应用中提高信号处理的精度和效率。
Python利用利用FFT进行简单滤波的实现进行简单滤波的实现
1、流程、流程
大体流程如下，无论图像、声音、ADC数据都是如下流程：
（1）将原信号进行FFT;
（2）将进行FFT得到的数据去掉需要滤波的频率；
（3）进行FFT逆变换得到信号数据；
2、算法仿真、算法仿真
2.1 生成数据：
#采样点选择1400个，因为设置的信号频率分量最高为600Hz，根据采样定理知采样频率要大于信号频率2倍，所以这里设置采样频率为1400Hz（即一秒内
有1400个采样点）
x=np.linspace(0,1,1400)
#设置需要采样的信号，频率分量有180，390和600
y=2*np.sin(2*np.pi*180*x) + 3*np.sin(2*np.pi*390*x)+4*np.sin(2*np.pi*600*x)
2.2 对生成的数据进行FFT变换
yy=fft(y) #快速傅里叶变换
yf=abs(fft(y)) # 取模
yf1=abs(fft(y))/((len(x)/2)) #归一化处理
yf2 = yf1[range(int(len(x)/2))] #由于对称性，只取一半区间
2.3显示转换结果：
显示原始FFT模值：
#混合波的FFT（双边频率范围）
plt.figure(2)
plt.plot(xf,yf,'r') #显示原始信号的FFT模值
plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表
显示原始FFT归一化后的模值：
#混合波的FFT（归一化）
plt.figure(3)
plt.plot(xf1,yf1,'g')
plt.title('FFT of Mixed wave(normalization)',fontsize=9,color='r')
下载后可阅读完整内容，剩余3页未读，立即下载
2986 浏览量
2023-04-16 上传
2023-05-12 上传
137 浏览量
184 浏览量
111 浏览量
2024-11-19 上传
