Нелинейный фильтр

В обработке сигналов нелинейный , выходной сигнал (или нелинейный ) фильтр — это фильтр которого не является линейной функцией его входного сигнала. То есть, если фильтр выводит сигналы R и S для двух входных сигналов r и s отдельно, но не всегда выводит αR + βS , когда вход представляет собой линейную комбинацию αr + βs .

Фильтры как в непрерывной, так и в дискретной области могут быть нелинейными. Простым примером первого может быть электрическое устройство, выходное напряжение которого R ( t ) в любой момент является квадратом входного напряжения r ( t ); или какой вход ограничен фиксированным диапазоном [ a , b ], а именно R ( t ) = max( a , min( b , r ( t ))). Важным примером последнего является фильтр текущей медианы , такой, что каждая выходная выборка R _i является медианой последних трех входных выборок r _i , r _{i -1} , r _{i -2} . Как и линейные фильтры, нелинейные фильтры могут быть инвариантными к сдвигу или нет.

Нелинейные фильтры имеют множество применений, особенно при удалении определенных типов шума , которые не являются аддитивными . Например, медианный фильтр широко используется для удаления пикового шума , который затрагивает лишь небольшой процент выборок, а возможно, и очень большую величину. Действительно, все радиоприемники используют нелинейные фильтры для преобразования от килогерц до гигагерц сигналов в звуковой диапазон частот; Вся обработка цифровых сигналов зависит от нелинейных фильтров ( аналогово-цифровых преобразователей ) для преобразования аналоговых сигналов в двоичные числа .

Однако нелинейные фильтры значительно сложнее использовать и проектировать, чем линейные, поскольку самые мощные математические инструменты анализа сигналов (такие как импульсная характеристика и частотная характеристика на них нельзя использовать ). Так, например, линейные фильтры часто используются для удаления шума и искажений, создаваемых нелинейными процессами, просто потому, что правильный нелинейный фильтр было бы слишком сложно спроектировать и изготовить.

Из вышесказанного мы можем знать, что нелинейные фильтры ведут себя совершенно иначе, чем линейные. Наиболее важной характеристикой является то, что для нелинейных фильтров выходной сигнал или отклик фильтра не подчиняются принципам, изложенным ранее, в частности, инвариантности к масштабированию и сдвигу. Более того, нелинейный фильтр может давать результаты, которые изменяются неинтуитивно.

Линейная система

Несколько принципов определяют линейную систему . Основное определение линейности заключается в том, что выходной сигнал должен быть линейной функцией входных данных, то есть

$\alpha y_{1}(t)+\beta y_{2}(t)=H\left\{\alpha x_{1}(t)+\beta x_{2}(t)\right\}$

для любых скалярных значений $\alpha \,$ и $\beta \,$.Это фундаментальное свойство проектирования линейных систем, известное как суперпозиция. Итак, система называется нелинейной, если это уравнение неверно. То есть, когда система линейна, можно применить принцип суперпозиции. Этот важный факт является причиной того, что методы анализа линейных систем получили такое хорошее развитие.

Приложения

Удаление шума

Сигналы часто повреждаются во время передачи или обработки; Частой целью при проектировании фильтров является восстановление исходного сигнала, процесс, обычно называемый «удалением шума». Самый простой тип искажения — аддитивный шум, когда полезный сигнал S добавляется к нежелательному сигналу N, не имеет известной связи с S. который Если шум N имеет простое статистическое описание, такое как гауссов шум , то фильтр Калмана уменьшит N и восстановит S в степени, допускаемой теоремой Шеннона . В частности, если S и N не перекрываются в частотной области , их можно полностью разделить линейными полосовыми фильтрами .

С другой стороны, практически для любой другой формы шума потребуется какой-то нелинейный фильтр для максимального восстановления сигнала. для мультипликативного шума Например, (который умножается на сигнал, а не добавляется к нему) может быть достаточно преобразовать входные данные в логарифмический масштаб , применить линейный фильтр, а затем преобразовать результат в линейный масштаб . В этом примере первый и третий шаги не являются линейными.

Нелинейные фильтры также могут быть полезны, когда определенные «нелинейные» характеристики сигнала более важны, чем общее содержание информации. при цифровой обработке изображений Например, может потребоваться сохранить четкость контуров силуэтов объектов на фотографиях или связность линий на отсканированных рисунках. Линейный фильтр удаления шума обычно размывает эти особенности; нелинейный фильтр может дать более удовлетворительные результаты (даже если размытое изображение может быть более «правильным» в теоретико-информационном смысле).

Многие нелинейные фильтры шумоподавления работают во временной области. Обычно они исследуют входной цифровой сигнал в ограниченном окне, окружающем каждую выборку, и используют некоторую статистическую модель вывода (явно или неявно) для оценки наиболее вероятного значения исходного сигнала в этой точке. Конструкция таких фильтров известна как задача фильтрации случайного процесса в теории оценивания и теории управления .

Примеры нелинейных фильтров включают в себя:

• петли фазовой автоподстройки частоты
• детекторы
• миксеры
• медианные фильтры
• ранки

Нелинейные фильтры также занимают решающее место в функциях обработки изображений. В типичном конвейере обработки изображений в реальном времени обычно имеется множество нелинейных фильтров для формирования, формирования, обнаружения и манипулирования информацией изображения. Кроме того, каждый из этих типов фильтров можно параметризовать для работы одним способом при определенных обстоятельствах и другим способом при другом наборе обстоятельств с использованием адаптивной генерации правил фильтрации. Цели варьируются от удаления шума до абстракции функций. Фильтрация данных изображения — стандартный процесс, используемый практически во всех системах обработки изображений. Нелинейные фильтры являются наиболее распространенной формой конструкции фильтров. Например, если изображение содержит небольшое количество шума, но с относительно высокой амплитудой, то медианный фильтр может оказаться более подходящим.

Фильтрация Кушнера – Стратоновича.

Контекстом здесь является формулировка задачи нелинейной фильтрации, рассматриваемой через призму теории случайных процессов. В этом контексте как случайный сигнал, так и зашумленные частичные наблюдения описываются случайными процессами с непрерывным временем. Ненаблюдаемый случайный сигнал, который необходимо оценить, моделируется с помощью нелинейного стохастического дифференциального уравнения Ито , а функция наблюдения представляет собой непрерывное во времени нелинейное преобразование ненаблюдаемого сигнала, наблюдение, возмущенное непрерывным шумом наблюдения. Учитывая нелинейный характер динамики, знакомые концепции частотной области, которые можно применить к линейным фильтрам, нежизнеспособны, и сформулирована теория, основанная на представлении в пространстве состояний. Полная информация о нелинейном фильтре в данный момент времени представляет собой закон вероятности ненаблюдаемого сигнала в этот момент времени, зависящий от истории наблюдений до этого момента. Этот закон может иметь плотность, и бесконечномерное уравнение плотности этого закона принимает форму стохастическое уравнение в частных производных (СДДУ). Задача оптимальной нелинейной фильтрации в этом контексте была решена в конце 1950-х — начале 1960-х годов Русланом Львовичем Стратоновичем. и Гарольд Дж. Кушнер . Оптимальный фильтр СПДЭ называется уравнением Кушнера-Стратоновича . В 1969 году Моше Закаи представил упрощенную динамику для ненормированного условного закона фильтра, известного как уравнение Закаи . Это доказали Мирей Шалея-Морель и Доминик Мишель. что решение в целом бесконечномерно и поэтому требует конечномерных приближений. Они могут быть основаны на эвристике, например, расширенный фильтр Калмана или фильтры предполагаемой плотности, описанные Питером С. Мэйбеком. или проекционные фильтры, представленные Дамиано Бриго , Бернаром Ханзоном и Франсуа Ле Гландом, Показано, что некоторые подсемейства из них совпадают с предполагаемыми фильтрами плотности. Фильтры частиц — еще один вариант, связанный с последовательными методами Монте-Карло.

Фильтры передачи энергии

Фильтры передачи энергии — это класс нелинейных динамических фильтров, которые можно использовать для перемещения энергии определенным образом. Энергию можно перемещать в более высокие или более низкие частотные диапазоны, распределять по заданному диапазону или фокусировать. Возможны различные конструкции фильтров передачи энергии, и они обеспечивают дополнительную степень свободы при проектировании фильтров, которая просто невозможна при использовании линейных конструкций.

Типы нелинейных фильтров

Мой фильтр

также Минимальный фильтр, известный как эрозия при морфологической обработке изображений, представляет собой фильтр пространственной области, используемый для обработки изображений. Он заменяет каждый пиксель изображения минимальным значением соседних пикселей.

Размер и форма окрестности определяются элементом структурирования, обычно квадратной или круглой маской.

Трансформация заменяет центральный пиксель на самый темный в работающем окне.

Например, если у вас текст, напечатанный слабо, фильтр минимального размера делает буквы толще.

Макс Фильтр

Максимальный фильтр , также известный как расширение при морфологической обработке изображений, — это еще один фильтр пространственной области, используемый для обработки изображений.

Он заменяет каждый пиксель изображения максимальным значением соседних пикселей, снова определяемым элементом структурирования.

Фильтры максимума и минимума не зависят от сдвига. Если минимальный фильтр заменяет центральный пиксель на самый темный в рабочем окне, то максимальный фильтр заменяет его на самый светлый.

Например, если у вас есть текстовая строка, нарисованная толстым пером, вы можете сделать знак тоньше.

См. также

• Оценка движущегося горизонта
• Нелинейная система
• Фильтр твердых частиц
• Секция фильтра Калмана без запаха в фильтре Калмана
• Задача нелинейной фильтрации
• Проекционные фильтры

Дальнейшее чтение

• Джазвински, Эндрю Х. (1970). Стохастические процессы и теория фильтрации . Нью-Йорк: Академическая пресса. ISBN  0-12-381550-9 .

Внешние ссылки

• Страница профессора Ильи Шмулевича о нелинейной обработке сигналов