第2章：时域分析基础——均值滤波、中值滤波的原理与Python实现

各位同学，欢迎来到实战课的第二讲。今天咱们聊聊时域分析里最基础、也最实用的两个工具——均值滤波和中值滤波。

说实话，我刚开始做信号处理那会儿，总觉得滤波这事儿得靠什么高级算法。后来在项目里摔过几次跟头才明白：基础方法用好了，能解决80%的工程问题。你想想看，现场采集的高频数据，噪声往往就那么几种——要么是随机白噪声，要么是脉冲尖刺。对付它们，均值和中值滤波就是最趁手的兵器。

2.1 均值滤波：平滑噪声的“平均主义”

均值滤波的原理，说白了就是用窗口内所有点的平均值，来代替中心点的值。我习惯把它想象成“拉帮结派”——让每个数据点都看看周围邻居的平均水平，别太出格。

y[n] = (1/M) * Σ x[n + k]   (k = -L 到 L)

举个简单的例子。假设我们有一段传感器数据，混入了高频噪声。用均值滤波走一遍，噪声会被“抹平”。但代价是什么？信号的边缘也会变模糊。我在做振动信号分析时就吃过这个亏——为了降噪把窗口设得太大，结果故障特征全被平滑掉了。

Python实现

import numpy as np
import matplotlib.pyplot as plt

def mean_filter(signal, window_size):
    """均值滤波实现"""
    half = window_size // 2
    result = np.zeros_like(signal)
    
    for i in range(half, len(signal) - half):
        result[i] = np.mean(signal[i-half : i+half+1])
    
    # 边界处理：直接复制原值
    result[:half] = signal[:half]
    result[-half:] = signal[-half:]
    
    return result

# 生成测试信号
t = np.linspace(0, 1, 500)
clean = np.sin(2 * np.pi * 5 * t)
noise = 0.3 * np.random.randn(500)
noisy = clean + noise

# 应用均值滤波
filtered = mean_filter(noisy, window_size=5)

# 可视化
plt.figure(figsize=(10, 4))
plt.plot(t, noisy, alpha=0.5, label='含噪信号')
plt.plot(t, filtered, 'r-', linewidth=2, label='均值滤波后')
plt.legend()
plt.show()

2.2 中值滤波：对抗脉冲噪声的利器

中值滤波的思路完全不同——它取窗口内所有点的中位数，而不是平均值。为什么要这么做？

你想想看，如果信号里突然蹦出一个尖峰（比如传感器受干扰），均值滤波会被这个尖峰“带偏”，而中值滤波直接忽略它。因为中位数对异常值不敏感。

y[n] = median( x[n-L], ..., x[n], ..., x[n+L] )

我记得有一次做工业现场的数据采集，电机启动瞬间会产生强烈的电磁干扰，信号上全是毛刺。均值滤波怎么调都不行，换成中值滤波后，干净得跟教科书一样。

Python实现

def median_filter(signal, window_size):
    """中值滤波实现"""
    half = window_size // 2
    result = np.zeros_like(signal)
    
    for i in range(half, len(signal) - half):
        result[i] = np.median(signal[i-half : i+half+1])
    
    result[:half] = signal[:half]
    result[-half:] = signal[-half:]
    
    return result

# 加入脉冲噪声
impulse_noise = np.zeros(500)
impulse_noise[100:105] = 5.0
impulse_noise[300:303] = -4.0
noisy_impulse = clean + impulse_noise

# 对比两种滤波
mean_result = mean_filter(noisy_impulse, 5)
median_result = median_filter(noisy_impulse, 5)

2.3 滑动窗口的选择策略

窗口怎么选？这是新手最容易纠结的问题。我给大家总结了一套实用策略：

我个人习惯是从最小窗口开始试。先设窗口=3，看效果；不行再逐步增大。千万别一上来就搞个大窗口，否则信号特征被抹平了都不知道。

2.4 知识体系总览

下面这张图，是我梳理的本章核心逻辑。你可以把它当作一个“决策树”——遇到噪声时，按图索骥就行。

嗯，这张图的核心逻辑就是：先看噪声长什么样，再选滤波方法，最后定窗口大小。别搞反了顺序。

2.5 实战建议

最后，我给大家三个实战中总结出来的建议：

1. 先可视化，再滤波。拿到数据别急着写代码，先画个图看看噪声形态。我见过太多人上来就套滤波，结果把有用信号滤没了。
2. 组合使用效果更好。如果信号里既有高斯噪声又有脉冲噪声，可以先中值滤波去尖刺，再均值滤波平滑。我在雷达信号处理中常用这个组合。
3. 注意边界效应。滤波时窗口会超出信号边界，处理不好会在两端产生假信号。我习惯用“镜像延拓”或“零填充”来处理边界，别直接扔掉。