关注+星号公众号，不容错过精彩![]()
作者：HywelStar
在嵌入式系统中，滤波算法广泛应用于信号处理领域，尤其是在传感器数据采集、噪声抑制、信号平滑等方面。由于MCU（微控制器单元）资源有限，选择合适的滤波算法非常重要。本文将介绍几种常见的滤波算法及其在嵌入式系统中的应用。
1. 数字低通滤波器（Low-pass Filter）
数字低通滤波器是最常见的滤波器之一，主要用于去除高频噪声，保留低频信号。低通滤波器允许频率低于某个阈值的信号通过，而衰减高于该频率的信号。在MCU中，低通滤波器通常以 移动平均法 或 IIR（无限冲击响应）滤波器 实现。
移动平均法
移动平均法是最简单的低通滤波方法，其基本思想是通过对采样信号进行一段时间的均值运算，来实现信号的平滑。其公式如下：
其中，y[n] 为滤波后的信号，x[n] 为原始输入信号，N 为滤波窗口的大小。
移动平均法非常适用于简单的噪声去除，计算量小，适合MCU资源有限的情况。但它的缺点是响应速度较慢，且无法精确去除所有噪声。
IIR低通滤波器
IIR滤波器使用反馈机制，能够在较少的计算资源下达到更高效的滤波效果。其传递函数形式为：
a_0, a_1, b_1 等为滤波器的系数。IIR滤波器常用于需要较高滤波精度的场景，能够提供较好的滤波性能，并且只需较少的计算资源。典型应用场景
传感器数据平滑：在很多嵌入式应用中，传感器的输出数据通常包含噪声（如温度传感器、加速度计、陀螺仪等）。低通滤波器可以去除这些数据中的高频噪声，得到平滑的信号。 电机控制中的信号滤波：在电机控制中，电流或电压的信号可能会受到开关噪声的影响。低通滤波器可以有效去除这些噪声，确保控制信号的平稳。 音频信号处理：音频信号中常常需要去除高频的杂散噪声，如风噪声或电源噪声。低通滤波器能去除这些不需要的高频成分，保留有用的音频信号。
总结下来：适用于需要去除高频噪声、平滑信号的场合。
2. 高通滤波器（High-pass Filter）
与低通滤波器相反，高通滤波器主要用于去除低频信号，保留高频成分。高通滤波器常用于信号的边缘检测、变化监测等应用。
简单的差分高通滤波器
一种简单的高通滤波器是通过信号的差分来实现的，即将当前采样值与前一个采样值的差异作为输出。这种方法虽然简单，但可以有效去除低频趋势。
公式为：
y[n]=x[n]−x[n−1]y[n] = x[n] - x[n-1]y[n]=x[n]−x[n−1]
这种差分方式可以帮助去除慢变化的信号，保留快速变化的信号，适用于一些简单的高通滤波需求。
典型应用场景
去除低频漂移或偏移：某些信号会受到低频漂移的影响，尤其是在温度测量或电池电压监控中。高通滤波器能够去除这些慢变化的信号，使得只有较快变化的信号得以保留。
• 例如：加速度计在静止时可能会有偏移值，使用高通滤波器去除偏移，保留加速度的变化信息。
心电图（ECG）信号处理：在ECG信号处理中，通常需要去除低频的干扰，如基线漂移。高通滤波器可以帮助去除这些低频分量，保留心电图的有用信息。
边缘检测和变化监测：在某些嵌入式图像处理应用中，需要监测信号的快速变化。高通滤波器通过抑制静态信号和慢变化的部分，能够突出图像中的边缘或动态变化。
适用于需要去除低频漂移或监测信号快速变化的场合，如温度、加速度、心电图、图像处理等。
3. 卡尔曼滤波器（Kalman Filter）
卡尔曼滤波器是一种最优化的递归滤波算法，广泛用于需要结合多传感器信息或进行噪声估计的场合。卡尔曼滤波器能够通过数学模型估计系统状态，逐步调整权重，从而实现最佳的滤波效果。
卡尔曼滤波器不仅能去除信号中的噪声，还能根据系统的动态模型进行状态估计，是精度要求较高的系统中的理想选择，如导航、位置跟踪、传感器融合等。
卡尔曼滤波的核心是以下递推公式：
其中，A 为状态转移矩阵，B 为控制矩阵，u_k 为控制输入，y_k 为测量值，Q 和 R 为噪声协方差矩阵，K 为卡尔曼增益。
卡尔曼滤波器的优点是能够有效融合多个传感器的数据，实时估计系统状态，并且在噪声环境下提供较高的滤波精度。但由于其计算较复杂，因此对MCU资源的要求较高。
典型应用场景
导航与定位：卡尔曼滤波器广泛应用于GPS/IMU数据融合、无人机定位、自动驾驶等领域。它能够通过不断估算状态（如位置、速度、方向等），有效融合多个传感器的测量数据，去除噪声，提高定位精度。
• 例如：在无人机或机器人导航中，GPS定位数据与IMU（惯性测量单元）数据常常结合使用，卡尔曼滤波器可有效融合这两类数据，提供精确的位置信息。
传感器融合：在多传感器应用中，卡尔曼滤波器能够融合来自不同来源的数据，以实现更精确的状态估计。
• 例如：汽车的自动驾驶系统使用卡尔曼滤波器融合雷达、激光雷达（LIDAR）、摄像头和GPS等传感器的数据，以获得车辆的精确位置和速度。
动态系统建模与状态估计：卡尔曼滤波器能够对动态系统进行建模，通过递归计算不断更新状态。它在实时控制系统、航天、机器人等领域都有广泛应用。
4. 中值滤波器（Median Filter）
中值滤波器是一种非线性滤波器，通常用于去除突发性的尖峰噪声（如盐和胡椒噪声）。中值滤波器通过取一段数据的中间值来平滑信号。与平均值法相比，中值滤波器在去除极端值方面效果更好。
公式为：
其中，k 是滤波窗口的大小，y[n] 是滤波后的信号。
中值滤波器对于去除单一的尖峰噪声非常有效，尤其适合图像处理、传感器数据中突发异常值的去除。
典型应用场景
图像处理：中值滤波器最常用于图像处理，特别是去除图像中的 "盐和胡椒" 噪声。这种噪声通常表现为随机分布的白点或黑点。中值滤波器能够有效去除这些尖峰噪声，同时保持图像边缘信息。 •例如：在嵌入式图像处理系统中，使用中值滤波器去除相机图像中的噪声，得到更加清晰的图像。 传感器数据去噪：如果传感器数据中包含极端值（如电流传感器中由于接触不良造成的短暂异常值），中值滤波器能通过对邻近数据点求中位数来去除这些异常点。 • 例如：在环境监测中，使用中值滤波器去除由于传感器故障导致的瞬时错误数据，确保数据的可靠性。 音频信号去噪：对于音频信号中的突发噪声（例如电磁干扰引起的尖峰噪声），中值滤波器也能有效抑制。
5. FIR滤波器（Finite Impulse Response Filter）
FIR滤波器是一类常见的线性滤波器，它的特点是系统的冲击响应是有限的，即输入信号通过滤波器后只会受到有限的历史信号影响。FIR滤波器的主要优点是具有良好的稳定性，并且可以通过合理设计滤波器系数来达到不同的频率响应。
FIR滤波器的实现方法较为简单，但与IIR滤波器相比，它需要更多的计算量。
FIR滤波器的实现公式如下：
其中，b_0, b_1, ..., b_N 是滤波器的系数，N 是滤波器的阶数。
典型应用场景
精确频率选择性滤波：FIR滤波器具有固定的冲击响应，可以设计成非常精确的滤波器，去除特定频率的噪声。例如，在通信系统中，FIR滤波器常用于去除特定频率的干扰。 • 例如：无线通信中，FIR滤波器可以用来去除通信信号中的干扰频段，确保数据的可靠传输。 音频处理：在音频应用中，FIR滤波器常用于实现均衡、回声消除、声音增强等功能。 高精度滤波：FIR滤波器不具有反馈，且可以通过设计滤波器系数来控制其频率响应，适用于对频率响应有高精度要求的场景。
6. 总结
在MCU应用中，滤波算法的选择需要考虑多个因素，如计算资源、实时性要求、噪声类型等。对于资源有限的嵌入式系统，移动平均法、差分法等简单算法能够满足基本的需求，而在需要更高精度的场景下，可以选择 IIR滤波器 或 卡尔曼滤波器。此外，中值滤波器 和 FIR滤波器 也常用于特定的应用，如去除突发噪声和精细滤波。
如果有任何错误请纠正。
往期推荐
