import cv2
import math
import numpy as np
import matplotlib.pyplot as plt
#高斯平滑滤波器（高斯低通滤波器）与均值滤波器区别不大，只不过是将均值改为正态函数作为权值
img = cv2.imread("E:/test1.pgm",0)
#建立一个代用的空数组（我们用他们来存储处理后的图片）
img_1 = np.zeros((256, 256),np.uint8)
img_2 = np.zeros((256, 256),np.uint8)
img_3 = np.zeros((256, 256),np.uint8)
#建立一个代用的空数组（我们在滤波时使用的是加过一圈黑框的图片）
arr_1 = np.zeros((258, 258),np.uint8)
arr_2 = np.zeros((260, 260),np.uint8)
arr_3 = np.zeros((262, 262),np.uint8)
for x in range(0, 256):
for y in range(0, 256):
arr_1[x + 1, y + 1] = img[x, y]
for x in range(0, 256):
for y in range(0, 256):
arr_2[x + 2, y + 2] = img[x, y]
for x in range(0, 256):
for y in range(0, 256):
arr_3[x + 3, y + 3] = img[x, y]
#在进行滤波处理之前要先产生高斯平滑滤波器
gauss_1 = np.zeros((3, 3))
gauss_2 = np.zeros((5, 5))
gauss_3 = np.zeros((7, 7))
mysum = 0
for x in range(0, 3):
for y in range(0, 3):
gauss_1[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 1.5, 2)+ math.pow(y - 1.5, 2))/ 3)
mysum = mysum + gauss_1[x, y]
for x in range(0, 3):
for y in range(0, 3):
gauss_1[x, y] = gauss_1[x, y]/mysum
mysum = 0
for x in range(0, 5):
for y in range(0, 5):
gauss_2[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 2.5, 2)+ math.pow(y - 2.5, 2))/ 3)
mysum = mysum + gauss_2[x, y]
for x in range(0, 5):
for y in range(0, 5):
gauss_2[x, y] = gauss_2[x, y]/mysum
mysum = 0
for x in range(0, 7):
for y in range(0, 7):
gauss_3[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 3.5, 2)+ math.pow(y - 3.5, 2))/ 3)
mysum = mysum + gauss_3[x, y]
for x in range(0, 7):
for y in range(0, 7):
gauss_3[x, y] = gauss_3[x, y]/mysum
# 高斯平滑滤波部分
part_1 = np.zeros((3, 3),np.int)
for x in range(0, 256):
for y in range(0, 256):
for m in range(0, 3):
for n in range(0, 3):
part_1[m, n] = arr_1[x + m, y + n]
local_1 = np.multiply(part_1, gauss_1)
for m in range(0, 3):
for n in range(0, 3):
img_1[x, y] = img_1[x, y] + local_1[m, n]
part_2 = np.zeros((5, 5),np.int)
for x in range(0, 256):
for y in range(0, 256):
for m in range(0, 5):
for n in range(0, 5):
part_2[m, n] = arr_2[x + m, y + n]
local_2 = np.multiply(part_2, gauss_2)
for m in range(0, 5):
for n in range(0, 5):
img_2[x, y] = img_2[x, y] + local_2[m, n]
part_3 = np.zeros((7, 7),np.int)
for x in range(0, 256):
for y in range(0, 256):
for m in range(0, 7):
for n in range(0, 7):
part_3[m, n] = arr_3[x + m, y + n]
local_3 = np.multiply(part_3, gauss_3)
for m in range(0, 7):
for n in range(0, 7):
img_3[x, y] = img_3[x, y] + local_3[m, n]
img_4 = np.hstack((img, img_1))
img_5 = np.hstack((img_2, img_3))
img_6 = np.hstack((img_4, img_5))
https://www.doczj.com/doc/654759875.html,dWindow("Image")
cv2.imshow("Image",img_6)
cv2.waitKey(0)
cv2.destroyAllWindows()
#高斯平滑滤波器（高斯低通滤波器）与均值滤波器区别不大，只不过是将均值改为正态函数作为权值
img = cv2.imread("E:/test2.tif",0)
#建立一个代用的空数组（我们用他们来存储处理后的图片）
img_1 = np.zeros((512, 512),np.uint8)
img_2 = np.zeros((512, 512),np.uint8)
img_3 = np.zeros((512, 512),np.uint8)
#建立一个代用的空数组（我们在滤波时使用的是加过一圈黑框的图片）
arr_1 = np.zeros((514, 514),np.uint8)
arr_2 = np.zeros((516, 516),np.uint8)
arr_3 = np.zeros((518, 518),np.uint8)
for x in range(0, 512):
for y in range(0, 512):
arr_1[x + 1, y + 1] = img[x, y]
for x in range(0, 512):
for y in range(0, 512):
arr_2[x + 2, y + 2] = img[x, y]
for x in range(0, 512):
for y in range(0, 512):
arr_3[x + 3, y + 3] = img[x, y]
#在进行滤波处理之前要先产生高斯平滑滤波器
gauss_1 = np.zeros((3, 3))
gauss_2 = np.zeros((5, 5))
gauss_3 = np.zeros((7, 7))
mysum = 0
for x in range(0, 3):
for y in range(0, 3):
gauss_1[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 1.5, 2)+ math.pow(y - 1.5, 2))/ 3)
mysum = mysum + gauss_1[x, y]
for x in range(0, 3):
for y in range(0, 3):
gauss_1[x, y] = gauss_1[x, y]/mysum
mysum = 0
for x in range(0, 5):
for y in range(0, 5):
gauss_2[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 2.5, 2)+ math.pow(y - 2.5, 2))/ 3)
mysum = mysum + gauss_2[x, y]
for x in range(0, 5):
for y in range(0, 5):
gauss_2[x, y] = gauss_2[x, y]/mysum
mysum = 0
for x in range(0, 7):
for y in range(0, 7):
gauss_3[x, y] = (1/ (3* np.pi))* math.exp(-1*(math.pow(x - 3.5, 2)+ math.pow(y - 3.5, 2))/ 3)
mysum = mysum + gauss_3[x, y]
for x in range(0, 7):
for y in range(0, 7):
gauss_3[x, y] = gauss_3[x, y]/mysum
# 高斯平滑滤波部分
part_1 = np.zeros((3, 3),np.int)
for x in range(0, 512):
for y in range(0, 512):
for m in range(0, 3):
for n in range(0, 3):
part_1[m, n] = arr_1[x + m, y + n]
local_1 = np.multiply(part_1, gauss_1)
for m in range(0, 3):
for n in range(0, 3):
img_1[x, y] = img_1[x, y] + local_1[m, n]
part_2 = np.zeros((5, 5),np.int)
for x in range(0, 512):
for y in range(0, 512):
for m in range(0, 5):
for n in range(0, 5):
part_2[m, n] = arr_2[x + m, y + n]
local_2 = np.multiply(part_2, gauss_2)
for m in range(0, 5):
for n in range(0, 5):
img_2[x, y] = img_2[x, y] + local_2[m, n]
part_3 = np.zeros((7, 7),np.int)
for x in range(0, 512):
for y in range(0, 512):
for m in range(0, 7):
for n in range(0, 7):
part_3[m, n] = arr_3[x + m, y + n]
local_3 = np.multiply(part_3, gauss_3)
for m in range(0, 7):
for n in range(0, 7):
img_3[x, y] = img_3[x, y] + local_3[m, n]
img_4 = np.hstack((img_1, img_2))
img_5 = np.hstack((img_4, img_3))
https://www.doczj.com/doc/654759875.html,dWindow("Image")
cv2.imshow("Image",img_5)
cv2.waitKey(0)
cv2.destroyAllWindows()
射频电路设计示例 设计任务： 用两种方法设计一个输入、输出为50Ω的低通滤波器，滤波器参数为： (1) 截止频率为3Ghz (2) 在通带内，衰减小于3dB (3) 在通带外，当归一化频率为2时，损耗不小于50dB (4) 相速为光速的60% 设计要求： (1)画出滤波器的电路图。 (2)用微带线实现上述的功能，并画出微带线的结构尺寸。 (3)画出0--3.5Ghz 的衰减曲线。 (4)给出设计的源代码本，利用具体软件(如Matlab, MW- office, ADS 、HFSS 、IE3D 等)操作方法及步骤。 方法一： 切比雪夫滤波器设计： Step1: 画出滤波器的电路图。由课本（p151）知滤波器阶数应为N=5。归一化参数为：g g 514817.3==，g g 427618.0==，5381.43=g 集中参数为：4817 .35 1 == C C ，5381 .43 =C ，2296 .14 2 == L L 图1 归一化5阶低通滤波器电路原理图 Step2：将集中参数变换成分布参数（Richards 变换：电感用短路线代，电容用开路线代）： g Y Y 1 51 = =，g Z Z 2 4 2 = = ，g Y 3 3 = 。
图2 （O.C ＝开路线，S.C=短路线） Step3：将串联线段变为并联线段—Kuroda 规则（P162表5.6）。首先在滤波器的输入、输出端口引入两个单位元件。 因为单位元件与信号源及负载的阻抗都是匹配的，所以到入它们并不 影响滤波器的特性。对第一个并联的短线和最后一个并联短线应用Kuroda 规则-1后得： 2872.12872.014817 .3112 1 =+=+ == N N ， 2231.02872.14817.31 ' ' 2 1 ＝?= = Z Z UE UE 7769.02872 .1151＝== ' ' Z Z S S
Gaussian Smoothing Filter 高斯平滑滤波器 一、图像滤波的基本概念 图像常常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。 图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像，空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算，即输出图像中任何像素的值都是通过采用一定的算法，根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波（例如最常见的均值滤波和高斯滤波），否则为非线性滤波（中值滤波、边缘保持滤波等）。 线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是，同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器．非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。 二、图像滤波的计算过程分析 滤波通常是用卷积或者相关来描述，而线性滤波一般是通过卷积来描述的。他们非常类似，但是还是会有不同。下面我们来根据相关和卷积计算过程来体会一下他们的具体区别： 卷积的计算步骤： （1）卷积核绕自己的核心元素顺时针旋转180度 （2）移动卷积核的中心元素，使它位于输入图像待处理像素的正上方 （3）在旋转后的卷积核中，将输入图像的像素值作为权重相乘 （4）第三步各结果的和做为该输入像素对应的输出像素 相关的计算步骤： （1）移动相关核的中心元素，使它位于输入图像待处理像素的正上方 （2）将输入图像的像素值作为权重，乘以相关核 （3）将上面各步得到的结果相加做为输出 可以看出他们的主要区别在于计算卷积的时候，卷积核要先做旋转。而计算相关过程中不需要旋转相关核。 例如：magic(3) =[8 1 6;3 5 7;4 9 2]，旋转180度后就成了[2 9 4;7 5 3;6 1 8]
高斯滤波器理解 先给出高斯函数的图形。 高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真． （3）高斯函数的傅立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边
缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号． （4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷． （5）由于高斯函数的可分离性，较大尺寸的高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． ========================== 高斯函数在图像滤波中的应用 1函数的基本概念 所谓径向基函数(Radial Basis Function 简称RBF), 就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数, 可记作k(||x-xc||), 其作用往往是局部的, 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数,形式为k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数, 控制了函数的径向作用范围。 2函数的表达式和图形 matlab绘图的代码 alf=3; n=7;%定义模板大小 n1=floor((n+1)/2);%确定中心 for i=1:n a(i)= exp(-((i-n1).^2)/(2*alf^2)); for j=1:n b(i,j) =exp(-((i-n1)^2+(j-n1)^2)/(4*alf))/(4*pi*alf); end end subplot(121),plot(a),title('一维高斯函数' ) subplot(122),surf(b),title('二维高斯函数' )
有源滤波器设计任务书 一、设计目的 1. 熟悉二阶有源滤波电路幅频特性和相频特性。 2. 掌握二阶有源滤波电路的快速设计方法。 3. 掌握二阶有源滤波电路的调试及其幅频特性和相频特性的测试方法。 二、使用仪器与器材 信号发生器；双线示波器；万用表；直流稳压源；实验电路板；元器件若干。 三、设计任务 图中所示为无限增益多路反馈电路的一般形式,请选择适当类型无源元件Y1～Y5,以构成低通滤波器和高通滤波器 1. 请设计一个二阶1dB无限增益多路反馈切比雪夫低通滤波器，通带增益Kp=2，截止频率fc=5kHz，画出电路图。 2. 请设计一个二阶1dB无限增益多路反馈切比雪夫高通滤波器，通带增益Kp=2 截止频率fc=2kHz，画出电路图。 ● 以上工作请在实验课前完成。写在实验报告中。 四、设计步骤 1. 按设计所确定的电路参数，在实验接插板上放入器件，连接低通滤波器（注意连接可靠，正确） 2．将信号发生器的输出信号电压幅值调到1V，接入低通滤波器的输入端，并调整信号源的频率，在低通滤波器输出端测量所对应的幅值。（可用示波器或交流毫伏表测试，并计录输入频率值和所对应的输出幅值，测量10～12 点。） 3．用示波器李沙育图形测试低通滤波器的相频特性，测量10～12 点。 4．进行高通滤波器的电路连接及幅频特性和相频特性测试。测试方法同上。
五、设计报告要求与思考题 1. 复习并掌握滤波器的工作原理，设计方法及应注意问题。 2. 画出所设计的低通滤波器、高通滤波器的电路图。并注明元件参数。 3. 画出幅频特性与相频特性测试原理图，说明测试方法与步骤。 4. 以表格形式分别给出低通滤波器与高通滤波器的幅频特性与相频特性测试数据，并画出其特性曲线。 5. 如果将低通滤波器与高通滤波器相串联，得到什么类型的滤波器，其通带与通带增益各为多少？画出其特性曲线。也可在实验中予以观测和证实。 6. 为构成所得类型的滤波器，对低通滤波器与高通滤波器的特性有无特 定要求。二者哪个在前有无关系？ 附录： 1．几种滤波器原理图、幅频特性
微带滤波器的设计
解析微带滤波器的设计 微波滤波器是用来分离不同频率微波信号的一种器件。它的主要作用是抑制不需要的信号，使其不能通过滤波器，只让需要的信号通过。在微波电路系统中，滤波器的性能对电路的性能指标有很大的影响，因此如何设计出一个具有高性能的滤波器，对设计微波电路系统具有很重要的意义。微带电路具有体积小，重量轻、频带宽等诸多优点，近年来在微波电路系统应用广泛，其中用微带做滤波器是其主要应用之一，因此本节将重点研究如何设计并优化微带滤波器。 滤波器（filter），是一种用来消除干扰杂讯的器件，将输入或输出经过过滤而得到纯净的直流电。对特定频率的频点或该频点以外的频率进行有效滤除的电路，就是滤波器，其功能就是得到一个特定频率或消除一个特定频率。 1 微带滤波器的原理 微带滤波器当中最基本的滤波器是微带低通滤波器，而其它类型的滤波器可以通过低通滤波器的原型转化过来。最大平坦滤波器和切比雪夫滤波器是两种常用的低通滤波器的原型。微带滤波器中最简单的滤波器就是用开路并联短截线或是短路串联短截线来代替集总元器件的电容或是电感来实现滤波的功能。这类滤波器的带宽较窄，虽然不能满足所有的应用场合，但是由于它设计简单，因此在某些地方还是值得应用的。 微带滤波器是在印刷电路板上，根据电路的要求以及频率的分布参数印刷在电路板上的各种不同的线条形成的LC分布参数的滤波器。 2 滤波器的分类 最普通的滤波器的分类方法通常可分为低通、高通、带通及带阻四种类型。图12.1给出了这四种滤波器的特性曲线。
低通滤波器：它允许信号中的低频或直流分量通过，抑制高频分量或干扰和噪声。 高通滤波器：它允许信号中的高频分量通过，抑制低频或直流分量。 带通滤波器：它允许一定频段的信号通过，抑制低于或高于该频段的信号、干扰和噪声。 带阻滤波器：它抑制一定频段内的信号，允许该频段以外的信号通过。 按滤波器的频率响应来划分，常见的有巴特沃斯型、切比雪夫Ⅰ型、切比雪夫Ⅱ型及等；按滤波器的构成元件来划分，则可分为有源型及无源型两类；按滤波器的制作方法和材料可分为波导滤波器、同轴线滤波器、带状线滤波器、微带滤波器。 巴特沃斯滤波器是电子滤波器的一种。巴特沃斯滤波器的特点是通频带的频率响应曲线最平滑。这种滤波器最先由英国工程师斯替芬·巴特沃斯（Stephen Butterworth）在1930年发表在英国《无线电工程》期刊的一篇论文中提出的。 切比雪夫滤波器，又名"车比雪夫滤波器",是在通带或阻带上频率响应幅度等波纹波动的滤波器。切比雪夫滤波器来自切比雪夫分布，以"切比雪夫"命名，是用以纪念俄罗斯数学家巴夫尼提·列波维其·切比雪夫（ПафнутийЛьвовичЧебышёв）。 3 微带滤波器的设计指标 微带滤波器的设计指标主要包括： 1绝对衰减（Absolute attenuation）：阻带中最大衰减（dB）。 2带宽（band width）：通带的3dB带宽（flow-fhigh）。
燕山大学 课程设计说明书 题目：几种平滑滤波器的作用与对比试验设计 学院（系）：电气工程学院 年级专业： 学号： 学生姓名： 指导教师： 教师职称：
目录 第一章平滑滤波器 (1) 第二章处理程序和处理结果 (3) 第三章比较差异 (7) 第四章总结 (9) 参考文献 (9)
第一章平滑滤波器 滤波的本义是指信号有各种频率的成分，滤掉不想要的成分，即为滤掉常说 的噪声，留下想要的成分，这即是滤波的过程。 所谓目的：一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。 各类图像处理系统在图像的采集、获取、传送和转换(如成像、复制扫描、传输以及显示等)过程中，均处在复杂的环境中，光照、电磁多变，所有的图像均不同程度地被可见或不可见的噪声干扰。噪声源包括电子噪声、光子噪声、斑点噪声和量化噪声。如果信噪比低于一定的水平，噪声逐渐变成可见的颗粒形状，导致图像质量的下降。除了视觉上质量下降，噪声同样可能掩盖重要的图像细节，在对采集到的原始图像做进一步的分割处理时，我们发现有一些分布不规律的椒盐噪声，为此采取相应的对策就是对图像进行必要的滤波降噪处理。图像的噪声滤波器有很多种，常用的有线性滤波器，非线性滤波器。采用线性滤波如邻域平滑滤波，对受到噪声污染而退化的图像复原，在很多情况下是有效的。但大多数线性滤波器具有低通特性，去除噪声的同时也使图像的边缘变模糊了。而另一种非线性滤波器如中值滤波，在一定程度上可以克服线性滤波器所带来的图像模糊问题，在滤除噪声的同时，较好地保留了图像的边缘信息。这些滤波都是通过平滑滤波器来实现的。 平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。所谓平滑滤波是指对一些不平滑的信号做处理，使它变平滑。那什么是不平滑呢，就是在示波器上看起伏不平的信号，最典型的就是交流整流后的脉动信号。这些随时间起伏不平变化的信号成分在频率上代表一些高频率的成分，上升下降越快，则表示频率越高。平滑滤波就是要把它们弄平，把它们弄得不再随时间变化，或者是变化很小，这种不随时间再变化，或者随时间变化很小的信号就是频率非常低的信号，使它们成为低频信号，在整流滤波上，就基本上直流信号，其中只含有非常少的成分随时间变化。所以平滑滤波与低通滤波说法差别不大，平滑滤波大多用在整流滤波上，一般可以理解成一个概念的不同描述方法。 图像在传递过程中，由于噪声主要集中在高频部分，为去除噪声改善图像质量，滤波器采用低通滤波器H(u ，v)来抑制高频成分，通过低频成分，然后再进行逆傅立叶变换获得滤波图像，就可达到平滑图像的目的 根据任务要求在此选择研究理想低通滤波器、Butterworth 低通滤波器、高斯低通滤波器三种滤波器来实现要求。 1.理想低通滤波器 设傅立叶平面上理想低通滤波器离开原点的截止频率为D0，则理想低通滤波器的传递函数： 1 (,)(,)0 (,)D u v D H u v D u v D ≤?=?>?
低通滤波器工作原理和应用实例 低通滤波器容许低频信号通过, 但减弱(或减少)频率高于截止频率的信号的通过。对于不同滤波器而言,每个频率的信号的减弱程度不同。当使用在音频应用时,它有时被称为高频剪切滤波器, 或高音消除滤波器。 高通滤波器则相反, 而带通滤波器则是高通滤波器同低通滤波器的组合. 低通滤波器概念有许多不同的形式，其中包括电子线路（如音频设备中使用的hiss 滤波器、平滑数据的数字算法、音障（acoustic barriers）、图像模糊处理等等。低通滤波器在信号处理中的作用等同于其它领域如金融领域中移动平均数（moving average)所起的作用；这两个工具都通过剔除短期波动、保留长期发展 趋势提供了信号的平滑形式。 低通滤波器实例 RC 电路实现的一个低通电子滤波器 一个固体屏障就是一个声波的低通滤波器。当另外一个房间中播放音乐时，很容易听到音乐的低音，但是高音部分大部分被过滤掉了。类似的情况是，一辆小汽车中非常大的音乐声在另外一个车中的人听来却是低音节拍，因为这时封闭的汽车（和空气间隔）起到了低通滤波器的作用，减弱了所有的高音。 电子低通滤波器用来驱动重低音喇叭(subwoofer)和其它类型的扩音器、并且阻塞它们不能有效传播的高音 节拍。 无线电发射机使用低通滤波器阻塞可能引起与其它通信发生干扰的谐波发射。 DSL分离器使用低通和高通滤波器分离共享使用双绞线的DSL和POTS信号。 低通滤波器也在如Roland公司这样的模拟合成器（synthesiser）合成的电子音乐声音处理中发挥着重要 的作用。参见subtractive synthesis. [编辑] 理想与实际滤波器一个理想的低通滤波器能够完全剔除高于截止频率的所有频率信号并且低于截止频率的信号可以不受影响地通过。实际上的转换区域也不再存在。一个理想的低通滤波器可以用数学的方法（理论上）在频域中用信号乘以矩形函数得到，作为具有同样效果的方法，也可以在时域与sinc函数作 卷积得到。 然而，这样一个滤波器对于实际真正的信号来说是不可实现的，这是因为sinc函数是一个延伸到无穷远处的函数（extends to infinity），所以这样的滤波器为了执行卷积就需要预测未来并且需要有过去所有的数据。对于预先录制好的数字信号（在信号的后边补零，并使得由此产生的滤波后的误差小于量化误差）或 者无限循环周期信号来说这是可实现的。 实时应用中的实际滤波器通过将信号延时一小段时间让它们能够“看到”未来的一小部分来近似地实现理想滤波器，这已为相移所证明。近似精度越高所需要的延时越长。 采样定理(Nyquist-Shannon sampling theorem)描述了如何使用一个完善的低通滤波器和奈奎斯特-香农插值公式从数字信号采样重建连续信号。实际的数模转换器都是使用近似滤波器。 [编辑] 电子低通滤波器 一阶滤波器的频率响应
新型谐波抑制微带低通滤波器的设计 摘要—一种新型的谐波抑制微带低通滤波器（LPF）被提出，这种新型滤波器由地面缺陷结构(DGS)，一系列并联阶梯阻抗存根以及在通带中的分流元件组成。通过两种谐振器的衰减极，结果发现不仅谐波响应被有效抑制，而且阻带中的抑制也很大。此外，由于两种谐振器有慢波特性，提出的低通滤波器能被紧凑实施。 I. 引言 最近，在许多通信系统中，非常需要一个谐波抑制低通滤波器（LPF）来消除由功率放大器、混频器和振荡器引起的杂散响应。为此，一个集总元件如晶片电容器[1]或电阻片[2]已经被包含在在分布式线电路中，以便打破其周期与频率。另一种方法是采用定期带隙（PBG）的结构[3]或地面缺陷结构（DGS）[4]。特别是，由于DGS有一个简单的等效电路模型，并产生了一个具有宽阻带低通特性，许多研究活动已经完成为了以便将它应用到低通滤波器的设计[4]- [7]。然而，他们大多并没有关注谐波的抑制，或者他们的设计程序太依赖全波电磁（EM）的优化，以至于很难适用传统的低通滤波器的设计方法。本文中，提出了一种新型的谐波抑制微带低通滤波器以及其设计程序。传统的哑铃型DGS和阶梯并联阻抗存根（SISS）是分别作为低通滤波器串联和并联分子使用。据悉，他们有简单的双彼此等效电路并且他们都提供低通滤波器的阻带衰减极点。通过适当的调整器共振频率，不影响原来正常的低通特性，提出的结构被证明是能够有效抑制谐波响应并提供深且宽的阻带。由于两种谐振器的慢波影响，提出的低通滤波器比传统的物理长度较短，但对于紧凑的设计，这是很有帮助的。 II.程序设计 如图1所示，一个单位的分散型发电和单位SISS的等效电路分别被一个串联并联左旋C和一个并联连接系列L- C的谐振器所呈现[4], [8]。注意到，单位SISS通过将两个长方形贴片电容分成较小的两个之后由两个相同的臂组成。在此图中，一个DGS单位的平行L-C谐振器就像一个简单的串联电感，并且在低频区域一个SISS的串联L - C谐振器就像是一个简单的并联电容，因此，他们可以被当做低通滤波器的一个元器件来使用。根据[4]提出的处理方法，他们的电路值与通过在截止频率对原始值的频率匹配以及阻抗频率缩放获得的相应的元素值相等。然后,很容易就可以获得所需的低通响应。[4]中，一旦在低于截止频率时它的长度足够短，两个相邻元素之间的微带线截面作用被忽略。然而，在我们的研究领域里，这种SISS和DGS之间的线截面应是被考虑的，因为它虽然是短，但我们发现它在通带特性和截止频率是有显著影响。为此，该线截面被建模为一个L形的网络，该网络由如图1所示串联L和一个分流C组成。通常，一件T-或∏-网络模型用于其完全等效二端口网络。但是，下列近似的ABCD参数显示短线截面可
基于MATLAB的带噪图像的高斯滤波 摘要：图像常常被强度随机信号（也称为噪声）所污染．一些常见的噪声有椒盐（Salt & Pepper）噪声、脉冲噪声、高斯噪声等．椒盐噪声含有随机出现的黑白强度值．而脉冲噪声则只含有随机的白强度值（正脉冲噪声）或黑强度值（负脉冲噪声）．与前两者不同，高斯噪声含有强度服从高斯或正态分布的噪声．研究滤波就是为了消除噪声干扰。图像滤波总体上讲包括空域滤波和频域滤波。频率滤波需要先进行傅立叶变换至频域处理然后再反变换回空间域还原图像，空域滤波是直接对图像的数据做空间变换达到滤波的目的。它是一种邻域运算，即输出图像中任何像素的值都是通过采用一定的算法，根据输入图像中对用像素周围一定邻域内像素的值得来的。如果输出像素是输入像素邻域像素的线性组合则称为线性滤波（例如最常见的均值滤波和高斯滤波），否则为非线性滤波（中值滤波、边缘保持滤波等）。线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也有很好的效果。线性滤波器使用连续窗函数内像素加权和来实现滤波。特别典型的是，同一模式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波。如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的。任何不是像素加权运算的滤波器都属于非线性滤波器．非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化。 关键词：图像,高斯滤波,去噪,MATLAB 1.引言 20世纪20年代,图像处理首次得到应用。上个世纪60年代中期,随着计算机科学的发展和计算机的普及,图像处理得到广泛的应用。60年代末期,图像处理技术不断完善,逐渐成为一个新兴的学科。图像处理中输入的是质量低的图像,输出的是改善质量后的图像。为了改善图像质量,从图像中提取有效信息,必须对图像进行去噪预处理。根据噪声频谱分布的规律和统计特征以及图像的特点,出现了多种多样的去噪方法。经典的去噪方法有：空域合成法,频域合成法和最优
高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数为： g(x)=exp( -x^2/(2 sigma^2) 其中，高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说，常用二维零均值离散高斯函数作平滑滤波器。 高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用．这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真． （3）高斯函数的傅立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号．（4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷． （5）由于高斯函数的可分离性，较大尺寸的高斯滤波器可以得以有效地实现．二维高斯函数卷积可以分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的相同一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长． ========================== 高斯函数在图像滤波中的应用 1函数的基本概念 所谓径向基函数(Radial Basis Function 简称RBF), 就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数, 可记作k(||x-xc||), 其作用往往是局部的, 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数,形式为k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中心,σ为函数的宽度参数, 控制了函数的径向作用范围。 2函数的表达式和图形 matlab绘图的代码 alf=3; n=7;%定义模板大小 n1=floor((n+1)/2);%确定中心 for i=1:n a(i)= exp(-((i-n1).^2)/(2*alf^2));
滤波器（Filter ） （一）滤波器之种类 以信号被滤掉的频率范围来区分，可分为「低通」（Lowpass）、「高通」（Highpass）、「带通」（Bandpass）及「带阻」（Bandstop）四种。 若以滤波器原型之频率响应来分，则常见有「巴特沃斯型」（Butter-worth）、「切比雪夫I型」（Tchebeshev Type-I）、「切比雪夫II 型」（等几类。 Active）及「被动型」（Passive)型」（L-C Lumped）及「传输线型」（ （Interdigital）、「梳型」（）及「发针型」 ）、「柴比雪夫I 型」（
（二）「低通滤波器」设计方法 (A)「巴特沃斯型」（Butterworth Lowpass Filter） 步骤一：决定规格。 电路特性阻抗（Impedance）: Zo (ohm) 通带截止频率（Cutoff Frequency）: fc (Hz) ）: Ap (dB) ）：Ax(dB) ≥ N ）。 1 、 1g1 = = + n g N K N K g K ,...., 2,1 , 2 )1 2 ( sin 2= - ? = π 步骤四：先选择「串L并C型」或「并C串L型」，再依公式计算实际电感电容值。 （a）「串L并C型」 Zo f g C f Zo g L c even even C odd odd? = ? = π π2 , 2 （b）「并C串L型」 c even even C odd odd f Zo g L Zo f g c π π2 , 2 ? = ? =
（B）「切比雪夫I型」（Tchebyshev Type-I Lowpass Filter） 步骤一：决定规格。 电路阻抗（Impedance）: Zo (ohm) 通带截止频率（Cutoff Frequency）: fc (Hz) 阻带起始频率（Stopband Frequency）: fx (Hz) 通带涟波量（Maximum Ripple at passband）: rp (dB) ：Ax(dB) N≥ 1 10 10 10 / 10 / 2 - =- rp Ax N 步骤三：计算原型组件值（Prototype Element Values，g K）。 N K B g A A g A g K K K K K ,..., 3,2 , 4 2 1 1 2 1 1 1 = ? = = - - - α γ α 其中 N K ( sin B N ,..., 2,1 K , N 2 )1 K 2( sin A N 2 sinh , 37 . 17 rp coth ln 1 cosh N 1 cosh 2 2 K K 1 π + γ = = π - = β = γ ? ? ? ? ? ? = β ? ? ? ? ? ? ? ? ? ? ? ? ε = α-
微带低通滤波器的设计 朱晶晶 摘要：本文通过对国内外文献的查看和整理，对课题的研究意义及滤波器目前的发展现状做了阐述，然后介绍了微带线的基本理论,以及滤波器的基本结构，归纳了微带滤波器的作用和特点。之后对一个七阶微带低通滤波器进行了详细的研究，最后利用三维电磁场仿真软件ANSYS HFSS 进行仿真验证，经过反复调试，结果显示满足预期的性能指标。 关键字：微带线；低通滤波器；HFSS Abstract:View and finishing this article through to the domestic and foreign literature, the research significance and the filter to the current development status of, and then introduces the basic theory of microstrip line, and the basic structure of the filter, summarizes the function and characteristics of microstrip filter.After a seven step microstrip low-pass filter has carried on the detailed research, the use of 3 d electromagnetic field simulation software ANSYS HFSS simulation verification, after repeated testing, the results show that meet the expected performance index. Key word: microstrip line; low-pass filter; HFSS 1.引言 随着无线通信技术的快速发展，微波滤波器已经被广泛应用于各种通信系统，如卫星通信、微波中继通信、军事电子对抗、毫米波通信、以及微波导航等多种领域，并对微波滤波器的要求也越来越高。滤波器是一种重要的微波通信器件，它具有划分信道、筛选信号的功能，是一种二端口网络。整个通信系统的性能指标直接受它的性能优劣的影响[1]。主要技术指标要求有高阻带抑制、低通带插损、高功率、宽频带和带内平坦群时延等。同时，体积、成本、设计时间也是用户较为关心的话题。滤波器已经成为许多设计问题的关键，微带滤波器的设计技术是无线通信系统中的关键技术。传统方法设计出来的滤波器结构尺寸都比较大，在性能指标上也存在一定程度上的局限性，往往不能够满足现代无线通信系统的要求。目前，微带低通滤波器具有高性能、尺寸较小、易于集成、易于加工等优点因而得到了广泛的应用。 本论文以切比雪夫低通滤波器的研究作为实例，设计出一款七阶的微带低通滤波器，要求符合现代个人移动通信系统多需求的射频产品，覆盖一定的通信频率范围，使之掌握工程开发的相关步骤以及当前技术发展与需求。 2. 微带线的基本理论与参数 ε和导线厚度t、基板的介质损耗角正切函数，接地板和导线所用的金属 (1) 基板参数[2]：基板高度h、基板相对介电常数 r 通常为铜、银、铝。 (2) 电特性参数：特性阻抗、工作频率和波长、波导波长和电长度。 (3) 微带线参数：宽度W、长度L 和微带线单位长度衰减的量AdB。微带线的基本结构如1所示。 （a）结构示意图（b）横截面示意图 图1 微带线结构图 微带滤波器的参数： (1) 带宽 带宽指信号所占据的频带宽度，在被用来描述信道时，带宽是指能够有最大频带宽度。带宽在信息论、无线电、通信、信号处理和波谱学等领域都是一个核心概念。 (2) 带外衰减 由于要抑制无用信号，因此越大的带外衰减特性就越好，此项指标一般取通带外与截止频率为一定比值的某点频率的衰减值[3]。 (3) 通带插损 由于网络端口和元件自身损耗的不良匹配会造成一些能量损耗，造成在通带内引入的噪声过高以至于有用信号通过系统后产生信号失真，为了解决通信系统的这方面问题，就用插损IL 来表示滤波器的损耗特性。 (4) 带内驻波 滤波器的输入端口和输出端口与外加阻抗匹配的程度由带内驻波表示。驻波越小则说明匹配越好，反过来，则不然。 3. 运用HFSS 软件进行设计模拟仿真 3.1 微带低通滤波器的设计参数 滤波器工作频段：f1 =10MHz—f2=2500MHz =0.1dB 滤波器通带衰减：L Ar 滤波器带外抑制：在3500～5000MHz 的频率之间有35dB 的衰减 滤波器输入、输出端微带线特性阻抗：Z0=50 ε=3.66mm，h=0.508mm，t=0.004 所选介质基板指标为： r 可以计算得到7 阶切比雪夫低通滤波电路各微带传输线的结构参数[4-5]得到各尺寸如表1所示：
椭圆低通滤波器
线性平滑滤波器 1.3 指数型低通滤波器(ELPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01); I4=imnoise(I3,'salt & pepper',0.01); figure,subplot(1,3,1); imshow(I2) %显示灰度图像 title('原始图像'); %为图像添加标题 subplot(1,3,2); imshow(I4) %加入混合躁声后显示图像
title('加噪后的图像'); s=fftshift(fft2(I4));%将灰度图像的二维不连续Fourier 变换的零频率成分 移到频谱的中心 [M,N]=size(s); %分别返回s的行数到M中，列数到N中n1=floor(M/2); %对M/2进行取整 n2=floor(N/2); %对N/2进行取整 d0=40; for i=1:M for j=1:N d=sqrt((i-n1)^2+(j-n2)^2); %点（i,j）到傅立叶变换中心的距离 h=exp(log(1/sqrt(2))*(d/d0)^2); s(i,j)=h*s(i,j); %ILPF滤波后的频域表示 end end s=ifftshift(s); %对s进行反FFT移动 s=im2uint8(real(ifft2(s))); %对s进行二维反离散的Fourier变换后，取 复数的实部转化为无符号8位整数 subplot(1,3,3); %创建图形图像对象 imshow(s); %显示ILPF滤波后的图像 title('ELPF滤波后的图像（d=40）'); 运行结果： 1.4 梯形低通滤波器(TLPF) I1=imread('eight.tif'); %读取图像 I2=im2double(I1); I3=imnoise(I2,'gaussian',0.01);
综合课程设计实验报告 课程名称：微波方向综合课程设计 实验名称：微带短截线低通滤波器的设计、仿真与测试院（系）：信息科学与工程学院 专业班级： 姓名： 学号： 指导教师： 2011年12月22日
一、实验目的和要求 1、目的： 通过这次课程设计，进一步理解微波工程的相关内容，熟练运用Microwave Office和Protel等软件，通过这学期学习、练习的积累，选择一个微波器件，依据MWO的仿真结果，使用protel99se将其绘制成电路版图（PCB）。最后在老师的帮助下制成实物并与仿真结果对比分析，在实践中加强自己对微波工程的体会与理解。 2、要求： 从以下题目中选择一个微波器件,依据MWO的仿真结果,使用protel99se 将其绘制成电路版图(PCB)。（器件的工作频率和学号相关） 1)3dB微带功率分配器; 2)微带短截线滤波器 3)3dB微带定向耦合器 PCB板采用介电常数为4.5，厚度为1mm的FR4基片； 电路尺寸必须按照自己相应的MWO设计结果绘制； 电路外轮廓为矩形,尺寸必须为:50mm*40mm或40mm*20mm； 每个电路端口必须在电路板的侧面，并使用至少5mm长度的50ohm微带线连接。 二、实验内容和原理 1、内容： 在介电常数为4.5，厚度为1mm的FR4基片上（T取0.036mm，Loss tangent取0.02），设计一个3阶、最大平坦型微带短截线低通滤波器，其截止频率为f（2.2GHz），阻抗是50欧姆。 2、原理：
（1）Richards 变换： 集总元件构成的滤波器通常工作频率较低，在微波频段，我们常常采用微带结构实现较好的滤波性能。在设计得到滤波器原型之后，为了实现电路设计从集总参数到分布参数的变换，Richards 提出了一种变换方法，这种变换可以将集总元件变换成传输线段。如图1所示，电感L 可等效为长为λ/8，特性阻抗为L 的短路线；电容C 可等效为长为λ/8，特性阻抗为1/C 的开路线。 图1 （2）Kuroda 规则： 采用Richards 变换后，串联元件将变换为串联微带短截线，并联元件将变换为并联短截线。由于串联微带短截线是不可实现的，所以需要将其转变为其它可实现的形式。为了方便各种传输线结构之间的相互变换，Kuroda 提出了四个规则，如图2所示。其中，2211/n Z Z =+；U.E.是单位元件，即电长度为λ/8、特性阻抗为UE Z 的传输线。选用合适的Kuroda 规则，可以将串联短截线变换为容易实现的并联短截线。
基于FPGA的GMSK调制之高斯滤波器设计 先生成一个50kbps码率的源（带宽为25KHz），码元1编码成7FFFH（+1）发送，码元0编码成80000H（-1）发送。利用SystemView制作一个采样频率为500KHz 的低通高斯滤波器，把生成的21阶滤波器系数做成.coe文件（如IIR filter 的datasheet要求）加载到IP Core中生成所需低通滤波器。 最后将码元通过高斯滤波器进行滤波。 SystemView生成的高斯滤波器时域波形图： SystemView生成的高斯滤波器频域波形图：
功能仿真波形如下。连续发送的码元为1011101001010101，最后通过高斯滤波后得到的平滑的波形如下，与原始码元型号一一对应。
布局布线后仿真的波形如下。可以看到有明显的毛刺。 Verilog程序： module gmsktop(CLK,clk_50,RST,RDY,dout); input CLK;//主时钟信号，500KHz input clk_50;//50KHz时钟信号 input RST; //input ND; output RDY; output[33:0] dout; wire ND,RFD; wire[15:0] source; sent_source sent_source(clk_50,RST,ND,RFD,source); gsfir gsfir(ND,RDY,CLK,RST,RFD,source,dout); endmodule module sent_source(clk_50,RST,ND,RFD,source); input clk_50;//50KHz时钟信号 input RST;//复位信号，高电平有效 input RFD;
基于LabVIEW的低通滤波器设计 学号： 201220120214 姓名：敖智男 班级： 1221202 专业：测控技术与仪器 课程教师：方江雄 2015年6月14 日
目录 一．设计思路 (2) 二．设计目的 (2) 三．程序框图主要功能模块介绍 1.测试信号生成模块 (3) 2.滤波功能模块.................................................................. .3 3.频谱分析模块 (4) 4.While循环模块 (5) 四．进行频谱分析.................................................................6、7五．主要设计步骤..................................................................8、9六．运行结果.. (10) 七．设计心得 (11)
低通滤波器是指对采样的信号进行浦波处理，允许低于截至频率的信号通过，高于截止频率的信号不能通过，提高有用信号的比重，进而消除或减少信号的噪声干扰。 一．设计思路 本VI设计的低通滤波器主要是先将正弦信号和均匀白噪声信号叠加，利用Butterworth低通滤波器进行滤波处理，得到有用的正弦信号:再对经过低通滤波器处理后的信号及信号频谱与滤波前的进行比较分析，检测滤波后的信号是否满足用户的要求。 二．设计目的 基于LabVIEW虚拟平台，将“正弦波形”函数和“均匀白噪声”函数产生的信号进行叠加以产生原始信号，让其先通过一个高通滤波器，滤除白噪声的带外杂波，以便在后续程序中低通滤波器可以输出正弦波；然后经过低通滤波器滤波处理，对滤波前后的信号和信号频谱进行比较，从而对低通滤波器的滤波效果进行检验。