在统计学和图像处理中，通过建立近似函数尝试抓住数据中的主要模式，去除噪音、结构细节或瞬时现象，来平滑一个数据集。在平滑过程中，信号数据点被修改，由噪声产生的单独数据点被降低，低于毗邻数据点的点被提升，从而得到一个更平滑的信号。平滑可以两种重要形式用于数据分析：一、若平滑的假设是合理的，可以从数据中获得更多信息；二、提供灵活而且健壮的分析。有许多不同的算法可用于平滑。数据平滑通常通过最简单的密度估计或直方图完成。
在平滑值可写为观测值线性变换的情况下，平滑操作称为线性平滑。 表示先后的矩阵称为平滑矩阵或帽子矩阵。
更多NI视觉软件使用，可参考作者相关作品：
视觉助手软件：
《NI Vision Assistant2020-2024图像处理教程》
《NI Vision Assistant2024图像处理入门教程-视频教程》
VBAI软件：
《NI Vision Builder for Automated Inspection 2020&2023入门教程》
《NI Vision Builder for Automated Inspection2023图像处理视频教程》
LabVIEW Vision Development Module：
《LabVIEW Vision函数实例详解2020-2024》
最常用的一种算法是“移动平均”，通常被用于在重复的统计调查中捕获重要趋势。在图像处理和计算机视觉中，平滑被用于尺度空间的表示。最简单的平滑算法是“直角平滑”或“无加权滑动平均平滑”。 此方法用m个邻接点的平均值替换信号中的每个点，m是称为“平滑宽度”的正整数，通常是奇数。三角平滑类似直角平滑，但实现了加权平滑函数。
部分平滑和过滤类型有：
· Additive smoothing
· 巴特沃斯滤波器
· 数字滤波器
· 卡尔曼滤波
· Kernel smoother
· Laplacian smoothing
· Stretched grid method
· 低通滤波器
· Recursive filter
· Savitzky–Golay smoothing filter 基于最小二乘法拟合多项式数据
· Local regression
· Smoothing spline
· 道格拉斯-普克算法
· 移动平均
· Exponential smoothing 用于在时间序列数据中减少违规行为（随机波动），从而为序列中的潜在行为提供更清晰的视图。其还提供了预测时间序列未来值的有效方法。
· Kolmogorov–Zurbenko_filter
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/170824.html