1、流程
大体流程如下，无论图像、声音、ADC数据都是如下流程：
（1）将原信号进行FFT;
（2）将进行FFT得到的数据去掉需要滤波的频率；
（3）进行FFT逆变换得到信号数据；
2、算法仿真
2.1 生成数据：
#采样点选择1400个，因为设置的信号频率分量最高为600Hz，根据采样定理知采样频率要大于信号频率2倍，所以这里设置采样频率为1400Hz（即一秒内有1400个采样点） x=np.linspace(0,1,1400) #设置需要采样的信号，频率分量有180，390和600 y=2*np.sin(2*np.pi*180*x) + 3*np.sin(2*np.pi*390*x)+4*np.sin(2*np.pi*600*x)
2.2 对生成的数据进行FFT变换
yy=fft(y) #快速傅里叶变换 yf=abs(fft(y)) # 取模 yf1=abs(fft(y))/((len(x)/2)) #归一化处理 yf2 = yf1[range(int(len(x)/2))] #由于对称性，只取一半区间
2.3显示转换结果：
显示原始FFT模值：
#混合波的FFT（双边频率范围）
plt.figure(2)
plt.plot(xf,yf,'r') #显示原始信号的FFT模值
plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表
显示原始FFT归一化后的模值：
#混合波的FFT（归一化）
plt.figure(3)
plt.plot(xf1,yf1,'g')
plt.title('FFT of Mixed wave(normalization)',fontsize=9,color='r')
由于对称，只取一半区间进行显示
plt.figure(4)
plt.plot(xf2,yf2,'b')
plt.title('FFT of Mixed wave)',fontsize=10,color='#F08080')
3、利用FFT进行滤波
例如将频率为600HZ的噪声滤掉，这里直接将该频段的数据置零：
yy=fft(y) #快速傅里叶变换
yreal = yy.real # 获取实数部分
yimag = yy.imag # 获取虚数部分
test_y =yy
for i in range(len(yy)):
if i <=900 and i>=500:
test_y[i]=0
对置零后的数据进行逆变换：
test = np.fft.ifft(test_y) #对变换后的结果应用ifft函数，应该可以近似地还原初始信号。
对还原的数据进行FFT变换的结果：
滤波后的数据和原数据相对比:
蓝色的为原数据，橙色的为滤波后的数据
假设将400Hz和600Hz的信号都滤掉得到的信号图像如下：
4、对随机噪声进行滤波
源码：
noise_size = 1400
noise_array = np.random.normal(0, 2, noise_size)
adc_value=[]
for i in range(noise_size):
adc_value.append(0)
y= np.array(adc_value) + noise_array
yy=fft(y) #快速傅里叶变换
yf=abs(fft(y)) # 取模
yf1=abs(fft(y))/((len(y)/2)) #归一化处理
yf2 = yf1[range(int(len(y)/2))] #由于对称性，只取一半区间
#混合波的FFT（双边频率范围）
xf = np.arange(len(y))
plt.figure(1)
plt.plot(xf,yf,'r') #显示原始信号的FFT模值
plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表
yy=fft(y) #快速傅里叶变换
yreal = yy.real # 获取实数部分
yimag = yy.imag # 获取虚数部分
test_y =yy
for i in range(len(yy)):
if i <=1200 and i>=200:
test_y[i]=0
test = np.fft.ifft(test_y) #对变换后的结果应用ifft函数，应该可以近似地还原初始信号。
y=test
yy=fft(y) #快速傅里叶变换
yf=abs(fft(y)) # 取模
yf1=abs(fft(y))/((len(y)/2)) #归一化处理
yf2 = yf1[range(int(len(y)/2))] #由于对称性，只取一半区间
#混合波的FFT（双边频率范围）
xf = np.arange(len(y))
plt.figure(2)
plt.plot(xf,yf,'r') #显示原始信号的FFT模值
plt.title('FFT of Mixed wave(two sides frequency range)',fontsize=7,color='#7A378B') #注意这里的颜色可以查询颜色代码表
运行结果：
原数据频谱图：
滤波后的频谱图：
滤波后（蓝色线）与原数据（红色线）对比：
以上这篇Python利用FFT进行简单滤波的实现就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
《魔兽世界》大逃杀！60人新游玩模式《强袭风暴》3月21日上线
暴雪近日发布了《魔兽世界》10.2.6 更新内容，新游玩模式《强袭风暴》即将于3月21 日在亚服上线，届时玩家将前往阿拉希高地展开一场 60 人大逃杀对战。
艾泽拉斯的冒险者已经征服了艾泽拉斯的大地及遥远的彼岸。他们在对抗世界上最致命的敌人时展现出过人的手腕，并且成功阻止终结宇宙等级的威胁。当他们在为即将于《魔兽世界》资料片《地心之战》中来袭的萨拉塔斯势力做战斗准备时，他们还需要在熟悉的阿拉希高地面对一个全新的敌人──那就是彼此。在《巨龙崛起》10.2.6 更新的《强袭风暴》中，玩家将会进入一个全新的海盗主题大逃杀式限时活动，其中包含极高的风险和史诗级的奖励。
《强袭风暴》不是普通的战场，作为一个独立于主游戏之外的活动，玩家可以用大逃杀的风格来体验《魔兽世界》，不分职业、不分装备（除了你在赛局中捡到的），光是技巧和战略的强弱之分就能决定出谁才是能坚持到最后的赢家。本次活动将会开放单人和双人模式，玩家在加入海盗主题的预赛大厅区域前，可以从强袭风暴角色画面新增好友。游玩游戏将可以累计名望轨迹，《巨龙崛起》和《魔兽世界：巫妖王之怒 经典版》的玩家都可以获得奖励。