4.2 信号处理与滤波

4.2 信号处理与滤波

本节摘要：滤波是按频率改造信号的操作。scipy.signal 提供从滤波器设计到应用的完整链路：butter、cheby1、ellip 三种经典 IIR 滤波器各有取舍，lfilter 做因果滤波、filtfilt 做零相位滤波，sos 形式保证高阶滤波器的数值稳定。本节从一段最小去噪代码出发，讲清选型、应用与验证三个环节，再用移动平均与 IIR 滤波的正面对比，说明频域思维的价值。

先说结论

阅读完本节，你应当能够：

1. 用 butter 设计低通滤波器，并正确归一化截止频率；
2. 对比 butter、cheby1、ellip 的通带纹波与阻带衰减，能按需求选型；
3. 解释 lfilter 的相位延迟与 filtfilt 零相位的机制，说清各自的适用场景；
4. 理解 sos 形式为何比 b、a 形式数值更稳定，并写出稳定的高阶滤波器；
5. 在 convolve 与 fftconvolve 之间做出性能取舍；
6. 用频域视角解释移动平均为什么不是理想的去噪工具。

一、问题与直觉

场景是心电或振动测量。信号里既有我们关心的 5 赫兹成分，又有 50 赫兹工频干扰，还叠加着随机噪声。目标很明确：把 50 赫兹和随机噪声去掉，尽量完整地保留 5 赫兹波形。先上最小例子：

import numpy as np
from scipy import signal

fs = 1000
t = np.arange(0, 2, 1/fs)
x = np.sin(2*np.pi*5*t) + 0.4*np.sin(2*np.pi*50*t) + 0.1*np.random.default_rng(0).normal(size=len(t))

b, a = signal.butter(4, 30/(fs/2), btype='low')
y = signal.lfilter(b, a, x)
​

核心只有三行。signal.butter 设计一个 4 阶巴特沃斯低通滤波器，第二个参数 30/(fs/2) 是归一化截止频率——30 赫兹是通带边缘，除以奈奎斯特频率得到 0 到 1 之间的值；signal.lfilter 把信号过一遍滤波器。跑完你会发现 50 赫兹那条波浪线明显变平，高频成分被按住了。这就是滤波器的全部工作：让一部分频率通过，把另一部分按比例衰减。

二、核心原理

2.1 滤波器的频域视角

时域里滤波看起来像"磨平毛刺"，但真正理解它必须站在频域：滤波器是一个频率选择性开关，对每个频率乘一个增益系数。设计滤波器的本质，就是设计这条增益曲线——通带增益接近 1，阻带增益接近 0，过渡带越窄越好，但越窄付出的代价越大。有了这个视角，前面 4.1 的频谱分析就变成了滤波的前置步骤：先看清噪声在哪，再决定把哪段频率按下去。

设计完成的滤波器，别急着应用，先用 freqz 看一眼频率响应：横轴是频率、纵轴是增益，通带应该接近 1，截止点（增益掉到 0.707，即负 3 分贝处）应该落在你设定的位置。这一步十分钟，能拦住一半以上的设计错误——参数传错、归一化算错，在频率响应曲线上都藏不住。

2.2 三种经典 IIR 滤波器

butter：通带内最平坦，没有纹波，相位响应相对温和，是默认首选。cheby1：允许通带纹波，换来的是一阶更陡的过渡带——同样的阶数下衰减更快，代价是通带内振幅起伏，波形会带一点"涟漪"。ellip：通带和阻带都有纹波，换来的是同等性能下最低的阶数，计算最省，但相位畸变最明显，脉冲响应过冲最大。工程口诀：默认 butter；阶数受限、需要陡峭衰减时用 cheby1；对阶数极其敏感的场景才轮到 ellip。

上面三种都是 IIR 滤波器——输出会反馈回输入，用很少的系数就能做出陡峭的过渡带。另一大流派是 FIR，signal.firwin 直接按抽头系数设计，天生线性相位、没有稳定性问题，代价是同样的性能需要几十上百个系数，计算量大。工程判断：离线处理、对相位要求高选 FIR；阶数受限、追求计算量小选 IIR。本章主角是 IIR，但知道 FIR 的存在，选型时才不会漏掉选项。

2.3 lfilter 与 filtfilt：相位问题

lfilter 是因果滤波：每个输出点只依赖当前及过去的输入，所以能实时计算，信号边来边处理。代价是相位延迟——滤波器本质上对信号做了"时移"，波形整体往后拖，拖多少取决于滤波器的群延迟。filtfilt 把信号正着滤一遍、反着再滤一遍，两次的相位延迟方向相反、相互抵消，得到零相位结果，波形在时间轴上不偏移，峰值位置精确。这正适合离线分析：比如要测量波形峰值的精确时刻，或者保留波形的形态做特征提取。代价是不能实时——filtfilt 的输出依赖整段数据，末端的处理会"借用"未来的点；另外首尾会出现边缘效应，两端一小段数据会失真。群延迟不是玄学：4 阶 butter 低通在通带内的延迟大约是几个采样点，如果你把 lfilter 与 filtfilt 的输出画在一起，能直观看到前者整体后移、后者与原信号对齐。这个对比实验值得做一次，比背结论牢靠。

2.4 sos 形式与数值稳定性

高阶 IIR 用 b、a 直接型实现，浮点舍入误差会被极点放大，高阶系统的极点对系数扰动极其敏感，严重时滤波结果直接发散成噪声。sos（二阶节级联）把高阶系统拆成多个二阶系统的串联，每一级都只处理温和的低阶子问题，数值稳定性大幅提升。写法很轻：signal.butter(8, 0.1, output='sos')，应用时用 sosfilt 或 sosfiltfilt。结论明确：阶数达到 4 以上，一律用 sos 形式，别拿 b、a 去赌精度。当然，1 到 2 阶的滤波器用 b、a 没有任何问题，原型验证阶段怎么方便怎么来；进入正式分析，再统一换成 sos。规则不是教条，是风险控制。

2.5 卷积与 fftconvolve

卷积是滤波的另一种实现，FIR 滤波的本质就是卷积。signal.convolve 按定义直接算，复杂度是 N 乘 M；fftconvolve 把卷积搬到频域，用 FFT 完成，复杂度是 N 乘 logN。核越长，fftconvolve 的优势越大；核只有三五个点时，直接卷积反而更快，因为 FFT 有固定开销。选择标准一句话：核长度超过几十个点，就换 fftconvolve。顺带一提，fftconvolve 在图像处理里也常用，大卷积核的二维卷积能省出数量级的时间。

2.6 移动平均为什么不够用

移动平均是最朴素的去噪：取窗口内数据的平均值。它在频域对应一条形状固定的响应曲线——主瓣之外还有一圈圈旁瓣，衰减很慢，一部分高频噪声会从旁瓣"漏"过去；更麻烦的是它没有任何参数能调整频率选择性，窗口长度一动，通带和阻带一起变，做不到"只砍 50 赫兹、保留 49 赫兹"。对比之下，butter 低通可以精确控制截止频率和衰减速度。移动平均不是不能用——数据预览、快速平滑时它依然顺手——但它做不了按频率精确切割，严谨去噪时别把它当主力。举个数：窗口长度 50 个点、采样率 1000 赫兹的移动平均，频率响应的第一个零点在 1000 除以 50 等于 20 赫兹处——也就是说它对 20 赫兹附近的成分衰减最大，而对 40 赫兹以上的高频反而只衰减一部分。这个形状完全由窗口长度决定，你没法单独指定"砍掉 50 赫兹"。IIR 低通则把控制权交还给设计者，这正是本节要建立的核心差别。

三、工程实践要点

3.1 滤波的完整套路

滤波从来不是一行代码的事，标准流程四步：先看频谱，确定噪声的频率位置；再选型，按需求在 butter、cheby1、ellip 里挑；然后设计，注意把截止频率除以奈奎斯特频率做归一化，阶数高就用 sos；最后验证，用滤波前后的频谱对比确认效果，而不是盯着时域波形说"看起来干净了"。

3.2 三种应用方式对比

3.3 参数怎么定

截止频率根据频谱分析的结果定，别拍脑袋——4.1 的 rfft 就是为这一步服务的。阶数从 2 到 4 起步，够用就行：阶数越高过渡带越陡，但相位畸变和过冲越明显，滤波后的波形越"变形"。需要同时衰减多个频带时，优先考虑多个滤波器串联，或者直接设计带阻；单频干扰用 iirnotch，下一节实战里我们会用到它。

高通、带通、带阻的设计参数只是 btype 不同：'high'、'band'、'stop'，带通和带阻需要传两个频率组成的列表。选型判断一句话：噪声比信号频率高，用低通；比信号低，用高通；噪声夹在中间或干扰是单频，用带阻；只想要某个频带，用带通。判断依据永远是 4.1 的频谱图，不是猜。

3.4 常见疑问：滤波会把数据变短吗

不会。lfilter 与 filtfilt 都保持输入输出等长，改变的是内容不是形状。变短的是"有效数据"——filtfilt 的边缘效应让首尾失真，实际可用区间比原始短。另一个高频疑问是"为什么滤波后噪声还在"，多半是阶数或截止频率没压够，回去看频谱，而不是把信号再滤一遍：重复滤波只是把增益曲线再平方一次，该漏的噪声照样漏，反而多一倍的相位畸变和边缘失真。

⚠️ 常见坑：截止频率忘了除以奈奎斯特频率。butter 的第三个参数是归一化频率，范围 0 到 1，直接把 30 赫兹传进去，滤波器会按采样率 2 赫兹来设计，出来的曲线完全不是你要的，而且不会报任何错误。
💡 关键直觉：滤波前先花十秒钟看一眼频谱。噪声在哪个频段、信号在哪个频段，决定了你用低通、高通还是带阻，也决定了截止频率放哪。跳过这一步的滤波，本质是盲人摸象。

3.5 一张图看懂滤波前后的差别

下面这张示意图把 4.1 与本节串起来：滤波前，有用成分、工频干扰和随机噪声挤在频谱里；滤波后，干扰被按下去，有用成分原样保留。做实验时把这张图作为验收标准——频域里的变化，才是滤波真正干了什么。

图 4-2 滤波前后频谱对比示意

重点提炼

• 要点一：设计滤波器前先做频谱分析，噪声位置决定滤波器类型与截止频率。
• 要点二：默认首选 butter，通带纹波换陡峭选 cheby1，阶数敏感场景才用 ellip。
• 要点三：lfilter 因果可实时但有相位延迟，filtfilt 零相位适合离线分析。
• 要点四：高阶 IIR 一律用 sos 形式，避免 b、a 直接型的数值不稳定。
• 要点五：截止频率必须除以奈奎斯特频率做归一化，否则滤波器静默设计错误。
• 要点六：长核卷积用 fftconvolve，短核用直接卷积，阈值在几十个点。
• 要点七：移动平均做不了频率精确切割，适合预览，不适合严谨去噪。

一维信号会滤波了，下一步把同样的思维搬到二维：下一节我们处理图像——先学去噪，再学形态学与对象计数。