python中的filter函數(shù)怎么用

python filter內(nèi)建函數(shù)

站在用戶的角度思考問題，與客戶深入溝通，找到鎮(zhèn)坪網(wǎng)站設(shè)計與鎮(zhèn)坪網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗，讓設(shè)計與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：成都網(wǎng)站設(shè)計、成都做網(wǎng)站、外貿(mào)網(wǎng)站建設(shè)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣、域名注冊、虛擬主機、企業(yè)郵箱。業(yè)務(wù)覆蓋鎮(zhèn)坪地區(qū)。

filter函數(shù)是python內(nèi)建函數(shù)，可以操作任何可迭代類型，如list,tuple,string.

filter需要帶上一個函數(shù)function和一個可迭代序列作為參數(shù)。filter()將調(diào)用該function作用于每一個可迭代序列的元素，并返回一個由該function驗證后返回值為true的元素組成新的可迭代序列，新序列的類型保持與filter參數(shù)序列的類型一致

2.filter與數(shù)字

下面用這個例子來說明：

#建個數(shù)字列表

numbers?=?[1,5,9,8,4,6,3,7]

#定義一個過濾標準，取小于5的數(shù)

def?lessThanFive(element):

return?element??5

print?filter(lessThanFive,?numbers)

輸出結(jié)果是列表：[1,4,3]

解說：此處的過濾函數(shù)lessThanFive必需帶入一個參數(shù)（filter()會調(diào)用lessThanFive，參數(shù)是列表nembers中的每一個元素，一次一個）。filter()返回所有值都是小于5的列表

3.filter與字符串

下面用如下例子說明：

#定義元組類型

names?=?('Jack',?'Jill,?'Steve',?'')

#篩選出名字

new_names?=?filter(None,?names)

print?new_names

輸出結(jié)果是元組：

('Jack',?'Jill,?'Steve'）

在元組names最后一個名字是空字符串,而filter的第一個參數(shù)是None,這說明需要使用identity函數(shù)(該函數(shù)是簡單的返回該元素的）

因為python對空字符串，0和None作為False,所以上面的filter的語句就是移除空元素。

4.filter和函數(shù)

目的：找出以J開頭的名字

def?startsWithJ(element):

if?element:

return?element[0]?==?'J'

return?False

j_names?=?filter(startsWithJ,?names)

print?j_names

輸出結(jié)果是元組：（'Jack',?'Jill')

注意到了嗎，上面的2個結(jié)果都是tuple而不是list，再一次說明fliter的返回值類型與參數(shù)序列的類型保持一致

ssa數(shù)據(jù)降噪算法簡易實例

原始數(shù)據(jù)是[1 9 2 8 3 7]

嵌入：

比如選擇的窗口長度L為3，得到的矩陣就是：

[1 9 2]

[9 2 8]

[2 8 3]

[8 3 7]

SVD分解：

Python里自帶一個函數(shù)進行分解，就不用它參考文獻上寫的啥X乘X的轉(zhuǎn)置了，函數(shù)是這個：

u, s, v = np.linalg.svd(嵌入得到的矩陣)

得到的三個結(jié)果是這樣的

u是個形狀為(4, 4)的矩陣，為啥是4我不知道

[-0.34748861 -0.67722177? 0.41306458 -0.5? ? ? ]

[-0.62332023? 0.4373678? -0.41253036 -0.5? ? ? ]

[-0.38669102 -0.52074809 -0.57383924? 0.5? ? ? ]

[-0.58411781? 0.28089413? 0.57437346? 0.5? ? ? ]

s是，形狀為(3,)?

[18.29004176? 9.97102473? 0.23030046]

奇藝譜就是s里取最大值，這里為 18.29004175999194

v是，形狀是(3, 3)

[-0.62349202 -0.50409505 -0.59761683]

[ 0.44777196 -0.85683898? 0.25559193]

[ 0.64090402? 0.10823653 -0.7599519 ]

重構(gòu)：

重構(gòu)矩陣的計算方法是 newMatrix = value * u1 * v1

value就是奇藝譜，SVD分解里得到的s里的最大值，上面也提了一下，這里value是： 18.29004175999194

u1是在u的基礎(chǔ)上，取第一行，為

[-0.34748861 -0.62332023 -0.38669102 -0.58411781]

v1是在u的基礎(chǔ)上，取第一行，為

[-0.62349202 -0.50409505 -0.59761683]

計算時需要對u1進行轉(zhuǎn)置，轉(zhuǎn)置后的u1是：

[-0.34748861]

[-0.62332023]

[-0.38669102]

[-0.58411781]

重構(gòu)完的矩陣就是：

[3.96265415 3.203817? 3.79820225]

[7.10815385 5.74696232 6.81316231]

[4.40970654 3.56526011 4.22670177]

[6.66110146 5.38551921 6.3846628 ]

最后把重構(gòu)完的矩陣再轉(zhuǎn)變?yōu)橐痪S數(shù)組：

設(shè)這個一維數(shù)組叫ret[]，對于重構(gòu)完的矩陣，對每一條次對角線進行計算，并把結(jié)果添加到ret[]里

利用兩個動態(tài)的變量，這里分別叫sigma和alpha,sigma是每條次對角線的數(shù)據(jù)的和，alpha是次對角線長度

ret.append(sigma/alpha)

就相當于添加了每條次對角線的平均值。

過程大概是這樣的：

pos is( 0 , 0 ) sigma+

alpha is 1 now

ret[] append

pos is( 1 , 0 ) sigma+，

pos is( 0 , 1 ) sigma+

alpha is 2 now

ret[] append

pos is( 2 , 0 ) sigma+

pos is( 1 , 1 ) sigma+

pos is( 0 , 2 ) sigma+

alpha is 3 now

ret[] append

pos is( 3 , 0 ) sigma+

pos is( 2 , 1 ) sigma+

pos is( 1 , 2 ) sigma+

alpha is 3 now

ret[] append

pos is( 3 , 1 ) sigma+

pos is( 2 , 2 ) sigma+

alpha is 2 now

ret[] append

pos is( 3 , 2 ) sigma+

alpha is 1 now

ret[] append

處理后的數(shù)據(jù)ret[]為：

[3.9626541544632476 5.155985423726059 4.651623704998423 5.67984129396347 4.806110489242382 6.384662797164128]

就是最終結(jié)果

備注：

因為窗口長度L的選擇不宜超過數(shù)據(jù)長度的1/3，這里數(shù)據(jù)長度是6，L為了為了算著方便選的3，所以這個例子的效果不好，但是領(lǐng)會精神。

做為參考的話，處理數(shù)據(jù)的時候，數(shù)據(jù)長度是300+，L選的4。

源碼訪問：

參考文獻

Python 簡單的擴音，音頻去噪，靜音剪切

數(shù)字信號是通過對連續(xù)的模擬信號采樣得到的離散的函數(shù)。它可以簡單看作一個以時間為下標的數(shù)組。比如，x[n]，n為整數(shù)。比如下圖是一個正弦信號(n=0,1, ..., 9)：

對于任何的音頻文件，實際上都是用這種存儲方式，比如，下面是對應(yīng)英文單詞“skip”的一段信號(只不過由于點太多，筆者把點用直線連接了起來）：

衡量數(shù)字信號的 能量（強度） ，只要簡單的求振幅平方和即可：

我們知道，聲音可以看作是不同頻率的正弦信號疊加。那么給定一個聲音信號（如上圖），怎么能夠知道這個信號在不同頻率區(qū)段上的強度呢？答案是使用離散傅里葉變換。對信號x[n], n=0, ..., N-1，通常記它的離散傅里葉變換為X[n]，它是一個復(fù)值函數(shù)。

比如，對上述英文單詞“skip”對應(yīng)的信號做離散傅里葉變換，得到它在頻域中的圖像是：

可以看到能量主要集中在中低音部分（約16000Hz以下）。

在頻域上，也可以計算信號的強度，因為根據(jù)Plancherel定理，有：

對于一般的語音信號，長度都至少在1秒以上，有時候我們需要把其中比如25毫秒的一小部分單獨拿出來研究。將一個信號依次取小段的操作，就稱作分幀。技術(shù)上，音頻分幀是通過給信號加一系列的 窗 函數(shù) 實現(xiàn)的。

我們把一種特殊的函數(shù)w[n]，稱作窗函數(shù)，如果對所有的n，有0=w[n]=1，且只有有限個n使得w[n]0。比如去噪要用到的漢寧窗，三角窗。

漢寧窗

三角窗

我們將平移的窗函數(shù)與原始信號相乘，便得到信號的“一幀”：

w[n+d]*x[n]

比如用長22.6毫秒的漢寧窗加到“skip”信號大約中間部位上，得到一幀的信號：

可見除一有限區(qū)間之外，加窗后的信號其他部分都是0。

對一幀信號可以施加離散傅里葉變換（也叫短時離散傅里葉變換），來獲取信號在這一幀內(nèi)（通常是很短時間內(nèi)），有關(guān)頻率-能量的分布信息。

如果我們把信號按照上述方法分成一幀一幀，又將每一幀用離散傅里葉變換轉(zhuǎn)換到頻域中去，最后將各幀在頻域的圖像拼接起來，用橫坐標代表時間，縱坐標代表頻率，顏色代表能量強度（比如紅色代表高能，藍色代表低能），那么我們就構(gòu)造出所謂 頻譜圖 。比如上述“skip”發(fā)音對應(yīng)的信號的頻譜圖是：

（使用5.8毫秒的漢寧窗）

從若干幀信號中，我們又可以恢復(fù)出原始信號。只要我們適當選取窗口大小，以及窗口之間的平移距離L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得對k求和有：

從而簡單的疊加各幀信號便可以恢復(fù)出原始信號：

最后，注意窗函數(shù)也可以在頻域作用到信號上，從而可以起到取出信號的某一頻段的作用。

下面簡單介紹一下3種音效。

1. 擴音

要擴大信號的強度，只要簡單的增大信號的“振幅”。比如給定一個信號x[n]，用a1去乘，便得到聲音更大的增強信號：

同理，用系數(shù)0a1去乘，便得到聲音變小的減弱信號。

2. 去噪（降噪）

對于白噪音，我們可以簡單的用“移動平均濾波器”來去除，雖然這也會一定程度降低聲音的強度，但效果的確不錯。但是，對于成分較為復(fù)雜，特別是頻段能量分布不均勻的噪聲，則需要使用下面的 噪聲門 技術(shù)，它可以看作是一種“多帶通濾波器”。

這個特效的基本思路是：對一段噪聲樣本建模，然后降低待降噪信號中噪聲的分貝。

更加細節(jié)的說，是在信號的若干頻段f[1], ..., f[M]上，分別設(shè)置噪聲門g[1], ..., g[M]，每個門都有一個對應(yīng)的閾值，分別是t[1], ..., t[M]。這些閾值時根據(jù)噪聲樣本確定的。比如當通過門g[m]的信號強度超過閾值t[m]時，門就會關(guān)閉，反之，則會重新打開。最后通過的信號便會只保留下來比噪聲強度更大的聲音，通常也就是我們想要的聲音。

為了避免噪聲門的開合造成信號的劇烈變動，筆者使用了sigmoid函數(shù)做平滑處理，即噪聲門在開-關(guān)2個狀態(tài)之間是連續(xù)變化的，信號通過的比率也是在1.0-0.0之間均勻變化的。

實現(xiàn)中，我們用漢寧窗對信號進行分幀。然后對每一幀，又用三角窗將信號分成若干頻段。對噪聲樣本做這樣的處理后，可以求出信號每一頻段對應(yīng)的閾值。然后，又對原始信號做這樣的處理（分幀+分頻），根據(jù)每一幀每一頻段的信號強度和對應(yīng)閾值的差（diff = energy-threshold），來計算對應(yīng)噪聲門的開合程度，即通過信號的強度。最后，簡單的將各頻段，各幀的通過信號疊加起來，便得到了降噪信號。

比如原先的“skip”語音信號頻譜圖如下：

可以看到有較多雜音（在高頻，低頻段，藍色部分）。采集0.25秒之前的聲音作為噪聲樣本，對信號作降噪處理，得到降噪后信號的頻譜圖如下：

可以明顯的看到大部分噪音都被清除了，而語音部分仍完好無損，強度也沒有減弱，這是“移動平均濾波器”所做不到的。

3. 靜音剪切

在對音頻進行上述降噪處理后，我們還可以進一步把多余的靜音去除掉。

剪切的原理十分簡單。首先用漢寧窗對信號做分幀。如果該幀信號強度過小，則舍去該幀。最后將保留的幀疊加起來，便得到了剪切掉靜音部分的信號。

比如，對降噪處理后的“skip”語音信號做靜音剪切，得到的新信號的頻譜圖為：

用opencv去噪

使用opencv-python的內(nèi)置函數(shù)，對圖片進行降噪處理。

8Fourier變換的應(yīng)用——圖像去噪

給出的圖片是RGB圖片，也就是需要有三個通道。

下面的函數(shù)用來去噪。

img=np.uint8(cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21))

對這個圖片進行局部自適應(yīng)二值化處理：

img=hui(img)

th1 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,31,5)

另一種局部自適應(yīng)二值化處理：

th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,31,5)

在第一步連續(xù)執(zhí)行兩次去噪，得到的三幅圖片是：

執(zhí)行三次降噪。

連續(xù)10次降噪。

新聞標題：python數(shù)據(jù)去噪函數(shù) python圖像去噪
標題路徑：http://chinadenli.net/article27/hhpsjj.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供移動網(wǎng)站建設(shè)、商城網(wǎng)站、營銷型網(wǎng)站建設(shè)、域名注冊、網(wǎng)站排名、小程序開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)