說到濾波，我們最容易想到的是頻率選擇的濾波，比如低通濾波，高通濾波。然後就是fir與iir濾波器。維納濾波器則從另外乙個角度來深化了濾波的概念。引用維基百科關於維納濾波的一段表述如下：
「僅僅在頻域進行濾波的濾波器，仍然會有雜訊通過濾波器。維納設計方法需要額外的關於原始訊號所包含頻譜以及雜訊的資訊，維納濾波器具有以下一些特點：
1、假設：訊號以及附加雜訊都是已知頻譜特性或者自相關和互相關的隨機過程
2、效能標準：最小均方差
3、能夠用標量的方法找到最優濾波器
維納濾波器的設計目的是就是濾除按照統計方式干擾訊號的雜訊。」
由上面的這段表述可以看出，維納濾波和我們熟悉的頻率選擇濾波器有乙個非常明顯的不同，即是維納濾波器必須要考慮的訊號的頻譜或功率譜。而在通常的頻率選擇濾波器來說，雖然也要考慮訊號的一些特性，但總的說來似乎與輸入訊號關係不大，主要考慮的是輸出訊號感興趣的頻率。
關於維納濾波的推導，維基百科上有，很多的教科書上也有，數學公式一大堆，需要一步一步推導。數學推導有乙個很大的特點，當你按照步驟一步一步往下走的時候，感覺都沒問題，但往往是越到後面就越迷糊，雖然也會得到正確的結果，但對這個結果卻往往沒什麼感覺，因為等到有結果的時候，人也差不多暈菜了。而實際上，數學的推導不是目的，最重要的是對結果的認識和解讀。
在對維納濾波器的理解中，去相關可能是乙個非常直觀的角度。假定輸入的是乙個被白雜訊汙染的訊號x(n)=s(n)+v(n)，其中s(n)代表訊號，v(n)代表雜訊。期望訊號是d(n)。y(n)表示x(n)通過維納濾波器之後的輸出。按照維納濾波器誤差能量最小的準則，即e[(y-d)2]最小。也就是說y(n)與d(n)相關性最強的情況下，誤差能量最小。這時候即把誤差能量準則轉化為兩個訊號的相關性的問題了。我們知道，一般來說雜訊與訊號是不相關的的，雜訊通過乙個線性系統h(n)之後和訊號也是不相關的。因此，為了使得y(n)與d(n)相關性最強，只能希望s(n)通過h(n)這個線性系統的輸出與d(n)完全相關。這時候我們就很好理解，如果s(n)有和d(n)不相關的部分，那麼這部分即便是通過乙個線性系統之後，也仍然和d(n)不相關，這部分訊號必定會反應在誤差訊號中。這也就是說，s(n)中只有和d(n)相關的部分才能對消掉。正是從這個意義上說，維納濾波實際上就是乙個去相關的過程。這在直觀上很好理解，對於輸入訊號x(n)和期望輸出d(n)，能對消的只有x(n)中與d(n)相關的部分，誤差就是不相關的那部分。這也就是「不是一家人，不進一家門」吧。不相關的，無論是怎麼變換，還是「形同陌路」。
在實際系統中，隨機雜訊的頻譜也是覆蓋整個訊號範圍的（例如白雜訊）
因此所謂的頻率選擇濾波器此時自然無能為力了
其實維納濾波也很好理解，即統計上最優的濾波器
最優是指濾波後的訊號與原始訊號的均方誤差最小
統計是指對任何輸入訊號和任何加性雜訊而言，即樣本空間很大
而對於乙個確定的輸入訊號，維納濾波絕對不是最優的
逆濾波與維納濾波（二）
在數學應用上，對於運動引起的影象模糊，最簡單的方法是直接做逆濾波，但是逆濾波對加性雜訊特別敏感，使得恢復的影象幾乎不可用。最小均方差 維納 濾波用來去除含有雜訊的模糊影象，其目標是找到未汙染影象的乙個估計，使它們之間的均方差最小，可以去除雜訊，同時清晰化模糊影象。給定乙個系統 我們的目標是找出這樣的...
維納濾波的詳細講解（同為小白，相互取暖）
本文主要目的是回顧和鞏固維納濾波的基礎和應用。一維音訊訊號，帶高斯隨機雜訊。期望訊號 純淨訊號序列 x n 雜訊訊號序列 v n 帶噪訊號序列 y n 序列長度 l 維納濾波器階數 m 訊號是平穩的 也就是說在過去的一段時間和現在的一段時間內，純淨訊號和雜訊的均值 方差等資訊是不變的，這是利用過去資...
python opencv濾波去噪
利用均值濾波去除雜訊，python版opencv的安裝不再贅述 左邊是原圖，右邊是濾波之後的結果 附 import cv2 生成8000個噪點 a random.randint 0 499 b random.randint 0 499 img01 a,b 255 cv2.imshow origina...