信号降噪技术：从传统滤波到小波分析的实战指南

1. 信号降噪技术概述

在数字信号处理领域，降噪技术就像给声音或图像"洗澡"的过程，目的是去除那些我们不想要的干扰成分。想象一下老照片修复师如何小心翼翼地去除照片上的霉斑和划痕，信号降噪工程师也在做着类似的工作，只不过处理对象变成了各种传感器采集的电压波形、声音信号或者医学图像。

信号中的噪声主要分为两大类：加性噪声（像背景里始终存在的嘶嘶声）和乘性噪声（类似信号强弱变化时产生的失真）。我们常见的白噪声、粉红噪声都属于加性噪声，它们像是信号上叠加的一层"静电干扰"。而降噪技术的核心任务，就是要在保留有用信号特征的前提下，尽可能干净地剥离这些噪声层。

2. 三种主流降噪方法对比

2.1 传统滤波降噪法

滤波降噪就像是用筛子过滤杂质，根据信号和噪声在频率分布上的差异来工作。低通滤波器是最常用的工具，它假设有用信号主要分布在低频段，而噪声则像调皮的高频"跳蚤"。

巴特沃斯滤波器的典型实现：

python复制from scipy import signal
import numpy as np

def butter_lowpass(cutoff, fs, order=5):
    nyq = 0.5 * fs  # 奈奎斯特频率
    normal_cutoff = cutoff / nyq
    b, a = signal.butter(order, normal_cutoff, btype='low', analog=False)
    return b, a

# 使用示例（采样率1000Hz，截止频率50Hz）
b, a = butter_lowpass(50, 1000)
filtered_signal = signal.filtfilt(b, a, noisy_signal)

注意：filtfilt函数实现了零相位滤波，避免了常规滤波导致的信号时移问题。这在需要精确时间定位的应用（如心电检测）中尤为重要。

传统滤波的局限性在于，当信号和噪声的频带重叠时，就像咖啡里混入了同样颜色的酱油，简单的"过滤筛"就无能为力了。这时候就需要更智能的降噪手段。

2.2 小波降噪技术

小波分析就像是给信号做"显微镜检查"，可以同时观察时域和频域特征。其核心思想是通过小波变换将信号分解到不同尺度（可以理解为不同放大倍数）上，然后在每个尺度上智能地区分信号和噪声。

小波降噪四步法：

1. 分解：选择合适的小波基（如db4、sym8）进行多级分解
2. 阈值处理：对细节系数进行软/硬阈值处理
3. 重构：用处理后的系数重建信号
4. 评估：通过信噪比(SNR)等指标验证效果

python复制import pywt

def wavelet_denoise(signal, wavelet='db4', level=4):
    # 分解
    coeffs = pywt.wave