Інші згадували, як ви розгладжуєте, я хотів би зазначити, чому розгладження працює.
Якщо ви належним чином перепробовуєте свій сигнал, він буде відрізнятися порівняно мало від однієї вибірки до другої (sample = часові точки, пікселі тощо), і, як очікується, він матиме загальний плавний вигляд. Іншими словами, ваш сигнал містить кілька високих частот, тобто компоненти сигналу, які змінюються зі швидкістю, аналогічною вашій частоті дискретизації.
Однак вимірювання часто пошкоджуються шумом. У першому наближенні ми зазвичай вважаємо, що шум слід за розподілом Гаусса із середнім нулем та певним стандартним відхиленням, яке просто додається вгорі сигналу.
Щоб зменшити рівень шуму в нашому сигналі, ми зазвичай робимо наступні чотири припущення: шум випадковий, не співвідноситься між зразками, має середнє значення нуля, а сигнал достатньо перепробований. За допомогою цих припущень ми можемо використовувати фільтр середнього ковзання.
Розглянемо, наприклад, три послідовних зразки. Оскільки сигнал сильно зразковий, вважається, що базовий сигнал може змінюватися лінійно, що означає, що середнє значення сигналу в трьох вибірках буде дорівнює справжньому сигналу на середній вибірці. На відміну від цього, шум має середній нуль і є некорельованим, а це означає, що його середнє значення має тенденцію до нуля. Таким чином, ми можемо застосувати три зразковий ковзний середній фільтр, де ми заміняємо кожен зразок середнім між собою та двома суміжними сусідами.
Звичайно, чим більше ми робимо вікно, тим більше середнього шуму буде до нуля, але тим менше наше припущення про лінійність справжнього сигналу. Таким чином, ми повинні зробити компроміс. Один із способів спробувати досягти найкращого з обох світів - використовувати середньозважену величину, де ми надаємо далі проби меншої ваги, щоб ми оцінювали шумові ефекти з більших діапазонів, при цьому не надто зважуючи справжній сигнал там, де він відхиляється від нашої лінійності припущення.
Спосіб набору ваг залежить від шуму, сигналу та обчислювальної ефективності, і, звичайно, компромісу між позбавленням від шуму і врізанням в сигнал.
Зауважте, що за останні кілька років було зроблено багато роботи, яка дозволила нам послабити деякі з чотирьох припущень, наприклад, розробивши схеми згладжування зі змінними вікнами фільтру (анізотропна дифузія) або схеми, які насправді не використовують вікна взагалі (нелокальні засоби).