Python中如何对Wiener去卷积的计算结果进行平滑处理？

频域处理方案 #

• 频域加窗截断：Wiener去卷积产生的旁瓣大多来自高频噪声的过度放大，可在去卷积后的频域结果上叠加汉明窗/汉宁窗截断高频分量，窗宽设置为原始信号最高有效频率的1.1~1.2倍，既能保留有效信号特征，又能直接切除旁瓣对应的高频噪声分量。
• 改进Wiener正则项：不用仅调整SNR参数，可在Wiener滤波的频域计算公式中额外增加L2正则约束，修改后的公式为G(f) = H*(f) / (|H(f)|² + α + 1/SNR)，其中α为自定义正则系数，调整α对高频放大的抑制效果更平滑，不会出现硬截断带来的额外振铃问题。

空域处理方案 #

• 加权滑动滤波：直接对去卷积后的时域信号做滑动平滑处理，可选高斯加权滑动滤波，窗口大小设置为所用卷积核宽度的1/2~1/3即可，相比普通移动平均滤波，对阶跃类信号的边缘保留效果更好，不会过度抹平跳变沿特征。
• 中值滤波：如果旁瓣表现为尖锐的脉冲型噪声，可采用3~5点的中值滤波处理，相比均值滤波对信号跳变沿的破坏更小，适配阶跃、脉冲类信号的平滑需求。

去卷积流程优化方案 #

• 带总变分正则的去卷积：替换基础Wiener去卷积，改用Richardson-Lucy去卷积+总变分（TV）正则的组合方案，总变分正则天然适配分段平滑类信号，在去卷积过程中就可以抑制旁瓣生成，同时不会过度模糊信号边缘，迭代次数控制在10~50次即可得到明显优于普通Wiener去卷积的效果。
• 约束最小二乘（CLS）去卷积：相比Wiener去卷积，该方法额外增加了对输出信号平滑度的约束，去卷积过程中就会限制高频分量的过度放大，无需后续额外加平滑步骤，旁瓣抑制效果优于仅调参的Wiener去卷积。

内容的提问来源于stack exchange，提问作者oskrjsosa