R 矩阵的低通滤波

我试图在R中编写一个低通滤波器，以清除“脏”数据矩阵

我在谷歌上搜索了一下，找到了一系列令人眼花缭乱的软件包。有些适用于一维信号（例如，时间序列）；有些应用于图像。然而，我试图过滤一个普通的R数据矩阵。图像过滤器是最接近的等效物，但我有点不愿意这样做，因为它们通常涉及（I）安装或多或少复杂/繁重的解决方案（imageMagick…），和/或（ii）从矩阵到图像的转换

以下是示例数据：

r<-seq(0:360)/360*(2*pi)
x<-cos(r)
y<-sin(r)

z<-outer(x,y,"*")
noise<-0.3*matrix(runif(length(x)*length(y)),nrow=length(x))

zz<-z+noise

image(zz)

---

r一种选择可能是使用非线性预测方法，并从模型中获得拟合值

例如，通过使用多项式回归，我们可以将原始数据预测为紫色数据


通过遵循相同的逻辑，您可以对
zz
矩阵的所有列执行相同的操作

predictions <- matrix(, nrow = 361, ncol = 0)

for(i in 1:ncol(zz)) {

    pred <- as.matrix(fitted(lm(zz[,i]~poly(1:nrow(zz),2,raw=TRUE))))
    predictions <- cbind(predictions,pred)  

} 


请注意，我使用了2次多项式回归，您可以更改次数以更好地跨列拟合。或者，您可以使用其他一些强大的非线性预测方法（可能是SVM、ANN等）来获得更精确的模型。
可能相关吗？这实际上是我发现的东西之一（->编辑）。据我所知，package
signal
仅在1D中工作，还是我遗漏了什么？@jmoyen您始终可以
将
函数应用于R中的向量。请参见下面的答案，将多项式回归拟合到每个向量在技术上是正确的，但我不确定应用于每行/每列的一系列1D过滤器是否与2D过滤器相同。例如，如果按行过滤，则应用于所有行的1D过滤器不会过滤出异常高值的行。另一方面，由于它是一个高频特性（在另一个方向），它将被一个适当的低通过滤掉，在总“距离”上运行。是的，你是对的，同样的问题适用于下面的解决方案，我没有注意到…一点也不坏！我最初是在寻找一个“合适的”低通滤波器，似乎更合适，但这是一个很好的代理，如果没有其他。。。
par(mfrow=c(1,3))

image(z,main="Original")
image(zz,main="Noisy")
image(predictions,main="Predicted")