嵌入式C语言软件滤波算法全解析：从限幅到卡尔曼的10种实战方案

1. 项目概述：为什么我们需要软件滤波？

在嵌入式开发、数据采集和信号处理领域，我们经常会遇到一个头疼的问题：传感器读回来的数据“跳”得厉害。比如你用单片机读取一个温度传感器的值，理想中它应该是一条平滑的曲线，但实际屏幕上显示的却是一条上下乱窜的“毛刺”线。这些毛刺，就是噪声。噪声的来源五花八门，可能是电源纹波、电磁干扰，也可能是传感器本身的精度限制。如果直接用这些“脏数据”去做控制、显示或者判断，轻则导致屏幕闪烁、控制不稳，重则可能引发系统误动作，造成不可预知的后果。

这时候，软件滤波算法就派上用场了。它的核心思想，就是在不增加硬件成本（比如更贵的传感器、更复杂的滤波电路）的前提下，纯粹通过软件算法，对采集到的原始数据进行“清洗”和“平滑”，提取出我们真正关心的、反映物理量真实变化趋势的信号。对于资源受限的单片机（MCU）环境，C语言是实现这些算法的首选。它高效、直接，能让我们清晰地看到算法每一步是如何操作内存和数据的，这对于理解滤波本质和优化代码至关重要。今天，我就结合自己多年在工控和物联网设备开发中的实战经验，为你系统梳理10种最常用、最经典的软件滤波算法，并附上可直接移植的C语言代码和避坑指南。

2. 滤波算法核心思路与选型逻辑

面对一堆滤波算法，新手最容易犯的错就是“手里有把锤子，看什么都像钉子”，不分场景乱用。实际上，每种算法都有其鲜明的性格和适用场景。选择哪种算法，主要取决于三个关键因素：信号特性、噪声特性和系统资源。

信号特性：你的有效信号变化是快是慢？比如水温变化慢，是低频信号；电机转速脉冲变化快，是高频信号。噪声特性：干扰噪声主要是高频的随机毛刺，还是低频的工频干扰，或者是偶尔出现的巨大跳变（野值）？系统资源：你的MCU RAM和计算能力（MIPS）是否充裕？算法是否需要在中断服务程序中快速完成？

根据这些，我们可以把滤波算法分为几个大类：对付随机噪声的平滑类（如均值、滑动平均）、对付脉冲噪声的抗野值类（如中值、限幅）、兼顾响应速度与平滑度的递归类（如一阶滞后、卡尔曼），以及用于特定信号提取的复合类。下面这张选型速查表，可以帮你快速建立第一印象：

提示：没有“最好”的算法，只有“最合适”的。通常我们需要在“平滑度”、“实时性”和“抗干扰能力”之间做权衡（Trade-off）。

3. 十大滤波算法深度解析与C实现

接下来，我们进入核心部分。我会为每种算法拆解其原理、给出直白的C语言实现，并附上我实际调试中的心得和坑点。假设我们处理的数据类型是float，但你也可以轻松改为int以适应定点数场景。

3.1 限幅滤波法（程序判断滤波法）

原理：这是最直观的“常识”滤波。根据经验或系统最大可能变化速度，设定一个最大允许偏差A。本次采样值new_value与上次有效值last_value之差超过A，则认为本次是干扰，舍弃并用上次值代替；反之则认可本次采样。

核心思想：物理量不可能突变。

#define A 10 // 最大允许偏差值，需根据实际信号变化率设定 float LimiterFilter(float new_value, float last_value) { float filtered_value; if (fabs(new_value - last_value) > A) { // 变化超限，视为干扰，返回上次有效值 filtered_value = last_value; } else { // 变化合理，采用新值 filtered_value = new_value; } return filtered_value; }

实操要点与避坑：

1. 参数A的设定是关键。A设大了，滤波效果弱；设小了，系统响应变迟钝，可能滤掉真实突变信号。最好通过观察历史数据或计算信号的理论最大变化率（如：温度每分钟最多升1度，采样周期1秒，则A≈1/60）来初步确定，再微调。
2. 单独使用效果有限。它只能滤除大的脉冲，对于小幅连续波动无能为力。因此常作为其他滤波算法的“前置卫士”，组成复合滤波。
3. 注意首次调用。首次调用时last_value需要有一个合理的初始值（如第一次采样值），否则第一次判断可能出错。

3.2 中值滤波法

原理：取一组采样值（通常为奇数个），按大小排序，取中间那个值作为本次滤波结果。它非常擅长干掉那种“鹤立鸡群”的野值。

核心思想：少数服从多数，野值通常处于两端。

#define N 5 // 滤波窗口大小，建议取3, 5, 7等奇数 float MedianFilter(float* data_buf) { float temp_buf[N]; float temp; int i, j; // 1. 拷贝数据到临时数组进行操作，避免破坏原缓冲区 for (i = 0; i < N; i++) { temp_buf[i] = data_buf[i]; } // 2. 使用冒泡排序进行排序（数据量小，效率可接受） for (i = 0; i < N - 1; i++) { for (j = 0; j < N - 1 - i; j++) { if (temp_buf[j] > temp_buf[j + 1]) { temp = temp_buf[j]; temp_buf[j] = temp_buf[j + 1]; temp_buf[j + 1] = temp; } } } // 3. 返回中值 return temp_buf[N / 2]; } // 使用示例：需要维护一个长度为N的循环缓冲区`data_buf[]` // 每次采样后，将新数据存入缓冲区，并调用此函数。

实操要点与避坑：

1. 窗口大小N的选择：N越大，平滑效果越好，但滞后也越严重，且排序耗时剧增（时间复杂度O(N²)）。对于MCU，N=3或5是常见选择。对于实时性要求高的场景（如高速ADC），需谨慎评估排序耗时，或考虑使用更快的排序算法（如选择排序）。
2. 适合非连续快速变化信号。对于连续缓变信号（如温度），效果很好。但对于本身就在快速、规律变化的信号（如正弦波），中值滤波会严重失真。
3. 内存与计算开销：需要开辟一个大小为N的数组，且每次都要排序。在资源紧张的8位MCU上，当N较大或采样频率高时，这可能成为瓶颈。

3.3 算术平均滤波法

原理：最简单直接的平滑算法。连续采样N次，求和后取平均值。其数学本质是低通滤波，能有效抑制周期性干扰和随机噪声。

核心思想：用数据量换取精度，噪声的期望值为零。

#define N 10 // 平均次数 float MeanFilter(float* data_buf) { float sum = 0; int i; for (i = 0; i < N; i++) { sum += data_buf[i]; } return sum / N; } // 同样需要维护一个长度为N的缓冲区。

实操要点与避坑：

1. 灵敏度与平滑度的矛盾：N越大，输出越平滑，但对信号变化的反应也越迟钝。这是所有均值类滤波的通病。
2. RAM占用：需要存储N个历史数据。如果N很大（比如50），每个数据是4字节float，那就需要200字节RAM，对于小内存MCU是笔不小开销。
3. 适用于信号本身波动不大的场景。比如稳态工况下的温度、压力测量。对于跟踪快速变化的信号（如电机速度），此法不适用。

3.4 滑动平均滤波法（递推平均滤波法）

原理：算术平均法的改进版。它维护一个长度为N的队列（循环缓冲区）。每次得到新数据时，将其放入队尾，并丢弃队首最老的数据，然后计算当前队列中所有数据的平均值。这样，每次输出都是基于最新的N个数据，实现了“滑动窗口”。

核心思想：实时更新，既平滑又有一定的实时性。

#define N 10 typedef struct { float data[N]; int index; // 指向下一个要写入的位置 float sum; // 当前窗口内数据的和 } MovingAverageFilter; void MAF_Init(MovingAverageFilter* filter, float init_value) { int i; for (i = 0; i < N; i++) { filter->data[i] = init_value; } filter->index = 0; filter->sum = init_value * N; } float MAF_Update(MovingAverageFilter* filter, float new_value) { // 减去即将被丢弃的旧值，加上新值 filter->sum = filter->sum - filter->data[filter->index] + new_value; // 用新值覆盖旧值 filter->data[filter->index] = new_value; // 更新索引，实现循环缓冲区 filter->index = (filter->index + 1) % N; // 返回平均值 return filter->sum / N; }

实操要点与避坑：

1. 初始化很重要。滤波器启动时，缓冲区里是随机值或零，这会导致前N次输出不准。常见的初始化策略是用第一次采样值填充整个缓冲区，如上例所示。
2. “和”的溢出问题。如果数据是整数且N较大，sum可能会溢出。使用float或double可以避免，但会牺牲速度。对于整数，可以使用更大位宽的类型（如int32_t存int16_t的和）或定期重新计算总和来防止累积误差。
3. 这是最常用、最实用的平滑滤波之一。在嵌入式领域应用极广，因为它平衡了效果、速度和资源。

3.5 中位值平均滤波法（防脉冲干扰平均滤波法）

原理：算术平均法怕野值，中值法对随机噪声平滑不够。那就结合一下：连续采样N个数据，先去掉一个最大值和一个最小值（疑似野值），再对剩下的N-2个数据求算术平均。

核心思想：融合中值和平均，抗干扰能力更强。

#define N 10 // 采样次数，建议>=4 float MedianMeanFilter(float* data_buf) { float temp_buf[N]; float sum = 0, min_val, max_val; int i, min_idx = 0, max_idx = 0; // 拷贝并找出最值索引 for (i = 0; i < N; i++) { temp_buf[i] = data_buf[i]; if (temp_buf[i] < temp_buf[min_idx]) min_idx = i; if (temp_buf[i] > temp_buf[max_idx]) max_idx = i; } // 求和时跳过最值 for (i = 0; i < N; i++) { if (i != min_idx && i != max_idx) { sum += temp_buf[i]; } } return sum / (N - 2); }

实操要点与避坑：

1. 计算量稍大。需要遍历找最值，但比全排序的中值滤波要快。适用于对平滑度和抗脉冲都有要求，且计算资源尚可的场景。
2. N的取值。N不能太小，否则去掉两个后数据量太少，平均意义不大。一般N取6-14。
3. 注意极端情况。如果信号本身就在快速升降，最大值和最小值可能就是真实信号，此时此法会引入误差。因此它更适合背景噪声为随机噪声、叠加偶发脉冲的场景。

3.6 限幅平均滤波法

原理：在算术平均或滑动平均之前，先加一道“安检”——限幅滤波。即，每次新采样值先经过限幅判断，如果合理则送入缓冲区参与平均；如果被判为干扰，则用上次滤波输出值或上次有效采样值代替它送入缓冲区。

核心思想：限幅把关，平均平滑，双重保险。

#define N 10 #define A 5 // 限幅阈值 typedef struct { float buf[N]; int index; float last_valid; // 上次的有效值（用于限幅判断） } LimitingMeanFilter; void LMF_Init(LimitingMeanFilter* filter, float init_value) { int i; for (i = 0; i < N; i++) { filter->buf[i] = init_value; } filter->index = 0; filter->last_valid = init_value; } float LMF_Update(LimitingMeanFilter* filter, float new_sample) { float input_to_buffer; float sum = 0; int i; // 限幅判断 if (fabs(new_sample - filter->last_valid) > A) { input_to_buffer = filter->last_valid; // 超限，用旧值 } else { input_to_buffer = new_sample; // 正常，用新值 filter->last_valid = new_sample; // 更新有效值 } // 更新滑动平均缓冲区 filter->buf[filter->index] = input_to_buffer; filter->index = (filter->index + 1) % N; // 计算平均值 for (i = 0; i < N; i++) { sum += filter->buf[i]; } return sum / N; }

实操要点与避坑：

1. 参数调优更复杂。现在你有两个参数要调：限幅阈值A和平均窗口N。需要根据信号和噪声特性反复试验。
2. 对连续干扰的抵抗力。如果干扰不是单次脉冲，而是一连串的坏数据（持续时间小于N个采样周期），限幅环节可能会连续使用旧值填充缓冲区，导致输出在一段时间内“卡住”不变。这是其缺点。
3. 实战常用组合。在工业现场，传感器信号线较长易受干扰，限幅+滑动平均是非常经典且有效的组合。

3.7 一阶滞后滤波法（一阶低通滤波法）

原理：这是一个递归滤波器（IIR）。本次输出结果是上次输出结果与本次采样值的加权和：Y(n) = a * X(n) + (1-a) * Y(n-1)。其中，a是滤波系数（0<a≤1），X(n)是本次采样值，Y(n-1)是上次滤波输出值。

核心思想：相信历史，也相信现在，但更相信历史。用系数a来调节信任比例。

#define ALPHA 0.1f // 滤波系数，越小越平滑，滞后越大 float FirstOrderLagFilter(float new_sample, float last_output) { return ALPHA * new_sample + (1 - ALPHA) * last_output; } // 使用：需要全局变量或结构体保存`last_output`

实操要点与避坑：

1. 系数a是灵魂。a越接近1，滤波器越“信任”新数据，响应快但平滑差；a越接近0，越“信任”历史，平滑好但响应迟钝。a的选取没有严格公式，通常根据经验从0.01到0.3之间尝试。一个粗略的指导：a ≈ 采样周期T / (滤波时间常数τ)。如果你想滤掉周期小于τ的波动，可以按此估算。
2. 极其节省资源。只需要保存一个状态量last_output，计算量是一次乘法和一次加法，非常适合在高速采样或资源紧张的场合使用。
3. 相位滞后。这是低通滤波器的固有特性，会导致输出在时间上落后于真实信号。在控制回路中使用时，需要考虑这个滞后对系统稳定性的影响。
4. 初始化。第一次调用时，last_output需要一个合理的初值，通常用第一次采样值。

3.8 加权递推平均滤波法

原理：滑动平均的升级版。它认为“近的数据比旧的数据更重要”。所以给窗口内的每个数据赋予一个权重，越新的数据权重越大，然后求加权平均。

核心思想：厚今薄古，在平滑度和实时性间取得更好平衡。

#define N 5 // 权重数组，和为1.0，索引0对应最老数据，N-1对应最新数据 static const float weight[N] = {0.05f, 0.1f, 0.15f, 0.2f, 0.5f}; float WeightedMovingAverage(float* circular_buf, int current_index) { float sum = 0; int i, buf_index; for (i = 0; i < N; i++) { // 从当前索引向前推算，获取从老到新的数据 buf_index = (current_index - i + N) % N; sum += circular_buf[buf_index] * weight[i]; // weight[i]对应第i老的数据 } return sum; // weight已归一化，和为1，直接返回sum即可 } // 注意：此例中weight[i]对应的是第i老的数据。你也可以让weight[0]对应最新数据，取决于你的缓冲区组织方式。

实操要点与避坑：

1. 权重的设计：权重分布是关键。常见的有线性递增、指数递增等。权重之和必须为1。你可以通过调整权重分布来灵活控制滤波器特性，例如让最新一两个点占很大比重，以获得快速响应。
2. 计算量：比普通滑动平均多了一次乘法运算，但通常可以接受。
3. 适用于非平稳信号。当信号本身的变化趋势在改变时（比如开始加速上升），加权平均能更快地跟上变化，而普通平均会拖后腿。

3.9 消抖滤波法

原理：此方法专治“抖动”。它设定一个计数器，当本次采样值与当前稳定值之差小于某个阈值时，计数器加1；当计数器累计达到一个设定上限N时，才认为采样值稳定有效，并更新输出。一旦差值超过阈值，计数器清零。

核心思想：连续多次确认稳定，才采信。

#define THRESHOLD 2.0f // 稳定判断阈值 #define N 4 // 稳定确认次数 typedef struct { float stable_value; // 当前稳定输出值 int count; // 稳定计数器 } DebounceFilter; void DebounceFilter_Init(DebounceFilter* filter, float init_value) { filter->stable_value = init_value; filter->count = 0; } float DebounceFilter_Update(DebounceFilter* filter, float new_sample) { if (fabs(new_sample - filter->stable_value) < THRESHOLD) { // 在阈值范围内，计数器累加 filter->count++; if (filter->count >= N) { // 连续N次稳定，确认新状态，更新稳定值并重置计数器 filter->stable_value = new_sample; filter->count = 0; // 重置，为下一次变化准备 } } else { // 变化超出阈值，认为是新的一次抖动或真实变化，重置计数器 filter->count = 0; // 可选：立即更新stable_value为new_sample，或保持不变直到稳定确认。 // 保持不变得更“顽固”，立即更新则响应快但可能被单次干扰误触发。 // filter->stable_value = new_sample; // 激进策略 } return filter->stable_value; }

实操要点与避坑：

1. 经典应用场景：机械开关、按键去抖。物理开关闭合时，触点会弹跳产生多个脉冲，消抖滤波能确保只输出一次稳定的状态变化。
2. 参数选择：THRESHOLD要略大于正常波动范围，小于有效变化幅度。N是延迟的采样周期数，N越大，抗抖动能力越强，但响应也越慢。
3. 对快速连续变化的信号不友好。如果信号本身就在快速变化（如高频交流），它可能永远无法满足“连续N次稳定”的条件，导致输出卡住。

3.10 卡尔曼滤波法

原理：这是一种最优递归状态估计器。它通过系统的动态模型（预测步骤）和实际的观测值（更新步骤），结合两者不确定性（协方差），来估计系统状态。其强大之处在于，它不仅平滑了数据，还能预测下一时刻的状态。

核心思想：利用模型预测，再用测量修正，动态评估谁更可信。

这里给出一个极度简化的、适用于一维标量数据的“简化版”卡尔曼滤波，常用于滤除单个传感器噪声。

typedef struct { float x; // 估计值 float p; // 估计误差协方差 float q; // 过程噪声协方差（预测噪声） float r; // 测量噪声协方差（传感器噪声） float k; // 卡尔曼增益 } SimpleKalmanFilter; void Kalman_Init(SimpleKalmanFilter* kf, float init_x, float init_p, float process_noise, float measure_noise) { kf->x = init_x; kf->p = init_p; kf->q = process_noise; // Q调大，表示模型预测不准，更相信测量 kf->r = measure_noise; // R调大，表示传感器噪声大，更相信预测 kf->k = 0; } float Kalman_Update(SimpleKalmanFilter* kf, float measurement) { // 预测步骤（对于一维静止模型，预测值就是上一时刻估计值） // x = x; // 状态不变，这里省略 kf->p = kf->p + kf->q; // 预测误差协方差增大 // 更新步骤 kf->k = kf->p / (kf->p + kf->r); // 计算卡尔曼增益 kf->x = kf->x + kf->k * (measurement - kf->x); // 用残差修正估计值 kf->p = (1 - kf->k) * kf->p; // 更新估计误差协方差 return kf->x; }

实操要点与避坑：

1. 这不是完整的卡尔曼滤波。这是一个针对“恒定值”估计的特殊简化版。完整的卡尔曼滤波涉及状态转移矩阵F、控制矩阵B、观测矩阵H等。这个简化版假设系统状态是基本不变的（如静止物体的位置），只有噪声。
2. 参数Q和R的调参是核心。Q（过程噪声）代表你对你预测模型的信任程度，Q越大，滤波器越相信测量值，响应越快。R（测量噪声）代表你对传感器的信任程度，R越大，滤波器越相信自己的预测，输出越平滑。通常需要通过实验数据来调整这两个参数。
3. 初始化很重要。init_x和init_p（初始协方差）会影响收敛速度。init_p不能为0。
4. 计算资源。即使是简化版，也涉及浮点乘除。完整版计算量更大。在低端MCU上需评估性能。
5. 适用场景：对精度和实时性要求都很高的动态系统，如无人机姿态估计、导航定位。对于简单的温度滤波，可能“杀鸡用牛刀”。

4. 算法组合与进阶应用策略

在实际项目中，单一算法往往难以应对复杂情况。我常用的策略是“组合拳”和“分而治之”。

1. 级联滤波：将多个简单滤波器串联。例如，采样值 -> 限幅滤波 -> 中值滤波 -> 一阶滞后滤波。限幅先干掉离谱的脉冲，中值再滤掉小的毛刺，最后用一阶滞后进行平滑。顺序不同，效果不同，需要试验。

2. 条件滤波：根据信号特征动态选择算法或参数。例如，在系统上电或剧烈变化阶段，使用较小的平均窗口或较大的滤波系数（a值），让响应更快；进入稳态后，改用更大的窗口或更小的系数，获得更好的平滑性。这需要有一个对信号变化率进行判断的逻辑。

3. 频域思考：虽然我们在做时域滤波，但要有频域的概念。如果你知道噪声的主要频率（比如50Hz工频干扰），而你的信号是缓慢变化的，那么你可以选择采样周期，使得噪声频率高于奈奎斯特频率，然后通过一个截止频率合适的低通滤波器（如一阶滞后或滑动平均）将其滤除。滑动平均的窗口长度N，其实就决定了其低通截止频率。

5. 嵌入式实战中的常见问题与调试技巧

问题1：滤波后响应太慢，系统感觉“很肉”。

• 排查：检查平均窗口N是否过大，或一阶滞后的系数a是否过小。
• 解决：尝试减小N或增大a。也可以尝试加权平均，给新数据更高权重。

问题2：滤波后数据仍有小幅度高频“颤抖”。

• 排查：平滑力度不够。可能窗口N太小，或系数a太大。
• 解决：增大N或减小a。或者考虑级联滤波，在第一级平滑后再加一级轻度的滤波。

问题3：输出出现阶梯状，不平滑。

• 排查：可能出现在将浮点滤波结果转换为整型显示或使用时。例如，用int类型存放滑动平均的sum，由于整除舍入导致量化误差。
• 解决：在滤波计算全程使用浮点数，直到最后一步需要输出时再转换。或者使用定点数运算技巧。

问题4：滤波器启动时，输出有很长一段异常数据。

• 排查：缓冲区初始化问题。滑动平均、中值等算法的缓冲区在开始时充满了无效数据（0或随机值）。
• 解决：在系统启动后，用最初几次的采样值（或一个合理的默认值）填充整个缓冲区，再进行正常滤波更新。

问题5：在中断服务程序（ISR）中调用滤波函数，导致中断执行时间过长。

• 排查：中值滤波的排序、大量数据的浮点运算在ISR中都是耗时大户。
• 解决：遵循“ISR快进快出”原则。在ISR中只做最必要的事：将采样值存入一个全局缓冲区（或队列）。在主循环或低优先级任务中，再从缓冲区取出数据进行滤波计算。这是嵌入式滤波的经典架构。

调试技巧：

• 数据可视化：如果条件允许，将原始数据和滤波后的数据通过串口发送到电脑，用工具（如SerialPlot、MATLAB、Python matplotlib）画图对比，这是最直观的调试方法。
• 参数记录：将关键的滤波参数（如a、N）设计成可在线调整的（通过串口命令或上位机），在不重新烧录程序的情况下实时观察滤波效果变化，能极大提高调参效率。
• 性能测试：在目标板上运行滤波算法，用IO口翻转或定时器测量函数执行时间，确保满足实时性要求。

最后，分享一个我个人在多个低功耗物联网传感器项目中验证有效的组合：限幅 + 滑动平均。具体做法是：采样频率设为实际需求的2-4倍，先进行限幅滤波剔除野值，然后进行滑动平均（窗口N=4~8），最后将结果以需求频率输出。这样既保证了数据的稳定可靠，又通过过采样略微提升了分辨率，同时计算量完全在低功耗MCU的可承受范围内。记住，好的滤波设计不是追求最复杂的算法，而是在资源、性能和效果之间找到那个恰到好处的平衡点。