手把手教你用C++实现三种低通滤波器（SMA/EMA/Butterworth）

从零构建：C++低通滤波器的工程化实现与深度调优指南

如果你正在处理来自传感器的原始数据流，或者试图从嘈杂的音频信号中提取清晰的信息，那么“低通滤波器”绝对是你工具箱里不可或缺的利器。它就像一个智能的筛子，允许平缓变化的“低频”信号通过，同时将那些快速跳变、令人头疼的“高频”噪声阻挡在外。无论是机器人控制中消除电机抖动，还是智能手环里平滑心率曲线，低通滤波都扮演着幕后功臣的角色。

网上关于滤波器的理论文章很多，但当你真正坐下来，想在C++项目里快速集成一个可靠、高效的滤波器时，往往会发现理论和代码之间隔着一道鸿沟。参数怎么设？哪种算法最适合我的场景？代码怎么写才能既清晰又高性能？这篇文章的目的，就是和你一起，像资深工程师搭建项目一样，亲手实现三种最经典的低通滤波器——简单移动平均（SMA）、指数移动平均（EMA）和巴特沃斯（Butterworth）。我们不止于贴出源码，更会深入每种方法的“脾气秉性”，探讨在不同数据频率、实时性要求和计算资源约束下，如何做出最明智的选择，并分享一些从实际项目中总结出来的调参技巧和避坑经验。

1. 滤波器基础：概念、场景与设计哲学

在动手写代码之前，我们需要统一“语言”。所谓“低通”，指的是允许频率低于某个截止频率的信号成分通过，而衰减高于该频率的成分。在数字领域，我们处理的是按固定时间间隔（采样率）采集到的离散数据点序列。数字滤波器，本质上就是一个数学公式或算法，它根据当前和过去的输入值，计算出一个新的、更“平滑”的输出值。

为什么需要不同的滤波器？ 因为现实世界的问题多种多样。一个监测室温变化的系统，数据每秒才更新一次，对延迟不敏感，但要求结果非常稳定；而一个无人机飞控系统，需要以每秒几百次的速度处理陀螺仪数据，对延迟极其敏感，同时还要有效抑制高频振动噪声。没有一种滤波器能通吃所有场景。

在设计我们的C++滤波器库时，我遵循了几个核心原则：

• 接口一致性：无论内部算法多复杂，对外都提供统一的、简单的调用方式。这让替换和对比不同滤波器变得轻而易举。
• 实时性：滤波器必须支持“流式”处理，即来一个数据点，立刻算出一个结果，不依赖未来数据。这是嵌入式或实时系统的生命线。
• 零外部依赖：核心实现仅使用C++标准库，确保代码可以毫无障碍地运行在从x86服务器到ARM单片机的任何平台。
• 清晰的职责划分：每种滤波器独立成类，内部状态自我管理，避免复杂的全局状态纠缠。

下面这个表格快速对比了我们即将实现的三种滤波器的核心特征，让你先有个全局印象：

特性维度	简单移动平均 (SMA)	指数移动平均 (EMA)	巴特沃斯 (Butterworth)
核心原理	固定窗口内数据的算术平均	对历史输出进行指数加权平均	基于模拟滤波器设计的数字逼近
关键参数	窗口大小 N	平滑系数 alpha (0~1)	截止频率 cutoff、采样率 fs
延迟	固定，约 N/2 个采样点	极小，理论无限脉冲响应	较小，取决于阶数
计算开销	低（加减法）	极低（乘加法）	中等（乘加法和系数计算）
频率响应	一般，旁瓣衰减慢	尚可，一阶衰减	优秀，通带最平坦，衰减快
适用场景	对延迟不敏感的后处理、强平滑	实时流处理、资源受限系统	对滤波质量要求高的音频、生物信号处理

提示：alpha 值越小，EMA滤波效果越强，但响应也越迟缓；N 值越大，SMA越平滑，但延迟也越大。巴特沃斯的 cutoff 必须小于 fs/2（奈奎斯特频率）。

2. 实战实现一：简单移动平均（SMA）滤波器

SMA可能是最直观的滤波器了：它维护一个固定长度的数据窗口，输出永远是当前窗口内所有数据的平均值。新数据进来，最老的数据被踢出，窗口像传送带一样向前滑动。

它的优点显而易见：实现简单，理解容易，对脉冲噪声有不错的抑制效果。但它的缺点也同样突出：会产生固定的、与窗口大小成正比的延迟。例如，窗口大小为5，那么当前的输出实际上反映的是过去5个采样点的平均状态，而非当前瞬间的真实情况。这在控制系统中可能是致命的。

让我们来看一个工程上高效实现的C++类。关键在于，我们不应在每次计算时都遍历整个窗口求和，那样时间复杂度是O(N)。采用“循环缓冲区”和“运行总和”的技巧，可以将每次处理的计算量降至O(1)。

// sma_filter.h
#pragma once
#include <queue>

class SMAFilter {
private:
    std::queue<double> dataWindow; // 使用队列作为滑动窗口
    const size_t windowSize;       // 窗口大小
    double runningSum;             // 窗口内数据的运行总和

public:
    // 构造函数，明确指定窗口大小
    explicit SMAFilter(size_t N) : windowSize(N), runningSum(0.0) {
        // 确保窗口大小有效
        if (N == 0) throw std::invalid_argument("Window size must be greater than 0.");
    }

    // 核心处理函数：输入新采样值，返回滤波后的值
    double process(double input) {
        runningSum += input;
        dataWindow.push(input);

        // 如果窗口已满，则移除最旧的数据
        if (dataWindow.size() > windowSize) {
            runningSum -= dataWindow.front();
            dataWindow.pop();
        }

        // 当窗口还未被首次填满时，返回当前已有数据的平均值
        return runningSum / static_cast<double>(dataWindow.size());
    }

    // 重置滤波器状态，清空历史数据
    void reset() {
        runningSum = 0.0;
        while (!dataWindow.empty()) dataWindow.pop();
    }

    // 获取当前窗口大小
    size_t getWindowSize() const { return windowSize; }
};

代码解读与使用要点：

1. runningSum 是关键优化。每次增加新值，减去被挤出的旧值，避免了重复求和。
2. 使用 std::queue 非常合适，它完美模拟了“先进先出”的滑动窗口行为。
3. 在窗口未填满的初始阶段，我们计算的是实际数据个数的平均值，这比直接返回0或某个默认值更合理。
4. reset() 方法在系统重启或需要重新开始一段数据流时非常有用。

如何选择窗口大小 N？ 这没有银弹，但可以遵循一个经验法则：N 应大致等于你希望滤除的噪声频率周期的2倍以上。例如，你的信号采样率是100Hz，你想滤除10Hz以上的噪声，那么10Hz对应周期为0.1秒，即10个采样点。选择 N=20 或更大，能有效平滑。你可以写个小脚本，用不同 N 值处理一段典型数据，直观观察平滑效果和延迟的权衡。

3. 实战实现二：指数移动平均（EMA）滤波器

如果你需要低延迟的实时滤波，EMA（也称为一阶无限脉冲响应滤波器）几乎是默认选择。它聪明的地方在于：输出值不仅依赖于当前输入，更依赖于上一次的输出。其更新公式简洁而强大：

y[n] = alpha * x[n] + (1 - alpha) * y[n-1]

其中，y[n] 是当前输出，x[n] 是当前输入，y[n-1] 是上一次输出，alpha 是介于0和1之间的平滑因子。

这个公式的直观理解是：新的输出是当前输入和过去所有历史输出的一个加权平均，但距离越远的历史数据，权重呈指数级衰减（故名“指数移动平均”）。alpha 越大，当前输入的权重越高，滤波器响应越快，但平滑效果越弱；alpha 越小，历史数据的权重越高，滤波效果越强，响应越迟缓。

它的内存效率极高，只需存储一个状态值（上一次输出）。计算量也极小，仅需两次乘法和一次加法。我们来实现它：

// ema_filter.h
#pragma once

class EMAFilter {
private:
    double alpha;          // 平滑因子
    double lastOutput;     // 上一次的输出值，也是核心状态
    bool isInitialized;    // 标志位，指示是否已初始化

public:
    // 构造函数，必须提供alpha值
    explicit EMAFilter(double a) : alpha(a), lastOutput(0.0), isInitialized(false) {
        if (a <= 0.0 || a > 1.0) {
            // 通常alpha在(0,1]区间，等于1时相当于直通
            throw std::invalid_argument("Alpha must be in (0.0, 1.0].");
        }
    }

    double process(double input) {
        if (!isInitialized) {
            // 第一次调用，没有历史数据，通常用输入值初始化
            lastOutput = input;
            isInitialized = true;
            return input;
        }
        // 应用EMA核心公式
        lastOutput = alpha * input + (1.0 - alpha) * lastOutput;
        return lastOutput;
    }

    void reset() {
        lastOutput = 0.0;
        isInitialized = false;
    }

    // 一个有用的工具函数：根据截止频率和采样率计算alpha
    static double calculateAlpha(double cutoffFreq, double sampleRate) {
        // 使用一阶IIR滤波器的离散化公式: alpha = 1 - exp(-2 * π * fc / fs)
        const double pi = 3.14159265358979323846;
        return 1.0 - std::exp(-2.0 * pi * cutoffFreq / sampleRate);
    }
};

深度调优与陷阱规避：

• 初始化的艺术：如代码所示，第一次调用时直接用输入值初始化 lastOutput。这是一种简单策略。在某些高要求场景，你也可以选择用前几个输入值的平均来初始化，以减少启动瞬态。
• alpha 与截止频率的关系：alpha 不是一个凭空想象的数。如果你知道信号的采样率（fs）和你期望的截止频率（fc），可以通过 calculateAlpha 这个静态方法计算出理论上的 alpha 值。这为滤波器设计提供了理论依据。例如，fs=100Hz, fc=5Hz，计算出的 alpha 约为0.3。
• 稳定性问题：由于是递归计算，理论上EMA是稳定的（因为 (1-alpha) < 1）。但在定点数或浮点数精度极低的环境中，需要留意。
• 应对阶跃信号：EMA对突变的阶跃信号会产生一个指数上升的响应，而不是像SMA那样经过固定延迟后突变。这在某些需要快速跟踪信号变化的场合（如设定点改变）可能是个优点，但在需要抑制突变的场合则是缺点。

在实际项目中，我经常用EMA来处理来自ADC的传感器读数。它的快速响应能力让控制系统能及时动作，同时又能有效抑制高频采样噪声。

4. 实战实现三：巴特沃斯（Butterworth）低通滤波器

当SMA和EMA无法满足你对滤波“品质”的要求时，就该巴特沃斯滤波器登场了。它的设计目标是在通带内拥有最平坦的频率响应，没有纹波，然后以一定的斜率向阻带衰减。在数字领域，我们通常通过将模拟巴特沃斯滤波器经过“双线性变换”来得到其数字版本。

这里我们实现一个一阶数字巴特沃斯低通滤波器。它的离散时间差分方程如下：

y[n] = a0 * x[n] + a1 * x[n-1] + b1 * y[n-1]

你看，它需要两个历史状态：上一个输入 x[n-1] 和上一个输出 y[n-1]。系数 a0, a1, b1 需要通过截止频率和采样率预先计算好。这个计算过程涉及一点三角函数和代数运算。

// butterworth_filter.h
#pragma once
#include <cmath>

class ButterworthFilter {
private:
    // 滤波器系数
    double a0, a1, b1;
    // 状态变量
    double prevInput;
    double prevOutput;
    bool isInitialized;

public:
    // 构造函数：需要明确的截止频率和采样率
    ButterworthFilter(double cutoffFreq, double sampleRate)
        : prevInput(0.0), prevOutput(0.0), isInitialized(false) {
        if (cutoffFreq <= 0.0 || cutoffFreq >= sampleRate / 2.0) {
            throw std::invalid_argument("Cutoff frequency must be > 0 and < sampleRate/2 (Nyquist limit).");
        }

        // 预扭曲截止频率，以补偿双线性变换带来的频率畸变
        const double pi = 3.14159265358979323846;
        double wc = 2.0 * sampleRate * std::tan(pi * cutoffFreq / sampleRate);

        // 一阶巴特沃斯模拟滤波器传递函数: H(s) = 1 / (s/wc + 1)
        // 经过双线性变换 s = (2/T) * (z-1)/(z+1), 其中 T = 1/sampleRate
        // 推导后得到数字滤波器系数：
        double T = 1.0 / sampleRate;
        double k = wc * T / 2.0;
        double norm = 1.0 / (1.0 + k);

        a0 = k * norm;
        a1 = a0; // 对于一阶，a0 = a1
        b1 = (1.0 - k) * norm;
    }

    double process(double input) {
        if (!isInitialized) {
            // 初始化状态，常见做法是假设初始稳态，即输入等于输出
            prevInput = input;
            prevOutput = input;
            isInitialized = true;
            return input;
        }

        // 应用差分方程
        double output = a0 * input + a1 * prevInput + b1 * prevOutput;

        // 更新状态
        prevInput = input;
        prevOutput = output;

        return output;
    }

    void reset() {
        prevInput = 0.0;
        prevOutput = 0.0;
        isInitialized = false;
    }

    // 获取当前滤波器系数（用于调试或分析）
    void getCoefficients(double &coeff_a0, double &coeff_a1, double &coeff_b1) const {
        coeff_a0 = a0;
        coeff_a1 = a1;
        coeff_b1 = b1;
    }
};

关键点解析与高级话题：

1. 双线性变换与预扭曲：代码中的 std::tan 部分就是“预扭曲”操作，用于补偿从模拟域变换到数字域时产生的频率畸变，确保数字滤波器的截止频率尽可能接近我们设定的 cutoffFreq。这是实现正确巴特沃斯响应的关键步骤。
2. 阶数的选择：我们实现的是一阶滤波器，其阻带衰减斜率是-20dB/十倍频程。如果需要更陡峭的衰减（如-40dB/十倍频程），就需要实现二阶巴特沃斯滤波器。二阶滤波器需要两个二阶节（Biquad），状态变量和系数会更多，计算也更复杂，但滤波效果显著提升。许多音频处理库的核心就是高阶的Biquad滤波器组。
3. 稳定性：只要系数计算正确，一阶巴特沃斯滤波器是绝对稳定的。但在设计高阶滤波器时，需要特别注意系数量化误差可能带来的稳定性问题。
4. 适用场景：巴特沃斯滤波器特别适合对通带平坦度有要求的场合，比如生物电信号（ECG/EEG）分析、高保真音频处理，或者任何你希望信号在截止频率之前尽可能不被扭曲的应用。

注意：巴特沃斯滤波器的系数计算相对较重，但通常只在构造时计算一次。process 函数内部的乘加运算量是固定的，实时性依然很好。如果你的截止频率需要动态变化，则需要重新计算系数，这可能带来一定的开销。

5. 综合对比、性能测试与进阶优化

现在，我们已经拥有了三把不同的“筛子”。是时候把它们放在一起，看看在实际数据流面前，它们各自的表现如何了。我写了一个简单的测试程序，模拟一个叠加了高频噪声的缓变正弦信号。

// benchmark.cpp
#include <iostream>
#include <fstream>
#include "sma_filter.h"
#include "ema_filter.h"
#include "butterworth_filter.h"
#include <cmath>

int main() {
    const double sampleRate = 100.0; // 100 Hz
    const double signalFreq = 1.0;   // 1 Hz 基波
    const double noiseFreq = 30.0;   // 30 Hz 噪声
    const int numSamples = 500;

    // 实例化滤波器
    SMAFilter sma(10); // 10个点的窗口
    EMAFilter ema(0.3); // alpha = 0.3
    ButterworthFilter butter(5.0, sampleRate); // 5Hz截止频率

    std::ofstream outFile("filter_comparison.csv");
    outFile << "Sample, Raw_Data, SMA_Output, EMA_Output, Butterworth_Output\n";

    for (int i = 0; i < numSamples; ++i) {
        double t = i / sampleRate;
        // 生成信号：1Hz正弦波 + 30Hz噪声
        double cleanSignal = std::sin(2 * M_PI * signalFreq * t);
        double noise = 0.3 * std::sin(2 * M_PI * noiseFreq * t); // 30%幅度的噪声
        double rawData = cleanSignal + noise;

        // 分别处理
        double outSMA = sma.process(rawData);
        double outEMA = ema.process(rawData);
        double outButter = butter.process(rawData);

        // 输出到CSV文件，方便用绘图工具分析
        outFile << i << ", " << rawData << ", " << outSMA << ", " << outEMA << ", " << outButter << "\n";
    }

    outFile.close();
    std::cout << "测试数据已写入 filter_comparison.csv，可用Excel或Python matplotlib绘图查看效果。\n";
    return 0;
}

将生成的数据用绘图软件可视化后，你通常会观察到：

• 原始数据：曲线毛刺很多。
• SMA输出：最平滑，但波形整体向右偏移（延迟），且波峰波谷被“削平”了。
• EMA输出：能较好地跟踪趋势，延迟很小，但对高频噪声的抑制不如SMA彻底。
• 巴特沃斯输出：在5Hz以下很好地保留了原始正弦波形状（通带平坦），同时显著衰减了30Hz的噪声，相位延迟介于SMA和EMA之间，但波形失真最小。

性能优化方向：

如果你的应用对性能有极致要求，例如需要处理数MHz的音频流或雷达数据，可以考虑以下优化：

1. 模板化数据类型：将代码中的 double 模板化，在资源受限的嵌入式平台可以使用 float 甚至定点数 int32_t 来提升速度、降低功耗。

   template<typename T>
   class EMAFilter {
       T alpha, lastOutput;
       // ... 其余部分类似
   };
   

2. SIMD指令集加速：对于SMA滤波器，如果你需要同时处理多个独立通道的数据（如立体声音频），可以利用SSE、AVX（x86）或NEON（ARM）指令集进行并行计算。但请注意，EMA和Butterworth的递归结构使其难以向量化。

3. 多线程与流水线：对于非因果关系的后处理（允许一定延迟），可以将数据分块，用多个线程并行处理不同的数据块，最后合并结果。

4. 定点数算术：在无FPU的微控制器上，使用Q格式定点数实现滤波器，能大幅提升计算速度。但这需要精心设计系数的缩放和结果的舍入，以防止溢出和精度损失。

选择滤波器的最终建议：

• 要极简、强平滑，且不关心延迟？ 选 SMA。
• 要超低延迟、低内存占用，用于实时控制？ 选 EMA，并仔细调整 alpha。
• 对滤波质量有专业要求，需要平坦的通带和明确的截止频率？ 选 巴特沃斯。
• 还是不确定？ 最好的方法就是像我们上面做的那样，用一段真实的或具有代表性的数据，快速实现一个测试程序，让图表告诉你哪个最适合。

滤波器实现本身只是第一步，将它优雅地集成到你的系统架构中，处理好异常情况，设计好参数配置接口，才是工程价值的体现。希望这份从原理到代码，再到测试和优化的完整指南，能成为你下次面对信号噪声问题时，信手拈来的解决方案。