所以熵滤波器听起来不错，但它并没有真正起作用，因为即使在调整窗口之后，实际信号也被认为是高熵的。

我所做的是对时间轴（从左到右）中的所有数据进行导数。然后我限制了最大值。然后我整合了导数。

deriv = data[i, 1:] - data[i, :-1]
deriv[deriv > max_] = max_

导数是$ \frac{dy}{dx }$。在我看来 dy 是垂直线段， dx 是水平线段。把它们放在一起形成一个直角三角形，其中函数是斜边是 f，水平边是 dx，垂直边是 dy。因此 $ tan^{-1} {\frac{dy}{dx}} $ 是 f 的仰角。在我看来，在导数上设置最大值就像在 f 上设置最大角度。这就像说，“限制 f 的仰角。如果它与地平线的角度超过 150 度，则将其变小。”

它似乎工作。它限制了信号的最大仰角。您可以看到原始信号（红色）和导数滤波后的信号（绿色）。

然后我将原始信号减去应用于原始信号的导数滤波器。这让我只剩下噪声带，我可以放大、模糊然后减去它。

免责声明：我在胡乱猜测。

我会尝试一种双边过滤器。在每个像素周围的补丁（大小取决于您的图像大小）中，评估熵。您应该在噪声带之外具有显着更高的熵，因此如果熵低于某个阈值，您可以简单地在该特定像素上使用最小滤波器。

这种方法的问题在于，python 中的幼稚实现会有些慢。你可能不得不使用 Cython、Numba 或类似的东西来实现。

编辑：或者您可以简单地使用scikit-image中的熵过滤器。

我认为在噪声带中没有任何东西可以恢复。我在 GIMP 中对你的图像做了几件可怕的事情，在任何情况下都没有任何可见的东西表明那里有你的任何信号。

如果你看，你会看到噪音带有一种重复的绿色调——从上到下，你会看到噪音的部分，那里有更多的绿色。乍一看似乎与信号相连，但如果仔细观察，会发现有一个绿色部分，没有对应的信号。

您可能会从原始信号中做得更好，但我认为您不会从图片中得到任何东西。