在实际的工程应用中,所分析的信号可能包含许多尖峰或突变部分,并且噪声也不是平稳的白噪声。
对这种信号的降噪处理,用传统的傅立叶变换分析,显得无能为力,因为它不能给出信号在某个时间点上的变化情况。
通常情况下有用信号表现为低频部分或是一些比较平稳的信号,而噪声信号则表现为高频的信号。
处理 小波系数!
三个基本的步骤:
(1)对含噪声信号进行小波变换;
(2)对变换得到的小波系数进行某种处理,以去除其中包含的噪声;
(3)对处理后的小波系数进行小波逆变换,得到去噪后的信号。
小波去噪方法的不同之处集中在第一步。
信号映射到小波域,根据噪声和噪声的小波系数在不同尺度上具有不同的性质和机理,对含噪信号的小波系数进行处理。
减少剔除噪声产生的小波系数,最大限度的保留真实信号的系数。
小波去噪实现步骤
(1)二维信号的小波分解。选择一个小波和小波分解的层次N,然后计算信号s到第N层的分解。
(2)对高频系数进行阈值量化。对于从1~N的每一层,选择一个阈值,并对这一层的高频系数进行软阈值量化处理。
(3)二维小波重构。根据小波分解的第N层的低频系数和经过修改的从第一层到第N的各层高频系数,计算二维信号的小波重构。
图像去噪:小波变换法_席光荣_新浪博客 http://blog.sina.com.cn/s/blog_165027efc0102xazm.html
小波去噪Matlab程序如下:
clc clear all %读取图像 X=imread(‘lena.jpg‘); X_gray=rgb2gray(X); subplot(221); image(X_gray); imshow(X_gray); title(‘原始图像‘); %生成含有噪声的图像并显示 init=2055615866; randn(‘seed‘,init); X_gray=double(X_gray); %添加随机噪声 X_noise=X_gray+8*randn(size(X_gray)); subplot(222); imshow(uint8(X_noise)); title(‘含噪图像‘); %用小波函数coif2对图像进行两层分解 [c l]=wavedec2(X_noise,2,‘coif2‘); n=[1,2]; % 设置阈值向量,对高频小波系数进行阈值处理 p=[10.28,24.08]; nc=wthcoef2(‘h‘,c,l,n,p,‘s‘); % 图像的二维小波重构 X1=waverec2(nc,l,‘coif2‘); subplot(223); imshow(uint8(X1)); title(‘第一次消噪声后的图像‘); mc=wthcoef2(‘v‘,nc,l,n,p,‘s‘); % 图像的二维小波重构 X2=waverec2(mc,l,‘coif2‘); subplot(224); imshow(uint8(X2)); title(‘第二次消噪声后的图像‘);
小波图像去噪及matlab实例 - CSDN博客 https://blog.csdn.net/mingtian715/article/details/60873875
小波去噪DWT - CSDN博客 https://blog.csdn.net/study_000/article/details/71077254
原文地址:https://www.cnblogs.com/wxl845235800/p/9270824.html