小波去噪

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