小波去噪及其MATLAB中的函数.pdfVIP

小波去噪及其 MATLAB 中的函数 一、小波去噪中信号阈值的估算 信号去噪是信号处理领域的经典问题之一。传统的去噪方法主要包括线性滤 波方法和非线性滤波方法，如中值滤波和 wiener 滤波等。传统去噪方法的不是 在于使信号变换后的熵增高、无法刻画信号的非平稳特性并且无法得到信号的相 关性。为了克服上述缺点，人们开始使用小波变换解决信号去噪问题。 小波变换具有下列良好特性： (1) 低熵性：小波系数的稀疏分布，使信号变换后的熵降低； (2) 多分辨率特性：可以非常妤地刻画信号的非平稳特性，如边缘、尖峰、 断点等； (3) 去相关性：可取出信号的相关性，且噪声在小波变换后有白化趋势，所 以比时域更利于去噪； (4) 选基灵活性：由于小波变换可以灵活选择基函数，因此可根据信号特点 和去噪要求选择适合小波。 小波在信号去噪领域已得到越来越广泛的应用。阈值去噪方法是一种实现简 单、效果较好的小波去噪方法。阈值去噪方法的思想就是对小波分解后的各层系 数中模大于和小于某阈值的系数分别处理，然后对处理完的小波系数再进行反变 换，重构出经过去噪后的信号。下面从阈值函数和阈值估计两方面对阈值去噪方 法进行介绍。 1．阈值函数 常用的阈值函数主要是硬阈值函数和软阈值函数。 (1)硬阈值函数。表达式为( )w wI(| |w)T  ，如图4.18所示，其中横坐标 表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。 (2)软阈值函数。表达式为 ( )w ( wsgn( )w)T(|I |w)T   ，如图4.19所示， 其中横坐标表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。 一般来说，硬阈值方法可以很好地保留信号边缘等局部特征，软阈值处理相 对要平滑，但会造成边缘模糊等失真现象。为了克服上述缺陷，最近提出了一种 半软阈值函数，如图 4.20 所示。它可以兼顾软阈值和硬阈值方法的优点，其表 达式为 T (| w | T2 )  1 w w     ( ) sgn((I) T | w| T) wI(| w| T) 1 2 2 T T  2 1 其中T0 T 。 1 2 在软阈值的基础上，可以对其改进使其具有更高阶，如图 4.21 所示。可以 看出它在噪声(小波系数)与有用信号(小波系数)之间存在一个平滑过渡区，更符 合自然信号/图像的连续特性。其表达式为  T w T   w T  2 1k   1 2 1k  ()w w w T | |   2k (2 k 1) T   