小波变换创新.pptVIP

子带编码 一幅图像被分解成一系列带限分量的集合，称为子带。 重组子带可以无失真的重建原始图像。 子带编码二维滤波器组 尺度函数：描述近似值 小波函数：描述相邻近似值之间的差异 哈尔尺度函数 哈尔小波函数 图象处理与小波变换 二维： 一个尺度函数: 三个小波函数： 小波包分解 图7-23 重构近似和细节信号示意 （a） 重构近似信号； (b) 重构细节信号 2）多层重构 在图7-23中，重构出信号的近似值A1与细节值D1之后，则原信号可用A1＋D1＝S重构出来。对应于信号的多层小波分解，小波的多层重构如图7-24所示。由图7-24可见重构过程为：A3＋D3＝A2；A2＋D2＝A1；A1+D1＝S。 信号重构中，滤波器的选择非常重要，关系到能否重构出满意的原始信号。低通分解滤波器（L）和高通分解滤波器（H）及重构滤波器组（L′和H′）构成一个系统， 这个系统称为正交镜像滤波器（Quadrature Mirror Filters， QMF）系统， 如图7-25所示。 图7-24 多层小波重构示意图 图7-25 多层小波分解和重构示意图 4. 小波包分析 小波分析是将信号分解为近似与细节两部分，近似部分又可以分解成第二层近似与细节，可以这样重复下去。对于一个N层分解来说， 有N+1个分解信号的途径。 而小波包分析的细节与近似部分一样，也可以分解，对于N层分解，它产生2N个不同的途径，图7-26是一个小波包分解示意图。 图7-26 小波包分解示意图 小波包分解也可得到一个分解树， 称其为小波包分解树（Wavelet Packet Decomposition Tree）， 这种树是一个完整的二叉树。小波包分解方法是小波分解的一般化， 可为信号分析提供更丰富和更详细的信息。信号S可表示为AA2＋ADA3＋DDA3＋D1等。 小波信号去噪一 小波信号去噪二 ?????? 小波图像去噪 因为噪声信号多包含在具有较高频率的细节中，所以小波去噪首先对图像信号进行小波分解，可利用门限阈值对所分解的小波系数进行处理，然后对图像信号进行小波重构，抑制图像信号中的无用部分，恢复图像信号中的有用部分。具体步骤为： 图像信号的小波分解：选择合适的小波及恰当的分解层次N，对目标图像进行N层的小波分解； 对分解后的高频系数进行阈值量化：对于分解的每一层，选择恰当的阈值，对该层高频系数进行阈值量化处理； 重构图像：根据小波分解后的第N层近似的低频系数和经过阈值量化处理后的细节高频系数，重构图像。 7.3 小波变换的性质 （1）线性 （2）平移和伸缩的共变性 （3）小波变换还有微分运算、局部正则、能量守恒、空间-尺度局部化等特性。 7.4 离散小波变换（DWT） 离散小波函数、离散小波变换、反变换分别定义如下： 7.5 二维小波 连续的二维小波函数、小波变换和反变换分别如下： 二维离散小波变换和反变换分别为： 执行离散小波变换的有效方法是使用滤波器， 该方法是Mallat于1988年提出的，称为Mallat算法。这种方法实际上是一种信号分解的方法， 在数字信号处理中常称为双通道子带编码。 用滤波器执行离散小波变换：S表示原始的输入信号， 通过两个互补的滤波器组， 其中一个滤波器为低通滤波器，通过该滤波器可得到信号的近似值A（Approximations），另一个为高通滤波器， 通过该滤波器可得到信号的细节值D（Detail）。 图7-19 小波分解示意图 在小波分析中，近似值是大的缩放因子计算的系数，表示信号的低频分量，而细节值是小的缩放因子计算的系数，表示信号的高频分量。实际应用中，信号的低频分量往往是最重要的，而高频分量只起一个修饰的作用。如 声音。 离散小波变换可以表示成由低通滤波器和高通滤波器组成的一棵树。 原始信号经过一对互补的滤波器组进行的分解称为一级分解。 如果对信号的高频分量不再分解，而对低频分量进行连续分解-------信号的多分辨率分析。 称其为信号的小波分解树（Wavelet Decomposition Tree）。实际中， 分解的级数取决于要分析的信号数据特征及用户的具体需要。 图7-20 多级信号分解示意图 （a） 信号分解； (b) 小波分数； （c）小波分解树 半波滤波器 A dH dD dV Vj Wj-1 Vj-1 RETURN 3. 小波重构 将信号的小波分解的分量进行处理后，