交通信号检测-Matlab实验解析.docVIP

课程设计报告 实验项目名称：交通信号检测-Matlab实验 专业名称： 计算机科学与技术 班级： *** 学号： *** 学生姓名： *** 教师姓名： *** 2014 年 10 月 6 日一.实验名称： 信号降噪 二.原理： 基于小波的信号去噪问题在数学上是一个函数逼近的问题，即如何在由小波基函数伸缩和平移所张成的函数空间中，根据某一个衡量准则，寻找对真实信号的最佳逼近，以期达到将噪声从真实信号中去除的目的。 由小波信号去噪问题的数学描述，实际上，基于小波的信号去噪就是为了寻找从含噪信号空间到小波函数空间的最佳映射，以便得到真实信号的最佳恢复。 从信号学的角度看,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波,但由于在去噪后,还能成功地保留信号特征,所以在这一点上又优于传统的低通滤波器。由此可见,小波去噪实际上是特征提取和低通滤波的综合,其流程框图如图所示： 带噪信号 重建信号 特征信号 小波分析的重要应用之一就是用于信号消噪?,一个含噪的一维信号模型可表示为如下形式： S(k)=f(k)+ ε*e(k)??k=0.1…….n-1 假设e(k)为高斯白噪声,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,下面对S(k)信号进行如图结构的小波分解,则噪声部分通常包含在Cd1、Cd2、Cd3中,只要对Cd1,Cd2,Cd3作相应的小波系数处理,然后对信号进行重构即可以达到消噪的目的。 三．方法： 对信号去噪实质上是抑制信号中的无用部分，增强信号中有用部分的过程。一般地，一维信号去噪的过程可分为如下3个步骤：? 步骤1：一维信号的小波分解。选择一个小波并确定分解的层次，然后进行分解计算。? 步骤2：小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理。? 步骤3：一维小波重构。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。? 这3个步骤中，最关键的是如何选择阈值以及进行阈值量化。在某种程度上，它关系到信号去噪的质量。? 总体上，对于一维离散信号来说，其高频部分所影响的是小波分解的第一层细节，其低频部分所影响的是小波分解的最深层和低频层。如果对一个仅由白噪声所组成的信号进行分析，则可得出这样的结论：高频系数的幅值随着分解层次的增加而迅速地衰减，且其方差也有同样的变化趋势。 小波分析工具箱中用于信号去噪的一维小波函数是wden()的wdencmp()。?小波分析进行去噪处理一般有下述3种方法。? （1）默认阈值去噪处理。该方法利用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪处理。? （2）给定阈值去噪处理。在实际的去噪处理过程中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可利用函数wthresh()。? （3）强制去噪处理。该方法是将小波分解结构中的高频系数全部置为0，即滤掉所有高频部分，然后对信号进行小波重构。这种方法比较简单，且去噪后的信号比较平滑，但是容易丢失信号中的有用成分。 四.仿真实验： 1.几种确定阈值法信号如图示 2.阈值选取方法比较 3.硬阈值和软阈值 4.抑制细节系数实现降噪 从该例可以看出，降噪过程中不光抑制了噪声，也抑制了很多有用的信息成分。 5.FFT实现信号降噪 可以看出，傅里叶变换只能在频域范围内表述，对系数处理的手法也相对单一，而小波分解之后可以在各个层次选择阈值，对噪声成分进行抑制，手段更加灵活。 6.Matlab缺省降噪命令 可以看出，全局阈值和部分阈值方法降噪的信号都很好的保留了信号发展初期的高频特性，且性能参数优于以前的一直抑制细节系数策略和FFT方法。 7.二维信号的小波降噪 从该例可以看出，与全局阈值相比，分层阈值在保留同样能量成分的情况下，有着更好的相似性。 一.实验名称： 图像增强 二.原理： 图像增强是一类基本的图像处理技术，其目的是对图像进行加工，以得到对具体应用来说视觉效果更好、更有用的图像。这里的好和有用要因具体的应用目的和要求而异，并且所需的具体增强技术也可不同。 目前常用的增强技术根据其处理所进行的空间不同，可分为基于图像域的方和基于变化域的方法域的方法。第一类，直接在图像所在的空间进行处理，也就是在像素组成的空间里直接对像素进行操作二类，在图像的变化域对图像进行间接处理。空间变换增强又包含了增强对比度和图像求反。增强对比度实际是增强原图像的各部分的反差。实际中往往是通过原图