小波分析基础精要.pptVIP

一、认识小波 简单实例 例 Fourier变换 close all, clear all, t=0:0.001:1.3; x=sin(2*pi*50*t)+sin(2*pi*300*t); f1=x+3.3*randn(1,length(t)); subplot(121);plot(f1); xlabel(时间);ylabel(幅值); title(原始信号); y=fft(f1,1024); p=y.*conj(y)/1024; f2=1000*(0:511)/1024; subplot(122); plot(f2,p(1:512)); xlabel(频率); ylabel(功率谱密度); title(信号功率) 例 连续小波变换 close all, clear all, t=0:0.01:1; x=3*sin(100*pi*t)+2*sin(64*pi*t)+5*cos(72*pi*t); f=x+randn(1,length(t)); coefs=cwt(f,[1:0.2:3],db3,plot); xlabel(时间); ylabel(尺度); title(不同的尺度小波变换系数值) 例 计算尺度方程系数 close all, clear all, w=db5; [Lo_D,Hi_D,Lo_R,Hi_R]=wfilters(w); subplot(221);stem(Lo_D);title(分解低通滤波器);grid; subplot(222);stem(Hi_D);title(分解高通滤波器);grid; subplot(223);stem(Lo_R);title(重构低通滤波器);grid; subplot(224);stem(Hi_R);title(重构高通滤波器);grid; 例 一维离散小波变换 close all, clear all, x=sin(0.3*[1:300]); lx=length(x); w=db9; subplot(5,1,1); plot(x); title(原始信号); [Lo_D,Hi_D,Lo_R,Hi_R]=wfilters(w); [ca1,cd1]=dwt(x,w); x1=idwt(ca1,cd1,w,lx); subplot(5,2,5);plot(x1);title(idwt重构造信号); errx1=x-x1; errx1max=max(abs(x-x1)) subplot(5,2,6);plot(errx1);title(idwt重构造误差); axis([0,300,-2e-11,2e-11]); 例 含噪图像的处理 close all, clear all, load woman2; subplot(221); image(X); colormap(map); title(原始图像); axis square init=2055615777; randn(seed,init); x=X+28*randn(size(X)); subplot(222);image(x);colormap(map); title(含噪图像); axis square [c,l]=wavedec2(x,2,sym4); n=[1,2]; p=[19,19]; nc=wthcoef2(h,c,l,n,p,s); nc=wthcoef2(v,c,l,n,p,s); nc=wthcoef2(d,c,l,n,p,s); xx=waverec2(nc,l,sym4); subplot(223);image(xx);colormap(map); title(消噪的图像);axis square 因为 代入(3.34)式得 故 从而 我们得到如下的递推公式： (3.35) 通过公式(3.33)和(3.35)，可以很快计算出尺度系数和小波系数{cj,k,dj,k}，这就是著名的Mallat算法： 因此，只要确定VJ空间的初始序列{cJ,k}k?Z，就可以算出任意空间Vj(jJ)的所有尺度系数和小波系数。公式(3.33)和(3.35)称为离散小波变换的分解公式。 又由于?Vj+1=Vj?Wj， Vj?Wj，因此Vj上的标准正交基与Wj上的标准正交基是相互正交的。它们共同构成Vj+1上的标准正交基，则Vj+1上的函数{?j+1,n}j,n?Z可以由这两个基共同表示： 有前面的计算可知： 故 从而 这就是Mallat重构算法： 小波的应用[1,4,8,9] 小波的应用主要是信号的处理，其中最典型的应用是小波图象压缩。另外，小波在诸如信号去噪、特征提取等多方面均有成功的应用。下面以图象去噪为例说明小波应用策略。小波的各种应用均可分为以下三步： 1）对原始信号作小波变换，将信号由空域变换到频域； 2）对小