小波变换专题讲座.pptVIP

专题讲座—小波变换;主要内容;引言;时频展开;时频展开主要内容;短时傅里叶变换STFT;窗函数w根据?进行了时移，扩展傅里叶变换表达式;问题;Gabor变换引言;Gabor变换; 小波变换是强有力的时频分析(处理)工具，是在克服傅立叶变换缺点的基础上发展而来的。已成功应用于很多领域，如信号处理、图像处理、模式识别等。 小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征，它能够提供目标信号各个频率子段的频率信息。这种信息对于信号分类是非常有用的。 小波变换一个信号为一个小波级数，这样一个信号可由小波系数来刻画。;部分小波波形 ;小波基函数;小波分析;连续小波变换;CWT的变换过程;CWT的变换过程图示;CWT小结;离散小波变换;离散小波变换定义;使用离散小波分析得到的小波系数、缩放因子和时间关系如图所示。 图(a)是20世纪40年代使用Gabor开发的短时傅立叶变换(short time Fourier transform，STFT)得到的时间-频率关系图 图(b)是20世纪80年代使用Morlet开发的小波变换得到的时间-缩放因子(反映频率)关系图。;DWT变换方法;在许多应用中，信号的低频部分是最重要的，而高频部分起一个“添加剂”的作用。 比如声音，把高频分量去掉之后，听起来声音确实是变了，但还能够听清楚说的是什么内容。相反，如果把低频部分去掉，听起来就莫名其妙。 在小波分析中，近似值是大的缩放因子产生的系数，表示信号的低频分量。而细节值是小的缩放因子产生的系数，表示信号的高频分量。;离散小波变换可以被表示成由低通滤波器和高通滤波器组成的一棵树 原始信号通过这样的一对滤波器进行的分解叫做一级分解 信号的分解过程可以叠代，也就是说可进行多级分解。 如果对信号的高频分量不再分解，而对低频分量连续进行分解，就得到许多分辨率较低的低频分量，形成如图所示的一棵比较大的树。这种树叫做小波分解树(wavelet decomposition tree) 分解级数的多少取决于要被分析的数据和用户的需要;小波包分解树 ;cAj+1;标准分解流程示意;非标准分解是指使用一维小波交替地对每一行和每一列像素值进行变换。首先对图像的每一行计算像素对的均值和差值，然后对每一列计算像素对的均值和差值。这样得到的变换结果只有1/4的像素包含均值，再对这1/4的均值重复计算行和列的均值和差值，依此类推。非标准分解的过程如下:;非标准分解流程示意;使用Matlab;dwt函数;idwt函数;wcodemat函数;dwt2函数;示例1：对图象做2-D小波分解;实验结果;wavedec2函数;idwt2函数;示例：2-D小波重构;实验结果;示例;实验结果;waverec2函数;示例：两层分解重构;实验结果;小波分析在信号降噪中的应用;如何选择一个阀值是关键;基于Matlab的示例 基于小波变换;load noisdopp; x=noisdopp; [c,l]=wavedec(x,5,db4); ca=wrcoef(a,c,l,db4,5); index=l(2)+1:l(7); c1=c; c1(index)=c(index)/3; x2=waverec(c1,l,db4); subplot(311); plot(x); title(Original Signal); subplot(312); plot(ca); title(Recover Signal); subplot(313); plot(x2); title(Recover with dimming);;基于Matlab的示例：基于FFT;信号的频谱;利用FFT滤波（使用不同的宽度）;load noisdopp; x=noisdopp; y=fft(x,1024); pyy=y.*conj(y);%?óYμ??￡??·? f=1000*(0:512)/1024; %plot(f,pyy(1:513)); % y1=y;y1(10:1024)=0; y2=y;y2(30:1024)=0; y3=y;y3(50:1024)=0; xd1=real(ifft(y1,1024)); xd2=real(ifft(y2,1024)); xd3=real(ifft(y3,1024)); subplot(411);plot(x);title(Original Signal); subplot(412);plot(xd1);title(width=10); subplot(413);plot(xd2);title(width=30); subplot(414);plot(xd3);title(width=50);;FFT Vs DWT ;小波分析在信号压缩中的应用;;load wbarb; [ca1,ch1,