小波变换总结.docxVIP

1.小波分析用于去噪二维信号用二维小波分析的去噪步骤如下：（1.）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解。（2）对高斯系数进行阈值量化。对于从1到N的每一层，选择一个阈值，并对这一层的高斯系数进行软阈值量化处理。（3）二维信号的重构。根据小波分解的第N层的低频系数和经过修改的从第1层到第N层的各层高频系数计算二维信号的小波重构。其中的重点是如何选取阈值和阈值的量化，本代码中使用了ddendmp和wdencmp函数。代码如下：load detfingr%装入图像init=3718025452;%下面进行噪声的生成randn(seed,init);%randn产生均值0，方差1的正态随机噪声Xnoise=X+18*(randn(size(X)));colormap(map);%显示原始图像以及它的含噪声的图像subplot(221),image(wcodemat(X,192));title(原始图像X);axis squaresubplot(222),image(wcodemat(Xnoise,192));title(含噪声的图像Xnoise);axis square[c,s]=wavedec2(X,2,sym5);%用sym5小波对图像信号进行二层的小波分解%下面进行图像的去噪处理%使用ddencmp函数来计算去噪的默认阈值和熵标准%使用wdencmp函数用小波来实现图像的去噪和压缩[thr,sorh,keepapp]=ddencmp(den,wv,Xnoise);[Xdenoise,cxc,lxc,perf0,perfl2]=wdencmp(gbl,c,s,sym5,2,thr,sorh,keepapp);subplot(223),image(Xdenoise);%显示去噪后的图像title(去噪后的图像)axis square得到如下的图形：可以看出，最终得到的图像在滤除噪声的同时细节信息也损失严重。2.小波用于图像压缩一个图像作小波分解以后，可得到一系列不同分辨率的图像，不同分辨率的子图像对应的频率是不相同的。高分辨率（即高频）子图像上大部分点的数值都接近0，越是高频这种现象越明显。对于一个图像来说，表现一个图像最主要的部分是低频部分，所以一个最简单的压缩方法是利用小波分解，去掉图像的高频部分，而只保留低频部分。代码如下：[X,map]=imread(lena.bmp);%调入图像X=double(X)/255;%归一化处理figure(1);subimage(X);%显示图像colormap(map)[C,S]=wavedec2(X,2,bior3.7);%对图像用bior3.7进行2层小波分解thr=20;%设置小波系数阈值ca1=appcoef2(C,S,bior3.7,1);%提取小波分解结构中第一层的低频系数和高频系数ch1=detcoef2(h,C,S,1);cv1=detcoef2(v,C,S,1);cd1=detcoef2(d,C,S,1);a1=wrcoef2(a,C,S,bior3.7,1);%分别对各频率成分进行重构h1=wrcoef2(h,C,S,bior3.7,1);v1=wrcoef2(v,C,S,bior3.7,1);d1=wrcoef2(d,C,S,bior3.7,1);c1=[a1,h1;v1,d1];%进行图像压缩处理，保留小波分解第一层低频信息，进行图像的压缩%第一层的低频信息为ca1，显示第一层的低频信息%首先对第一层信息进行量化编码ca1=appcoef2(C,S,bior3.7,1);ca1=wcodemat(ca1,440,mat,0);ca1=0.5*ca1;figure(2),image(ca1)%显示第一次压缩图像colormap(map)%保留小波分解第二层低频信息，进行图像的压缩，此时压缩比更大%第二层的低频信息信息为ca2，显示第二层的低频信息ca2=appcoef2(C,S,bior3.7,2);%首先对第二层信息进行量化编码ca2=wcodemat(ca2,440,mat,0);%改变图像的高度ca2=0.5*ca2;%显示第二次压缩图像figure(3),image(ca2);colormap(map)试验结果如下：第一幅为原图，第二幅图像是用小波分解的第一层低频信息重构得到的。第三幅图像是用小波分解的第二层低频信息重构得到的。3.小波用于边界扭曲代码如下：%调入图像，设置DWT的填充模式为零填充，显示图像load geometry;subplot(221),image(X);title(a,原始图像);dwtmode(zpd);%利用sym4小波基，调用wavedec2函数对图像进行多级小波分解lev=3;[C,S]