MATLAB小波变换在图像压缩中的应用.docVIP

设计及要求：设计：Matlab软件作为编程工具，通过Matlab相关语句，利用小波变换对图像进行处理，使图像压缩，再比较图像压缩的结果。 设计要求： Matlab环境下编写程序对静态图像进行分解并压缩，输出其压缩前后的图像进行分析比较，查看工作区的数据比较压缩前后图像的大小。 指导教师签名： 2014年月25日 指导教师签名： 2014年月29日 验收盖章 201年月2日 1 引言 小波分析诞生于20世纪80年代, 被认为是调和分析即现代Fourier分析发展的一个崭新阶段。众多高新技术以数学为基础,而小波分析被誉为“数学显微镜”,这就决定了它在高科技研究领域重要的地位。目前, 它在模式识别、图像处理、语音处理、故障诊断、地球物理勘探、分形理论、空气动力学与流体力学上的应用都得到了广泛深入的研究,甚至在金融、证券、股票等社会科学方面都有小波分析的应用研究。 在传统的傅立叶分析中，信号完全是在频域展开的，不包含任何时频的信息，这对于某些应用来说是很恰当的，因为信号的频率的信息对其是非常重要的。但其丢弃的时域信息可能对某些应用同样非常重要，所以人们对傅立叶分析进行了推广，提出了很多能表征时域和频域信息的信号分析方法，如短时傅立叶变换，Gabor变换，时频分析，小波变换等。其中短时傅立叶变换是在傅立叶分析基础上引入时域信息的最初尝试，其基本假定在于在一定的时间窗内信号是平稳的，那么通过分割时间窗，在每个时间窗内把信号展开到频域就可以获得局部的频域信息，但是它的时域区分度只能依赖于大小不变的时间窗，对某些瞬态信号来说还是粒度太大。换言之，短时傅立叶分析只能在一个分辨率上进行。所以对很多应用来说不够精确，存在很大的缺陷。 而小波分析则克服了短时傅立叶变换在单分辨率上的缺陷，具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整，在一般情况下，在低频部分（信号较平稳）可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下（频率变化不大）可以用较低的频率分辨率来换取精确的时间定位。 2 设计原理 (R)中满足下述条件的一个函数或者信号ψ(x) 这里，=R-{0}表示非零实体。 对于任意的函数或者信号，其小波变换定义为 因此，对任意的函数，它的小波变换时一个二元函数。 另所谓多分辨分析是指设{；}是(R)上的一列闭子空间，其中的一函数，如果它们满足如下五个条件，即： （1）单调性：，； （2）唯一性：； （3）稠密性：(R)； （4）伸缩性：，； （5）Riesz基存在性：存在，使得{；}构成的Riesz基。称为尺度函数。那么称{{；}，}是(R)上的一个多分辨分析。 若定义函数，，则由多分辨分析的定义，容易得到一个重要结果，即函数族 {；} 是空间的标准正交基。关于多分辨分析，在这里以一个三层的分解进行说明，其小波分解树如图2.1所示（A表示低频，D表示高频）。 图2.1 小波分解法 从图中可以明显看出，多分辨分析只是对低频部分进行进一步分解，而高频部分则不予考虑。分解具有关系， 另外强调一点，这里只是以一个层分解进行说明，如果要进行进一步分解，则可以把低频部分分解成低频部分和高频部分，以下再分解，依次类推。在理解多分辨分析时，必须牢牢把握一点，即分解的最终目的是力求构造一个在频率上高度逼近空间的正交小波基，这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。从图2.1可以看出，多分辨分析只对低频空间进行进一步的分解，使频率的分辨率变得越来越高。 2.1.2 小波变换的重构算法 设{}、{}（i=1,2,3）是由两个一元两尺度序列得到的二元尺度序列，即 =，=,=,= 则有重构算法为 = 小波重构的数据传递示意图如图2.2所示 图2.2 小波重构数据流示意图 2.2 小波变换在图像压缩中的应用 二维离散小波变换后的系数分布 构成了信号的二维正交小波分解系数(如图2.3所示), 图2.3 二维正交小波分解系数 它们每一个都可被看做一幅图像,给出了垂直方向的高频分量的小波分解系数，给出了水平方向的高频分量的小波分解系数，给出了对角方向高频分量的小波分解系数，给出了的低频分量的小波分解系数。由此可见，若用，，，分别表示，，，经2∶1亚抽样后的变换系数(