得到的离散小波变换的系数.PPT

*  在每个可能的缩放因子和平移参数下计算小波系数，其计算量相当大，将产生惊人的数据量，而且有许多数据是无用的。 如果缩放因子和平移参数都选择为2j（j0且为整数）的倍数， 即只选择部分缩放因子和平移参数来进行计算， 就会使分析的数据量大大减少。 § 9.2.小波变换 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 使用这样的缩放因子和平移参数的小波变换称为双尺度小波变换（Dyadic Wavelet Transform），它是离散小波变换（Discrete Wavelet Transform， DWT）的一种形式。 通常离散小波变换就是指双尺度小波变换。 § 9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 执行离散小波变换的有效方法是使用滤波器， 该方法是Mallat于1988年提出的，称为Mallat算法(马拉)。这种方法实际上是一种信号分解的方法， 在数字信号处理中常称为双通道子带编码。  §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 一个滤波器为低通滤波器，通过该滤波器可得到信号的近似值A（Approximations） 另一个为高通滤波器， 通过该滤波器可得到信号的细节值D（Detail）。 § 9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 实际应用中，信号的低频分量往往是最重要的，而高频分量只起一个修饰的作用。如同一个人的声音一样， 把高频分量去掉后，听起来声音会发生改变，但还能听出说的是什么内容，但如果把低频分量删除后，就会什么内容也听不出来了。 §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 图 多级信号分解示意图 （a） 信号分解； (b) 小波分树； （c）小波分解树 § 9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 多分辨分析能将信号在不同分辨级上进行分解，分解得到低一级上的信号叫平滑信号，它反映信号的概貌；在高一级上存在而在低一级上消失的叫细节信号，它刻画信号的细节。这种信号分解的能力能将各种交织在一起的不同频率组成的混合信号分解成不同频带的子信号，因而能有效地应用于信号的分析和重构、信号和噪声分离技术、特征提取等问题。 如图可以看出，多频分辨分析只是对低频部分进行进一步分解，使频率的分辨率变得越来越高。 §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3离散小波变换 在使用滤波器对真实的数字信号进行变换时，得到的数据将是原始数据的两倍。 根据尼奎斯特(Nyquist)采样定理就提出了降采样的方法，即在每个通道中每两个样本数据取一个，得到的离散小波变换的系数(coefficient)分别用cD和cA表示 §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3小波重构 将信号的小波分解的分量进行处理后，一般还要根据需要把信号恢复出来，也就是利用信号的小波分解的系数还原出原始信号，这一过程称为小波重构（Wavelet Reconstruction）或叫做小波合成（Wavelet Synthesis）。 这一合成过程的数学运算叫做逆离散小波变换（Inverse Discrete Wavelet Transform， IDWT）。 §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 (1) 重构近似信号与细节信号 由小波分解的近似系数和细节系数可以重构出原始信号。 同样，可由近似系数和细节系数分别重构出信号的近似值或细节值，这时只要近似系数或细节系数置为零即可。 9.2.3小波重构 §9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 9.2.3小波重构 重构近似和细节信号示意 （a） 重构近似信号； (b) 重构细节信号 § 9.2.小波变换 * 第九章 小波理论及小波滤波去噪方法 (2)多层重构 重构出信号的近似值A1与细节值D1之后，则原信号可用A1＋D1＝S重构出来。对应于信号的多层小波分解，小波的多层重构图: 9.2.3小波重构 重构过程为：A3＋D3＝A2；A2＋D2＝A1； A1+D1＝S。 §9.2.小波变换 * § 9.3.小波滤波去噪方法 第九章 小波理论及小波滤波去噪方法 9.3.1小波分析的去噪原理 在实际工程应用中，通常所分析的信号具有非线性，非平稳,并且奇异点较多的特点。含噪的一维信号模型可表示为： 其中，f(t)为真实信号