小波变换在超声波检测中的应用.docVIP

小波变换在超声检测中的应用 摘 要：小波分析是一门正在迅速发展的新兴学科，目前，它在实际中得到了广泛的应用。研究小波的新理论、新方法以及新应用具有重要的理论意义和实用价值。本文旨在对小波去噪的基本方法如分解重构法阈值降噪法进行一个基本的理论介绍以及引用实例在Matlab环境中作出一个对比分析。主要内容包括：讨论了小波分析的基本理论；介绍分解重构法和阈值法的小波降噪的使用原理。最后是对降噪进行对比分析。 关键词：信号处理 小波变换 Matlab 小波降噪在超声检测中的应用 1.引言 1984 年, 法国地球物理学家Morlet 在分析地震波的局部特性时首次采用了小波变换. 由于其在时频两域都具有表征信号局部特征的能力和多分辨率分析的特点, 因此被誉为“数学显微镜”。小波变换的基本思想是将原始信号通过伸缩和平移后, 分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号, 这些子带信号具有良好的时域、频域等局部特征. 这些特征可用来表示原始信号的局部特征, 进而实现对信号时间、频率的局部化分析,从而克服了傅里叶分析在处理非平稳信号和复杂图像时所存在的局限性.随着小波理论的日趋成熟, 人们对小波变换的实际应用越来越重视, 它已广泛地应用于信号处理、图像处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、CT 成像、彩色复印、流体湍流、模式识别、机器视觉、机械故障诊断与监控以及数字电视等科技领域. 最近几年, 一些学者将小波变换与人工智能及其它理论相结合进行研究, 并且已经取得了重要的成果. 本文介绍小波变换理论，并将之应用于超声波检测的信号处理中. 2.小波变换的基本原理 小波变换和傅里叶变换的出发点都是将信号表示成基函数的线性组合, 所不同的是傅里叶变换采用时间属于的谐波函数作为基函数, 而小波变换的基函数是具有紧支集的母函数, 通过对母函数进行伸缩和平移得到一个小波序列: 若a，b不断的变化，我们可由得到一族函数。给定平方可积的信号，即,则的小波变换（Wavelet Transform，WT）: a是尺度因子，b是时移因子，因子是归一化常数，用来保证变换的能量守恒，即 又称为母小波或基本小波。是母小波经过移位和伸缩所产生的一族函数，称之为小波基函数，或简称小波基。时移b的作用是确定对分析的时间位置，也即时间中心。尺度因子a 的作用是把基本小波伸缩。如果，则信号波形收缩；反之，若，则波形伸展。 若t/a用t代替，则 随着a的增加，通过一个恒定的滤波器观察到被压缩了的信号波形。可见，尺度因子a解释了信号在变换过程中尺度的变化，用大尺度可观察到信号的总体，用小尺度可观察到信号的细节。 令的傅里叶变换为,的傅里叶变换为，由Fourier变换的性质，的傅里叶变换为 小波函数的频域表示 当a减小时，小波函数的时宽减小，频宽增大，且的窗口中心向减小方向移动。这说明连续小波变换的局部化是变化的，在高频处时频分辨率高，即具由“变焦”的性质，这也是我们追求的自适应窗的性质。 由Parseval定理，小波变换又可以表示为： 小波消噪的基本原理 一个含噪声的一维信号的模型可表示为：式中，为真实信号；为噪声；为含噪信号。在实际工程中，有用信号通常表现为低频信号或较平稳的信号，噪声信号则表现为高频信号，所以去噪过程可按以下方法进行处理。 (首先对实际信号进行小波分解，选择小波并确定分解层次为N，则噪声部分通常包含在高频中。 (然后对小波分解的高频系数进行门限阈值量化处理。 (最后根据小波分解的第N 层低频系数和经过量化后的1～N 层高频系数进行小波重构，达到消除噪声的目的，即抑制信号的噪声，在实际信号中恢复真实信号。 总体上，对于一维离散信号来说，其高频部分所影响的是小波分解的第一层细节，其低频部分所影响的是小波分解的最深层和低频层。 3. 小波去噪的方法 3.1 小波分解与重构法去噪 设一个噪声污染的信号模型描述为：式中，表示为降质信号，表示为原信号，表示加性噪声，表示乘性噪声。大多数情况下，信号降质过程可看成是线性不变模型，上式可改写为：式中，为高斯白噪声，小波的多分辨分析特性能将信号在不同尺度下进行多分辨率的分解，并将交织在一起的各种不同频率组成的混合信号分解成不同频段的子信号，因而对信号具有按频带处理的能力。因为噪声是一个实的、方差为的平稳的高斯白噪声，其小波系数的平均功率与尺度成反比。并且它的离散细节信号的幅值随着小波变换级数的增长而不断减少。对于所有的尺度，白噪声小波变换的离散细节信号系数的反差随着尺度的增加会有规律地减少。又因为小波变换是线性变换，所以降质信号的小波系数是信号的小波系数和噪声的小波系数的和；降质信号的离散逼近部分和离散细节部分分别是信号变换后的离散逼近部分和离散