matlab小波学习总结.doc

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 square subplot(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);t