小波应用与算法作业.docxVIP

什么是一维小波变换？相对于传统信号处理方法它有什么特点？为什么要对信号或图像作多尺度分析？小波变换是信号处理、图像压缩和模式识别等诸多领域中一个非常有效的数学分析工具，它是一种信号的时间—尺度（时间—频率）分析方法，它具有多分辨率分析的特点，而且与傅里叶变换不同，它具有时频两域都具有表征信号局部特征的能力。在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬变反常信号。小波应用于信号去噪已取得了极大的成功。但是在小波阈值去噪中信号边缘处出现的振荡现象一直困扰着小波去噪的应用。小波阈值去噪方法在边缘处产生振荡的原因是由于阈值去噪所采用的小波变换算法没有平移不变性，并且去噪结果依赖于小波基函数、尺度基函数与信号的空间结构的匹配程度，多尺度边缘检测方法能减轻阈值对边缘检测的负面影响，用强度阈值来提取重要边缘并剔出噪声。编程实现信号的多尺度分解与重构的快速算法（不使用函数dwt和idwt）。一维小波分解的程序：function [cA,cD] = mydwt(x,lpd,hpd,dim);% 函数 [cA,cD]=MYDWT(X,LPD,HPD,DIM) 对输入序列x进行一维离散小波分解，输出分解序列[cA,cD]% 输入参数：x——输入序列；%????????? lpd——低通滤波器；%????????? hpd——高通滤波器；%????????? dim——小波分解级数。% 输出参数：cA——平均部分的小波分解系数；%?????????? cD——细节部分的小波分解系数。cA=x;?????? % 初始化cA，cDcD=[];for i=1:dim cvl=conv(cA,lpd);?? % 低通滤波，为了提高运行速度，调用MATLAB提供的卷积函数conv() dnl=downspl(cvl);?? % 通过下抽样求出平均部分的分解系数 cvh=conv(cA,hpd);?? % 高通滤波 dnh=downspl(cvh);?? % 通过下抽样求出本层分解后的细节部分系数 cA=dnl;???????????? % 下抽样后的平均部分系数进入下一层分解 cD=[cD,dnh];??????? % 将本层分解所得的细节部分系数存入序列cDendfunction y=downspl(x);% 函数 Y=DOWMSPL(X) 对输入序列进行下抽样，输出序列 Y。% 下抽样是对输入序列取其偶数位，舍弃奇数位。例如 x=[x1,x2,x3,x4,x5]，则 y=[x2,x4].N=length(x);??????? % 读取输入序列长度M=floor(N/2);??????? % 输出序列的长度是输入序列长度的一半（带小数时取整数部分）i=1:M;y(i)=x(2*i);而重构则是分解的逆过程，对低频系数、高频系数分别进行上抽样和低通、高通滤波处理。要注意重构时同一级的低频、高频系数的个数必须相等。function y = myidwt(cA,cD,lpr,hpr);% 函数 MYIDWT() 对输入的小波分解系数进行逆离散小波变换，重构出信号序列 y% 输入参数：cA —— 平均部分的小波分解系数；%?????????? cD —— 细节部分的小波分解系数；%?????????? lpr、hpr —— 重构所用的低通、高通滤波器。lca=length(cA);???????????? % 求出平均、细节部分分解系数的长度lcd=length(cD);while (lcd)=(lca)????????? % 每一层重构中，cA 和 cD 的长度要相等，故每层重构后， % 若lcd小于lca，则重构停止，这时的 cA 即为重构信号序列 y 。 upl=upspl(cA);????????? % 对平均部分系数进行上抽样 cvl=conv(upl,lpr);????? % 低通卷积 cD_up=cD(lcd-lca+1:lcd);??? % 取出本层重构所需的细节部分系数，长度与本层平均部分系数的长度相等 uph=upspl(cD_up);?????? % 对细节部分系数进行上抽样 cvh=conv(uph,hpr);????? % 高通卷积 cA=cvl+cvh;???????????? % 用本层重构的序列更新cA，以进行下一层重构 cD=cD(1:lcd-lca);?????? % 舍弃本层重构用到的细节部分系数，更新cD lca=length(cA);???????? % 求出下一层重构所用的平均、细节部分系数的长度 lcd=length(cD);end???????????????????????? % lcd lca，重构完成，结束循环y=cA;???