[2018年最新整理]小波变换的应用.ppt

小波变换的应用 小波变换的主要应用领域： 信号分析 图像处理 量子力学 理论物理 军事电子对抗与武器的智能化 目标分类与识别 音乐与语音的分解与合成 小波变换的主要应用领域： 医学成像与诊断 地震勘探数据处理 机械故障诊断 数值分析 微分方程求解 小波在图像压缩中的应用： 图像压缩的原理： 图像数据文件中通常包含有大量的冗余（redundancy)信息和不相干(irrelevancy)的信息。 包括：空间冗余；时间冗余；结构冗余；视觉冗余；知识冗余等。 传统的图像压缩方法基于Shannon信息论。其前提是： 任何一组随机分布的数据的信息量由其熵来表征。 现在，压缩技术的研究突破了传统信息论的框架，注入了人的感知特性，利用感知熵理论，使压缩效果得到了提高。 图像压缩的国际标准： 静止图像：JPEG,CCITT 电视电话/会议电视：H.261/H.263 活动图像：MPEG 静止图像：JPEG2000 活动图像：MPEG-4,MPEG-7 压缩效果评价： 图像压缩编码的三个阶段： 图像压缩编码方法： 统计编码 其理论基础是信息论。压缩的理论极限是信息熵。所以，也称为熵编码。熵编码是一种无失真编码方法。 主要的熵编码方法有：霍夫曼（Huffman)编码；算法编码；行程编码（RJC） 霍夫曼（Huffman)编码： 理论依据是变字长编码理论。 用变长度的码字来使冗余量达到最小。 出现概率大的字符（数）用较短的码字。 霍夫曼编码的一个例子： 图像压缩编码方法： 预测编码 预测编码是一种针对统计冗余的压缩编码方法。是一种有失真编码方法。它利用的是图像相邻象素之间的相关性，因此，一个象素可以由它的相邻象素来预测。 主要的预测编码方法有：差分脉冲编码调制法（DPCM）；自适应预测编码。 图像压缩编码方法： 变换编码 变换编码也是一种针对统计冗余的压缩编码方法。是一种有失真编码方法。它首先将图像时域信号变换到系数空间（变换域，频域），再在系数空间进行编码和其他处理。 主要的变换编码方法有：K-L变换，DCT变换，DFT变换，Haar变换，Walsh-Hadamard变换和小波变换。 对可用于图像压缩的变换的基本要求： 变换后能量更集中。 在变换域上，能量的分布更有规律。 变换的能量集中特性与压缩： 最优的正交变换： K-L变换 也称为特征向量变换或主分量变换。以图像的统计特征为基础。 它以输入图像的特征向量为变换核矩阵。因而变换核矩阵随输入图像而变化。 次优的正交变换： DCT变换 它与K-L变换的变换压缩性能核误差分接近，计算复杂度适中，具有可分离性，有快速算法。 在JPEG,MPEG,H.261等压缩标准中，都用到DCT变换编码进行数据压缩。 JPEG中的DCT变换编码： JPEG的缺点： 在低比特率的场合，压缩效果很差。 不能在同一码流中同时提供有损和无损两种压缩效果。 不分块的情况下，不能支持大于64KX64K的图像。 在有严重干扰的场合，解码后的图像质量下降。 自然图像的压缩效果优于计算机合成图像。 对二值图像（如文本）的压缩效果很差。 一般正交变换编码的流程框图： 二维可分多尺度分析： 利用行列变换法由两个一维多尺度分析构造二维多尺度分析。 与空间分解相对应，我们构造尺度函数和小波函数。 利用小波变换的图像压缩编码过程： 利用二维离散小波变换将图像分解为多层次的低频分量和高频分量。 对小波变换后的低频和高频分量，根据人类视觉生理特性分别作不同策略的量化处理。 将量化后的数据进行熵编码。 小波变换后的量化方法： 对低频分量可采用DCT变换，或“之”字形扫描，非均匀量化等方法。 对高频分量可采用阀值量化，或时频局部化量化方法。 小波变换后的熵编码方法： Huffman编码。 算术编码。 零树编码。 一个基于小波变换的图像压缩方案： 小波变换的时频局部化特性与分块量化： 小波变换的时频特性，使子图像的能量集中在图像信号变化较大的地方，而剩下的大部分区域能量较小。这个特性使我们可以将子图像分块，并对每个小块采用不同的量化方案（不同的量化级别）和不同的码率。 小波变换的时频局部化特性与分块量化： 各子图像的最佳码率分配。 各块量化电平和判断门限的确定。 小波变换后的整幅特性的码率分配。 可以改进的地方： 1.用小波包变换代替小波变换。 应用中应注意的问题： 小波基的选择。 准则：三个高频分量具有高度的局部相关性，而整体相关性被