一种改进小波阈值去噪算法研究.docVIP

一种改进小波阈值去噪算法研究 　　摘 要： 研究小波去噪算法中软阈值函数与硬阈值函数的方法，针对一些可变阈值函数的运算复杂的问题，提出一种新的阈值函数。经仿真测试，改进的小波阈值去噪算法的信噪比为20.103，去噪后，数据的均方误差为0.1152。 　　关键词： 小波；去噪；阈值函数 　　中图分类号：TN911.4 文献标识码：A 文章编号：1671－7597（2012）0310036－03 　　 　　0 引言 　　在数字信号处理领域，对信号噪声的处理一直都是经典的研究课题，其中，应用小波理论对带噪信号进行滤波去噪是研究和应用最广泛的方法之一。 　　早在1992年，法国科学家Mallat就对小波在信号处理中应用进行了研究，利用Lipschitz指数在多个尺度上描述信号和图像噪声的数学特性，即基于信号奇异特性的信号和图像多尺度边缘表示法，提出了利用小波变换模极大值原理的重构去噪方法[1]。此后，1995年Donoho和Johnstone等人年提出了基于经典的硬阈值和软阈值去噪方法，推导出统一阈值的计算公式，并取得了大量的理论和应用成果[2]。接着，Bruce和Gao对硬阈值和软阈值方法进行改进，提出了半软阈值方法[3]，研究了不同收缩函数的特性，推导出最小最大阈值以及阈值估计的偏差、方差等的计算公式。 　　在这之后，小波阈值去噪算法的研究进入到了快速发展的时期。1999年，Nowak等人提出了针对光子图像系统的小波变换域去噪算法，即press-最优非线性小波去噪方法，它根据图像局部区域的大小，通过调整press-最优滤波器，使其与光子（泊松）噪声的方差水平相匹配，其实质是介于软阈值方法和硬阈值方法之间的一种去噪方法。2000年，Chang等人提出一种小波阈值去噪方法，它针对的是图像空域，这种方法把自适应阈值去噪与平移不变量去噪相结合，所选阈值能够根据图像的统计特性作自适应调整。2005年，Zhang等人又创造性的提出了一种神经网络图像去噪算法。2006年，Maarten Jansen提出了对于重噪声的最小风险阈值方法。 　　在小波去噪方法的发展过程中，我国的众多学者对其中的方法分别提出了不少的改进方案，并取得了较好的效果。现今，小波去噪方面的研究仍很热门，并不断有新的去噪方法以及改进方案???现。小波去噪方法中的小波阈值去噪方法由于其简单、实用、有效性，而成为目前研究和应用最为广泛的方法，其众多改进方案的出现，又使小波阈值去噪方法更趋完善，同时也极大地拓展了小波去噪的内容。 　　1 小波阈值去噪算法 　　在小波阈值滤波方法中，有两个基本要素是阈值和阈值函数。 　　阈值的确定在阈值萎缩中是最关键的。有4种阈值原则可供选择：无偏似然估计原则，固定阈值原则，启发式阈值原则和极值阈值原则。 　　1）固定阈值原则 　　固定阈值 的计算公式如下： 　　 式中， 为信号 的长度。 　　2）无偏似然估计（SURE）原则 　　无偏似然估计原则是一种基于史坦（Stein）无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值 ，得到它的似然估计，再将似然 最小化，可以得到所选阈值。 　　我们设信号 为一个离散时间序列令信号 为 　　的升序序列，再令 　　则阈值 的计算公式如下： 　　 3）启发式阈值原则 　　分析启发式阈值原则的特性，该原则是无偏似然估计和固定阈值两种原则的均衡。如果对象的信噪比偏小，经过无偏似然估计处理的信号信噪比改善不大，噪声仍较大，这时我们可以采用固定阈值原则。若信号 　　的长度为 ，令 　　 　　4）极小极大（Minimax）阈值原则 　　该原则采用极大极小值原理选择阈值，由于阈值的选择依赖最小均方误差，虽然选取极值，但误差仍存在。统计学上，这种方法经常用于设计估计器。经过去噪的信号通常被看作与某个回归函数估计器相类似，因此，极值估计器就可以对特定函数的最大平方误差实现最小化。若信号 　　的长度为 ，按极值阈值原则的阈值计算公式如下： 　　 　　带噪信号（SNR=3.5db）在以上四种阈值原则下的去噪效果如图1所示。 　　 综上所述，固定阈值原则计算简单，但是得到的阈值通常过大，有“过扼杀”小波系数的倾向，从而会导致过多的高频量丢失；无偏似然估计原则是重建均方误差最小的阈值的估计版本，但是其趋向于“过保留”小波系数；极小极大阈值原则是基于最大均方误差最小化，更加保守，仅将部分系数置为零所以也会“过扼杀”小波系数，因此在信号的高频信息有很少一部分在噪声范围内，可以将弱小的信号提取出来；启发式阈值原则可以更有效地取出噪声，但也可能将有用信号的高频部分当作噪声滤除了。 　　在阈值萎缩中，阈值函数体现了对几种系数的不同处理策略，以及不同的估计方法。常用的两种阈