第七章 小波变换与多分辨率处理.ppt

快速小波变换将一个函数分解为一系列与对数相关的频段 低频被组成窄频段 高频被组成宽频段 想要较大的控制时频平面的一部分，FWT必须有更灵活的分解——小波包 产生过程的代价是FWT计算复杂度增加，从O(M)到O(MlogM) 6. 小波包 考虑两阶的滤波器族，分解过程用二叉树表示 根节点被赋予最高的尺度近似系数，它是函数自身的取样 叶子继承变换的近似细节和系数细节的输出 两尺度FWT分析族的一个系数数和分析数 6. 小波包 三尺度FWT分析族、分析数和相应的频谱 三尺度FWT分析滤波框图 分解空间树 谱分离特性 6. 小波包 分析树提供了多尺度小波变换的紧凑有效的方法 比对应的滤波器和基于子取样的方框图更容易画，并占有较少的空间 相对容易定位有效分解 三阶分析数提供了三种展开选择 6. 小波包 分析树还是表示小波包的有效机理 从3阶FWT分析树到3阶小波包树 A表示近似滤波 D表示细节滤波 3阶小波包树几乎是3阶FWT的有效分解数目的3倍 6. 小波包 注意：平均分布的频带是完全小波包分解的特征。 分析树的滤波器组 谱分离特性 随着扩展的增加，基于包的变换改进了对被分解函数的频谱分割的控制，代价是复杂度增加 滤波器组将 分解成 输出，反复迭代生成P尺度变换 第一次迭代得到 为适应二维输入特性，就要有单个小波子空间 对应系数 子空间分析树 6. 小波包 三尺度、全小波包分解树（部分） 6. 小波包 例：二维小波包分解 指纹扫描图象 三尺度、全小波包分解为64片 上图中被分解子图象构成8×8阵列的子带 为了达到压缩的目的，64片分解达到某种程度优化的可能性相对较低 选择一种更加合理的分解方式——附加代价函数 测量二维函数f的熵或信息量 利用代价函数将接近0值的数目最大化 优化算法必须使用附加代价函数使分解树的叶子节点所付出的代价最小：熵最小的节点具有更多接近0的数值，导致更大的压缩 例：二维小波包分解 构造最小熵的有效算法 对于分析树的每个节点，从根节点开始逐层构造树，直到叶子节点 计算节点的熵和此节点的4个子节点的熵 对于二维小波包分解，父节点是一个近似值或细节系数的二维阵列，子节点是经过滤波的近似值是水平、垂直、和对角线方向上的细节 如果子节点的联合熵小于父节点的熵，就将这些子节点包括到分析树中，否则去掉这些子节点，只保留父节点 用上述算法修剪小波包树，根据计算最优树的大致框架设计处理程序。 例：二维小波包分解 最佳小波包分解结果及最佳小波包分析树 * 图中没有被进一步分离的子图象比较平滑，由具有中间灰度值的象素构成。 近似值子图象已被标定，以灰度128表示0值系数，这些子图象几乎不包含任何信息。 这些子图象的分割不会增加图象总体熵。 Cohen-Daubechies-Feauveau双正交小波族 滤波器族的尺度和小波函数是对称的并且具有相近的长度 双小波及尺度函数 6. 小波包 Cohen-Daubechies-Feauveau双正交小波族 * 分解滤波器 重构滤波器 0?n ? 17时，低通滤波器系数h0(n): 0, 0.001 9, -0.001 9, -0.017, 0.011 9, 0.049 7, -0.077 3, -0.094 1, 0.420 8, 0.825 9, 0.420 8, -0.094 1, -0.0773, 0.049 7, 0.011 9, -0.017, -0.001 9, 0.001 0 高通滤波器系数h1(n): 0, 0, 0, 0.0144 4, -0.014 5, -0.078 7, 0.040 4, 0.417 8, -0.758 9, 0.417 8, 0.040 4, -0.078 7, -0.014 5, 0.014 4, 0, 0, 0, 0 g0(n) = (-1)n+1h1(n) 和 g1(n)=(-1)nh0(n) 小 结 小波变换是强有力的时频分析工具，是在克服傅立叶变换缺点的基础上发展而来的。已成功应用于很多领域，如信号处理、图像处理、模式识别等。 小波变换的一个重要性质是它在时域和频域均具有很好的局部化特征，它能够提供目标信号各个频率子段的频率信息。这种信息对于信号分类是非常有用的。 小波变换一个信号为一个小波级数，这样一个信号可由小波系数来刻画。 小波变换的应用 信号稀疏表示与重构； 信号、图像去噪； 图像边缘检测、目标检测； 数据融合、图像融合； 特征提取、模式识别； 红外图像背景抑制、目标识别等。 小 结 超小波(Beyond Wavelet)分析技术 Curvelet —— 曲波 Ridgelet —— 脊波 Bandelet ——