北京交通大学（数字信号处理研究生课程)ch8_5小波分析应用.ppt

小波分析应用 小波分析应用 近代数字信号处理(Advanced Digital Signal Processing) 电子信息工程学院 信号与图像处理研究室 信号时频分析 问题的提出 短时傅里叶变换 小波展开与小波变换 小波变换与多分辨分析 小波变换与滤波器组 基于小波的信号处理及应用 基于小波的信号处理及应用 基于小波的信号处理的特性 基于小波的信号去噪 基于小波的信号压缩 基于小波的信号处理及应用 信号压缩 基于小波的信号处理框图 信号去噪 基于小波的信号处理具有许多特性 1. 在信号的DWT中，许多实际信号的展开系数大多集中在较少的系数上，为数据处理创造了有利条件, 小波基被称为无条件基(unconditional basis)，这也是小波分析在信号去噪、压缩及检测等方面非常有效的重要原因。 基于小波的信号处理及应用 2. 信号的小波展开具有良好的时频描述，因而可以更有效地分离出信号中不同特性的分量。在基于小波变换的信号处理中，可以根据有用信号与无用信号的展开系数的幅值(amplitude)来分离信号的不同分量。有用分量对应的少数展开系数的幅值必然较大，而无用分量对应的多数展开系数的幅值必然较小。 基于小波的信号处理具有许多特性 基于小波的信号处理及应用 3. 小波基具有非唯一性，可以实现对于不同特性的信号采用不同的小波基，从而可以使得信号小波展开系数更加稀疏，信号中的各分量分离得更好，信号去噪、压缩和检测等的效率和精度就会更高。 基于小波的信号处理具有许多特性 基于小波的信号处理及应用 4. 离散小波变换直接将连续信号变换为离散序列，变换过程无需复杂的微分或积分，只是简单的序列乘加运算，非常适合数字运算，且存在快速的分解算法。同样，离散小波反变换也非常适合数字运算，存在快速的重构算法。 基于小波的信号处理具有许多特性 基于小波的信号处理及应用 基于小波的信号去噪 x(t)为有用信号，e(t)为高斯白噪声信号，其分布为m(0,1)，s为噪声信号的标准方差。 含有加性噪声的信号s(t)的数学模型一般为 对信号s(t)进行去噪处理的目的就是抑制其噪声信号分量e(t)，从而恢复信号x(t)。 基于小波的信号处理及应用 基于小波的信号去噪过程： 1．选择一个小波基函数，对信号进行等间隔抽样，得到信号对应的样点序列即为cJ+1[k]，然后基于序列cJ+1[k]进行N级DWT，得到N级不同尺度的小波展开系数dJ[k], dJ-1[k],…, dJ-N+1[k]以及一级尺度展开系数cJ[k] 。 基于小波的信号去噪 基于小波的信号处理及应用 基于小波的信号去噪过程： 基于小波的信号去噪 基于小波的信号处理及应用 2．对各级小波展开系数，选择相应的阈值以及阈值规则进行阈值化(thresholding)处理，得到处理后的各级小波展开系数 。 3．根据阈值处理后的小波展开系数 以及未处理的尺度展开系数 ，进行N级离散小波反变换重构信号 。 基于小波的信号去噪过程： 基于小波的信号去噪 基于小波的信号处理及应用 阈值方式：（硬阈值、软阈值） 软阈值处理是将低于阈值的系数置为零，而高于阈值的系数也相应减少；硬阈值处理是直接将低于阈值的系数都置为零。 （软阈值） （硬阈值） 基于小波的信号去噪 基于小波的信号处理及应用 （软阈值） （硬阈值） 阈值方式：（硬阈值、软阈值） 基于小波的信号去噪 基于小波的信号处理及应用 基于小波的信号处理及应用 基于小波的信号压缩 第一种信号压缩方法是直接去除信号小波表达中某些高精度信号分量对应的DWT系数，即通过减低尺度实现信号压缩。 第二种信号压缩方法是去除信号小波表达中各精度信号分量的DWT系数中幅度较小的数据，即通过阈值化实现信号压缩。 一般来说，信号小波变换域中高精度分量对应的DWT系数的幅值较小，因此两种信号压缩方法常常异曲同工。 基于小波的信号处理及应用 通过减低尺度的信号压缩 1024点的原始信号 512点重建的信号(2:1压缩) 256点重建的信号(4:1压缩) 128点重建的信号(8:1压缩) 64点重建的信号(16:1压缩) 32点重建的信号(32:1压缩) 基于小波的信号处理及应用 通过阈值化的信号压缩 1024点的原始信号 50%DWT系数置零(2:1) 75%DWT系数置零(4:1) 87%DWT系数置零(8:1) 94%DWT系数置零(16