数字信号处理的前沿技术.ppt

傅里叶变换应用非常广泛的原因可能是: 直观性 数学上的完美性 计算上的有效性 仍有局限性： 在时域表示中不能直接利用信号的频域信息； 在频域表示中，也不能直接利用信号的时域信息, 傅立叶分析没有时—频局域化能力。 如果需要分析信号的局部信号怎么办? 乐谱 油田勘探 例如歌唱信号：是高音还是低音，发声时间长短、起伏、旋律等。 …… “小波”就是小区域、长度有限、均值为0的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。 小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。 小波基表示发生的时间和频率 “时频局域性” 图解：Fourier变换的基（上）小波变换基（中）和时间采样基（下）的比较 小波转换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续转换在所有可能的缩放和平移上操作，而离散转换采用所有缩放和平移值的特定子集。 小波变换的公式有内积形式和卷积形式，两种形式的实质都是一样的。它要求的就是一个个小波分量的系数也就是“权”。 其直观意义就是首先用一个时窗最窄，频窗最宽的小波作为尺子去一步步地“量”信号，也就是去比较信号与小波的相似程度。信号局部与小波越相似，则小波变换的值越大，否则越小。当一步比较完成后，再将尺子拉长一倍，又去一步步地比较，从而得出一组组数据。如此这般循环，最后得出的就是信号的小波分解（小波级数）。 1981年Morlet 首先提出小波分析的概念； 1984年J.Morlet和物理学家A.Grossman第一次提出“Wavelet”一词； 1985年Meyer证明了一维小波基的存在，1986年国际上掀起小波研究的热潮； 1987年Meyer和Mallat合作提出多分辨分析的框架； 1988年Debauchies构造出紧支集有限光滑小波函数（Ｄb），发表著名长文； 1990年崔锦泰和王建忠构造了单正交样条小波基； 1992年经典小波的基本理论已成熟，国内1991年发表第一篇小波论文。 5.2.10 小波变换常见应用及仿真 小波图像去噪 小波图像压缩 小波图像增强 小波图像去噪 图像的小波分解: 分解过程：选定一种小波，对信号进行N层小波（包）分解； 作用阀值过程：选择一个阀值，并对细节系数作用 重建过程：将处理后的系数经过小波（包）重建原始信号； 小波图像压缩 图像能够进行压缩的主要原因是：1）原始图像信息存在着很大的冗余度，数据之间存在着相关性；2）人眼作为图像信息的接收端，其视觉对于边缘急剧变化不敏感(视觉掩盖效应)，以及人眼对图像的亮度信息敏感，而对颜色分辨率弱等。 基于上述两点，发展出数据压缩的两类基本方法:一种是将相同的或相似的数据或数据特征归类，使用较少的数据量描述原始数据，达到减少数据量的目的，这种压缩一般为无损压缩；另一种是利用人眼的视觉特性有针对性地简化不重要的数据，以减少总的数据量，这种压缩一般为有损压缩。只要损失的数据不太影响人眼主观接收的效果，即可采用。 对原始信号进行小波变换、零填充、编码/量化、存储、解码、重建 小波图像增强 图像增强的主要目的是提高图像的视觉质量或者凸显某些特征信息。无论是为了对人类眼睛结构的剖析，还是基于计算机可视化技术的高级图像分析，图像增强都有着重要的作用。虽然图像增强技术不能增加图像数据本身包含的信息，但是可以凸显特定特征，在处理后图像更容易识别。 通常图像增强的目的主要有:放大图像中感兴趣结构的对比度，增加可理解性；减少或抑制图像中混有的噪声，提高视觉质量。 小波变换可以将图像分解为各个尺度上的子带图像，因为图像分解的低频部分体现了图像的轮廓，图像分解的高频部分表现为图像的细节和混入的噪声，因此对低频部分进行增强，对高频部分进行衰减，可以实现图像增强的目的。 5.7.4 遗传算法的应用 1. 遗传计算： 优化函数、机器人的运动轨迹、控制系统优化； 2. 遗传编程：用于人工智能、机器学习、符号处理等。 3. 遗传学习：群体由产生式规则组成，利用和环境的接触来学习、完成给定任务。用于机器学习、模式识别和工程。 5.8 混沌计算技术 混沌是“无序中的有序”，有序是指有确定性，无序是最终结果的不可预测性。 非线性、非平衡性、确定性、动态性、内秉随机性、初值敏感性、时间序列的不规则性和有奇异吸引子的必要条件。 刻画混沌动力学性质常用Lyapunov指数和熵。 混沌系