数字音视频原理-许方敏-03d-变换编码.pptVIP

* 其中的 就是小波级数，这些级数的组合就形成了小波变换中的基basis。 + - 小 大 a 值 ψ(t) 由粗到精地逐级观察（表示）信号； 小波变换的粗略解释：用镜头观察目标x（t）[待分析信号]，ψ(t)代表镜头所起的作用（滤波或卷积）。?相当于使镜头相对于目标平行移动，a的作用相当于镜头向目标推进或远离。a越大相当于频率越低。小波被誉为分析信号的数学显微镜。 Gibbs现象 所有的傅立叶级数都非0了！为什么？因为傅立叶必须用三角波来展开信号，对于这种变换突然而剧烈的信号 来讲，即使只有一小段变换，傅立叶也不得不用大量的三角波去拟合 * * 只要小波basis不和这个信号变化重叠，它所对应的级数系数都为0！也就是说，假如我们就用这个三级小波对此信号展开，那么只有3个级 数系数不为0 。 常见小波函数 Haar小波 墨西哥草帽小波 Morlet小波 Daubechies Coiflet Biorthogonal * * 变换编码：小结 Summary 正交变换：信号空间中坐标系统的旋转； 变换目的：去相关，能量集中； KLT 是最佳的变换，但依赖于信号的统计特性，并且因此没有快速算法； DCT 是次最佳的变换，相对于 DFT，DCT 减少了块效应； 比特分配与方差的对数成正比； “8×8 DCT ＋ 门限编码(量化) ＋ Zig-zag 扫描”广泛应用于各种标准中（例如，JPEG、MPEGx 和 ITU-T H.26x）； DCT 变换有不少快速算法，可硬件实现。 谢谢！ 离散傅立叶变换的 Matlab实现 Matlab 函数 fft、fft2 和 fftn 分别可以实现一维、二维和 N 维 DFT 算法；而函数 ifft、ifft2 和 ifftn 则用来计算反 DFT 。这些函数的调用格式如下： A＝fft(X,N,DIM) 其中，X 表示输入图像；N 表示采样间隔点，如果 X 小于该数值，那么 Matlab 将会对 X 进行零填充，否则将进行截取，使之长度为 N ；DIM 表示要进行离散傅立叶变换。 例　对声音的分析 A＝fft2(X,MROWS,NCOLS) 其中，MROWS 和 NCOLS 指定对 X 进行零填充后的 X 大小。别可以实现一维、二维和 N 维 DFT A＝fftn(X,SIZE) 其中，SIZE 是一个向量，它们每一个元素都将指定 X 相应维进行零填充后的长度。 函数 ifft、ifft2 和 ifftn的调用格式于对应的离散傅立叶变换函数一致。分别可以实现一维、二维和 N 维 DFT。 例子：图像的二维傅立叶频谱 图像傅立叶变换 原图像 幅度谱 相位谱 图像傅立叶变换 原图像 幅度谱 相位谱 图像傅立叶变换 幅度谱告诉我们图像中某种频率的成份有多少 相位谱告诉我们频率成份位于图像的什么位置 通常我们只关心幅度谱 下面两个图对应的幅度谱是一样（这里只显示了其幅度谱，当然相位谱是不一样的） 图像傅立叶变换 从幅度谱中我们可以看出明亮线反映出原始图像的灰度级变化，这正是图像的轮廓边 图像傅立叶变换 从幅度谱中我们可以看出明亮线和原始图像中对应的轮廓线是垂直的。如果原始图像中有圆形区域那么幅度谱中也呈圆形分布 图像傅立叶变换 图像中的颗粒状对应的幅度谱呈环状，但即使只有一颗颗粒，其幅度谱的模式还是这样。 图像傅立叶变换 这些图像没有特定的结构，左上角到右下角有一条斜线，它可能是由帽子和头发之间的边线产生的 两个图像都存在一些小边界 图像的小波变换 * 图像的小波变换 * 图像的小波变换 * 图像的小波变换 * 但在实际应用中，由于信号的频率与其持续时间成反比，故对高频信号检测时，因其持续时间较短，需要较窄的时间窗，以保证一定的精度；而对低频信号检测时，由于其持续时间相对较长，因而要求有较宽的时间窗，以便获得充分的信息。 测不准原理表明：同时严格确定两个共轭变量（例如，位置和速度）的数值是不可能的，它们的数值的准确度有个下限。 结论：若选一个函数g（t）作为时窗，其频谱函数G（ω）作为频窗，则 g（t）和G（ω）应同时有较强的衰减特性，应满足式（5.2.9）和（5.2.10）的要求。根据局部化要求，为了提高时间分辨率和频率分辨率，希望△t，△ω越小越好，但它们之间存在着相互制约的关系，必须服从信号的海森堡测不准原则（Heisenburg Uncertainity Principle）,即, 这意味着只能以时间分辨率交换频率分辨率，或者以频率分辨率交换时间分辨率。