小波分析工具箱.ppt

第20章小波分析工具箱本章将对MATLAB的小波分析工具箱进行详细的介绍，首先介绍了小波分析的基本理论，主要包括连续小波变换、离散小波变换、多分辨分析和小波包变换等。然后，重点介绍了一维小波变换、二维小波变换和小波包变换，最后详细介绍了小波分析工具箱的图形界面工具。20.1小波分析小波分析克服了短时傅立叶变换在单分辨率上的缺陷，具有多分辨率分析的特点。下面对小波分析的基本理论进行介绍，包括连续小波变换、离散小波变换、多分辨分析和小波包分析，最后介绍在小波分析中常用的小波。20.1.1小波分析简介小波变换采用随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。在利用小波分析信号分析时，在低频部分采用较低的时间分辨率，提高频率分辨率；在高频部分，采用较低的频率分辨率来换取精确的时间定位。小波包分解与小波分解相比，是一种更精细的分解方法，不仅对低频部分进行分解，对高频部分也进行分解。小波变换速度快，适合信号的在线分析。小波分析能够通过变换充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用。20.1.2连续小波变换小波变换的实质是将信号在一个时域和频域上均具有局部化性质的平移伸缩小波权函数进行卷积，从而将信号分解成位于不同时间和频率上的各个成份。设ψ(t)的傅立叶变换为ψ(w)，满足允许条件：20.1.3离散小波变换离散小波变换（discretewavelettransform，DWT）是指对尺度因子a和平移因子b进行离散化，而不是时间的离散化。离散小波变换的一个重要问题是如何降低计算量和数据量，因为如果对尺度因子a和平移因子b离散的间隔小，那么计算量和数据量都是相当惊人的。20.1.4多分辨分析离散小波变换的一个突破性成果是Mallat于1989年在多分辨分析的基础上提出的快速算法：Mallat算法。Mallat算法在小波分析中的作用相当于快速傅立叶变换（FFT）在傅立叶分析中的作用。Mallat算法由小波滤波器H、G和h、g对信号进行分解和重构。Mallat分解算法为：20.1.4多分辨分析对信号f(t)进行离散小波的3层分解，近似系数和细节系数。20.1.5小波包分解小波包分解的快速算法为：20.1.6常用的小波在MATLAB的命令行窗口输入：helpwavelet，可以查询MATLAB的小波工具箱中的所有函数，以及小波工具箱的版本。在MATLAB2010a版本中小波工具箱的版本为4.5。用户在命令行窗口输入：wavedemo，可以查看例子程序。采用函数wavemngr()可以获取所有的小波。通过函数waveinfo()可以获取小波的信息。20.2一维小波分解和重构下面对一维小波的分解和重构进行介绍，包括一维连续小波的分解和重构、一维离散小波的单层分解和重构，以及离散小波的多层分解和重构。20.2.1一维连续小波分解coefs=cwt(s,scales,wname,plot)：该函数通过参数plot显示变换后的图形。coefs=cwt(s,scales,wname)：该函数对信号s进行尺度为scales的连续小波分解，小波为wname，返回值coefs为系数。在MATLAB中，采用函数cwt()进行一维连续小波分解，该函数的常用调用格式为：20.2.2一维离散小波分解和重构在MATLAB中，采用函数dwt()进行一维小波的单层分解，该函数的常用调用格式为：[cA,cD]=dwt(X,wname)：该函数采用小波wname进行单层分解，cA为近似系数，cD为细节系数。[cA,cD]=dwt(X,‘wname’,‘mode’,MODE)：该函数设定扩展模式为MODE。在MATLAB中，采用函数wavdec()进行一维小波的多层分解。20.2.2一维离散小波分解和重构在MATLAB中，利用函数idwt()进行单层小波重构，该函数的调用格式为：X=idwt(cA,cD,‘wname’)，cA为近似系数，cD为细节系数，wname为采用的小波。利用函数waverec()进行多层小波的重构。在进行小波的重构时，小波的类型必须和分解时保持一致。20.3二维小波分解和重构二维小波非常适合进行图像的分析和处理。图像的单层二维小波分解，将图像分解为4个原图1/4大小的图像，左上的图像为两个维度都采用低通滤波后的结果；右上的图像为横向采用低通滤波，纵向采用高通滤波后的结果；左下的图像为横向采用高通滤波，纵向采用低通滤波后的结果；右下的图像两个维度都采用高通滤波后的结果。20.3.1二维小波的单层分解和重构在MATLAB中，采用函数dwt