小波变换理论及应用
ABSTRACT：小波理论是近几年发展起来的新的信号处理技术，因其在时间域和频率域都可以达到高的分辨率，被称为“数学显微镜”，在数值信号处理领域应用广泛，发展非常快。但其涉及较多的数学知识，以及巧妙的数字计算技巧，对于非数学专业的科研人员，要完全掌握其中的精妙之处，有一定的难度。正是考虑到这一点，本文的开始部分不过多说明小波分析的数学理论，只是以尽量简短的篇幅介绍必要的预备知识，接着阐述小波变换理论。在理解了小波变换理论的基础上，再举例说明小波变换在实际中的应用。
第一章小波变换理论
这一章用尽量简短的篇幅和通俗的语言介绍小波变换的基本概念。
1.1.从傅里叶变换到小波变换
一、傅里叶变换
在信号处理中重要方法之一是傅里叶变换（Fourier Transform），它架起了时间域和频率域之间的桥梁。图1.1给出了傅里叶分析的示意图。
图1.1 傅里叶变换示意图
定义x(t)的傅里叶变换X(ω)：
?∞∞--
=dt
e
t
x
X t jω
ω)
(
)
( (1)
X(ω)的傅里叶反变换x(t)：
?∞∞-
=ω
ω
π
ωd
e
X
t
x t j
)
(
2
1
)
( (2)
对很多信号来说，傅里叶分析非常有用。因为它能给出信号中包含的各种频率成分。但是，傅里叶变换有着严重的缺点：变换之后使信号失去了时间信息，它不能告诉人们在某段时间里发生了什么变化。而很多信号都包含有人们感兴趣的非稳态（或）特性，如漂移、趋势项、突然变化以及信号的开始或结束。这些特性是信号的重要部分。因此傅里叶变换不适于分析处理这类信号。
二、短时傅里叶变换
为了克服傅里叶变换的缺点，D.Gabor(1946)提出了短时傅里叶变换(Short Time Fourier Transform), 又称为盖博(Gabor)变换或者加窗傅里叶变换(Windowed Fourier Transform)。图1.2给出了短时傅里叶变换的示意图。
图1.2短时傅里叶变换
盖博变换把一个时间信号变换为时间和频率的二维函数，它能够提供信号在某个时间段和某个频率范围的一定信息。这些信息的精度依赖于时间窗的大小。盖博变换的缺点是对所有的频率成分，所取的时间窗的大小都相同。然而，对很多信号为了获得更精确的时间或频率信息，需要可变的时间窗。
三、小波变换
小波变换提出了变化的时间窗。当需要精确的低频信息时，采用长的时间窗，当需要精确的高频信息时，采用短的时间窗。图1.3给出了时间域信号、傅
里叶变换、短时傅里叶变换和小波变换对比的示意图。
时间域频率域
短时傅里叶变换小波变换
图1.3 小波变换示意图
1.2.连续小波变换
什么是小波？小波是一个衰减的波形，它在有限的区域里存在（不为零），
且其均值为零。小波变换采用改变时间-频率窗口形状的方法，很好的解决了时
间分辨率和频率分辨率的矛盾，在时间域和频率域里都具有很好的局部性质。对信号中的低频部分，采用宽的时间窗，得到高的频率分辨率；对信号中的高频部分，采用窄的的时间窗，得到低的频率分辨率。小波变换的这种自适应，使它在工程技术中和信号处理方面获得广泛的应用。
1.2.1 连续小波的定义
图1.4是一个Daubechies 小波（db10）与正弦波的比较。
正弦波 小波（db10）
图1.4 傅里叶变换和小波变换基本单元 正弦波是振幅不变、随时间无限振动的光滑波形，它是傅里叶变换的基础。由图看出，小波是尖锐变化而且是无规则的波形，这是小波变换的基础。因此用小波能更好的刻画信号的局部特性。
连续小波变换(Continue W avelet Transform)的数学表达式为
?-=R
f dt a b t t f a b a WT )()(1),(*ψ…………………………………………………..(3) 式中，)(t ψ为小波，a 为尺度因子，b 为平移参数。尺度因子a 越小，)(,t b a ψ的波形变窄，)(,ωψb a 的频谱向高频扩展；a 越大，)(,t b a ψ的波形变宽，)(,ωψb a 的频谱向低频端扩展，从而实现时间-频率窗的自适应调节。
1.2.2 连续小波变换的物理意义
连续小波变换的实质是滤波器。滤波器在时间域和频率域中的表达式为：
?∞
∞--=τττd t h f t g )()()( (4)
)()()(ωωωH F G *= (5)
式中，h(t)是系统的脉冲响应，)(ωH 是滤波器的系统函数。
与连续小波变换公式（3）比较，小波变换的脉冲响应为
)()(2/1a t
a t h -=-ψ (6)
这种滤波器称为相关滤波器或者镜像滤波器。
1.2.3 连续小波变换的时间-频率特性
为了说明小波变换的时间-频率特性，引入时间-频率空间，该空间中横轴为时间，纵轴为频率，称为时频空间。在频率空间中的窗函数可能为单窗函数或双窗函数。
设有窗口函数w(t)，其Fourier 变换为)(?
ωw ，其在相平面时间轴上窗口的中心与宽度定义为：
??==dt t w w dt t w t w E w 2222|)(|||||,|
)(|||||1
…..…………..(7) dt t w E t w w w 222|)(|)(||||1
?-=? (8)
图1.5
图1.5 时间轴主要能量区域
在相平面频率轴上窗口的中心与宽度为: ??==ωωωωωd w w d w w E w 2222
?|)(?|||?||,|)(?|||?||1……..(9) ωωωd w E w w w 22?2?|)(?|)(||?||1
?
-=?…………..………………..(10) 图1.6给出了频率轴上窗口函数能量集中的主要区域。
图1.6 频率轴主要能量区域
因此，每个窗口函数在相平面上都对应着一个矩形区域，称为分辨率单元(Resolution Sell),如图1.7所示。分辨率单元同时度量了窗口函数在时间和频率域的局部化能力。
小波构建块的分辨率单元：设母小波为ψ(t)，其Fourier 变换为)(?ωψ
，由
母小波经不同的尺度参数及平移参数形成的伸缩小波即构建块在相空间的时间轴和频率轴的窗口中心与窗宽分别为：
τψψτ+?=E a E a ,
....................................................(11) ψψτ??=?a a ,.. (12)
ψψτ??1,E a
E a ?=...........................................................(13) ψψτ??1,??=?a a . (14)
在相空间所形成的分辨率单元为(小波)(,t a τψ分辨率单元如图1.7所示):
]11,11[],[????ψψψψψψψψττ?+?-??++??-+?a
E a a E a a E a a E a
图1.7 小波)(,t a τψ分辨率单元
1.3. 离散小波变换
实际计算中不可能对全部尺度因子值和位移参数计算b a CWT ,值，加之实际 的观测信号都是离散的，所以信号处理中都是用离散小波变换(DWT)。大多数情况下是将尺度因子和位移参数按2的幂次进行离散。最有效的计算方法是快速小波算法（又称塔式算法）。
对任一信号，离散小波变换第一步运算是将信号分为近似部分和细节部分。近似部分代表了信号的主要特征。第二步对近似部分进行相似运算。不过这时尺度因子已改变。依次进行到所需要的尺度。图1.8给出了信号经过第一次运算后获得的近似部分和细节部分。
1.3.1 函数空间及框架概念
一、函数空间
在分析数学的现在研究中，常常需要各种由函数组成的集类，称这些集类为
函数空间。几种常见的函数空间如下所示：
图1.8近似部分和细节部分
1.预希尔伯特空间
一个复线性空间H，在其上
2.
1.3.2
10.2小波变换的基本原理 地质雷达的电磁波信号和地震波信号都是非平稳随机时变信号，长期以来，因非平稳信号处理的理论不健全，只好将其作为平稳信号来处理，其处理结果当然不满意。近年来，随着科学技术的发展和进步，国内外学术界已将注意力转向非平稳随机信号分析与处理的研究上，其中非平稳随机信号的时频表示法是研究热点之一。在这一研究中，戈勃展开、小波变换、维格纳分布与广义双线性时频分布等理论发展起来，这些方法既可以处理平稳信号过程，也可以处理非平稳随机时变信号。 小波变换是上世纪80年代中后期逐渐发展起来的一种数学分析方法。1984年法国科学家J.M OLET在分析地震波的局部特性时首先使用了小波这一术语，并用小波变换对地震信号进行处理。小波术语的含义是指一组衰减震动的波形，其振幅正负相间变化，平均值为零，是具有一定的带宽和中心频率波组。小波变换是用伸缩和平移小波形成的小波基来分解（变换）或重构（反变换）时变信号的过程。不同的小波具有不同带宽和中心频率，同一小波集中的带宽与中心频率的比是不变的，小波变换是一系列的带通滤波响应。它的数学过程与傅立叶分析是相似的，只是在傅立叶分析中的基函数是单频的调和函数，而小波分析中的基函数是小波，是一可变带宽内调和函数的组合。 小波变换在时域和频域都具有很好的局部化性质，较好地解决了时域和频域分辨率的矛盾，对于信号的低频成分采用宽时窗，对高频成分采用窄时窗。因而，小波分析特别适合处理非平稳时变信号，在语音分析和图象处理中有广泛的应用，在地震、雷达资料处理中将有良好的应用前景。 下边就小波分析的基本原理、主要作用及在雷达资料处理中的应用三方面作以介绍。 10.2.1小波分析的基本原理 小波函数的数学表达
第六章小波变换的几个典型应用 6.1 小波变换与信号处理 小波变换作为信号处理的一种手段，逐渐被越来越多领域的理论工作者和工程技术人员所重视和应用，并在许多应用中取得了显著的效果。同传统的处理方法相比，小波变换取得了质的飞跃，在信号处理方面具有更大的优势。比如小波变换可以用于电力负载信号的分析与处理，用于语音信号的分析、变换和综合，还可以检测噪声中的未知瞬态信号。本部分将举例说明。 6.1.1 小波变换在信号分析中的应用 [例6-1] 以含躁的三角波与正弦波的组合信号为例具体说如何利用小波分析来分析信号。已知信号的表达式为 应用db5小波对该信号进行7层分解。xiaobo0601.m 图6-1含躁的三角波与正弦波混合信号波形 分析： （1）在图6－2中，逼近信号a7是一个三角波。 （2）在图6－3中细节信号d1和d2是与噪声相关的，而d3（特别是d4）与正弦信号相关。 图6-2 小波分解后各层逼近信号 图6-3 小波分解后各层细节信号 6.1.2 小波变换在信号降躁和压缩中的应用 一、信号降躁 1．工程中，有用信号一般是一些比较平稳的信号，噪声通常表现为高频信号。2．消躁处理的方法：首先对信号进行小波分解，由于噪声信号多包含在具有较高频率的细节中，我们可以利用门限、阈值等形式对分解所得的小波系数进行处理，然后对信号进行小波重构即可达到对信号的消躁目的。 小波分析进行消躁处理的3种方法： （1）默认阈值消躁处理。该方法利用ddencmp生成信号的默认阈值，然后利用wdencmp函数进行消躁处理。 （2）给定阈值消躁处理。在实际的消躁处理过程中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可利用函数wthresh。 （3）强制消躁处理。该方法时将小波分解结构中的高频系数全部置为0，即滤掉所有高频部分，然后对信号进行小波重构。方法简单，消躁后信号比较平滑，但易丢失信号中的有用成分。 小波阈值去噪方法是目前应用最为广泛的小波去噪方法之一。 3．信号降噪的准则： 1．光滑性：在大部分情况下，降噪后的信号应该至少和原信号具有同等的光滑性。
MATLAB小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1) dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname') [cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT 说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname' 对信号X 进行分解，cA、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信 号进行分解。 (2) idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname') X=idwt(cA,cD,Lo_R,Hi_R) X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L) 说明：X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经 小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能
--------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1) wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分 格式：Y=wcodemat(X,NB,OPT,ABSOL) Y=wcodemat(X,NB,OPT) Y=wcodemat(X,NB) Y=wcodemat(X) 说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵 Y ；NB 伪编码的最大值，即编码范围为 0～NB，缺省值 NB＝16； OPT 指定了编码的方式（缺省值为 'mat'），即：别可以实现 一维、二维和 N 维 DFT OPT＝'row' ，按行编码 OPT＝'col' ，按列编码
我希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。如果不做特殊说明，均以离散小波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是basis。如果你暂时有些遗忘了basis的定义，那么简单说，在线性代数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。那basis在变换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。小波变换自然也不例外的和basis有关了。再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。 既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。比如如果我们希望选取有利于压缩的话，那么就希望这个basis能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵( Tv_n = av_n，a是eigenvalue )。总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。 好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。接下来先看看，傅立叶变换是在干嘛。 傅立叶级数最早是Joseph Fourier 这个人提出的，他发现，这个basis不仅仅存在与vector space，还存在于funct ion space。这个function space本质上还是一个linear vector space，可以是有限的，可以是无限的，只不过在这个空间里，vector就是function了，而对应的标量就是实数或者复数。在vector space里，你有vector v可以写成vector basis的线性组合，那在function space里，function f(x)也可以写成对应function basis的线性组合，也有norm。你的vector basis可以是正交的，我的function basis也可以是正交的（比如sin(t)和sin(2t)）。唯一不同的是，我的function basis是无穷尽的，因为我的function space的维度是无穷的。好，具体来说，那就是现在我们有一个函数，f(x)。我们希望将它写成一些cos函数和一些sin函数的形式，像这样 again，这是一个无限循环的函数。其中的1，cosx, sinx, cos2x …..这些，就是傅立叶级数。傅立叶级数应用如此广泛的主要原因之一，就是它们这帮子function basis是正交的，这就是有趣的地方了。为什么function basis正交如此重要呢？我们说两个vector正交，那就是他俩的内积为0。那对于function basis呢？function basis怎么求内积呢？ 现在先复习一下vector正交的定义。我们说两个vector v,w如果正交的话，应符合：
小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi 标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢？b取多少才合适呢？于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不?,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件?后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件???,就是? MATLAB 小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1 dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname' [cA,cD]=dwt(X,Lo_D,Hi_D别可以实现一维、二维和 N 维 DFT 说明：[cA,cD]=dwt(X,'wname' 使用指定的小波基函数 'wname' 对信号X 进行分解，cA 、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D 使用指定的滤波器组 Lo_D、Hi_D 对信号进行分解。 (2 idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname' X=idwt(cA,cD,Lo_R,Hi_R X=idwt(cA,cD,'wname',L函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L 说明：X=idwt(cA,cD,'wname' 由近似分量 cA 和细节分量 cD 经小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L 和 X=idwt(cA,cD,Lo_R,Hi_R,L 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能 --------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1 wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分格式： Y=wcodemat(X,NB,OPT,ABSOL Y=wcodemat(X,NB,OPT Y=wcodemat(X,NB 小波变换的原理及m a t l a b仿真程序 基于小波变换的信号降噪研究 2 小波分析基本理论 设Ψ(t)∈L 2( R) ( L 2( R) 表示平方可积的实数空间，即能量有限的信号空间) ， 其傅立叶变换为Ψ(t)。当Ψ(t)满足条件[4,7]： 2 () R t dw w C ψψ =<∞? （1） 时，我们称Ψ(t)为一个基本小波或母小波，将母小波函数Ψ(t)经伸缩和平移后，就可以得到一个小波序列： ,()( )a b t b t a ψ -= ,,0a b R a ∈≠ （2） 其中a 为伸缩因子，b 为平移因子。 对于任意的函数f(t)∈L 2( R)的连续小波变换为： ,(,),()( )f a b R t b W a b f f t dt a ψψ-=<>= ? （3） 其逆变换为： 211()(,)()f R R t b f t W a b dadb C a a ψ ψ+-= ?? （4） 小波变换的时频窗是可以由伸缩因子a 和平移因子b 来调节的，平移因子b,可以改变窗口在相平面时间轴上的位置，而伸缩因子b 的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状。小波变换对不同的频率在时域上的取样步长是可调节的，在低频时，小波变换的时间分辨率较低，频率分辨率较高：在高频时，小波变换的时间分辨率较高，而频率分辨率较低。使用小波变换处理信号时，首先选取适当的小波函数对信号进行分解，其次对分解出的参 数进行阈值处理，选取合适的阈值进行分析，最后利用处理后的参数进行逆小波变换，对信号进行重构。 3 小波降噪的原理和方法 3.1 小波降噪原理 从信号学的角度看 ,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器。由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如图所示[6]： 小波分析的重要应用之一就是用于信号消噪 ,一个含噪的一维信号模型可表示为如下形式： (k)()()S f k e k ε=+* k=0.1…….n-1 其中 ,f( k)为有用信号,s(k)为含噪声信号,e(k)为噪声,ε为噪声系数的标准偏差。 假设e(k)为高斯白噪声,通常情况下有用信号表现为低频部分或是一些比较平稳的信号,而噪声信号则表现为高频的信号,下面对 s(k)信号进行如图结构的小波分解,则噪声部分通常包含在Cd1、Cd2、Cd3中,只要对 Cd1,Cd2,Cd3作相应的小波系数处理,然后对信号进行重构即可以达到消噪的目的。 基于提升算法的二维5/3和9/7小波变换的MATLAB 仿真与DSP 实现 王靖琰，刘蒙 中国科学院上海应用物理研究所，上海 (201800) E-mail ：wjycas@https://www.doczj.com/doc/7c5177185.html, 摘 要：本文讨论了基于提升算法的二维5/3和9/7小波的原理，对算法进行了MATLAB 仿真，并在浮点型DSP TMS320C6713B 上实现了图像的二维5/3、9/7小波提升变换和逆变换。实验结果证明了方法的有效性。 关键词：小波提升，二维9/7、5/3小波，MATLAB ，TMS320C6713B 1．引言 随着人们对多媒体信息需求的日益增长，数码相机、移动电话、MP4 等多媒体信息处理系统蓬勃发展。基于通用DSP 处理器的此类系统设计以灵活性强、扩展性好、可升级和易维护的优点成为系统开发的首选方案 [1]。 由于良好的时频局部特性和多分辨分析特性，小波已广泛应用于图像处理领域，并且被吸收进新的一些国际标准中成为了标准算法。文中在MATLAB 平台上对基于小波提升的二维离散5/3和9/7小波变换算法进行了仿真，并在浮点型DSP TMS320C6713B 上实现了算法，该程序运算速度快，可充分利用硬件资源，特别适用于嵌入式系统的需求。 2．小波变换提升算法基本原理 1994年Sweldens 提出了小波的提升算法，有效地解决传统的基于Mallat 的塔式分解小波变换算法计算量大、对存储空间的要求高的问题，从算法方面提高了小波变换的实现效率 [2]。 2.1 5/3小波提升格式 小波提升算法的基本思想是通过由基本小波(lazy wavelet)逐步构建出一个具有更加良好性质的新小波，其实现步骤有3个：分解(split)、预测(predict)和更新(update)。分解是将数据分为偶数序列和奇数序列2个部分，预测是用分解的偶数序列预测奇数序列，得到的预测误差为变换的高频分量，更新是由预测误差来更新偶数序列，得到变换的低频分量。在J PEG2000中，5/3提升小波变换的算法为[3]： (2)(22)(21)(21)(1)2(21)(21)2(2)(2)(2) 4x n x n c n x n c n c n d n x n ++??+=+????? ?+++??=+???? 由其正变换的反置即可得到逆变换的算法为 c(2n-1) + c(2n+1)+2x (2n) = d (2n) - (3)4x(2n)+x(2n+2)x(2n+1)=c(2n)+(4) 2?????? ?????? 从算式可以得出，提升算法是原位计算，即进行小波变换时在原位计算各个系数，计算 第五章 小波变换基本原理 问题 ①小波变换如何实现时频分析？其频率轴刻度如何标定？ —尺度 ②小波发展史 ③小波变换与短时傅里叶变换比较 a ．适用领域不同 b.STFT 任意窗函数 WT （要容许性条件） ④小波相关概念，数值实现算法 多分辨率分析（哈尔小波为例） Daubechies 正交小波构造 MRA 的滤波器实现 ⑤小波的历史地位仍不如FT ，并不是万能的 5.1 连续小波变换 一．CWT 与时频分析 1.概念：? +∞ ∞ --ψ= dt a b t t S a b a CWT )( *)(1),( 2.小波变换与STFT 用于时频分析的区别 小波 构造？ 1910 Harr 小波 80年代初兴起 Meyer —小波解析形式 80年代末 Mallat 多分辨率分析—WT 无须尺度和小波函数—滤波器组实现 90年代初 Daubechies 正交小波变换 90年代中后期 Sweblews 第二代小波变换 3.WT 与STFT 对比举例（Fig 5–6, Fig 5–7） 二．WT 几个注意的问题 1.WT 与)(t ψ选择有关 — 应用信号分析还是信号复原 2.母小波)(t ψ必须满足容许性条件 ∞<ψ=? ∞ +∞ -ψdw w w C 2 )( ①隐含要求 )(,0)0(t ψ=ψ即具有带通特性 ②利用ψC 可推出反变换表达式 ??+∞∞-+∞ ∞-ψ -ψ= dadb a b t b a CWT a C t S )(),(11 )(2 3.CWT 高度冗余（与CSTFT 相似） 4.二进小波变换（对平移量b 和尺度进行离散化） )2(2)()(1 )(2 ,22,,n t t a b t a t n b a m m n m b a m m -ψ=ψ?-ψ= ??==--ψ dt t t S n CWT d n m m m n m )(*)()2,2(,,?+∞ ∞ ---ψ=?= 5.小波变换具有时移不变性 ) ,()() ,()(00b b a C W T b t S b a C W T t S -?-? 6.用小波重构信号 ∑∑ ∑∑+∞-∞=+∞ -∞ =+∞-∞=+∞ -∞ =ψψ= m n m n n m n m n m n m t d t d t S )(?)(?)(,,,,正交小波 中心问题：如何构建对偶框架{} n m ,?ψ 小波变换matlab总结 目录 一、预置工具 (4) 1.预置信号 (4) 2.预置小波 (4) 3.滤波器函数 (6) wfilters函数 (6) 4.量化编码 (6) wcodemat函数 (6) 5.阈值获取 (6) ddencmp函数 (6) thselect函数 (7) wbmpen函数 (7) wdcbm函数 (7) 6.阈值去噪 (8) wden函数 (8) wdencmp函数 (8) wthresh函数 (9) wthcoef函数 (9) wpdencmp函数 (9) 二、小波变换函数 (12) 单尺度一维小波变换 (12) cwt一维连续小波变换 (12) dwt一维离散小波变换 (12) idwt一维离散小波逆变换 (13) upcoef 一维小波系数重构 (13) 多尺度一维小波变换 (14) wavedec多尺度一维分解 (14) waverec多尺度一维重构 (15) appcoef低频系数提取 (16) detcoef高频系数提取 (16) wrcoef多尺度小波系数重构 (17) 一维静态（平稳）小波变换 (18) swt一维平稳小波变换 (18) iswt一维平稳小波逆变换 (18) 实例 (19) 单尺度二维小波变换 (19) dwt2二维离散小波变换 (19) idwt2二维离散小波逆变换 (20) upcoef2二维系数重构 (20) 多尺度二维小波变换 (21) wavedec2多尺度二维分解 (21) waverec2多尺度二维重构 (22) appcoef2低频系数提取 (23) detcoef2高频系数提取 (23) 一、叙述小波分析理论发展的历史和研究现状 答：傅立叶变换能够将信号的时域和特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。这是因为信号的时域波形中不包含任何频域信息，而其傅立叶谱是信号的统计特性，从其表达式中也可以看出，它是整个时间域内的积分，没有局部化分析信号的功能，完全不具备时域信息，也就是说，对于傅立叶谱中的某一频率，不能够知道这个频率是在什么时候产生的。这样在信号分析中就面临一对最基本的矛盾——时域和频域的局部化矛盾。 在实际的信号处理过程中，尤其是对非常平稳信号的处理中，信号在任一时刻附近的频域特征很重要。如柴油机缸盖表明的振动信号就是由撞击或冲击产生的，是一瞬变信号，单从时域或频域上来分析是不够的。这就促使人们去寻找一种新方法，能将时域和频域结合起来描述观察信号的时频联合特征，构成信号的时频谱，这就是所谓的时频分析，亦称为时频局部化方法。 为了分析和处理非平稳信号，人们对傅立叶分析进行了推广乃至根本性的革命，提出并开发了一系列新的信号分析理论：短时傅立叶变换、时频分析、Gabor 变换、小波变换Randon-Wigner变换、分数阶傅立叶变换、线形调频小波变换、循环统计量理论和调幅—调频信号分析等。其中，短时傅立叶变换和小波变换也是因传统的傅立叶变换不能够满足信号处理的要求而产生的。 短时傅立叶变换分析的基本思想是：假定非平稳信号在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。但从本质上讲，短时傅立叶变换是一种单一分辨率的信号分析方法，因为它使用一个固定的短时窗函数，因而短时傅立叶变换在信号分析上还是存在着不可逾越的缺陷。 小波变换是一种信号的时间—尺度（时间—频率）分析方法，具有多分辨率分析（Multi-resolution）的特点，而且在时频两域都具有表征信号局部特征的能力，使一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率。在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。 小波分析最早应用在地震数据压缩中, 以后在图像处理、故障诊断等方面取得了传统方法根本无法达到的效果. 现在小波分析已经渗透到了自然科学、应用 基于小波变换的信号降噪研究 2 小波分析基本理论 设Ψ(t)∈L 2( R) ( L 2( R) 表示平方可积的实数空间，即能量有限的信号空间) ， 其傅立叶变换为Ψ(t)。当Ψ(t)满足条件[4,7]： 2 () R t dw w C ψψ =<∞? （1） 时，我们称Ψ(t)为一个基本小波或母小波，将母小波函数Ψ(t)经伸缩和平移后，就可以得到一个小波序列： ,()( )a b t b t a ψ -= ,,0a b R a ∈≠ （2） 其中a 为伸缩因子，b 为平移因子。 对于任意的函数f(t)∈L 2( R)的连续小波变换为： ,(,),()( )f a b R t b W a b f f t dt a ψψ-=<>= ? （3） 其逆变换为： 211()(,)()f R R t b f t W a b dadb C a a ψ ψ+-= ?? （4） 小波变换的时频窗是可以由伸缩因子a 和平移因子b 来调节的，平移因子b,可以改变窗口在相平面时间轴上的位置，而伸缩因子b 的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状。小波变换对不同的频率在时域上的取样步长是可调节的，在低频时，小波变换的时间分辨率较低，频率分辨率较高：在高频时，小波变换的时间分辨率较高，而频率分辨率较低。使用小波变换处理信号时，首先选取适当的小波函数对信号进行分解，其次对分解出的参数进行阈值处理，选取合适的阈值进行分析，最后利用处理后的参数进行逆小波变换，对信号进行重构。 3 小波降噪的原理和方法 3.1 小波降噪原理 从信号学的角度看 ,小波去噪是一个信号滤波的问题。尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器。由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如 图所示[6] ： 小波分析的重要应用之一就是用于信号消噪 ,一个含噪的一维信号模型可表示为如下 1.小波变换的概念 小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。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。与Fourier变换相比，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，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。 2.小波有哪几种形式?常用的有哪几种?具体用哪种，为什么？ 有几种定义小波(或者小波族)的方法: 缩放滤波器:小波完全通过缩放滤波器g——一个低通有限脉冲响应(FIR)长度为2N和为1的滤波器——来定义。在双正交小波的情况，分解和重建的滤波器分别定义。 高通滤波器的分析作为低通的QMF来计算，而重建滤波器为分解的时间反转。例如Daubechies和Symlet 小波。 缩放函数:小波由时域中的小波函数 (即母小波)和缩放函数 (也称为父小波)来定义。 小波函数实际上是带通滤波器，每一级缩放将带宽减半。这产生了一个问题，如果要覆盖整个谱需要无穷多的级。缩放函数滤掉变换的最低级并保证整个谱被覆盖到。 对于有紧支撑的小波，可以视为有限长，并等价于缩放滤波器g。例如Meyer小波。 小波函数:小波只有时域表示，作为小波函数。例如墨西哥帽小波。 3.小波变换分类 小波变换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。 DWT用于信号编码而CWT用于信号分析。所以，DWT通常用于工程和计算机科学而CWT经常用于科学研究。 4.小波变换的优点 从图像处理的角度看，小波变换存在以下几个优点： (1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述) (2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性 (3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口) (4)小波变换实现上有快速算法(Mallat小波分解算法) 另: 1) 低熵性变化后的熵很低; 2) 多分辨率特性边缘、尖峰、断点等;方法, 所以可以很好地刻画信号的非平稳特性 3) 去相关性域更利于去噪; 4) 选基灵活性: 由于小波变换可以灵活选择基底, 也可以根据信号特性和去噪要求选择多带小波、小波包、平移不变小波等。 小波变换的一个最大的优点是函数系很丰富, 可以有多种选择, 不同的小波系数生成的小波会有不同的效果。噪声常常表现为图像上孤立像素的灰度突变, 具有高频特性和空间不相关性。图像经小波分解后可得到低频部分和高频部分, 低频部分体现了图像的轮廓, 高频部分体现为图像的细节和混入的噪声, 因此, 对图像去噪, 只需要对其高频系数进行量化处理即可。 5.小波变换的科学意义和应用价值 小波变换：S 整数变换作业 1. 题目：用整数小波的S 或2/6变换对256*256 Lena 灰度图像进行非标准方法的3级分解与重构。 2. 总体设计：本题目的意义在于通过实验体会整数小波变换，由于MA TLAB 自身对矩阵操作的方便性，以及其丰富的库函数（如可以用来直接显示图象），我决定用MA TLAB 编程完成本次作业。要说明的是，这里并不是直接利用MA TLAB 中的wavelet 工具箱中的已有小波函数对图象进行整数小波分解，而是用下面的已知分解公式进行小波分解和重构。分解公式：1,,21,21,,21,[] j k j k j k j k j k j k d s s s s d -+--=-=+ 重构公式：,21,1,,211,,2[] j k j k j k j k j k j k s s d s d s --+-=-=+ ，其中[ ]表示取整。 进行非标准小波分解，即交替进行3次行变换和3次列变换，程序对每次变换后的结果都保存为位图文件，运行后可以在程序所在路径下看到保存的6个分解位图文件和6个重构位图文件。最后还会在一个图像中显示每次分解后的图像，以便于对比。 3. 实现方法：编写S 变换的分解和重构子程序，分别对图像数据进行一次行列分解和列行重构，程序返回该次变换后的行列矩阵，在主程序中可以连续三次调用行列变换，即完成对原始图像的3级分解和重构，这里的变换是完全可逆的，也就是能够完全恢复原图像数据。通过对比3次重构后返回的数据与原图像数据后发现它们完全相同。主要用的MA TLAB 工具函数有： imread( )---------读取图像数据，为uint8类型，需变为double 类型才能进行各种运算 imwrite()---------用于保存图像，这里用它来保存每一级变换后的图像 image( )----------显示图像，需要给出色谱表colormap ，这里是灰度图，用colormap ＝gray （256）即可 subplot( )--------用于分开绘图，即在一个窗口下绘制多个图像，在这里用于输出变换后的图像，以便对比。 更详细的内容请参考函数文件SDecompose.m 和SRecompose.m ，分别是分解和重构图像的函数，main.m 是演示主程序。 命令行下输入main 运行后，按照提示输入要处理的图像文件名称即可（要求是256×256的灰度图像，否则结果可能会出错。程序所在目录下的lena.bmp 和girl.bmp 就是256×256的灰度图像）可以直接按键盘‘d ’键，程序会默认使用lena.bmp 进行演示。 3级分解完成后，输出后面的3级分解效果图。命令窗中会给出提示，按下任意键将继续进行图像3级重构，完成后会输出后面的3级重构图。 进行分解和重构同时已经将分解和重构得到的图像存盘，在当前工作目录下即可看到保存的12个位图文件，其中分解和重构图像各有6个。若要查看清晰的变换图像，可以 打开它们查看。 4. 经验教训：本次作业用MA TLAB 而不是VC 实现，虽然看上去简单许多，但是对于我 小波分析理论简介 （一） 傅立叶变换伟大的历史贡献及其局限性 1 Fourier 变换 1807年，由当年随拿破仑远征埃及的法国数学、物理学家傅立叶（Jean Baptistle Joseph Fourier ,1786-1830),提出任意一个周期为T (=π2)的函数 )(t f ，都可以用三角级数表示： )(t f = ∑∞ -∞=k ikt k e C = 20 a + ∑∞=1cos k k kt a + ∑∞ =1 sin k k kt b (1) k C = π 21 ? -π 20 )(dt e t f ikt = * ikt e f , (2) k k k C C a -+= )(k k k C C i b --= (3) 对于离散的时程 )(t f ，即 N 个离散的测点值 m f ，=m 0,1，2，……,N-1, T 为测量时间： )(t f =2 0a + )sin cos (12 1∑-=+N k k k k k t b t a ωω+t a N N 2 2cos 21 ω=∑-=1 0N k t i k k e C ω （4） 其中 ∑-== 1 02cos 2 N m m k N km x N a π ，=k 0，1，2，…,2N (5) ∑-== 1 2sin 2N m m k N km x N b π , =k 1,2,…, 2N -1 (6) ∑-=-= 1 )/2(1N m N km i m k e x N C π ，=k 0，1，2，…,N-1 (7) t N k k ?=π ω2 ，N T t =? (8) 当T ∞→ 时，化为傅立叶积分（即 Fourier 变换）： ? ∞ ∞ --= dt e t f f t i ωω)()( =t i e f ω, （9） ωωπ ωd e f t f t i )(21 )(? ∞ ∞ -= (10) 2011-2012 学年第一学期 2011级硕士研究生考试试卷 课程名称：小波变换理论及应用任课教师：考试时间：分钟 考核类型：A（）闭卷考试（80%）+平时成绩（20%）； B（）闭卷考试（50%）+ 课程论文（50%）； C（√）课程论文或课程设计（70%）+平时成绩（30%）。 一、以图示的方式详细说明连续小波变换（CWT）的运算过程，分析小波变换的内涵；并阐述如何从多分辨率（MRA）的角度构造正交小波基。（20分） 二、综述小波变换理论与工程应用方面的研究进展，不少于3000字。（25分） 三、运用MATLAB中的小波函数和小波工具箱，分别对taobao.wav语音信号在加噪之后的taobao_noise.wav信号进行降噪处理，要求列出程序、降噪结果及降噪的理论依据。（25分） 四、平时成绩。（30分） （一）连续小波变换（CWT ）的运算过程及内涵 将平方可积空间中任意函数f （t ）在小波基下展开，称这种展开为函数f （t ）的连续小波变换（Continue Wavelet Transform ，简记CWT ）其表达式为 t a b t t f a b a f W d )(*)(||1),(? ∞+∞--=ψψ （ 1.1） 其中，a ∈R 且a ≠0。式（1.19）定义了连续小波变换，a 为尺度因子，表示与频率相关的伸 缩，b 为时间平移因子。其中)(| |1)(,a b t a t b a -=ψψ为窗口函数也是小波母函数。 从式（1.1）可以得出，连续小波变换计算分以下5个步骤进行。 ① 选定一个小波，并与处在分析时段部分的信号相比较。 ② 计算该时刻的连续小波变换系数C 。如图1.5所示，C 表示了该小波与处在分析时段内的信号波形相似程度。C 愈大，表示两者的波形相似程度愈高。小波变换系数依赖于所选择的小波。因此，为了检测某些特定波形的信号，应该选择波形相近的小波进行分析。 图1.5 计算小波变换系数示意图 ③ 如图1.6所示，调整参数b ，调整信号的分析时间段，向右平移小波，重复①～②步骤，直到分析时段已经覆盖了信号的整个支撑区间。 ④ 调整参数a ，尺度伸缩，重复①～③步骤。 ⑤ 重复①～④步骤，计算完所有的尺度的连续小波变换系数，如图1.7所示。 图1.6 不同分析时段下的信号小波变换系数计算 图1.7 不同尺度下的信号小波变换系数计算 C =0.2247MATLAB小波变换指令及其功能介绍(超级有用).
小波变换的原理及matlab仿真程序讲解学习
基于提升算法的二维53和97小波变换的MATLAB仿真与DSP实现
小波变换基本原理
小波变换 matlab 总结
小波分析考试题及答案
小波变换的原理及matlab仿真程序
小波变换去噪基础地的知识整理
整数小波变换作业
小波分析理论简介
小波变换理论及应用
相关主题
文本预览