小波去噪

 

 

在實際的工程應用中，所分析的信號可能包含許多尖峰或突變部分，並且噪聲也不是平穩的白噪聲。

對這種信號的降噪處理，用傳統的傅立葉變換分析，顯得無能為力，因為它不能給出信號在某個時間點上的變化情況。

通常情況下有用信號表現為低頻部分或是一些比較平穩的信號,而噪聲信號則表現為高頻的信號。

 

處理 小波系數！

三個基本的步驟：

（1）對含噪聲信號進行小波變換；

（2）對變換得到的小波系數進行某種處理，以去除其中包含的噪聲；

（3）對處理后的小波系數進行小波逆變換，得到去噪后的信號。

小波去噪方法的不同之處集中在第一步。

 

信號映射到小波域，根據噪聲和噪聲的小波系數在不同尺度上具有不同的性質和機理，對含噪信號的小波系數進行處理。

減少剔除噪聲產生的小波系數，最大限度的保留真實信號的系數。

 小波去噪實現步驟

（1）二維信號的小波分解。選擇一個小波和小波分解的層次N，然后計算信號s到第N層的分解。

（2）對高頻系數進行閾值量化。對於從1~N的每一層，選擇一個閾值，並對這一層的高頻系數進行軟閾值量化處理。

（3）二維小波重構。根據小波分解的第N層的低頻系數和經過修改的從第一層到第N的各層高頻系數，計算二維信號的小波重構。

 圖像去噪：小波變換法_席光榮_新浪博客 http://blog.sina.com.cn/s/blog_165027efc0102xazm.html

小波去噪Matlab程序如下：

clc
clear all
%讀取圖像
X=imread('lena.jpg');
X_gray=rgb2gray(X);
subplot(221);
image(X_gray);
imshow(X_gray);
title('原始圖像');
%生成含有噪聲的圖像並顯示
init=2055615866;
randn('seed',init);
X_gray=double(X_gray);
%添加隨機噪聲
X_noise=X_gray+8*randn(size(X_gray));
subplot(222);
imshow(uint8(X_noise));
title('含噪圖像');
%用小波函數coif2對圖像進行兩層分解
[c l]=wavedec2(X_noise,2,'coif2');
n=[1,2];
% 設置閾值向量，對高頻小波系數進行閾值處理
p=[10.28,24.08];
nc=wthcoef2('h',c,l,n,p,'s');
% 圖像的二維小波重構
X1=waverec2(nc,l,'coif2');
subplot(223);
imshow(uint8(X1));
title('第一次消噪聲后的圖像');
mc=wthcoef2('v',nc,l,n,p,'s');
% 圖像的二維小波重構
X2=waverec2(mc,l,'coif2');
subplot(224);
imshow(uint8(X2));
title('第二次消噪聲后的圖像');

 

 

小波圖像去噪及matlab實例 - CSDN博客 https://blog.csdn.net/mingtian715/article/details/60873875

小波去噪DWT - CSDN博客 https://blog.csdn.net/study_000/article/details/71077254