小波去噪matlab程序代码_步骤及函数介绍

杨桂花 2018-01-10 71320

嵌入式设计应用

133人已加入

描述

1、小波去噪实现步骤

（1）二维信号的小波分解。选择一个小波和小波分解的层次N，然后计算信号s到第N层的分解。

（2）对高频系数进行阈值量化。对于从1~N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值量化处理。

（3）二维小波重构。根据小波分解的第N层的低频系数和经过修改的从第一层到第N的各层高频系数，计算二维信号的小波重构

2、Matlab函数介绍

（1）wavedec2函数

该函数用于对多尺度二维小波进行分解，其常用调用格式：

［C，S］ = wavedec2（X，N，‘wname’）：用小波函数wname对信号X在尺度N上的二维分解，N是严格正整数。

（2）wrcoef2函数

该函数用于对二维小波系数进行单支重构，其调用格式：

X = wrcoef2（‘type’，C，S，‘wname’，N）：用指定的小波函数wname进行N尺度重构。当type = ‘a’时，仅对信号的低频部分进行重构，此时N可以为0;当type = ‘h’（或‘v’/‘d’）时，对信号（水平、垂直、对角）的高频进行重构，N为严格正整数。

（3）wthcoef2函数

该函数用于对二维信号的小波系数阈值进行处理，常用调用格式：

NC = wthcoef2（‘type’，C，S，N，T，SORH）：返回经过小波分解结构［C，S］进行处理后的新的小波分解向量NC，［NC，S］即构成一个新的小波分解结构。N是一个包含高频尺度的向量，T是相应的阈值，且N和T长度须相等。返回‘type’（水平、垂直、对角线）方向的小波分解向量NC。参数SORH用来对阈值方式进行选择，当SORH = ‘s’时，为软阈值，当SORH = ‘h’时，为硬阈值。

3、小波去噪Matlab实例

实例1：

clear all;

load facets;

subplot（2，2，1）;image（X）;

colormap（map）;

xlabel（‘（a）原始图像’）;

axis square

%产生含噪声图像

init = 2055615866;

randn（‘seed’，init）;

x = X + 50*randn（size（X））;

subplot（2，2，2）;image（x）;

colormap（map）;

xlabel（‘（b）含噪声图像’）;

axis square

%下面进行图像的去噪处理

%用小波函数coif3对x进行2层小波分解

［c，s］ = wavedec2（x，2，‘coif3’）;

%提取小波分解中第一层的低频图像，即实现了低通滤波去噪

%设置尺度向量

n = ［1，2］;

%设置阈值向量p

p = ［10.12，23.28］;

%对三个方向高频系数进行阈值处理

nc = wthcoef2（‘h’，c，s，n，p，‘s’）;

nc = wthcoef2（‘v’，nc，s，n，p，‘s’）;

nc = wthcoef2（‘d’，nc，s，n，p，‘s’）;

%对新的小波分解结构［c，s］进行重构

x1 = waverec2（nc，s，‘coif3’）;

subplot（2，2，3）;image（x1）;

colormap（map）;

xlabel（‘（c）第一次去噪图像’）;

axis square

%对nc再次进行滤波去噪

xx = wthcoef2（‘v’，nc，s，n，p，‘s’）;

x2 = waverec2（xx，s，‘coif3’）;

subplot（2，2，4）;image（x2）;

colormap（map）;

xlabel（‘（d）第二次去噪图像’）;

axis square《span style=“font-size:14px”》《span style=“font-size:14px”》《span style=“font-size:18px; color：#3366ff”》

实例2：

首先使用函数wnoisest获取噪声方差，然后使用函数wbmpen获取小波去噪阈值，最后使用wdencmp实现信号消噪。

load leleccum;

indx = 1:1024;

x = leleccum（indx）;

%产生含噪信号

init = 2055615886;

randn（‘seed’，init）;

nx = x + 18*randn（size（x））;

%使用小波函数‘db6’对信号进行3层分解

［c，l］ = wavedec（nx，3，‘db6’）;

%估计尺度1的噪声标准差

sigma = wnoisest（c，l，1）;

alpha = 2;

%获取消噪过程中的阈值

thr = wbmpen（c，l，sigma，alpha）;

keepapp = 1;

%对信号进行消噪

xd = wdencmp（‘gbl’，c，l，‘db6’，3，thr，‘s’，keepapp）;

subplot（221）;

plot（x）;

title（‘原始信号’）;

subplot（222）;

plot（nx）;

title（‘含噪信号’）;

subplot（223）;

plot（xd）;

title（‘消噪后的信号’）;

实例3：

本例中，对小波分解系数使用函数wthcoef进行阈值处理，然后利用阈值处理后的小波系数进行重构达到去噪目的。

load leleccum;

indx = 1:1024;

x = leleccum（indx）;

%产生含噪信号

init = 2055615866;

randn（‘seed’，init）;

nx = x + 18*randn（size（x））;

%使用小波函数‘db5’对信号进行3层分解

［c，l］ = wavedec（nx，3，‘db5’）;

%设置尺度向量

n = ［1，2，3］;

%设置阈值向量

p = ［100，90，80］;

%对高频系数进行阈值处理

nc = wthcoef（‘d’，c，l，n，p）;

%对修正后的小波分解结构进行重构

rx = waverec（nc，l，‘db5’）;

subplot（221）;

plot（x）;

title（‘原始信号’）;

subplot（222）;

plot（nx）;

title（‘含噪信号’）;

subplot（223）;

plot（rx）;

title（‘消噪后的信号’）;

实例4：

本例中，使用一维信号的自动消噪函数wden对信号进行消噪。

load leleccum;

indx = 1:1024;

x = leleccum（indx）;

%产生含噪信号

init = 2055615866;

randn（‘seed’，init）;

nx = x + 18*randn（size（x））;

%将信号nx使用小波函数‘sym5’分解到第5层

%使用mimimaxi阈值选择系数进行处理，消除噪声信号

lev = 5;

xd = wden（nx，‘minimaxi’，‘s’，‘mln’，lev，‘sym5’）;

subplot（221）;

plot（x）;

title（‘原始信号’）;

subplot（222）;

plot（nx）;

title（‘含噪信号’）;

subplot（223）;

plot（xd）;

title（‘消噪后的信号’）;

打开APP阅读更多精彩内容