一维信号小波阈值去噪.doc

一维信号小波阈值去噪1、小波阈值处理基本理论所谓阈值去噪简而言之就是对信号进行分解，然后对分解后的系数进行阈值处理，最后重构得到去噪信号。该算法其主要理论依据是：小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中;而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值。可以认为，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声。于是，采用阈值的办法可以把信号系数保留，而使大部分噪声系数减小至零。小波阈值收缩法去噪的具体处理过程为：将含噪信号在各尺度上进行小波分解，设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数或者完全保留，或者做相应的收缩（shrinkage）处理。最后将处理后获得的小波系数用逆小波变换进行重构，得到去噪后的信号。2、阈值函数的选取小波分解阈值去噪中，阈值函数体现了对超过和低于阈值的小波系数不同处理策略，是阈值去噪中关键的一步。设w表示小波系数，T为给定阈值，sign（*）为符号函数，常见的阈值函数有：硬阈值函数：（小波系数的绝对值低于阈值的置零，高于的保留不变）软阈值函数：（小波系数的绝对值低于阈值的置零，高于的系数shrinkage处理）式（3-8）和式（3-9）用图像表示即为：值得注意的是：1）硬阈值函数在阈值点是不连续的，在下图中已经用黑线标出。不连续会带来振铃，伪吉布斯效应等。2）软阈值函数，原系数和分解得到的小波系数总存在着恒定的偏差，这将影响重构的精度同时这两种函数不能表达出分解后系数的能量分布，半阈值函数是一种简单而经典的改进方案。见下图：选取的阈值最好刚好大于噪声的最大水平，可以证明的是噪声的最大限度以非常高的概率低于（此阈值是Donoho提出的），其中根号右边的这个参数（叫做sigma）就是估计出来的噪声标准偏差（根据第一级分解出的小波细节系数，即整个det1绝对值系数中间位置的值），本文将用此阈值去处理各尺度上的细节系数，注意所谓全局阈值就是近似系数不做任何阈值处理外，其他均阈值处理。4、阈值策略以下算法如果用简单的文字描述，可是：先将信号对称拓延（matlab的默认方式），然后再分别与低通分解滤波器和高通分解滤波器卷积，最后下采样，最后可以看出最终卷积采样的长度为floor（n-1）/2+n，如果想继续分解下去则继续对低频系数CA采取同样的方式进行分解。