第37卷 第2期2016年 3月计 量 学 报ACTA METROLOGICA SINICA Vol.37， 2 March ，
2016doi ：10.3969/j.issn.1000-1158.2016.02.21基于改进多阈值小波包的去噪算法及应用
王洪斌， 王世豪， 籍冰朔， 张航飞， 乔永静， 徐剑涛
（燕山大学电气工程学院，河北秦皇岛066004）
摘要：提出一种改进多阈值小波包的去噪算法，解决了单一阈值对噪声去除不完全和对一些有用信号无差别
去除的问题。应用在智能交通的图像去噪中，解决了不完全及错误去除图像信息的问题。首先采用小波包分解重构算法对图像进行预处理，得到更多的边缘细节。然后针对不同能量对应不同频段的特点，自适应地合理设置阈值，对不同频段下的噪声采用不同阈值去除。实验表明，该方法有效去除噪声，保留了图像的边缘和细节。
关键词：计量学；去噪；小波包；多阈值；图像预处理；智能交通
中图分类号：TB973 文献标识码：A 文章编号：1000-1158（2016）02-0205-04
An lmproved Multiple Threshold Wavelet Packet De-noising Algorithm and lts Application
WANG Hong-bin ， WANG Shi-hao ， JI Bing-shuo ， ZHANG Hang-fei ， QIAO Yong-jing ， Xu Jian-tao （Institute of Electrical Engineering ，Yanshan University ，Qinhuangdao ，Hebei 066004，China ）
Abstract ：An improved multiple threshold wavelet packet de-noising algorithm is proposed ，solving the problems of eliminating the noise incompletely and removing some useful signals without distinction.It was applied to the intelligent traffic image and got rid of the image signal de-noising incompletely and wrongly.First of all ，the image was preprocessed
using the decomposition reconstruction ˊs algorithm of wavelet packet ，and got more edge details.Then corresponding to different frequencies ，threshold was set reasonable according to the characteristics of different energy adaptively ，and different threshold was used to remove noise under different frequencies.Experiments showed that the method could remove the single noise effectively while preserving the image edges and details.Key words ：metrology ；de-nosing ；wavelet packet ；multiple threshold ；image preprocess ；intelligent traffic 收稿日期：2014-11-04；修回日期：2015-09-22
基金项目：国家自然科学基金（61473248）；河北省自然科学基金（F2015203413）；河北省高等学校科学技术研究重点项目（ZD2014100）作者简介：王洪斌（1966-），男，河北秦皇岛人，燕山大学教授，博士生导师，主要研究方向为计算机实时控制、自动化技术与应用、智能信
息处理等。hb wang@https://www.doczj.com/doc/9e358243.html, 1 引 言
基于视频图像的智能交通成为发展的主要趋
势，在此系统中图像处理尤为重要。在图像采集、传
输和受环境影响等都会造成图像中混有噪声［1，2］，对系统的精确度造成影响。传统的阈值去噪方法包
括固定阈值和自适应阈值的选取都是针对整幅图像
采用单一阈值，不能对噪声有效去除，或在去除噪声
时将图像细节和边缘部分一同去掉［3~6］。本文就交通图像去噪处理做了大量研究，提出了基于改进的多阈值小波包图像处理新方法。根据不同频段的能量信息，设定不同的阈值，进行针对性的去噪，得到很好的图像去噪效果。
2 基于小波包的图像预处理2.1 小波包分解与重构算法设｛V j ｝j ∈Z 是L 2（R ）
的多分辩分析，W j -1是V j -1在V j 中的正交补空间，u 0（t ）和u 1（t ）
是相应的尺度
基于小波阈值的图像去噪方法研究 摘要：本文根据已有的阈值处理函数的优缺点,提出了一种新的阈值处理函数,用于图像的小 波阈值去噪.实验表明,该方法比传统的硬阈值函数与软阈值函数具有更好的去噪效果 关键字：小波阈值去噪，阈值函数 0 引言 图像在获取或传输过程中会因各种噪声的干扰使质量下降,这将对后续图像的处理产生 不利影响.所以必须对图像进行去噪处理,而去噪所要达到的目的就是在较好去除噪声的基 础上,良好的保持图像的边缘等重要细节.近年来,小波理论得到了迅速的发展和广泛的应用. 由于其具有低熵性,多分辨性,去相关性和选基灵活性等优点,在图像去噪领域得到广泛的应 用.本文提出一种新阈值函数,并将其应用于小波阈值去噪,该函数是现有软、硬阈值函数的 推广,通过调整参数,可以克服硬阈值函数不连续和软阈值函数有偏差的缺点。 1 小波阈值处理 小波阈值收缩法是Donoho 和Johnstone 提出的,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,得到去噪后的图 像. 2 阈值函数的选取 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： ? ??<≥=T w T w w w new ,0, （1） 软阈值函数： ? ??<≥-=T w T w T w w w new ,0),)(sgn( （2） 分析(1)(2)式可以得出:硬阈值函数在阈值点是不连续的,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。因此,寻找一种新阈值函数,使它既能实现阈值函数的功能,又具有高阶 导数,同时可以体现出分解后系数的能量分布，将是我们的目标。我们提出一种新的阈值函 数为：
1 阈值获取 MATLAB 中实现信号阈值获取的函数有ddencmp 、thselect 、wbmpen 和wdcbm ，下面对它们的用法进行简单的说明。 函数Ddencmp 的调用格式 (1)[THR ，SORH ，KEEPAPP ，CRIT]=ddencmp(IN1，IN2，X) (2)[THR ，SORH ，KEEPAPP ，CRIT]=ddencmp(IN1，'wp'，X) (3)[THR ，SORH ，KEEPAPP]=ddencmp(IN1，'wv'，X) 函数ddencmp 用于获取在消噪或压缩过程中的默认阈值。输入参数X 为一维或二维信号；IN1取值为'den'或'crop'，den 表示进行去噪，crop 表示进行压缩；IN2取值为'wv'或'wp'，wv 表示选择小波，wp 表示选择小波包。返回值THR 是返回的阈值；SORH 是软阈值或硬阈值选择参数；KEEPAPP 表示保存低频信号；CRIT 是熵名(只在选择小波包时用)。 函数thselect 的调用格式 THR=thselect(X ，TPTR) THR=thselect(X ，TPTR)根据字符串TPTR 定义的阈值选择规则来选择信号X 的自适应阈值。 自适应阈值选择规则包括下面四种： " （1）TPTR='rigrsure'，自适应阈值选择使用Stein 的无偏风险估计原理。 （2）TPTR='heursure'，使用启发式阈值选择。 （3）TPTR='sqtwolog'，阈值等于sqrt(2*log(1ength(X)))。 （4）TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型e t f y +=)(，e 是高斯A 噪声N(O ，1)。 函数wbmpen 的调用格式 THR=wbmpen(C ，L ，SIGMA ，ALPHA) THR=wbmpen(C ，L ，SIGMA ，ALPHA)返回去噪的全局阈值THR 。THR 通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart 的处罚算法。[C ，L]是进行去噪的信号或图像的小波分解结构；SIGMA 是零均值的高斯白噪声的标准偏差；ALPHA 用于处罚的调整参数，它必须是一个大于1的实数，一股取ALPHA=2。 设t*是crit(t)=-sum(c(k)^2，k<=t)+2*SIGMA^2*t*(ALPHA+log(n/t))的最
自适应图像分析与识别 课程论文 题目基于小波变换的图像去噪中的阈值研究学院电子工程学院 专业电路与系统
摘要：图像去噪是对图像进行高级处理的重要基础，已经成为当今数字图像处理的热门领域之一。基于小波多尺度分解的阈值方法是一种有效的信号去噪方法．本文详细介绍了阈值的选取方法，并列举了几种常用的阈值函数，并对它们进行了比较，以期给小波图像处理研究者一些参考。 关键字：图像去噪；阈值；阈值函数；小波变换
Abstract：Image denoising is an important foundation for advanced image processing，and is the hot research area in digital image processing．The thresholding denoising based on the multi-scales wavelet is an effective way.This text intuoduced the way how to choose the threshold, listed some common thresholding function and compared them,in the hope of giving some references for the researcher in image processing with wavelet. Key words：image denoising，thresholding,thresholding function,wavelet transform
哈尔滨工业大学华德应用技术学院毕业设计（论文） 摘要 小波分析理论是一种新兴的信号处理理论，它在时间上和频率上都有很好的局部性，这使得小波分析非常适合于时—频分析，借助时—频局部分析特性，小波分析理论已经成为信号去噪中的一种重要的工具。利用小波方法去噪，是小波分析应用于实际的重要方面。小波去噪的关键是如何选择阈值和如何利用阈值来处理小波系数，通过对小波阈值化去噪的原理介绍,运用MATLAB 中的小波工具箱，对一个含噪信号进行阈值去噪，实例验证理论的实际效果，证实了理论的可靠性。本文设计了几种小波去噪方法，其中的阈值去噪的方法是一种实现简单、效果较好的小波去噪方法。 关键词：小波变换；去噪；阈值 -I-
哈尔滨工业大学华德应用技术学院毕业设计（论文） Abstract Wavelet analysis theory is a new theory of signal process and it has good localization in both frequency and time do-mains.It makes the wavelet analysis suitable for time-frequency analysis.Wavelet analysis has played a particularly impor-tant role in denoising,due to the fact that it has the property of time- frequency analysis. Using wavelet methods in de-noising, is an important aspect in the application of wavelet analysis. The key of wavelet de-noising is how to choose a threshold and how to use thresholds to deal with wavelet coefficients. It confirms the reliability of the theory through the wavelet threshold de-noising principle, the use of the wavelet toolbox in MATLAB, carrying on threshold de-noising for a signal with noise and actual results of the example confirmation theory.In this paper,the method of Wavelet Analysis is analyzed.and the method of threshold denoising is a good method of easy realization and effective to reduce the noise. Keywords：Wavelet analysis；denoising；threshold -II-
小波去噪 [xd,cxd,lxd]=wden(x,tptr,sorh,scal,n,'wname') 式中： 输入参数x 为需要去噪的信号； 1.tptr ：阈值选择标准. 1)无偏似然估计（rigrsure）原则。它是一种基于史坦无偏似然估计（二次方程）原理的自适应阈值选择。对于一个给定的阈值t，得到它的似然估计，再将似然t 最小化，就得到了所选的阈值，它是一种软件阈值估计器。 2）固定阈值（sqtwolog）原则。固定阈值thr2 的计算公式为：thr 2log(n) 2 = (6)式中，n 为信号x（k）的长度。 3）启发式阈值（heursure）原则。它是rigrsure原则和sqtwolog 原则的折中。如果信噪比很小，按rigrsure 原则处理的信号噪声较大，这时采用sqtwolog原则。 4）极值阈值（minimaxi）原则。它采用极大极小原理选择阈值，产生一个最小均方误差的极值，而不是没有误差。 2.sorh ：阈值函数选择方式，即软阈值(s) 或硬阈值(h). 3.scal ：阈值处理随噪声水平的变化，scal=one 表示不随噪声水平变化，scal=sln 表示根据第一层小波分解的噪声水平估计进行调整，scal=mln 表示根据每一层小波分解的噪声水平估计进行调整. 4.n 和wname 表示利用名为wname 的小波对信号进行n 层分解。输出去噪后的数据xd 及xd 的附加小波分解结构[cxd,lxd]. 常见的几种小波：haar，db，sym，coif，bior haar db db1 db2 db3 db4 db5 db6 db7 db8 db9 db10 sym sym2 sym3 sym4 sym5 sym6 sym7 sym8 coif coif1 coif2 coif3 coif4 coif5 coif6 coif7 coif8 coif9 coif10 bior bior1.1 bior1.3 bior1.5 bior2.2 bior2.4 bior2.6 bior2.8 bior3.5 bior3.7 bior3.9 bior4.4
30 李剑等：局部放电在线监测中小波阈值去噪法的最优阈值自适应选择 its application in partial discharge detection[J] ． IEEE Trans on Dielectrics and Electrical Insulation，2002，9(3：446-457． Vol. 30 No. 8 wavelet polarity of modulus maxima[J]．Power System Technology， 2003，27(5：55-57,71． [12] Saito N，Beylkin G．Multiresolution representations using the autocorrelation functions of compactly supported wavelets[J] ． IEEE Trans on Signal Processing，1993，41(12：3584-3590． [13] 徐冰雁，黄成军，钱勇，等．多小波相邻系数法在局部放电去噪中的应用[J]．电网技术，2005，29(15：61-64,70． Xu Bingyan， Huang Chengjun，Qian Yong，et al．Application of multiwavelet based neighboring coefficient method in denoising of partial discharge[J]． Power System Technology，2005 ，29(15： 61-64,70． [14] Donoho D L ． De-noising by soft- thresholding[J]． IEEE Trans on Information Theory，1995，41(3：613-627． [15] 王立欣，诸定秋，蔡维铮．局部放电在线监测中基于小波变换的阈值消噪算法研究[J]．电网技术，2003，27(4：46-48,78． Wang Lixin ， Zhu Dingqiu ， Cai Weizheng ． Wavelet transform based de-noise algorithm by thresholding in on-line
一种基于小波阈值降噪方法的图像降噪效果研究 电子信息学院 赵华 2015201355 一、引言 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所?干扰?的现象。如果图像被干扰得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、基本原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数ψ(x )来构造，ψ(x )称为母小波（mother wavelet ），或者叫做基本小波。一组小波基函数， {ψa,b (x )}，可以通过缩放和平移基本小波来生成： ?? ? ??-ψ=ψa b x a x b a 1)(, 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波ψ(x )为基的连续小波变换定义为函数f （x ）和ψa,b (x )的内积： ( )()dx a b x a x f f x W b a b a ?? ? ??-ψ=ψ=?∞ ∞-1,,,
基于小波的图像去噪 一、小波变换简介 在数学上，小波定义卫队给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积： () dx a b x a x f f x W b a b a )(1)(,,,-ψ=ψ=?+∞ ∞- （3） 与时域函数对应，在频域上则有：
())(,ωωa e a x j b a ψ=ψ- （3） 可以看出，当|a|减小时，时域宽度减小，而频域宽度增大，而且()x b a ,ψ的窗口中心向|ω|增大方向移动。这说明连续小波的局部是变化的，在高频时分辨率高，在低频时分辨率低，这便是它优于经典傅里叶变换的地方。总体说来，小波变换具有更好的时频窗口特性。 二、图像去噪描述 所谓噪声，就是指妨碍人的视觉或相关传感器对图像信息进行理解或分析的各种因素。通常噪声是不可预测的随机信号。由于噪声影响图像的输入、采集、处理以及输出的各个环节，尤其是图像输入、采集中的噪声必然影响图像处理全过程乃至最终结果，因此抑制噪声已成为图像处理中极其重要的一个步骤。 依据噪声对图像的影响，可将噪声分为加性噪声和乘性噪声两大类。由于乘性噪声可以通过变换当加性噪声来处理，因此我们一般重点研究加性噪声。设f(x,y)力为理想图像，n(x,y)力为噪声，实际输入图像为为g(x,y)，则加性噪声可表示为: g(x,y)= f(x,y)+ n(x,y)， （4） 其中，n(x,y)和图像光强大小无关。 图像去噪的目的就是从所得到的降质图像以g(x,y)中尽可能地去除噪声n(x,y)，从而还原理想图像f(x,y)。图像去噪就是为了尽量减少图像的均方误差，提高图像的信噪比，从而尽可能多地保留图像的特征信息。 图像去噪分为时域去噪和频域去噪两种。传统图像去噪方法如维纳滤波、中值滤波等都属于时域去噪方法。而采用傅里叶变换去噪则属于频域去噪。这些方法去噪的依据是一致的，即噪声和有用信号在频域的不同分布。我们知道，有用信号主要分布于图像的低频区域，噪声主要分布在图像的高频区域，但图像的细节信息也分布在高频区域。这样在去除高频区域噪声的同时，难免使图像的一些细节也变得模糊，这就是图像去噪的一个两难问题。因此如何构造一种既能降低图像噪声，又能保留图像细节特征的去噪方法成为图像去噪研究的一个重大课题。
1.阈值获取 MATLAB中实现阈值获取的函数有ddencmp、thselect、wbmpen和wwdcbm，下面对它们的用法进行简单的说明。 （1）ddencmp的调用格式有以下三种： （1）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,IN2,X) （2）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wp',X) （3）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wv',X) 函数ddencmp用于获取信号在消噪或压缩过程中的默认阈值。输入参数X为一维或二维信号；IN1取值为'den'或'cmp'，'den'表示进行去噪，'cmp'表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名（只在选择小波包时使用）。 （2）函数thselect的调用格式如下： THR=thselect(X,TPTR); THR=thselect(X,TPTR)根据字符串TPTR定义的阈值选择规则来选择信号X的自适应阈值。 自适应阈值的选择规则包括以下四种： *TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。 *TPTR='heursure'，使用启发式阈值选择。 *TPTR='sqtwolog'，阈值等于sqrt(2*log(length(X))).
*TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型 y = f(t) + e，e是高斯白噪声N(0,1)。（3）函数wbmpen的调用格式如下： THR=wbmpen(C,L,SIGMA,ALPHA); THR=wbmpen(C,L,SIGMA,ALPHA)返回去噪的全局阈值THR。THR 通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart的处罚算法。{C,L]是进行去噪的信号或图像的小波分解结构；SIGMA是零均值的高斯白噪声的标准偏差；ALPHA是用于处罚的调整参数，它必须是一个大于1的实数，一般去ALPHA=2。 设t*使crit(t)=-sum(c(k)^2,k<=t) + 2 * SIGMA^2 * t*(ALPHA+log(n/t))的最小值，其中c(k)是按绝对值从大到小排列的小波包系数，n是系数的个数，则THR=|c(t*)|。 wbmpen(C,L,SIGMA,ALPHA,ARG)计算阈值并画出三条曲线。 2 * SIGMA^2 * t*(ALPHA+log(n/t)) sum(c(k)^2, k<=t) crit(t) （4）wdcbm的调用格式有以下两种： （1）[THR,NKEEP]=wdcbm(C,L,ALPHA); （2）[THR,NKEEP]=wdcbm(C,L,ALPHA,M); 函数wdcbm是使用Birge-Massart算法获取一维小波变换的阈值。返回值THR是与尺度无关的阈值，NKEEP是系数的个数。[C,L]是要进行压缩或消噪的信号在j=length(L)-2层的分解结构；LAPHA
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。
小波去噪和小波包去噪的对比
问题 1：试生成一个含噪声信号，利用matlab 中的小波去噪和小波包去噪函数去除噪声，比较两者的性能差异。 程序如下： clc clear all load noisdopp x=noisdopp; subplot(311) plot(x); title(' 原始信号的波形图 ') axis tight; [thr,sorh,keepapp]=ddencmp('den','wv',x); xwd=wden(x,'rigrsure','s','one',4,'sym4'); subplot(312) plot(xwd) title(' 小波降噪信号 ') axis tight [thr1,sorh1,keepapp1,crit]=ddencmp('den','wp',x); xwpd=wpdencmp(x,'h',4,'sym4','sure',thr1,1); subplot(313) plot(xwpd) title(' 小波包降噪信号 ') axis tight 运行结果如下： 原始信号的波形图 5 -5 1002003004005006007008009001000 小波降噪信号 5 -5 1002003004005006007008009001000 小波包降噪信号 5 -5 1002003004005006007008009001000 区别：小波变换在低信噪比情况下的去噪效果较好，小波包分解去噪后信号更 加的平滑；小波分解主要是针对细节成分全置 0 或者给定软（硬）阈值去噪，容易丢失信号中的有用信息。
第37卷 第2期2016年 3月计 量 学 报ACTA METROLOGICA SINICA Vol.37， 2 March ， 2016doi ：10.3969/j.issn.1000-1158.2016.02.21基于改进多阈值小波包的去噪算法及应用 王洪斌， 王世豪， 籍冰朔， 张航飞， 乔永静， 徐剑涛 （燕山大学电气工程学院，河北秦皇岛066004） 摘要：提出一种改进多阈值小波包的去噪算法，解决了单一阈值对噪声去除不完全和对一些有用信号无差别 去除的问题。应用在智能交通的图像去噪中，解决了不完全及错误去除图像信息的问题。首先采用小波包分解重构算法对图像进行预处理，得到更多的边缘细节。然后针对不同能量对应不同频段的特点，自适应地合理设置阈值，对不同频段下的噪声采用不同阈值去除。实验表明，该方法有效去除噪声，保留了图像的边缘和细节。 关键词：计量学；去噪；小波包；多阈值；图像预处理；智能交通 中图分类号：TB973 文献标识码：A 文章编号：1000-1158（2016）02-0205-04 An lmproved Multiple Threshold Wavelet Packet De-noising Algorithm and lts Application WANG Hong-bin ， WANG Shi-hao ， JI Bing-shuo ， ZHANG Hang-fei ， QIAO Yong-jing ， Xu Jian-tao （Institute of Electrical Engineering ，Yanshan University ，Qinhuangdao ，Hebei 066004，China ） Abstract ：An improved multiple threshold wavelet packet de-noising algorithm is proposed ，solving the problems of eliminating the noise incompletely and removing some useful signals without distinction.It was applied to the intelligent traffic image and got rid of the image signal de-noising incompletely and wrongly.First of all ，the image was preprocessed using the decomposition reconstruction ˊs algorithm of wavelet packet ，and got more edge details.Then corresponding to different frequencies ，threshold was set reasonable according to the characteristics of different energy adaptively ，and different threshold was used to remove noise under different frequencies.Experiments showed that the method could remove the single noise effectively while preserving the image edges and details.Key words ：metrology ；de-nosing ；wavelet packet ；multiple threshold ；image preprocess ；intelligent traffic 收稿日期：2014-11-04；修回日期：2015-09-22 基金项目：国家自然科学基金（61473248）；河北省自然科学基金（F2015203413）；河北省高等学校科学技术研究重点项目（ZD2014100）作者简介：王洪斌（1966-），男，河北秦皇岛人，燕山大学教授，博士生导师，主要研究方向为计算机实时控制、自动化技术与应用、智能信 息处理等。hb wang@https://www.doczj.com/doc/9e358243.html, 1 引 言 基于视频图像的智能交通成为发展的主要趋 势，在此系统中图像处理尤为重要。在图像采集、传 输和受环境影响等都会造成图像中混有噪声［1，2］，对系统的精确度造成影响。传统的阈值去噪方法包 括固定阈值和自适应阈值的选取都是针对整幅图像 采用单一阈值，不能对噪声有效去除，或在去除噪声 时将图像细节和边缘部分一同去掉［3~6］。本文就交通图像去噪处理做了大量研究，提出了基于改进的多阈值小波包图像处理新方法。根据不同频段的能量信息，设定不同的阈值，进行针对性的去噪，得到很好的图像去噪效果。 2 基于小波包的图像预处理2.1 小波包分解与重构算法设｛V j ｝j ∈Z 是L 2（R ） 的多分辩分析，W j -1是V j -1在V j 中的正交补空间，u 0（t ）和u 1（t ） 是相应的尺度
基于小波图像去噪的MATLAB 实现 一、 论文背景 数字图像处理(Digital Image Processing ，DIP)是指用计算机辅助技术对图像信号进行处理的过程。数字图像处理最早出现于 20世纪50年代，随着过去几十年来计算机、网络技术和通信的快速发展，为信号处理这个学科领域的发展奠定了基础，使得DIP 技术成为信息技术中最重要的学科分支之一。在现实生活中，DIP 应用十分广泛，医疗、艺术、军事、航天等图像处理影响着人类生活和工作的各个方面。 然而，在图像的采集、获取、编码和传输的过程中，都存在不同程度被各种噪声所“污染”的现象。如果图像被污染得比较严重，噪声会变成可见的颗粒形状，导致图像质量的严重下降。根据研究表明，当一张图像信噪比(SNR)低于14.2dB 时，图像分割的误检率就高于0.5%，而参数估计的误差高于0.6%。通过一些卓有成效的噪声处理技术后，尽可能地去除图像噪声，我们在从图像中获取信息时就更容易，有利于进一步的对图像进行如特征提取、信号检测和图像压缩等处理。小波变换处理应用于图像去噪外，在其他图像处理领域都有着十分广泛的应用。本论文以小波变换作为分析工具处理图像噪声，研究数字图像的滤波去噪问题，以提高图像质量。 二、 课题原理 1.小波基本原理 在数学上，小波定义为对给定函数局部化的新领域，小波可由一个定义在有限区域的函数()x ψ来构造，()x ψ称为母小波，（mother wavelet ）或者叫做基本小波。一组小波基函数，()}{,x b a ψ，可以通过缩放和平移基本小波 来生成： ())(1 ,a b x a x b a -ψ=ψ （1） 其中，a 为进行缩放的缩放参数，反映特定基函数的宽度，b 为进行平移的平移参数，指定沿x 轴平移的位置。当a=2j 和b=ia 的情况下，一维小波基函数序列定义为： ()() 1222,-ψ=ψ--x x j j j i （2） 其中，i 为平移参数，j 为缩放因子，函数f （x ）以小波()x ψ为基的连续小波变换定义为函数f （x ）和()x b a ,ψ的内积：
1、小波分析中MATLAB阈值获取函数 MATLAB中实现阈值获取的函数有ddencmp、thselect、wbmpen和wwdcbm，下面对它们的用法进行简单的说明。 一、ddencmp的调用格式有以下三种： （1）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,IN2,X) （2）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wp',X) （3）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wv',X) 函数ddencmp用于获取信号在消噪或压缩过程中的默认阈值。输入参数X 为一维或二维信号；IN1取值为'den'或'cmp'，'den'表示进行去噪，'cmp'表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名（只在选择小波包时使用）。 例题1： clear all clc load noisbump; x=noisbump; [c,l]=wavedec(x,5,'sym6'); %对小波进行5层分解 [thr,sorh,keepapp]=ddencmp('den','wv',x) xd=wdencmp('gbl',c,l,'sym6',5,thr,sorh,keepapp);%显示降噪信号 subplot(211),plot(x),title('x','fontsize',10); subplot(212),plot(xd),title('xd','fontsize',10); x xd 020040060080010001200
1 阈值获取 MATLAB中实现信号阈值获取的函数有ddencmp、thselect、wbmpen和wdcbm，下面对它们的用法进行简单的说明。 1.1 函数Ddencmp的调用格式 (1)[THR，SORH，KEEPAPP，CRIT]=ddencmp(IN1，IN2，X) (2)[THR，SORH，KEEPAPP，CRIT]=ddencmp(IN1，'wp'，X) (3)[THR，SORH，KEEPAPP]=ddencmp(IN1，'wv'，X) 函数ddencmp用于获取在消噪或压缩过程中的默认阈值。输入参数X为一维或二维信号；IN1取值为'den'或'crop'，den表示进行去噪，crop表示进行压缩；IN2取值为'wv'或'wp'，wv表示选择小波，wp表示选择小波包。返回值THR 是返回的阈值；SORH是软阈值或硬阈值选择参数；KEEPAPP表示保存低频信号；CRIT是熵名(只在选择小波包时用)。 1.2 函数thselect的调用格式 THR=thselect(X，TPTR) THR=thselect(X，TPTR)根据字符串TPTR定义的阈值选择规则来选择信号X 的自适应阈值。 自适应阈值选择规则包括下面四种： （1）TPTR='rigrsure'，自适应阈值选择使用Stein的无偏风险估计原理。（2）TPTR='heursure'，使用启发式阈值选择。 （3）TPTR='sqtwolog'，阈值等于sqrt(2*log(1ength(X)))。 （4）TPTR='minimaxi'，用极大极小原理选择阈值。 阈值选择规则基于模型e =) y+ (，e是高斯A噪声N(O，1)。 t f 1.3 函数wbmpen的调用格式 THR=wbmpen(C，L，SIGMA，ALPHA) THR=wbmpen(C，L，SIGMA，ALPHA)返回去噪的全局阈值THR。THR通过给定的一种小波系数选择规则计算得到，小波系数选择规则使用Birge-Massart的处罚算法。[C，L]是进行去噪的信号或图像的小波分解结构；SIGMA是零均值的高斯白噪声的标准偏差；ALPHA用于处罚的调整参数，它必须是一个大于1的实数，一股取ALPHA=2。 设t*是crit(t)=-sum(c(k)^2，k<=t)+2*SIGMA^2*t*(ALPHA+log(n/t))的最小值，其中c(k)是按绝对值从大到小排列的小波包系数，n是系数的个数，则
小波阈值去噪的基本原理_小波去噪阈值如何选取 小波阈值去噪的基本原理小波阈值去噪的基本思想是先设置一个临界阈值，若小波系数小于，认为该系数主要由噪声引起，去除这部分系数;若小波系数大于，则认为此系数主要是由信号引起，保留这部分系数，然后对处理后的小波系数进行小波逆变换得到去噪后的信号。具体步骤如下： （1）对带噪信号f（t）进行小波变换，得到一组小波分解系数Wj，k; （2）通过对小波分解系数Wj，k进行阈值处理，得到估计小波系数Wj，k，使Wj，k－uj，k尽可能的小; （3）利用估计的小波系数Wj，k进行小波重构，得到估计信号f（t），即为去噪后的信号。提出了一种非常简洁的方法对小波系数Wkj，进行估计。对f（k）连续做几次小波分解后，有空间分布不均匀信号s（k）各尺度上小波系数Wkj，在某些特定位置有较大的值，这些点对应于原始信号s（k）的奇变位置和重要信息，而其他大部分位置的Wkj，较小；对于白噪声n（k），它对应的小波系数Wkj，在每个尺度上的分布都是均匀的，并随尺度的增加Wkj 把低于的小波函数Wkj，（主要由信号n（k Wkj，（主要由信号s（k）引起），则予以保留或进行收缩，从而得到估计小波系数Wkj，它可理解为基本由信号s（k）引起，然后对Wkj进行重构，就可以重构原始信号。 本文提出的小波阈值去噪方法可以分为5步描述：（1）对带噪图像g（i，j）进行s层正交冗余小波变换，得到一组小波分解系数Wg（i，j）（s，j），其中j=1，2，s，s表示小波分解的层数。 小波阈值去噪法有着很好的数学理论支持，实现简单而又非常有效，因此取得了非常大的成功，并吸引了众多学者对其作进一步的研究与改进。这些研究集中在两个方面：对阈值选取的研究以及对阈值函数的研究。 阈值的确定在去噪过程中至关重要，目前使用的阈值可以分为全局阈值和局部适应阈值两类。其中，全局阈值是对各层所有的小波系数或同一层内不同方向的小波系数都选用同一
小波降噪阈值选取的研究 余晃晶 (三明学院,福建 三明365004) 摘 要:小波分析用于信号降噪的过程中,核心的算法就是在小波系数上作用阈值,因为阈值的选取直接影响降噪的质量.笔者就阈值的选取做了一些理论分析并在MATLAB 环境下进行仿真研究,得出应用小波降噪过程中阈值选取的一些实际结论. 关键词:小波变换;阈值;降噪 中图分类号:TP301.6 文献标识码:A 文章编号:1008-293X (2004)09-0034-05 实际采集的信号中常含有噪声,只有作降噪处理才能有效地表现原信号中有用的信息.信号降噪方法有时域和频域两种方法,但是归根到底是利用噪声和信号在频域上分布的不同进行的:信号主要分布在低频区域,而噪声主要分布在高频区域,但同时信号的高频区域也存在被检测对象的某些重要特征.传统的Fourier 分析方法可将信号的高频成分滤除,虽然也能够达到降低噪声的效果,但却影响了信号的某些重要特征.如何构造一种既能够降低信号噪声,又能够保持信号某些重要特征的降噪方法是此项研究的目标,而这在小波变换这种强有力的信号分析工具出现以后已经成为可能.由于小波变换同时具有时域和频域上的局部性特性,优于傅立叶变换,所以它一出现,就很快被普遍应用于信号处理中.本文就小波分析用于信号降噪的过程中阈值的选取做一些理论分析,并在MATL AB 环境下做了仿真研究,得出应用小波降噪过程中阈值选取的一些实际结论. 1 小波变换用于降噪的基本原理 1988年,文献〔1〕提出了多分辨分析的概念,并给出了小波分解与重构的快速算法,即Mallat 算法.根据这一算法,若f k 为信号f (t )的离散采样数据,f k =c 0,k ,则信号f (t )的正交小波变换分解公式为 c j ,k =∑n c j -1,n h n -2k ; d j ,k =∑d j -1,n g n -2k .(k =0,1,2,…n -1)(1) 式中:c j ,k 为尺度系数;d j ,k 为小波系数;h ,g 为一对正交镜像滤波器组(QMF );j 为分解层数;N 为离散采样点数.小波重构过程是分解过程的逆运算,相应的重构公式为 c j -1,n =∑n c j ,n h k -2n +∑n d j ,n g k -2n (2) 小波的多分辨分析特性可将信号在不同尺度下进行多分辨率的分解,并将交织在一起的各种不同频率组成的混合信号分解成不同频段的子信号,因而对信号具有按频带处理的能力. 对于一个含噪声的一维信号的基本模型通常表示成如下的形式: s (n )=f (n )+σe (n ) (n =0,1,2,…n -1)(3) 式中:f (n )为原始信号;e (n )为噪声信号;s (n )为含噪声信号;σ为噪声强度.在最简单的情况下可以假设e (n )为高斯白噪声,且σ=1.小波变换的目的就是要抑制e (n )以恢复f (n ).在f (n )的分解系数比较稀疏(非零项很少)的情况下,这种方法的效率很高.为了从含噪信号s (n )中还原出真实信号f (n ),可以利用信号和噪声在小波变换下的不同特性,通过对小波分解系数进行处理来达到信号和噪声分离的目的.在实际工程应用中,有用信号通常表现为低频信号或是一些比较平稳的信号,而噪声信号则通常表现为高第24卷第9期2004年9月 绍 兴 文 理 学 院 学 报JOUR NAL OF SHAOXING UNIVERSITY Vol .24No .9Sep .2004 收稿日期:2004-07-06 作者简介:余晃晶(1965-),男,福建连江人,讲师.研究方向:单片机和信号处理等. DOI :10.16169/j .issn .1008-293x .s .2004.09.009