小波信号去噪--武延亮

小波信号去噪汇报内容一、简介二、小波变换模极大去噪三、基于小波变换尺度间相关性的去噪四、小波阈值去噪法简介：去噪必要性设长度为N的信号nf被噪声ne所污染，所测得的含噪数据为：nnnXfe目标:求f的最优逼近.假设条件:高斯噪声基本策略:变换到频域(如小波域),将信号的小波变换与噪声的小波变换分离.已知:简介:去噪问题的描述简介:去噪的主要方法简介:去噪的主要方法含噪图像模型：],[],[],[jijifjig原图像噪声分量],[],[],[jiVjiXjiY简介:去噪的主要方法汇报内容一、简介二、小波变换模极大去噪三、基于小波变换尺度间相关性的去噪四、小波阈值去噪法信号的奇异性检测与小波模极大值Lipschitz指数度量信号奇异性定理：若小波是实函数且连续可微，并具有阶消失矩（），则函数在处具有Lipschitz指数，当且仅当存在常数，使得，其小波变换满足：)(xnZn)()(2RLxf)(xf0x0BxxK)2()(2jKxfWj小波变换模极大去噪将根据信号与噪声的小波变换模极大在各尺度上的不同传播特性，介绍小波变换模极大在信号去噪中的原理和方法。为了更好地将具有正Lipschitz指数的信号与具有负Lipschitz指数的噪声区别开，本节用sWfu替代(,)Wfsu作为ft的小波变换.设01若v为函数的局部奇异点，则存在一个常数A,使得,22jjWfuA或222loglogjWfuAj信号与噪声在小波变换各尺度上的模极大值具有截然不同的传播特性，这为利用小波变换模极大去噪提供了重要依据。小波变换模极大去噪小波变换模极大去噪小波变换模极大去噪算法描述算法的基本思想是，根据信号与噪声在不同尺度上的模极大的不同传播特性，从所有小波变换模极大值中选择信号的模极大值而去除噪声的小波变换模极大值，然后用剩余的小波变换模极大值去重构信号。理想的算法是,对信号进行连续小波变换,寻找模极大曲线,进而确定奇异点的位置并计算该奇异点的Lipschiz指数.在离散的二进尺度下,可以用所谓adhoc算法来搜索模极大曲线.从而可以给出小波模极大去噪的基本算法.为简化计算,我们可取消Lipschitz指数的计算，而将噪声模极大值点的消除包含在adhoc算法中，从而给出一个较实用的小波模极大去噪算法.小波变换模极大去噪小波变换模极大去噪汇报内容一、简介二、小波变换模极大去噪三、基于小波变换尺度间相关性的去噪四、小波阈值去噪法信号与噪声的小波变换在各尺度下的不同传播特性表明，信号的小波变换在各尺度间有较强的相关性，而且在边缘处具有很强的相关性；而噪声的小波变换在各尺度间确没有明显的相关性，而且，噪声的小波变换主要集中在小尺度各层次中。基于小波变换尺度间相关性的去噪根据信号与噪声的小波变换在不同尺度间的上述不同特点，我们可以通过将相邻尺度的小波系数直接相乘来增强信号，抑制噪声。基于小波变换尺度间相关性的去噪122(,)()()jjCorjnWfnWfn基本概念和算法原理:(,)(,)(1,)CorjnWjnWjn或(,)(,)/NCorjnCorjnPWjPCorj2,nPWjWjn2,nPCorjCorjn下面以尺度j=1为例说明SSNF是如何区分该尺度下的信号与噪声的。（1）对1,2,,nN，通过比较1,NCorn和1,Wn提取信号的边缘信息。的绝对值，|(1,)||(1,)|NCornWn若,则将n点处的变换1,Wn赋值给1,Wn然后将该点的小波系数1,Wn与相关系数1,Corn都置为0。若|(1,)||(1,)|NCornWn,则该点的小波系数与相关系数保持不变.基于小波变换尺度间相关性的去噪（2）1,Wn对和1,Corn按照步骤（1）处理,得到次重要的边缘信息.以上相关系数规范化、数据比较和边缘提取的过程可递归进行，直到1,Wn中尚未被抽取的点的能量近似等于该尺度下的噪声能量阈值为止。问题:噪声的能量如何计算?基于小波变换尺度间相关性的去噪噪声的能量的计算:e假设服从正态的高斯分布20,N，其中2为噪声的标准方差，记为2De222jjjWXnWfnWen.由于(2,)2,2,jjjWXnWfnWen根据离散二进小波变换的滤波器算法，如图7.2a所示，有:102,Wenegn01212,jjjWenehhhgn22200201()nnDegDegg2220121(),2jjjnhhhgj基于小波变换尺度间相关性的去噪噪声的能量的计算:SSNF方法中各尺度下递归过程的结束条件在尺度j下,当从,Wjn1,2,,nN中已抽取K噪声能量阈值该如何取值？个边缘点时，2jNK含噪信号的噪声方差2的估计:01/()/nPWNKg噪声主要分布在小尺度上，所以可以从最小的两个尺度层的小波变换估计。如果|(1,)||(1,)|NCornWn，则将该点的小波系数1,Wn置为0。对每个小波系数做这样的一轮处理后，我们用1,Wn表示对1,Wn处理的结果,则基于小波变换尺度间相关性的去噪改进算法:1．引入系数比较的权重3.从大尺度到小尺度提取边缘信息2．引入噪声能量的权重目的:避免在小尺度上将许多噪声作为边缘被提取出来.考虑到信号与噪声在不同尺度下的能量大小的不同变化，需引入一个噪声能量权重，以使噪声阈值更加合理.为避免从小尺度到大尺度的提取方法由于在小尺度上将过多的噪声作为边缘提取而影响去噪的质量。基于小波变换尺度间相关性的去噪基本原理主要理论依据是，系数幅值.经小波分解后，信号的小波系数幅值要大于噪声的具体处理过程为：将含噪信号在各尺度上进行(正交)小波分解，保留大尺度（低分辨率）下的全部分解值；对于小尺度（高分辨率）下的分解值，可以设定一个阈值，幅值低于该阈值的小波系数置为零，高于该阈值的小波系数或者完整保留，或者做相应的“收缩（shrinkage）”处理。最后将处理后获得的小波系数利用逆小波变换进行重构，恢复出有效的信号。阈值的选取方法，这里介绍最常用的VisuShrink，这种方法采用全局统一阈值2logN基于小波变换尺度间相关性的去噪汇报内容一、简介二、小波变换模极大去噪三、基于小波变换尺度间相关性的去噪四、小波阈值去噪法算法描述1）计算含噪信号的正交小波变换。常采用周期延拓方法。,,1,,2LLkvk,,,1,,1,1,,2jjkwjLLJk2）对小波系数进行非线性阈值处理为保持信号的整体形状不变，保留所有的低频变换系数对每个小波系数，采用软阈值和硬阈值方法进行处理wwww(a)硬阈值方法(b)软阈值方法特点:软阈值法获得的重构信号具有更好的光滑性,但误差相对较大.硬阈值法获得的重构信号具有更好的逼近性,但有附加振荡.3）进行小波逆变换。小波阈值去噪法:小波阈值收缩法原信号含噪信号软域值法(Sym8)软域值法(Haar)平移不变量小波去噪方法不仅能有效的抑制伪吉布斯现象，而且能减小原始信号和估计信号之间的均方根误差，是一种比阈值法有更好的去噪方法。Pseudo-Gibbs现象产生的原因及解决方法:Pseudo-Gibbs现象和信号不连续点的位置有关，确切地说，是和信号的特征（如不连续点）和小波基元素的特征之间的精确对准有关。为了改进去噪效果，一个自然的想法就是通过平移含噪声信号来改变不连续点的位置，对平移后的信号进行阈值法去噪处理，然后把去噪后的信号再进行相反的平移，便可以得到原信号的去噪信号。通常采用n次循环平移，并将每次平移去噪后的结果再进行平均，即所谓“平移----去噪-----平均”的平移不变量（Translation-invariant，简称TI）小波去噪法。;nnhhHhhhHTxSAveSTSx|0nHhhn平移不变量小波去噪方法可有效地去除伪吉布斯现象，表现出更好的视觉效果。小波阈值去噪法:平移不变量小波阈值去噪法软阈值(Sym8)软阈值(Haar)TI(Sym8)TI(Haar)1,0JShg221,1J1,1JHGTI基本算法的计算效率低,即我们需要计算原信号所有可能的循环平移信号的小波变换。基本性质:计算原信号及其循环平移1的信号的DWT，并在每个分解级对低频信息重复这一小波变换过程，即可得到TI算法中的所有可能的小波系数。快速算法的计算过程:设,hg滤波器，表示正交小波变换的分析2Jn,0Jx，.0,0JShg221,0J1,0JHG小波阈值去噪法:TI算法的快速实现11,0JShg222,1J2,1JHG01,1JShg222,2J2,2JHG01,0JShg222,0J2,0JHG11,1JShg222,3J2,3JHG小波阈值去噪法:TI算法的快速实现01,jkShg22,2jk,2jkHG11,jkShg22,21jk,21jkHG1,,jJJL最后所得到的TI变换的结果为,0,21,,JLJLJL,,Jlk(1,2,,;0,1,,21)llLk.对每个02lk,,Jlk中包含2/2Jlln个小波系数，因此TI变换的小波系数共为1nL小波阈值去噪法:TI算法的快速实现,0,21,,JLJLJL2/2Jlln个小波系数.用TI表存储所得到的小波系数:TI变换数据可以存放在一个TI表中。用x表示该TI表，它由n行L+1列构成.第1列存放n个低频系数.第(1,2,,)lL列顺次存放第l1l次小波分解得到的小波系数,(0,1,,21)lJlkk，该列可看成2l个盒子，每个盒子存放TI表具有以下三个重要性质：小波系数的处理:选取阈值2logn，除TI表的第1列中的所有低频系数保持不变外，将其余各列的小波系数按照软阈值法进行处理。小波阈值去噪法:TI算法的快速实现,2jk,21jk22hh1/2HH0,2jkSH0S1S1,21jkSH,jkTI变换的快速重构:从jJL开始，对每个02jkk，计算,0,21,21/2jkjkjkSGSG,2jk,21jk22gg1/2GG0,2jkSG0S1S1,21jkSG,jk,0,21,21/2jkjkjkSHSH小波阈值去噪法:TI算法的快速实现请老师、同学们批评指正！