小波变换的应用简介.ppt

《小波变换的应用简介.ppt》由会员分享，可在线阅读，更多相关《小波变换的应用简介.ppt（83页珍藏版）》请在三一办公上搜索。

1、6小波变换的应用简介,小波在信号消噪中的应用,小波分析与信号的奇异性检测,小波变换在图像处理中的应用,小波变换在电力系统谐波检测中的应用,小波在信号消噪中的应用,降噪实例,降噪原理,阈值的确定,硬阈值和软阈值去噪,降噪原理,在小波分析中，应用最广泛的无疑是信号处理和图像处理，而在这两个领域中，应用最多的就是信号(图像)的降噪和压缩。由于在正交小波中，正交基的选取璧传统方法更接近实际信号本身，所以通过小波变换可以更容易地奋力出噪声或其他我们不需要的信息，因此在这类应用中小波分析有着传统方法无可比拟的优势。降噪和压缩这两种应用有一个共同点在于他们都是尽量把无用的信息从原始信号中剔除，所以Matla

2、b提供了一条通用的命令wdencmp，同时处理降噪和压缩。,降噪准则,光滑性：在大部分情况下，降噪后的信号应该至少 和原信号具有同等的光滑性；相似性：降噪后的信号和原信号的方差估计应该是 最坏情况下的方差最小；(Minmax Estimator),降噪过程,小波分析用于降噪的过程，可细分为如下几段：(1)分解过程：选定一种小波，对信号进行N层小波(小波包)分解；(2)作用阈值过程：对分解得到的各层系数选择一个 阈值，并对细节系数作用软阈值处理；(3)重建过程：对处理后的系数通过小波(小波包)重 建恢复原始信号。,降噪原理,基本降噪模型,假设一个信号被噪声污染后为,小波变换的目的就是通过抑制,降

3、噪原理,阈值的确定,从原始信号确定各级阈值,在小波分析用于降噪的过程中，和信号的步骤就是在系数上作用阈值。因为阈值的选取直接影响降噪的质量，所以人们提出了各种理论和经验的模型。但没有一种模型时通用的，他们都有自己的使用范围。,主要有以下几个数学模型：,其中n为信号的长度，在ddencmp命令中，若使用其降噪功能，求得的阈值就是用这个规则确定的。,缺省的阈值确定模型，阈值由如下的公式给出,阈值的确定,Birge-Massart策略所确定的阈值，阈值通过如下的 规则求得：,(1)给定一个指定的分解层数j，对j+1以及更高层所有系数保留；,降噪情况下取,(2)对第i层(1ij)，保留绝对值最大的ni

4、个系数，ni由下式确定：,的取值因用途不同而不同，,阈值的确定,压缩情况下一般取,令t*为使得函数,从原始信号确定阈值的函数有ddencmp，wbmpen，wdcbm和wdcbm2，其中自动降噪的命令wdencmp在用于信号的时候采用的是默认的阈值。,小波包变换中的penalty阈值，阈值由下式给出：,阈值的确定,例1：,利用sym6小波对信号noisbump做5层分解。并使用用penalty阈值降噪方法、Birge-Massart阈值降噪方法以及缺省阈值降噪方法对信号进行降噪。其结果见图6-1。,使用penalty策略确定降噪的阈值 thr1=2.7681使用Birge-Massart策略确

5、定降噪的阈值 thr2=3.1312 2.6169 4.0443 9.5960 7.0858 nkeep=1 2 3 5 11使用缺省阈值确定阈值并用硬阈值对系数进行处理 thr=3.7856 sorh=s keepapp=1,阈值的确定,几种阈值降噪方法在降噪中的使用,图6-1,阈值的确定,基于样本估计的阈值选择,通过例1可以看到，除了Birge-Massart策略确定的阈值外，其余方法的到的降噪信号太过于光滑，失去了原信号本身的一些信息，这在以前讲述的降噪准则中，不符合相似性原则，保留相似性的方法有很多，在数学上有一个常用的标准就是在最坏情况下方差最小的约束下的样本估计。除了前面讲的通过舍

6、去部分系数以外，还有一种方法就是信号作无偏似然估计，然后根据最坏情况下降噪信号与原信号方差最小的原则确定一个统一的阈值，然后截去超过这个阈值的系数。,阈值的确定,最小极大方差阈值(minimaxi)：使得选取的阈值产生最小的极大方 差。通过统 计学上估计其的构造方法得到。因为降噪后的信号可 以看成与未知回归函数的估计式相似，所以这种方法通过求得未知 回归函数与原信号在最坏情况下的最小值来获得阈值。,启发式sure阈值(heursure)：前两种方式的综合形式，因为基于sure 产生的阈值在高信号噪声比的情况下抑制噪声的效果不明显，这种 方法利用启发函数自动在前两种阈值选择中选取一个；,阈值的确

7、定,基于stein无偏似然估计(sure)的软阈值估计(rigsure)。对于给定的 阈值t，得到它的似然估计，然后将似然函数最小化，得到所需要 的阈值；,各种阈值的选取,阈值的确定,例2：,产生一个长度为1000的随机信号y，,y的SURE阈值为 thr=2.7316；,y的对数长度阈值为 thr=3.7169,y的启发式SURE阈值为 thr=3.7169,y的minimaxi阈值为 thr=2.2163,硬阈值和软阈值去噪,硬阈值和软阈值,在求得阈值以后，有两种在信号上作用阈值的方法，一种是令绝对值小于阈值的信号点的值为零，成为硬阈值，这种方法的缺点是在某些点会产生间断。另一种软阈值方法

8、是在硬阈值的基础上将边界处向不连续点收缩到零。这样可以可以有效的避免间断，使得重建信号比较光滑。,例3：,对于定义在-1,1上的直线，定义阈值为0.4，分别作用硬阈值和软阈值，结果如图6-2所示,图6-2,硬阈值和软阈值的图形表示,硬阈值和软阈值去噪,降噪实例,Matlab中用于降噪的函数,自动对信号进行降噪，包括wden，wdencmp,对阈值进行处理的命令，包括thselect,wthrmngr,根据信号噪声强度求得阈值，包括ddencmp，wbpen，wdcmb,直接对分解系数作用阈值的命令，包括wpthcoef，wthcoef，wthresh,估计噪声的命令，包括wnoisest,生成

9、噪声的命令，包括wnoise,例4：,降噪后的ca信号在原信号的能量成分per1=0.9302；降噪后的x2信号在原信号的能量成分 per2=0.9387；将ca作为降噪信号，其与原信号的标准差 err1=48.8734；将x2作为降噪信号，其与原信号的标准差 err2=32.4658。,在一个光滑的信号上加入一个高斯白噪声，使用db4小波对其作5层分解，观察信号在时间-频率域上的成分。再通过作用阈值抑制噪声信号，重建信号达到降噪的目的。在小波分解过程中，每次分解得到的系数比以前更光滑，舍去的细节信息就存在各层近似系数中。一个简单的思想就是重建第i层近似系数达到降噪的目的。此例中取第5层近似信

10、号ca作为降噪后的信号。但为了保持原信息的相对完整可以有选择地抑制各层的细节系数，通过抑制后的系数重建信号x2作为降噪信号，达到降噪的目的。见图6-3。,降噪实例,通过抑制细节系数实现降噪,例4：通过抑制细节系数实现降噪,图6-3,降噪实例,由此例可看出，使用单纯抑制细节系数的方式(因为求重建近似信号等于将所有细节的系数抑制到0)，确实可以实现消除信号噪声的目的，但这种方式过于粗略，因为这样做没有利用到噪声本身的信息，没有通过噪声本身来确定降噪的方法，所以作为衡量相似性的标准差仍然很大，而且降噪后的信号损失了很多原信号的能量成分(6%左右)，这就说明在降噪的过程中，不光抑制了噪声，也抑制了很多

11、有用的信息成分。,在小波域中的细节系数若映射到Fourier分析中的频域，则代表高频系数，如果只对高频系数进新抑制，同样可以达到降噪的效果。,降噪实例,通过FFT实现信号降噪的具体流程如下：,这个过程其实相当于对原信号在一定范围内作滤波，还原到时域相当于对信号进行卷积运算。,(1)对原始信号进行Fourier变换，求出其频谱。(2)根据频谱，对比我们所关心的频谱成分，对不需要的频谱 成分进行抑制。(3)对变换后的频谱作Fourier逆变换，得到降噪后的信号。,降噪实例,例5：,对信号noisdopp 作Fourier变换，画出其频谱图，结果见图6-4。由图可见，信号的能量主要集中在低频部分，在

12、20Hz以后迅速衰减到零，50Hz以后几乎就没有能量了。,降噪实例,通过FFT实现信号降噪,从而可以做一个简单的低通滤波。使用宽度分别为10、30和50的滤波器对频谱进行滤波，抑制频谱直接令其为零，然后对经过滤波的频谱做Fourier变换，得到相应的降噪信号xd1、xd2与xd3，其图形见图6-5。,例5：通过FFT实现信号降噪,图6-4,降噪实例,例5：通过FFT实现信号降噪,图6-5,降噪实例,例5：通过FFT实现信号降噪,降噪信号xd1、xd2与xd3的能量比例分别为：per1=norm(xd1)/norm(x)=0.8710 per2=norm(xd2)/norm(x)=0.9390

13、per3=norm(xd3)/norm(x)=0.9542各个降噪信号与原信号的标准差分别为：err1=norm(xd1-x)=62.6615 err2=norm(xd2-x)=43.3881err3=norm(xd3-x)=36.8576,在这个例子中，信号noisdopp的初始发展阶段的振荡频率很高，我们认为是系统自身的特性，但对于低通滤波器，这些成分被过滤掉了。所以单纯对频域的滤波有“一刀切”的缺陷，也就是把带通之外的频谱不加区分的滤掉。,降噪实例,比较例4与例5可以看出，Fourier变换只能在频域范围内表述，那么对系数进行处理的方法也相对单一，而小波分解之后可以在各个层次选择阈值，对

14、噪声成分进行抑制，手段更加灵活。还有一点值得注意的是，使用小波变换进行噪声抑制时，降噪结果的能量比(93.87%)虽然没有使用FFT滤波器的结果(95.42%)高，但是保持了更高的与原信号的相似程度。这一点从降噪信号与原信号的标准差可以看出。小波变换中，对细节系数进行抑制后的滤波结果与原信号的标准差为32.4685，比FFT的结果36.8576还小。而且这种整体缩减抑制细节系数的方法还不是最好的降噪方法。这个例子很客观地说明了多分辨分析在做变换的时对时间和频率的兼顾，以及它同传统频域方法无可比拟的优势。,降噪实例,以上两例讨论了在小波域和频域对信号进行抑制的方法，并将两种方法得到的降噪结果进行

15、了比较。但是严格地讲，这些都不能很好的符合降噪的两个基本要求光滑性和相似性。阈值控制的方法在理论上指出了一种在小波域对系数进行操作，使得降噪信号最大程度满足这两个要求的方法，就是所谓的“小波收缩”的方法，其原理就是根据方差最小的原则通过对系数的无偏似然估计确定阈值的方法，这也是Matlab小波工具箱中用于信号降噪的缺省方法。,降噪实例,例6：,仍以信号noisdopp为例，利用基于stein无偏似然估计的方法，通过工具箱中自动获取对信号进行降噪的命令wdencmp来进一步说明小波变换在信号降噪中的应用，其中阈值的选取可通过两种方式：全局阈值和分层阈值。为了便于和以前的例子对比，这次选择与db4

16、相似，且对称性更好的sym4小波对信号作4层分解。,降噪实例,Matlab缺省的降噪命令,原信号和降噪后的信号的图形见图6-6。,例6：Matlab缺省的降噪命令,图6-6,降噪实例,例6：Matlab缺省的降噪命令,由此可见，全局阈值和分层阈值方法降噪后的信号都很好的保留了信号发展初期的高频特性，且性能参数由于以前的抑制细节系数的策略和FFT方法。在这两者之间，分层阈值虽然损失了部分的性能（与原信号的相似性），但比全局阈值的结果光滑很多。而且信号发展初期的高频系数几乎不受影响，最大限度地反映了原信号本身的特性。,降噪信号的能量成分以及其与原信号的标准差分别为：全局阈值降噪后信号的能量成分pe

17、r1=0.9774分层阈值降噪后信号的能量成分per2=0.9645全局阈值降噪后信号与原信号的标准差err1=28.0714分层阈值降噪后信号与原信号的标准差err2=31.0548,降噪实例,例7：,由此可见，全局阈值和分层阈值方法降噪后的信号都很好的保留了信号发展初期的高频特性，且性能参数优于以前的抑制细节系数的策略和FFT方法。在这两者之间，同全局阈值相比，分层阈值在保留同样能量成分的情况下，有着更好的相似性。从直观上解释，是由于区分了不同方向的阈值后，可以更精确地刻画各个方向上的噪声分布情况，所以可以获得更好的相似性。,利用sym4小波对二维信号woman作4层分解，使用全局阈值和分

18、层阈值降噪方法对原信号降噪结果见图6-7。并求得降噪后信号的能量成分与标准差：,全局阈值降噪后信号的能量成分per1=0.9996分层阈值降噪后信号的能量成分per2=0.9996全局阈值降噪后信号与原信号的标准差err1=1.4415e+003分层阈值降噪后信号与原信号的标准差err2=1.3679e+003,降噪实例,二维信号的小波降噪,例7：二维信号的小波降噪,图6-7,降噪实例,小波分析与信号的奇异性检测,Lipschitz指数与正则性,基于小波变换的奇异信号的检测,小波分析与信号的奇异性检测,奇异点在信号和图象处理中称为边缘点或突变点，它包含了信号的重要特征。如在电力信号检测中，信号

19、的奇异点往往包含了重要的事故信息，因此对奇异点的检测在故障分析中具有重要的意义。,函数（信号）在某点处间断或某阶导数不连续，称函数在该点处有奇异性，该点称为奇异点。通常情况下，信号奇异性分为两种情况：一种是信号在某一个时刻内，其幅值发生突变，引起信号的非连续，幅值的突变处是第一种类型的间断点；另一种是信号外观上很光滑，幅值没有突变，但是信号的一阶微分有突变产生，且一阶微分是不连续的，称为第二种类型的间断点。,利用小波变换具有时频局部化的性能，可以对函数(信号)的奇异性进行分析，并确定奇异点的位置与奇异性的大小。,小波分析与信号的奇异性检测,小波分析与信号的奇异性检测,函数在某点的Lipschi

20、tz指数刻画了函数在该点的正则性：,Lipschitz指数越大,函数越光滑，奇异性越小；反之，该点的奇异 性越大，该点的光滑度就越小。,如果函数在某点的Lipschitz指数小于1,则称函数在该点是奇异的。,函数在一点连续、可微或函数在该点可导，而导数有界但不连续，则在该点的 Lipschitz指数为1。,函数在一点不连续但有界,则函数在该点的Lipschitz指数为0。,小波分析与信号的奇异性检测,定义:,一个光滑函数可以看成是低通滤波器的冲激响应，,其中,小波分析与信号的奇异性检测,小波分析与信号的奇异性检测,定理：,注：,小波分析与信号的奇异性检测,小波分析与信号的奇异性检测,基于小波变

21、换的奇异信号的检测,小波分析与信号的奇异性检测,例1.,间断点是指在正常信号情况下的信号突变。在动态系统中,信号突变是非常快的。信号突变的主要特征是信号在时间和空间上存在着局部的变化。根据信号变化的速度快慢,选择合适的分解尺度,小波分析良好的局部分析功能就能充分发挥,从而方便地解决信号突变点检测的问题。信号突变点的检测内容包括:突变点的时机、突变点的类型和振幅的改变。,以某工作系统的测试信号为例,其正常工作的信号为一定频率的的蠕变信号,当系统出现故障时,其信号的频率发生了变化,如图6-8 中的信号s所示。,第一类间断点的检测,小波分析与信号的奇异性检测,该信号的不连续性是由于低频特征的信号在后

22、半部分中突然有中高频特征的信号加入。以下通过采用db3小波变换来分析来检测信号幅值变化的准确时间，即间断点的准确位置，从而将中高频特征的信号的加入时间点检测出来。从图1小波分解的第一层系数d1中可以明显低看出在t=500开始直到t=1000的时间内，系统工作出现了异常情况。显然，小波变换通过其局部识别特性将故障的间断点正确的诊断出来。,小波分析与信号的奇异性检测,图6-8 工作系统信号的多尺度小波变换,小波分析与信号的奇异性检测,对比通过传统的傅里叶分析对信号进行处理的情况。由于Fourier变换将信号变换成纯频域中的信号，使它不具有时间分辨的能力，故对信号在时域中的突变点根本无法检测出来。如

23、图6-9所示，通过与小波多尺度变化的比较可以明确的说明小波分析比传统的傅里叶分析有更大的优越性。如果这种信号用傅里叶分析进行分析，显然是无法检测出信号的频率变化点的,而在小波分析中，这种突变点的特征则表现得相当明显。,小波分析与信号的奇异性检测,图6-9 工作系统信号的傅立叶变换,小波分析与信号的奇异性检测,例2.,此类间断点表面看起来很光滑，但是其一阶导数存在突变，通过小波变换可以对信号的奇异点进行有效的识别。假定给定的信号是由两个独立的满足指数方程的信号连接起来的，从图6-10中可以看出，此信号在外观上是很光滑的曲线，但是该信号具有一阶微分且突变，如图6-11所示。,第二类间断点的检测,小

24、波分析与信号的奇异性检测,图6-10 两个独立的满足指数方程的连续信号,小波分析与信号的奇异性检测,图6-11 原始信号的一阶微分,小波分析与信号的奇异性检测,通过db1小波6尺度的变换，可以看到，改信号的一阶微分在时间T=100点处，有明显的不连续。将该信号进行小波分解后，第一层的高频部分d1将信号的不连续点显示得相当明显，这个断裂点在信号的中部发生，在其他地方可以忽略。从图6-12可以看出，利用小波分析进行信号的不连续的定位是非常精确的。象这种间断点的定位，一般来说，是在小波分解的第一层和第二层高频部分进行判断的。,小波分析与信号的奇异性检测,图6-12 原始信号的多尺度小波变换(db1小

25、波),小波分析与信号的奇异性检测,需要注意的是，在选择小波的时，正则性是一条很重要的规则。上面的小波变换选用的是Db1小波，这种小波正则性很好，如果选择Db4小波，会发现在T=100处，高频部分的值几乎为0，检测不出信号的不连续点，见图6-13。为了检测出信号的奇异点，所选择的小波必须很正则，这时的小波可实现一个更长的冲击响应滤波器。,小波分析与信号的奇异性检测,图6-13 原始信号的多尺度小波变换(db4小波),小波分析与信号的奇异性检测,在电力信号奇异性检测中，信号奇异点包含了重要的信息，小波变换可精确的检测信号的奇异点，这对调整仪器的工作状态以及预防事故的发生具有重要作用。需要注意的是：

26、在选择不同的小波分析电能质量信号奇异性时，所达到的效果也不一样。因此，选择合适的小波非常重要。,小波变换在图像处理中的应用,边缘检测,图像压缩,图像增强,图像融合,图像平滑,小波变换用于图像压缩,利用小波变换的局部压缩图像,遥感测控图像：要求在整幅图像有很高压缩比的同时，对热 点部分的图像要有较高的分辨率。医疗图像：需要对某个局部的细节部分有很高的分辨率。,基于离散余弦变换的图像压缩算法可以达到这样的压缩效果，但该方法在处理过程中并不能提供时域的信息，在比较关心时域特性的时候显得无能为力。,在此方面，小波分析的就优越的多，由于小波分析固有的时频特性，可以在时频两个方向对系数进行处理，这样就可以

27、对感兴趣的部分提供不同的压缩精度。,小波变换用于图像压缩,例1：,从图6-14可以看出，小波域的系数表示的是原图像各频率段的细节信息，并且提供了一种位移相关的信息表述方式，可通过对局部细节系数处理来达到局部压缩的效果。从压缩图像中可很明显地看出只有中间部分变得模糊(如原图中很清晰的围巾的条纹不能分辨)，而其他部分的细节信息仍然可以分辨的很清楚。,使用sym4小波对信号wbarb进行一层小波分解。通过将三个细节系数的中部置零实现局部压缩。压缩信号的能量成分为1.0000，压缩信号与原信号的标准差为586.4979。压缩效果如图6-14所示。,利用小波变换的时频局部化特性进行局部压缩,小波变换用于

28、图像压缩,图6-14 利用小波变换的局部压缩图像,小波变换用于图像压缩,在实际的应用中，可能不会只做一层变换，而且作用阈值的方式可能也不会是将局部细节系数全部清除，更一般的情况是在N层变换中通过选择零系数比例或能量保留成分作用不同的阈值，实现分片的局部压缩。而且，作用的阈值可以是方向相关的，即在三个不同方向的细节系数上作用不同的阈值。,小波变换用于图像压缩,利用二维小波分析进行图像压缩,一个图像进行小波分解后，可得到一系列不同分辨率的子图像，不同分辨率的子图像的频率是不同的。高分辨率子图像上大部分点的数值都接近于0，越是高频这种现象越明显。对一个图像来说，表现一个图像最主要的部分是低频部分，所

29、以一个简单的压缩方法是利用小波分解，去掉图像的高频部分而保留低频部分。,优点：方法简单，计算量小，容易实现缺点：不适于对压缩比和图像质量都有较高要求的场合,小波变换用于图像压缩,例2：,大小(像素)所占空间(字节)压缩比压缩前图像 256 256 524 288第一次压缩后的图像 135135 145 800 约为1/3第一次压缩后的图像 75 75 45 000 约为1/12,使用bior3.7 小波对信号wbarb进行二层小波分解。提取各层的低频信息作为压缩图像。压缩效果如图6-15所示。,利用二维小波分析进行图像压缩,小波变换用于图像压缩,图6-15 利用二维小波变换进行图像压缩,小波变

30、换用于图像压缩,用小波对图像detfingr进行三层分解。同时采用求缺省阈值的ddencmp命令和基于经验公式的wdcbm2命令对图像进行压缩，并对压缩效果进行比较。显示结果如图6-16所示。,例3：,由图可见分层阈值化压缩方法同全局阈值化方法相比，在能量损失不是很大的情况下可以获得更高的压缩比。这主要是因为层数和方向相关的阈值化方法能利用更精细的细节信息进行阈值化处理。,利用阈值化方法对图像进行压缩,小波变换用于图像压缩,图6-16 detfingr图像的全局阈值化压缩和分层阈值化压缩,小波变换用于图像压缩,基于小波包变换的图像压缩,小波分析的全局阈值化方法作用的信息力度太大，不够精细，所以

31、很难同时获得高的压缩比和能量保留成分。采用分层阈值化法后，性能明显提高，因为分层阈值更能体现信号固有的时频局部特性。但小波分解分解出来的小波树只有一种模式，不能完全地体现时频局部化信息。因此，实际的压缩算法多采用小波包算法，而小波树的确定则是根据不同的信息论准则，以达到分解系数表达的信息密度最高。需要说明的是，对高频成分很多的图像，小波包的分解细节信息的特点尤其能发挥其优势。正因为这点，FBI的指纹库就是采用的基于小波包的压缩算法WSQ,小波变换用于图像压缩,例4：,利用sym4小波包对图像 julia进行压缩。得到的压缩结果如图6-17所示，压缩过程中使用的最优小波树如图6-18所示。在将小

32、波包用于信号压缩的过程中，ddencmp命令返回的最优小波树标准都是阈值化标准。根据这个标准确定的最优小波树可以使得压缩过程的零系数成分最高，并且自动降低计算量。,基于小波包分析的图像压缩,小波变换用于图像压缩,图6-17 基于小波包分析的图像压缩,小波变换用于图像压缩,图6-18 最优小波树,小波变换用于图像增强,图像增强的基本目标：对图像进行一定的处理，使其结果比原图更适用于特定的应用领域。,增强技术并不能增加图像数据本身所含的信息，但是可以凸现特定的特征，使处理后更有利于识别，从而有利于特定的应用。通常意义上的图像增强目标主要是放大图像中感兴趣结构的对比度，增加可理解性，同时减少或抑制图

33、像中混有的噪声，提高视觉质量。,图像增强问题主要通过时域和频域处理方法来解决。时域法通过直接在图像点上作用算子或掩码来解决，频域法通过修改Fourier变换系数来解决。时域法方便快速但会丢失很多点之间的相关信息，频域法可以很详细地分离出点之间的相关，但需要做多次傅立叶变换和逆变换的操作，计算量大。,小波变换用于图像增强,小波分析是以上两种方法的折中。傅立叶分析在所有点的分辨率都是原始图像的尺度，但对于问题本身的要求，可能不需要这么大的分辨率，而单纯的时域分析又显得太粗糙，小波分析的多尺度分析特性为用户提供了更灵活的处理方法。可以选择任意的分解层数，用尽可能少的计算量达到满意的结果。小波变换将一

34、幅图像分解为大小、位置和方向都不同的分量。在作逆变换之前可以改变小波变换域中某些系数的大小，这样就能够有选择地放大所感兴趣的分量而减小不需要的分量。,小波变换用于图像增强,例1：,由于图像经过小波分解后，图像的轮廓主要体现在低频部分，而细节部分则体现在高频部分。因此，可以通过对低频分解系数进行增强，对高频系数进行衰减处理达到图像增强的作用。,给出一个二维信号woman，利用小波分析对信号进行增强处理。,用sym4小波对图像进行2层分解，并用小波分析对信号进行增强处理。增强效果如图6-19。,小波变换用于图像增强,图6-19 小波分析用于图像增强,小波变换用于图像增强,钝化操作主要是提出图像中的

35、低频成分，抑制尖锐的快速变化成分。,采用DCT在频域作滤波的方法和小波方法分别对二维图像chess作钝化处理。结果如图6-20所示。,例2：,从图中可以看出，前种方法得到钝化结果更为平滑，这是因为其分辨率最高。而小波方法得到的结果在很多地方有不连续的现象，因为对系数作放大或抑制在阈值两侧有间断，而且分解层数很低，没有完全分离出频域的信息。而且在作系数放大或抑制的时候，采用的标准是根据系数绝对值的大小，没有完全体现出其位置信息。但是在小波系数中，很容易在处理系数的过程中加入位置信息。,给出一个二维信号chess，利用小波分析对信号进行钝化处理。,小波变换用于图像增强,图6-20 图像钝化,小波变

36、换用于图像增强,图像锐化的任务是突出高频信息，抑制低频信息，从快速变化的成分中分离出标识系统特性或区分子系统边界的成分，以便于进一步的识别、分割等操作。,例3：,采用DCT在频域作滤波的方法和小波方法分别对二维图像chess作锐化处理。结果如图6-21所示。,从结果中可以看出，使用DCT方法进行高通滤波得到的高频结果比较纯粹，完全是原图像上的边缘信息，而在小波方法得到的结果中，不只有高频成分，还有变换非常缓慢的低频成分，这是因为两者同样在小波系数上体现为绝对值较低的部分，但这些成分的存在对我们进行进一步分析并无多大影响。,给出一个二维信号chess，利用小波分析对信号进行锐化处理。,小波变换用

37、于图像增强,图6-21 图像锐化,小波变换用于图像融合,图像融合是将同一对象的两个或更多的图像合成在一幅图像中，以便它比原来的任何一幅更能容易地为人们所理解。这一技术可应用于多频谱图像理解以及医学图像处理等领域，在这些场合，同一物体部件的图像往往是采用不同的成像机理得到的。,例：,利用sym4 小波对图像一bust和图像二mask进行二层分解后进行图像融合。融合效果见图6-22。,试用二维小波分析两个不同的图像融合在一起。,小波变换用于图像融合,图6-22 图像融合,小波变换用于图像平滑,图像平滑的主要目的是减少噪声。一般情况下，在空间域内可以用平均来减少噪声。而在频率域，由于噪声多在高频段，

38、因此可以使用各种形式的低通滤波办法来减少噪声。,输出结果见图6-23。平滑后的图像没有原图清晰，但边缘轮廓过渡更自然，消噪的效果还是比较明显的，噪声图像中的一些粒状颗粒在平滑后基本消失。,例：给出含噪声的图像woman，利用小波分析对信号 进行平滑处理。,小波变换用于图像平滑,图6-23 图像平滑,小波变换用于图像边缘检测,图像边缘检测是对图像进行进一步处理和识别的基础，虽然图像边缘产生的原因不同，但反映在图像的组成基元上，它们都是图像上灰度的不连续点或灰度剧烈变化的地方，这就意味着图像的边缘就是信号的高频部分。因此所有的边缘检测方法都是检测信号的高频分量。但是在实际图像中，由于噪声的存在，边缘检测成为一个难题。,小波变换用于图像边缘检测,小波包分解后得到的图像序列有近似部分和细节部分组成，近似部分是原图像对高频部分进行滤波所得的近似表示。经滤波后，近似部分去除了高频分量，因此能够检测到原图像中所检测不到的边缘。,例：利用小波包分解检测图像的边缘,利用db4小波包分解检测图像bust的边缘，结果见图6-24。进行小波包分解后所得的近似图像比原图像层次更加分明，因此利用分解后的近似图像更能检测边缘，其效果比直接对原图像检测边缘的效果好。,小波变换用于图像边缘检测,图6-24 图像边缘检测,