完全重建QMF滤波器组的设计

完全重建QMF滤波器组的设计

概述

完全重建QMF滤波器组最大的优点是在对信号进行抽取后，可以根据每个子带的不同特征分别进行处理，而插值和合成环节又能消除信号失真的各种因素，因此被广泛用于语音处理、图像处理、国防通信和小波变换中。

两通道正交镜像滤波器组理论

上图是一个两通道正交镜像滤波器组，在分析滤波器组一侧，输入信号（设为宽带信号）被分成K个子频带信号（窄带信号），通过抽取可以降低采样率，在综合滤波器一侧，通过零值内插和带通滤波可以重建原来的信号。

如果输出信号与输入信号相比，幅度上只相差一个固定的倍数，时间上有一个固定的延迟，那么就成为是对输入信号的完全重建。

对于一个给定的信号，经过分析滤波器后，再进行抽取、编码、传输，可以通过零值内插、综合滤波器滤波、求和运算得到恢复和重建，但是重建后的信号并不能与原始信号完全相同，两者之间存在的误差主要包括：

①混叠失真。由抽取和内插产生的混叠和镜像带来的误差，导致分析滤波器组和综合滤波器组的频带不能完全分开

②幅度失真。由于分析和综合滤波器组的频带在通带内不是全通函数，其幅频特性波纹会产生误差

③相位失真。由滤波器相频特性的非线性所产生的误差

④量化失真。由编、解码产生的误差，与量化噪声相似，这类误差无法完全消除，只能设法减小

因此，在设计QMF组时，就需要综合考虑如何减小和消除上述的各类误差。当两通道无混叠滤波器组的分解滤波器满足​时，称滤波器组为正交镜像滤波器组（QMFB），且滤波器的幅度特性满足​。

完全重建QMFB遇到的问题和解决办法

在完全重建QMFB过程中，希望设计的滤波器通带尽量平、过渡带尽量窄，且阻带尽可能快速衰减。

解决方案如下：

①用FIR QMF滤波器组，去除相位失真的前提下，尽可能的减小幅度失真，近似实现完全重建

②用IIR QMF滤波器组，去除幅度失真，不考虑相位失真，近似实现完全重建

③修正QMF滤波器​的关系，去考虑更合理的形式，从而实现完全重建

利用MATLAB实现完全重建QMFB

利用MATLAB实现完全重建QMFB的设计，只需知道各滤波器的阶数​和滤波器的通带截止频率$w$​，就可以得到完全重建QMFB的分析，误差较小且能达到良好的精度，综合滤波器组的时域形式为​$h_0,h_1,g_0,g_1$。其中​$N$必须为奇数，​$w$必须小于0.5。

源代码

N=41;
w=0.43;
[h0,h1,g0,g1]=firpr2chfb(N,w);
[H1z,w]=freqz(h0,1,512);
H1_abs=abs(H1z);H1_db=20*log10(H1_abs);
[H2z,w]=freqz(h1,1,512);
H2_abs=abs(H2z);H2_db=20*log10(H2_abs);
%%%%%%%%%%滤波器h0和h1的幅度响应%%%%%%%%%%
figure(1); 
plot(w/pi,H1_db,'-',w/pi,H2_db,'--'); 
axis([0,1,-100,10]); 
grid 
xlabel('\omega/\pi');ylabel('幅度,dB'); 
sum1=H1_abs.*H1_abs+H2_abs.*H2_abs; 
d=10*log10(sum1);
%%%%%%%%%%%%幅度响应关系误差%%%%%%%%%%%%%
figure(2) 
plot(w/pi,d);grid; 
xlabel('\omega/\pi');ylabel('误差,dB'); 
axis([0,1,-0.04,0.04]); 
%%%%%%%%%%%%%x1(n)%%%%%%%%%%%%%%%%%%%%%
x=zeros(1,500);
x(2)=1;x(3)=1;
x(6)=2;x(7)=2;x(8)=2;
x(17)=1.5;x(18)=1.5;x(19)=1.5;
x(24)=1;x(25)=1;
x(33)=3;x(34)=3;x(35)=3;
%%%%%%%%%%%%%%x2(n)%%%%%%%%%%%%%%%%%%%%
x=zeros(1,500);
x(1)=1;x(2)=1;x(3)=1;
x(9)=2;x(10)=2;x(11)=2;
x(16)=3;x(17)=3;x(18)=3;
x(24)=4;x(25)=4;x(26)=4;
x(33)=3;x(34)=3;x(35)=3;
x(41)=2;x(42)=2;x(43)=2;
x(49)=1;x(50)=1;x(51)=1;
%%%%%%%%%%%%%%x3(n)%%%%%%%%%%%%%%%%%%%%
n=1:500;
T=0.2;
x=sin(n*T);
hlp=mfilt.firdecim(2,h0);
hhp=mfilt.firdecim(2,h1);
glp=mfilt.firinterp(2,g0);
ghp=mfilt.firinterp(2,g1);
x0=filter(hlp,x);
x0=filter(glp,x0);
x1=filter(hhp,x);
x1=filter(ghp,x1);
xidle=x0+x1;
xshift=[zeros(1,N) x(1:end-N)];
e=xidle-xshift;
mes=sum(abs(e).^2)/length(e)
fvtool(h0)
%%%%%%%%%%%%输入信号%%%%%%%%%%%%%%%%%%
figure(4);
plot(x);
%%%%%%%%%%理想输出信号与重建输出信号%%%%%%%
figure(5);
axis([0,500,-1,1]); 
plot(xshift,'r');hold on;
plot(xidle,'-');
axis([0,600,-1.1,1.1]);
%%%%%%%理想输出信号与重建输出信号的偏差%%%%%%
figure(6);
plot(xshift-xidle);

实验结果

滤波器​和​的幅度响应

可以看到它们的幅度响应成镜像对称，衰减的部分可以相互抵消

幅度响应关系误差

理论公式为

$|H_1(e^{jw}){|}^2+|H_0(e^{j(\pi +w)}){|}^2\approx 1$

$10\log (|H_1(e^{jw}){|}^2+|H_0(e^{j(\pi +w)}){|}^2)\approx 0$

从实验结果中也可以看出误差均在0附近

输入信号

理想输出信号与重建输出信号

理想输出信号与重建输出信号的偏差

可以看到理想输出信号与重建输出信号的偏差其实非常的小

$h_0$​的幅度响应

可以看到低通滤波器的幅度响应基本达到了通带尽量平，过渡带尽量窄，且阻带尽可能快速衰减的要求，具有实际意义