时频转换 | Matlab连续小波变换Continuous wavelet transform一维数据转二维图像方法

 ✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在现代信号处理领域，小波变换作为傅里叶变换的有效补充，凭借其时频局部化的优良特性，在非平稳信号分析中扮演着至关重要的角色。特别是连续小波变换 (Continuous Wavelet Transform, CWT)，它通过将一维信号与一系列连续变化的母小波进行卷积，获取信号在不同尺度和时间上的信息，从而实现精细的时频分析。然而，CWT 的结果本身通常是一组系数，不易于直观理解。将这些 CWT 系数转换为二维图像，则可以有效地利用图像处理的工具和方法，进一步分析和理解信号的特征，挖掘隐藏在数据背后的信息。本文旨在探讨将一维数据通过 CWT 转化为二维图像的多种方法，并分析其各自的特点和适用场景。

CWT 的核心思想是将待分析信号与一个被称为“母小波”的函数进行卷积。母小波函数具有有限的能量和快速衰减的特性，通过缩放和平移操作，生成一系列不同尺度和位置的小波函数。 CWT 的公式如下：

𝑊(𝑎,𝑏)=1𝑎∫−∞∞𝑥(𝑡)𝜓∗(𝑡−𝑏𝑎)𝑑𝑡

通过改变 𝑎a 和 𝑏b 的值，我们可以得到一系列的 CWT 系数，这些系数构成了一个二维的时频图，也被称为小波系数图 (Scalogram)。这就是一维数据转换成二维图像的基础。然而，如何将这些 CWT 系数有效地呈现为图像，并最大限度地保留和凸显信号的特征，则是接下来需要重点讨论的问题。

1. 直接映射法：振幅/能量映射

最简单直接的方法是将 CWT 系数的振幅或能量值直接映射到像素的灰度值或颜色值上。具体来说，我们可以将 𝑎a 作为图像的纵坐标 (通常取对数，以便更好地观察小尺度信息)，将 𝑏b 作为横坐标。每个像素点的灰度值或颜色值则由对应尺度和位置的 CWT 系数的振幅或能量决定。

• 

• 

优点：

• 实现简单，计算量小。

• 能够直接反映信号在不同尺度和位置上的强度分布。

缺点：

• 对噪声敏感，尤其是在振幅映射的情况下。

• 细节可能不够清晰，对比度不高。

• 难以区分正负振幅，可能会丢失部分信息。

2. 相位编码法：将相位信息融入图像

仅仅利用振幅或能量信息可能会丢失重要的相位信息。 相位信息在信号处理中，尤其是在图像处理中，扮演着至关重要的角色。因此，可以尝试将 CWT 的相位信息编码到图像中。

优点：

• 能够保留和显示信号的相位信息。

• 可以使用颜色信息来区分不同的相位区域，增强图像的可视化效果。

缺点：

• 相位信息的解释相对复杂，需要对相位谱有深入的理解。

• 颜色选择需要谨慎，避免产生混淆。

• 在低振幅区域，相位信息可能不稳定，造成颜色噪声。

3. 脊线提取与图像叠加：聚焦重要特征

CWT 的脊线 (ridges) 是指在小波系数图中，局部最大值点连接起来的曲线。 脊线代表了信号中频率随时间变化的轨迹，对应于信号中的主要成分。 提取 CWT 的脊线，并将这些脊线叠加到图像上，可以有效地聚焦信号的重要特征。

具体实现方法如下：

1. 计算 CWT 系数。

2. 在每个尺度上，找到局部最大值点。

3. 将不同尺度上的局部最大值点连接起来，形成脊线。

4. 将脊线叠加到 CWT 系数图上，可以使用不同的颜色或亮度来表示不同的脊线。

优点：

• 能够有效地聚焦信号的主要成分。

• 减少了冗余信息，提高了图像的清晰度。

• 便于观察信号的频率随时间变化的情况。

缺点：

• 脊线提取算法的复杂性较高。

• 对于复杂信号，脊线的提取可能不准确。

• 可能会丢失一些非主要成分的信息。

4. 基于机器学习的方法：自适应图像增强

近年来，随着机器学习技术的发展，可以利用机器学习算法来自动增强 CWT 系数图像。 例如，可以使用卷积神经网络 (Convolutional Neural Network, CNN) 来学习 CWT 系数与信号特征之间的映射关系。

具体方法如下：

1. 构建一个包含大量训练样本的数据集，每个样本包括一维信号和其对应的 CWT 系数图像，并对信号的特征进行标注（例如，信号类型、频率范围等）。

2. 设计一个 CNN 模型，输入为 CWT 系数图像，输出为信号的特征。

3. 训练 CNN 模型，使其能够根据 CWT 系数图像预测信号的特征。

4. 利用训练好的 CNN 模型，可以对新的 CWT 系数图像进行处理，生成增强后的图像，从而更好地凸显信号的特征。

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

👇 关注我领取海量matlab电子书和数学建模资料

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇