小波去噪学习【1】为信号处理打basis

小波去噪学习【1】为后面的二维信号处理打basis

记得本科阶段学过数字信号处理的相关知识，现在回想起来连傅里叶都忘却了很多，由于后续要对采集到的线阵CCD信号进行处理，根据相关文献因此重拾相关知识，小波去噪是一个考虑的方向，因此本文先进行初步探讨。

1. 简单回顾傅里叶变换
首先简单回顾一下傅里叶变换，公式定义如下：

https://baike.baidu.com/item/%E5%82%85%E9%87%8C%E5%8F%B6%E5%8F%98%E6%8D%A2/7119029?fr=aladdin

对原有信号进行傅里叶变换后，即可理解为通过该公式的计算可以得到信号的频谱，即能反应信号的频率相位等信息，因为对于一个信号而言，都可以认为是很多正弦信号的叠加，我们可以通过对这些正弦信号进行分析，选择我们想要频率的信号即有用信号，获得有用信息。当然还有傅里叶逆变换即从频域转回时域，相关原理不再阐述，可以系统学习数字信号处理进行学习。

2. 为何选择小波去噪
学过数字信号处理的筒子们应该知道，数字信号处理最后会简单阐述一下短时傅里叶变换和小波变换，我们可以通过一句话来理解：频率相同但其他参数可能不同。也就是说不同的时域图经过傅里叶变换后可能得到一样的频谱，这也意味着傅里叶变换不能反映信号频率的时间性，那么这时小波变换的优点就体现出来了，我们也可以说傅里叶变换不适合这种频率分量会随时间变化的非平稳信号。
那我们首先知道的方法就是加窗，对每一段时域信号进行截取再进行傅里叶变换，就可以得到每一段的频谱，这也可以反应频率的时间特性，这也就是短时傅里叶变换。那窗的宽度怎么定呢？这也是短时傅里叶变换的一个问题，窗太宽了，会导致跟傅里叶一样时间分辨率不足，如果窗太窄了，那可能频率分辨率太差（这两个分辨率是时频分析的重要参数）。
面对这样的问题，小波变换就体现了它的优势，我们刚刚说了一段信号是很多正弦信号组成，那如果是别的信号组成是不是也成立呢？那自然是肯定的，小波基就是这样的基，长度有限同时会衰减（如下图），那么这就可以很好地反应时频信息了。

对于我得到的视频信号，由于项目要求就先不放出来具体的图片，因为需要较为准确的时频信息，综合全时间段的频谱信息进行分析，因此采用小波去噪。
3. 小波去噪基本原理
基本原理说起来比较容易，大体意思就是我们先获得信号的各小波系数，然后定一个阈值，若小波系数小于该阈值，则认为是噪声引起的，若系数大于阈值，则认为是有用信号成分，将无用信号去除后再进行逆变换即可。那么具体原理和代码日后会相继呈现。
欢迎大家一起讨论一起进步！