小波变换
传统的信号理论,是建立在Fourier分析基础上的,而Fourier变换作为一种全局性的变化,其有一定的局限性,如不具备局部化分析能力、不能分析非平稳信号等。在实际应用中人们开始对Fourier变换进行各种改进,以改善这种局限性,如STFT(短时傅立叶变换)。由于STFT采用的的滑动窗函数一经选定就固定不变,故决定了其时频分辨率固定不变,不具备自适应能力。
小波分析很好的解决了这个问题。小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率,还可以定位到时间了。
常见小波函数:Haar、Daubechies、Biorthogonal、Coiflets、Symlets、Morlet、Mexican Hat、Meyer、Gaus、Dmeyer、ReverseBior、Cgau、Cmor、Fbsp、Shan.
小波基函数参考链接:http://blog.csdn.net/jbb0523/article/details/42586749
代码示例
function y=wtfusion(x1,x2,N,wname)
%函数功能:
% 函数x=wtfusion(x1,x2,N,wname)将两幅原图像x1,x2进行基于小波变换的图像融合,得到融合后的图像y
% 近似分量采用加权平均的融合规则,各细节分量采用基于区域特性量测的融合规则
%输入参数:
% x1----输入原图像1
% x2----输入原图像2
% N----小波分解的层数
% wname----小波基函数
%输出参数:
% y----原图像融合后得到的图像
%-----------------------------------------------------------------%
x1=double(x1); %将uint8的图像数据类型转换成double型进行数据处理
x2=double(x2);
%将原图像x1,x2分别进行N层小波分解,wname为小波基函数,
%C为各层分解系数,S为各层分解系数长度,也就是大小.
%C的结构:c=[A(N)|H(N)|V(N)|D(N)|H(N-1)|V(N-1)|D(N-1)|H(N-2)|V(N-2)|D(N-2)|...|H(1)|V(1)|D(1)]
%A(N)代表第N层低频系数,H(N)|V(N)|D(N)代表第N层高频系数,分别是水平,垂直,对角高频
%S(N+2行2列)的结构是储存各层分解系数长度的,即第一行是A(N)的长度(其实是A(N)的原矩阵的行数和列数),
%第二行是H(N)|V(N)|D(N)|的长度,第三行是H(N-1)|V(N-1)|D(N-1)