小波去噪程序c语言,小波去噪c语言程序

1、小波阈值去噪理论

小波阈值去噪就是对信号进行分解，然后对分解后的系数进行阈值处理，最后重构得到去噪信号。该算法其主要理论依据是：小波变换具有很强的去数据相关性，它能够使信号的能量在小波域集中在一些大的小波系数中;而噪声的能量却分布于整个小波域内。因此，经小波分解后，信号的小波系数幅值要大于噪声的系数幅值。可以认为，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声。于是，采用阈值的办法可以把信号系数保留，而使大部分噪声系数减小至零。小波阈值收缩法去噪的具体处理过程为：将含噪信号在各尺度上进行小波分解，设定一个阈值，幅值低于该阈值的小波系数置为0，高于该阈值的小波系数或者完全保留，或者做相应的“收缩(shrinkage)”处理。最后将处理后获得的小波系数用逆小波变换进行重构，得到去噪后的信号.

2、小波阈值去噪c语言程序

此程序是用于信号处理分析，突出奇异值的前段处理，对信号进行小波包分解，用C语言实现的，仅供参考。

#include

#include

#include

#include

#defineLENGTH4096//信号长度

#defineDB_LENGTH8//Daubechies小波基紧支集长度

/******************************************************************

*　一维卷积函数

*　说明：循环卷积，卷积结果的长度与输入信号的长度相同

*　输入参数：data［］，输入信号;core［］，卷积核;cov［］，卷积结果;

*n，输入信号长度;m，卷积核长度。

******************************************************************/

/*voidCovluTIon(doubledata［］，doublecore［］，doublecov［］，intn，intm)

{

inTI=0;

intj=0;

intk=0;

//将cov［］清零

for(i=0;i《n;i++)

{

cov［i］=0;

}

//前m/2+1行

i=0;

for(j=0;j《m/2;j++，i++)

{

for(k=m/2-j;k《m;k++)

{

cov［i］+=data［k-(m/2-j)］*core［k］;//k针对core［k］

}

for(k=n-m/2+j;k《n;k++)

{

cov［i］+=data［k］*core［k-(n-m/2+j)］;//k针对data［k］

}

}

//中间的n-m行

for(i=m/2;i《=(n-m)+m/2;i++)

{

for(j=0;j《m;j++)

{

cov［i］+=data［i-m/2+j］*core［j］;

}

}

//最后m/2-1行

i=(n-m)+m/2+1;

for(j=1;j《m/2;j++，i++)

{

for(k=0;k《j;k++)

{

cov［i］+=data［k］*core［m-j-k］;//k针对data［k］

}

for(k=0;k《m-j;k++)

{

cov［i］+=core［k］*data［n-(m-j)+k］;//k针对core［k］

}

}

}

*/

//定义一个线性卷积

voidCovluTIon(doubledata［］，doublecore［］，doublecov［］，intn，intm)

{

inTI=0;

intj=0;

intt=0;

//将cov［］清零

for(j=0;j《n+m-1;j++)

{

cov［j］=0;

}

for(j=0;j《m+n-1;j++)

{

if(j《=m-1)//前面m行

{

for(i=0，t=j;t》=0;i++，t--)

cov［j］+=data［i］*core［t］;

}

elseif(j《=n-1)//中间n-m行

{

for(i=j-m+1，t=m-1;t》=0;i++，t--)

cov［j］+=data［i］*core［t］;

}

else//后面m行

{

for(i=j-m+1，t=m-1;i《n;i++，t--)

cov［j］+=data［i］*core［t］;

}

}

}