小波变换基础及MATLAB实现详解

Kay Lam

于 2025-04-30 14:29:56 发布

阅读量721

点赞数 20

本文链接：https://blog.csdn.net/weixin_36369848/article/details/147652963

版权

本文还有配套的精品资源，点击获取

简介：小波变换是一种时间频率分析工具，在信号处理和图像分析中具有重要作用。本文详述了小波基的概念、常用的小波变换方法，以及MATLAB在小波分析中的应用。介绍了Haar、Daubechies、Morlet等小波基及其特性，讲解了连续小波变换、离散小波变换、小波包变换、多分辨分析和小波软阈值去噪等五种常用小波变换技术。还说明了MATLAB中进行小波变换的函数以及小波变换在图像压缩和故障诊断等领域的实际应用案例，为信号处理和图像分析研究者提供全面的理论和实践指导。

1. 小波变换概述

1.1 小波变换简介

小波变换是一种数学变换，它使用一组母小波通过伸缩和平移生成一组或thonormal函数系，广泛应用于信号处理、图像处理、地震数据分析等多个领域。与传统的傅里叶变换相比，小波变换能够在时域和频域上同时获得信号的局部特征，这使得小波变换非常适合处理具有不规则性的信号。

1.2 小波变换的发展历程

小波变换的概念最早可以追溯到20世纪初，但直到1980年代随着计算机技术的飞速发展，小波变换理论才得以迅速兴起。它的发展主要得益于J. Morlet, A. Grossman和Y. Meyer等人的贡献，特别是Meyer提出的小波基构造方法和Daubechies提出的紧支集小波的构造，为小波变换的应用开辟了道路。

1.3 小波变换的应用领域

小波变换因其独特的时频分析特性，在多个领域有着广泛的应用。包括但不限于信号去噪、特征提取、图像压缩、语音识别等。在工程应用中，小波变换可以揭示信号在不同尺度上的细节变化，因此非常适合用于故障诊断和预测维护。在金融数据分析中，小波变换能够分析高频交易数据中的局部波动特征，从而为风险管理提供支持。

1.4 小结

在本章节中，我们简要介绍了小波变换的基本概念、发展历程和应用领域。小波变换的多功能性和在时频分析上的优势，使得它成为了处理复杂问题的有力工具。在接下来的章节中，我们将深入探讨小波变换在不同应用场景中的具体实现和效果。

2. 信号时间频率分析

时间-频率分析是信号处理领域的核心技术，它允许我们在时间-频率平面内研究信号的局部特性。这种方法特别适用于非平稳信号，即那些其统计特性随时间变化的信号。与之相对的是傅里叶变换，它将信号视为在整个时间轴上平稳的。然而，真实世界中的很多信号都是非平稳的，因此需要一种能够描述信号随时间变化特性的工具，这正是时间-频率分析所致力于解决的问题。

2.1 时间-频率分析的基本概念

2.1.1 信号的时域与频域表示

在信号处理中，时域和频域是描述信号的两种最基本的方式。时域分析关注的是信号随时间的变化，而频域分析则关注信号中各个频率成分的分布。

时域分析

在时域中，一个信号是通过其幅度随时间变化的函数来表示的。例如，一个简单的模拟信号可以被表示为：

s(t) = A \cos(2\pi f t + \phi)

其中， A 是振幅， f 是频率， \phi 是相位， t 是时间。

频域分析

而在频域中，信号是通过其各个频率成分的幅度和相位来表示的，这通常通过傅里叶变换来实现。傅里叶变换的数学表达式为：

S(f) = \int_{-\infty}^{\infty} s(t) e^{-j2\pi ft} dt

其中， S(f) 是信号 s(t) 的频域表示， j 是虚数单位。

2.1.2 短时傅里叶变换（STFT）的局限性

短时傅里叶变换是傅里叶变换的一种变体，它通过在信号的不同时间段内应用滑动窗口来提供时间信息。然而，STFT存在固有的局限性，主要在于其时间分辨率和频率分辨率是固定的，这在处理具有多频率成分和显著时变特性的信号时会遇到问题。

STFT的局限性可以通过以下两个方面来阐述： 1. 窗口大小：窗口大小决定了时间分辨率和频率分辨率之间的平衡。窗口越小，时间分辨率越高，但频率分辨率则越低。 2. 固定的时频分辨率：STFT无法自适应地调整时频分辨率以适应信号的局部特性。

为克服这些局限性，小波变换应运而生。小波变换允许变换窗口具有变化的大小（更精确地说是变换的尺度），这样在分析具有突变或非线性变化的信号时能够提供更好的分辨率。

2.2 小波变换的引入

小波变换是一种强大的工具，用于分析非平稳信号和信号的局部特征。与傅里叶变换相比，小波变换更适合分析具有局部特征的信号。

2.2.1 小波变换与傅里叶变换的比较

小波变换与傅里叶变换的主要区别在于时间-频率分辨率的可调性。

傅里叶变换 ：时间分辨率与频率分辨率之间的权衡是固定的。这种固定比例的分辨率无法同时精确捕捉到信号中的瞬时变化和频率细节。
小波变换 ：小波变换具有可变的时间-频率分辨率。小波变换允许使用不同宽度的窗口对信号进行分析，因此可以同时获得良好的时间和频率分辨率。

2.2.2 连续小波变换（CWT）的原理

连续小波变换（CWT）是小波变换中最基本的形式，它将一个信号与一系列通过缩放和平移的小波基函数相乘并积分，从而实现对信号的多尺度分析。

CWT的数学表达式为：

W(a, b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} s(t) \psi^* \left( \frac{t-b}{a} \right) dt

其中， W(a, b) 是小波系数， a 是尺度参数， b 是平移参数， \psi 是母小波函数， * 表示复共轭。

通过调整参数 a 和 b ，可以将信号与不同尺度和平移的小波基进行比较，从而得到信号在不同时间-频率尺度上的局部信息。

CWT在提供信号局部特征的详细描述方面，比短时傅里叶变换更为灵活和有效。因此，小波变换成为了信号时间-频率分析领域的一个重要工具，广泛应用于各种信号处理任务，包括但不限于信号去噪、特征提取和模式识别等领域。

3. 小波基介绍与选择

在深入了解小波变换的核心原理之后，理解小波基的特性及其选择策略对于实际应用变得至关重要。本章节将详细探讨小波基的相关知识，以及如何根据不同的应用场景选择合适的小波基。

3.1 小波基的基本概念

3.1.1 小波基函数的定义

小波基函数，即小波母函数，是小波分析的基础。它是一类特殊的函数族，具有局部化在时间和频率两个域的特点。小波基函数通常由一个基本函数通过平移和缩放变换生成。

数学上，小波基函数可表示为：

[ \psi_{a,b}(t) = \frac{1}{\sqrt{|a|}} \psi\left(\frac{t-b}{a}\right) ]

这里，(\psi(t)) 是小波母函数，(a) 和 (b) 是实数参数，分别表示缩放和平移。

3.1.2 小波基函数的特性

小波基函数具有以下基本特性：

紧支撑性（Compact Support） ：小波函数在时间域内有有限的支撑区，这意味着它们在某个区间之外迅速衰减至零。
消失矩（Vanishing Moments） ：消失矩是指小波函数在不同阶数的多项式上积分为零的性质，它对信号分解的稀疏性具有重要影响。
正交性（Orthogonality） ：在离散情况下，某些小波基函数相互之间正交，这有利于信号的分解和重构。

3.2 小波基的选择策略

3.2.1 小波基的比较与选择标准

在选择小波基时，需要考虑以下标准：

正交性 ：是否选择正交小波基取决于应用中对信号重构质量的要求。
支撑长度 ：支撑长度越短的小波基，计算效率越高，但可能会降低时间分辨率。
对称性 ：对称的小波基在信号处理时可避免相位失真。
消失矩数量 ：消失矩数量越多，对信号的细节分析能力越强，但计算复杂度也越高。

3.2.2 不同应用场景下的小波基选择

不同的应用场景要求选择不同的小波基：

图像处理 ：Daubechies系列小波常用于图像去噪和边缘检测，因其良好的频率特性。
音频分析 ：Morlet小波因为其波形类似于正弦波而被广泛应用于音频信号分析。
信号压缩 ：具有高消失矩的小波基，如Coiflets小波，可以提供更有效的信号压缩。
故障诊断 ：Haar小波因其简单和高效而适用于机械故障信号的初步分析。

表格：常见小波基性能对比

| 小波基名称 | 支撑长度 | 正交性 | 对称性 | 消失矩数量 | |------------|----------|--------|--------|------------| | Daubechies | 可变 | 是 | 不对称 | 可变 | | Haar | 2 | 是 | 对称 | 1 | | Coiflets | 可变 | 是 | 对称 | 可变 | | Morlet | 无穷大 | 否 | 对称 | 无 | | Symlets | 可变 | 是 | 对称 | 可变 |

代码块：Python中选择小波基函数

import pywt

# 列出所有小波基
wavelets = pywt.wavelist(kind='continuous')

# 过滤出具有对称性和正交性的小波基
symmetric_orthogonal_wavelets = [w for w in wavelets if pywt.dwt2(w, mode='symmetric') and pywt.dwt2(w, mode='orthogonal')]

# 打印结果
print(symmetric_orthogonal_wavelets)

代码逻辑分析

上述Python代码使用了 pywt 库来列举所有可用的小波基，并根据小波的特性（对称性和正交性）进行过滤。在小波变换的实践中，选择合适的小波基至关重要，这关系到最终信号处理的效果和效率。

pywt.wavelist() 函数用于获取支持的小波基列表。
列表推导式被用于筛选出同时满足对称性和正交性条件的小波基。

参数说明

kind='continuous' 参数指定列出连续小波基。
mode='symmetric' 和 mode='orthogonal' 参数用于检查小波基的对称性和正交性。

通过这段代码，我们可以快速地在众多小波基中筛选出符合特定标准的候选小波基，以便在进一步的信号处理中使用。

4. 常用小波变换方法

4.1 连续小波变换（CWT）

4.1.1 CWT的实现步骤与数学基础

连续小波变换（CWT）是一种时间-频率分析工具，它将信号分解为一系列具有不同位置和尺度的小波。与短时傅里叶变换（STFT）不同，CWT使用一个可变宽度的窗口，可以捕捉信号中的瞬时特征。CWT的数学表达式如下：

[ CWT(a, b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{+\infty} x(t) \psi \left( \frac{t-b}{a} \right) dt ]

其中，( x(t) ) 是原始信号，( \psi(t) ) 是基本小波（母小波），( a ) 是尺度参数，( b ) 是平移参数。尺度参数 ( a ) 控制小波的宽度，平移参数 ( b ) 控制小波在时间轴上的位置。

4.1.2 CWT在信号分析中的应用实例

考虑一个简单的信号分析实例，我们将应用CWT来分析一个含有突变的合成信号。以下是MATLAB代码实现：

% 定义时间向量
t = linspace(-1, 1, 1000);

% 创建合成信号
x = sign(sin(2*pi*5*t)) + 0.5*sign(sin(2*pi*25*t));

% 使用Morlet小波进行CWT变换
cwt_x = cwt(x, 1:128, 'morl');

% 绘制CWT的幅度图
figure;
surface(t, log2(1:128), abs(cwt_x));
xlabel('Time');
ylabel('Scale (log2)');
zlabel('Magnitude');
title('CWT Magnitude of a Synthetic Signal');

上述代码中， cwt 函数对信号进行连续小波变换， 'morl' 指定了使用Morlet小波。绘制的幅度图显示了信号在不同尺度下的幅度变化，从而揭示信号中不同时间尺度的特征。

4.2 离散小波变换（DWT）

4.2.1 DWT的多分辨率分析（MRA）原理

离散小波变换（DWT）通过一系列高通和低通滤波器对信号进行多级分解，实现了多分辨率分析（MRA）。在每一级分解中，信号被分为近似系数和细节系数。近似系数代表了信号的低频部分，而细节系数表示了高频部分。

DWT的关键在于滤波器的选择，通常是一对正交小波滤波器，分别用于分解和重构。MRA的多级结构允许信号在不同分辨率下被分析，非常适用于信号压缩和特征提取。

4.2.2 DWT在数据压缩中的应用

在数据压缩应用中，DWT通过去除不重要的细节系数实现信号的压缩。以下是一个简单的DWT压缩实例：

% 定义信号
x = cos(2*pi*100*t) + 0.5*cos(2*pi*500*t);

% 使用db4小波进行4级DWT分解
[C, L] = wavedec(x, 4, 'db4');

% 设置阈值并进行硬阈值处理
threshold = 0.5 * max(abs(C));
C(level > threshold) = 0;

% 进行4级DWT重构
x_reconstructed = waverec(C, L, 'db4');

% 绘制原始信号和重构信号
figure;
subplot(2, 1, 1);
plot(x);
title('Original Signal');

subplot(2, 1, 2);
plot(x_reconstructed);
title('Reconstructed Signal after DWT Compression');

在上述代码中， wavedec 函数执行了4级DWT分解， waverec 函数根据近似系数和细节系数重构信号。通过硬阈值处理，我们压缩了信号，然后绘制了原始信号和压缩后的信号进行比较。

4.3 小波包变换（WPT）

4.3.1 WPT的基本概念与原理

小波包变换（WPT）是DWT的一个扩展，它允许对信号的高频部分进行更细致的分解。WPT可以为信号的每个频率区间提供更精确的表示，从而在多分辨分析中提供了更大的灵活性。

4.3.2 WPT与MRA的比较与应用差异

与MRA相比，WPT可以看作是MRA的推广形式。在MRA中，每个分解级别只对低频部分进行进一步分解。而在WPT中，每个分解级别都可以选择对高频或低频部分进行进一步分解。

由于WPT的这一特性，它在分析非平稳信号时更为有效，能够更详细地捕捉信号的局部特征。在信号压缩、特征提取和噪声去除等方面，WPT提供了比传统MRA更强的分析能力。

以下是WPT的一个应用实例，展示如何使用MATLAB进行小波包分解：

% 定义信号
x = cos(2*pi*100*t) + 0.5*cos(2*pi*500*t);

% 小波包分解树结构
wptree = wpdec(x, 3, 'db2');

% 绘制小波包分解系数
figure;
plot(wptree);
title('Wavelet Packet Decomposition');

% 使用小波包进行信号重构
x_reconstructed = wprec(wptree);

% 绘制原始信号和重构信号
figure;
subplot(2, 1, 1);
plot(x);
title('Original Signal');

subplot(2, 1, 2);
plot(x_reconstructed);
title('Reconstructed Signal after WPT');

在这个例子中， wpdec 函数执行小波包分解， wprec 函数基于分解结果重构信号。绘制的小波包分解图可以帮助我们理解信号在不同频率范围内的能量分布。

通过以上的章节内容，我们可以看到连续小波变换、离散小波变换和小波包变换在信号分析、压缩和特征提取等方面的应用。不同的变换方法为信号处理提供了多样化的工具和视角，使得我们能够更准确地捕捉和分析信号中的复杂特征。

5. MATLAB小波分析工具箱函数介绍

5.1 MATLAB小波工具箱概述

5.1.1 小波工具箱的功能与优势

MATLAB小波工具箱提供了一系列强大的函数，这些函数可以用于执行小波变换、小波分解和重构、以及信号去噪和特征提取等任务。工具箱的主要功能包括但不限于多尺度分析、小波基函数的生成和选择、以及多维小波变换等。

工具箱的优势在于其用户友好的界面和丰富的文档资料，使得即使是小波变换的新手也能快速上手。此外，工具箱提供了大量预定义的小波基，允许用户轻松比较不同基函数对分析结果的影响。

5.1.2 常用函数与操作界面介绍

MATLAB小波工具箱中的常用函数包括但不限于 wavedec 、 waverec 、 wdenoise 、 dwt 、 idwt 等。这些函数分别对应于小波分解、重构、去噪、离散小波变换和逆变换等操作。

操作界面方面，MATLAB提供了一个交互式的图形用户界面（GUI），名为 Wavelet Analyzer，通过该界面可以访问小波工具箱中的大多数功能。用户可以通过点击按钮、选择菜单项以及输入参数来执行各种小波变换和分析任务，界面直观易用，极大地方便了用户操作。

5.2 工具箱函数实例操作

5.2.1 一维与二维小波变换的MATLAB实现

一维小波变换的MATLAB实现

下面的代码块演示了如何使用MATLAB进行一维信号的小波变换：

% 假设x为一维信号，waveletFunction为选择的小波基
[C, L] = wavedec(x, levels, waveletFunction);

% C是变换后的小波系数，L是长度向量

wavedec 函数执行分解操作，其中 levels 指定分解的层数， waveletFunction 指定所用的小波基函数。
C 是一个向量，包含了各级别的小波系数， L 是一个与信号长度相同的向量，表示每一级小波变换后的长度。

二维小波变换的MATLAB实现

接下来是一个二维图像信号的小波变换示例：

% 假设img为二维信号（图像），waveletFunction为选择的小波基
[C, S] = wavedec2(img, levels, waveletFunction);

% C是变换后的小波系数矩阵，S是表示图像尺寸的向量

wavedec2 函数用于对二维信号进行多尺度分解，参数与 wavedec 类似，但适用于二维数据。
结果 C 和 S 用于图像的小波分析和后续处理，如图像压缩、去噪等。

5.2.2 小波去噪与信号重构的实践

小波去噪示例

在进行小波去噪时，可以使用MATLAB的 wdenoise 函数：

% 假定y是被噪声污染的一维信号
x = wdenoise(y);

% x是去噪后的信号

wdenoise 函数利用小波变换的阈值处理方法自动去除信号中的噪声。
使用该函数可以快速对信号进行去噪处理，非常适合快速原型设计和初步信号分析。

小波信号重构实践

对于小波系数进行重构，可以使用 waverec 函数：

% 假定C是小波变换后的系数，L是长度向量
x = waverec(C, L, waveletFunction);

% x是重构后的信号

waverec 函数执行小波系数到原始信号的逆变换。
参数 C 和 L 分别对应于 wavedec 函数的输出，重构后得到的信号 x 应尽可能接近原始信号。

在实际应用中，MATLAB小波工具箱提供了大量可供选择的小波基，如 haar 、 dbN 、 symN 等，用户可以根据具体的信号分析需求选择合适的小波基进行操作。上述示例提供了小波变换在MATLAB工具箱中实现的基本框架，但是实际应用时还需要根据具体案例进行参数调整和结果分析。通过本章节的介绍，读者应能掌握使用MATLAB进行基本的小波变换操作。

6. 小波变换在图像压缩中的应用

6.1 小波变换在图像处理中的重要性

6.1.1 图像压缩的基本原理

图像压缩旨在减少图像数据的大小，以便于存储和传输，同时尽量减少图像质量的损失。小波变换作为一种有效的时频分析工具，在图像压缩领域扮演着关键角色。其基本原理是通过多分辨率分析将图像分解为一系列细节不同的子带，每个子带包含不同的频率信息。这些信息按照重要性进行排序，从而实现对图像的高效编码和压缩。

6.1.2 小波变换对图像质量的影响分析

小波变换利用其多尺度特性，能够同时在时域和频域对图像进行精细的分析。相比于传统的压缩方法，如离散余弦变换（DCT），小波变换能够更好地保留图像的边缘信息和细节，降低压缩引起的视觉失真。此外，小波变换支持无损和有损压缩两种模式，无损压缩可以完全恢复原始图像，而有损压缩则在保持较高视觉质量的前提下实现更高的压缩比。

6.1.3 小波变换与传统压缩方法的比较

传统图像压缩算法如JPEG使用DCT进行图像压缩，而JPEG2000则采用了小波变换。小波变换相比DCT的主要优势在于其对图像细节的更好保留能力，尤其在处理自然图像时。小波变换不依赖于图像的块结构，因此不会引入JPEG算法中常见的块状失真。小波变换还能支持渐进式传输，即图像可以先以低分辨率传输，再逐渐提高分辨率，这对于网络传输尤其有利。

6.2 小波变换在图像压缩的案例研究

6.2.1 JPEG2000标准与小波变换

JPEG2000是一种基于小波变换的图像压缩标准，它采用了一系列先进的技术，包括离散小波变换（DWT）、量化、熵编码等，以达到高压缩比和高质量图像的目的。JPEG2000在不同的压缩率下，都可以提供相对较好的图像质量，特别是对于高压缩比的情况。其优越性在于小波变换能够保持图像的边缘特征，从而减少了压缩产生的模糊和块状效应。

6.2.2 实际图像压缩结果与分析

在实际应用中，小波变换的图像压缩效果可以通过对比实验来验证。例如，可以使用同一图像分别采用JPEG（基于DCT）和JPEG2000（基于小波变换）进行压缩，然后对比两种方法在不同压缩比下的压缩结果和图像质量。通常可以看到，在相同文件大小的情况下，JPEG2000压缩的图像在视觉上往往更加清晰和细腻。此外，小波变换还能提供更多的压缩工具和选项，允许用户根据具体需求选择不同的压缩策略。

为了直观展示压缩效果的差异，以下是两张示例图片，一张使用JPEG标准压缩，另一张使用JPEG2000标准压缩，压缩比均为50%。

图6.1 - JPEG压缩示例

图6.2 - JPEG2000压缩示例

通过对比两张图片，可以发现JPEG2000压缩的图像在边缘和细节保留上表现更佳。

% MATLAB代码示例：使用MATLAB进行JPEG与JPEG2000压缩
img = imread('image.jpg'); % 读取原始图像
压缩比 = 0.5; % 设置压缩比

% 使用JPEG压缩
img_jpeg = imwrite(img, 'image.jpeg', 'Quality', 50 * 压缩比);

% 使用JPEG2000压缩
img_jpeg2000 = imwrite(img, 'image.jpeg2000', 'Compression', 'lzw', 'Quality', 50 * 压缩比);

% 显示压缩后的图像
imshow(img_jpeg);
figure; % 创建新窗口
imshow(img_jpeg2000);

在上述MATLAB代码中，首先读取了一个图像文件，然后分别使用JPEG和JPEG2000格式进行压缩。JPEG格式的压缩使用的是质量因子，而JPEG2000格式的压缩使用的是压缩选项，其中 'lzw' 代表使用了Lempel-Ziv-Welch (LZW) 编码方法。代码中通过设置不同的质量因子来控制压缩比，并显示了压缩后的图像。从代码执行的结果可以直观地分析出小波变换在图像压缩中的优势。

通过本章节的介绍，我们可以看到小波变换在图像压缩中具有无可比拟的优势，它不仅在保持图像质量方面表现卓越，还提供了更灵活的压缩策略选择。随着小波变换技术的不断完善和优化，未来在图像压缩及其他领域的应用前景将更为广阔。

7. 小波变换在故障诊断中的应用

7.1 故障诊断技术概述

7.1.1 信号处理技术在故障诊断中的作用

信号处理技术是故障诊断领域的核心技术之一。通过分析机械设备运行中产生的振动、声音、温度等信号，可以及时检测出设备的异常情况，进而对潜在的故障进行预警和诊断。小波变换作为信号处理领域的重要工具，在故障特征提取、降噪、信号分解和重构等方面具有独特优势，使其成为故障诊断中不可或缺的技术之一。

7.1.2 小波变换在故障特征提取中的优势

小波变换能够提供一个时频局部化的分析框架，它允许分析信号在不同时间和频率尺度上的特性，这对于识别和分离出设备运行中产生的故障特征至关重要。小波变换的多分辨率特性使它能够深入细节，精确地定位故障发生的瞬态过程，为故障诊断提供了丰富而详细的信号信息。

7.2 小波变换在故障诊断的应用案例

7.2.1 实际机械故障信号的小波分析

在实际的机械故障诊断中，小波变换可以应用于提取故障信号的特征。例如，在轴承故障诊断中，通过小波变换可以清晰地观察到由于轴承损伤产生的周期性脉冲信号，这些信号在频域中具有特定的频率成分，而在时域中则表现为瞬态冲击。

% 假设信号数据已经采集完毕并存储在变量 bearingSignal 中
[C,L] = wavedec(bearingSignal, 4, 'db1'); % 使用 Daubechies 小波（db1）进行四级小波分解
[coeffs, L] = wrcoef('d', C, L, 'db1', 4); % 重构分解后的信号

% 画出原始信号和重构信号的对比图
subplot(2,1,1)
plot(bearingSignal)
title('原始机械信号')
subplot(2,1,2)
plot(coeffs)
title('小波重构信号')

小波系数图和重构信号图可以帮助工程师识别出信号中的故障特征。