小波阈值去噪_小波分析—信号去噪

   信号去噪实质上是抑制信号中的无用部分，增强信号中的有用部分的过程。信号去噪的过程一般可分为以下3个步骤：
(1)一维信号的小波分解。选择一个小波并确定分解的层次，然后进行分解计算。
(2)小波分解高频系数的阈值量化。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理。
(3)一维小波重构。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。
    以上3个步骤中，最关键的是如何选择阈值以及进行阈值量化，在某种程度上，它关系到信号去噪的质量。一般去噪处理有3种方法：
(1)默认阈值去噪处理。该方法利用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪处理。
(2)给定阈值去噪处理。在实际的去噪处理中，阈值往往可通过经验公式获得，且这种阈值比默认阈值的可信度高。在进行阈值量化处理时可利用函数wthresh()。
(3)强制去噪处理。该方法是将小波分解结果中的高频系数全部置为0，即过滤掉所有高频部分，然后对信号进行小波重构。这种方法比较简单，切去噪后的信号比较平滑，但是容易丢失信号中的有用成分。

例1：利用小波分析对污染信号进行去噪处理以恢复原始信号，并对比三种去噪处理方法的特点。

% 创建信号
load leleccum; % 装载采集的信号leleccum.mat
s = leleccum(1:1500); % 将信号中第1到第1500个采样点赋给s
ls = length(s); % 画出原始信号
subplot(221);plot(s);title('原始信号');grid;
% 用db1小波对原始信号进行3层分解并提取系数
[c,l] = wavedec(s,3,'db1');
ca3 = appcoef(c,l,'db1',3);
cd3 = detcoef(c,l,3);
cd2 = detcoef(c,l,2);
cd1 = detcoef(c,l,1);
% 对比三种情况下信号去噪效果
% (1)对信号进行强制性去噪处理并图示结果
cdd3 = zeros(1,length(cd3));
cdd2 = zeros(1,length(cd2));
cdd1 = zeros(1,length(cd1));
c1 = [ca3 cdd3 cdd2 cdd1];
s1 = waverec(c1,l,'db1');
subplot(222);plot(s1);title('强制去噪后的信号');grid;
% (2)用默认阈值对信号进行去噪处理并图示结果
%用ddencmp()函数获得信号的默认阈值，使用wdencmp命令函数实现去噪过程
[thr,sorh,keepapp] = ddencmp('den','wv',s);
s2 = wdencmp('gbl',c,l,'db1',3,thr,sorh,keepapp);
subplot(223);plot(s2);title('默认阈值去噪后的信号');grid;
% (3)用给定的软阈值进行去噪处理
cd1soft = wthresh(cd1,'s',2.65);
cd2soft = wthresh(cd2,'s',1.53);
cd3soft = wthresh(cd3,'s',1.76);
c2 = [ca3 cd3soft cd2soft cd1soft];
s3 = waverec(c2,l,'db1');
subplot(224);plot(s3);title('给定软阈值去噪后的信号');grid;

 传统的傅里叶变换只能在频域中对信号分析，不能给出信号的某个时间点上的变化情况，因此不能分辨出信号在时间轴上的突变。小波分析能同时在时域内对信号分析，能够有效区分限号中的突变部分和噪声，从而实现非平稳信号的去噪。

例2：利用小波分析对非平稳信号去噪。

% 利用小波分析对含早余弦信号去噪
N = 100;
t = 1:N;
x = cos(0.5*t); % 生成余弦信号
load noissin;
ns = noissin; % 添加噪声
subplot(311);plot(t,x);title('原始余弦信号');% 显示波形
subplot(312);plot(ns);title('含噪余弦信号');
xd = wden(ns,'minimaxi','s','one',4,'db3');
subplot(313);plot(xd);title('去噪后的波形信号')