c++ hough变换代码_智能医疗（4）——小波变换的理解与应用

• 各位读者小伙伴大家好~这篇文章篇幅很长，字数繁多，敬请各位耐心看完，对于初学者直观地了解小波变换会有很大帮助。

要理解小波变换，前提是先理解傅里叶变换。“变换”的是什么东西呢？是基（线性代数中相互独立的向量）。

说到底，傅里叶变换和小波变换都是在搞基，只是傅里叶变换和小波变换的基函数不同。对基更加详细的阐述，可以在“智能医疗（3）—— 傅里叶级数到小波变换”中查看。

Lucas：智能医疗（3）—— 傅里叶级数到小波变换​zhuanlan.zhihu.com

本文的主要内容是提升对小波变换的理解，同时将其应用在对ECG信号进行降噪处理。

正文：

基的特点决定了具体的计算过程。如果我们希望选取有利于压缩的话，那么就希望这个基能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。于是，我们希望选取小波变换的基，能用最简单的方式呈现最多的信号特性。

小波变换，为什么是“小”波，这是相对傅里叶变换而言的。傅里叶变换用的基能量是无限的，是周期无限的三角函数；而小波基的能量有限、会衰减，而且集中在某一点附近。

小波变换都会有一个母小波（mother wavelet），同时还有一个父小波，或称为尺度函数（scaling function）。任何小波变换的基函数，其实就是对这个母小波和父小波缩放和平移后的集合。

和傅立叶级数有一点不同的是，小波级数（小波基）通常是标准正交基，也就是说，它们不仅两两正交，还归一化了。

小波级数（小波基）通常有很多种，通常具有以下特性：

1. 小波基是有限、不规律、非对称的。但任何小波和常量函数的内积都趋近于0。换句话说，母小波在一个周期的积分趋近于0。
2. 小波变换对不管是一维还是高维的大部分信号都能描述很好。这个和傅立叶级数有很大区别。后者最擅长的是把一维的，类三角波连续变量函数信号映射到一维系数序列上，但对于突变信号或任何高维的非三角波信号则几乎无能为力。
3. 围绕小波级数的展开能够在时域和频域上同时定位信号。这个特性是得益于小波变换是二维变换。从两者展开的表达式就可以看出来，傅立叶级数是
   ，而小波级数是
   。
4. 从信号算出展开系数a需要很方便。普遍情况下，小波变换的复杂度是O(Nlog(N))，和FFT相当。有不少很快的变换甚至可以达到O(N)，也就是说，计算复杂度和信号长度是线性的关系。

接下来，我们从小波变换对突变的阶跃信号的描述，来分析小波变换的过程和优势。

在图中，小波变换的缩放倍数都是2的级数，平移的大小和当前其缩放的程度有关。这样的小波的基函数，具有高频和低频的分析能力，同时还具备了时域分析能力。

只要小波的基函数不和这个信号变化重叠，它所对应的级数系数都为0

假如我们就用这个三级小波对此信号展开，那么只有3个级数对应的系数不为0 。即使更加复杂的小波，不管什么小波，大部分级数系数都会是0。

那么与傅里叶变换相比，小波变换有什么优势？

1. 小波变换允许更加精确地局部描述以及信号特征的分离。一个傅立叶系数通常表示某个贯穿整个时间域的信号分量，因此，即使是临时的信号，其特征也被强扯到了整个时间周期去描述。而小波展开的系数则代表了对应分量它当下的自己，因此非常容易诠释。
2. 小波变换的基是变化的。小波变换的基，是可以根据信号来推导或者构建出来的，只要符合小波变换的性质和特点即可。对于傅立叶变换以及大部分的信号变换系统，他们的函数基都是固定的，没有任何灵活性。

总结来说，傅立叶变换适合周期性的，统计特性不随时间变化的信号；而小波变换则适用于大部分信号，尤其是瞬时信号。它针对绝大部分信号的压缩，去噪，检测效果都特别好。

在上一篇“智能医疗（3）—— 傅里叶级数到小波变换”，我们提到短时傅里叶变换STFT和小波分析的基本思想有类似之处。

在这篇文章中，我们做一个更加形象的描述，小波变换的窗函数在不同的区域内的宽度不同：当我们需要更精确的低频信息，小波分析准许用一个长的窗口宽度；当我们需要更高频率的信息的时候，小波分析准许用一个短的窗口宽度。

小波变换的公式

小波变换的公式，含有两个参数，那么执行一次小波变换的过程是怎么样的？

1. 取一个小波，从函数的开始点起作比较
2. 计算一个数C, 代表小波和这个区域内的信号有多接近。C越大，相似度越高。
3. 位移小波，重复1、2，直到你完全运算完整个信号。
4. 缩小或者伸展真整个小波，重复１，２，３
5. 复整个操作直到１，２，３，4全部做完

matlab代码

level=8; wavename='bior2.6';
ecgdata=ECGsignalM1;
figure(2);
plot(ecgdata(1:points));grid on ;axis tight;axis([1,points,-2,5]);
title('原始ECG信号');
%%%%%%%%%%进行小波变换6层
[C,L]=wavedec(ecgdata,level,wavename);
%%%%%%%提取尺度系数，
A1=appcoef(C,L,wavename,1);
A2=appcoef(C,L,wavename,2);
A3=appcoef(C,L,wavename,3);
A4=appcoef(C,L,wavename,4);
A5=appcoef(C,L,wavename,5);
A6=appcoef(C,L,wavename,6);
A7=appcoef(C,L,wavename,7);
A8=appcoef(C,L,wavename,8);
%%%%%%%提取细节系数
D1=detcoef(C,L,1);
D2=detcoef(C,L,2);
D3=detcoef(C,L,3);
D4=detcoef(C,L,4);
D5=detcoef(C,L,5);
D6=detcoef(C,L,6);
D7=detcoef(C,L,7);
D8=detcoef(C,L,8);
%%%%%%%%%%%%重构
A8=zeros(length(A8),1); %去除基线漂移
RA7=idwt(A8,D8,wavename);
RA6=idwt(RA7(1:length(D7)),D7,wavename);
RA5=idwt(RA6(1:length(D6)),D6,wavename);
RA4=idwt(RA5(1:length(D5)),D5,wavename);
RA3=idwt(RA4(1:length(D4)),D4,wavename);
RA2=idwt(RA3(1:length(D3)),D3,wavename);
D2=zeros(length(D2),1); %去除高频噪声
RA1=idwt(RA2(1:length(D2)),D2,wavename);
D1=zeros(length(D1),1);%去除高频噪声
DenoisingSignal=idwt(RA1,D1,wavename);
figure(3);
plot(DenoisingSignal);
title('去除噪声的ECG信号'); grid on; axis tight;axis([1,points,-2,5]);
clear ecgdata;

绘制图像

通过图像我们可以很明显地观察到，ECG信号的噪声减弱了。

这对接下来对ECG信号的“特征提取”起到了至关重要的作用。

写在后面

这就是笔者关于小波变换的理解和应用。期待各位读者的关注、点赞、留言和收藏。

我将持续创作有关智能医疗领域的相关内容，接下来也会附上对应的代码。

参考资料

https://blog.csdn.net/liusandian/article/details/52472847