图像算法五：【图像小波变换】多分辨率重构、Gabor滤波器、Haar小波

matlab设计：

    与单纯运用某种自适应算法相比,基于小波分解的自适应滤波算法在收敛速度和稳定性上都有了很大的提高

小波变换：

       示意：尺度越大，采用越大的时间窗，尺度越小，采用越短的时间窗，即尺度与频率成反比。在时频两域都具有表征信号局部特征的能力，其在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被誉为分析信号的数字显微镜。

 

       小波变换与傅里叶变换对比的优点：短时傅立叶分析是把一个短时间的窗函数加在信号上，再对这一部分加窗的信号做傅立叶变换，当然，假定了在短时间内信号是平稳的。然后移动窗函数，对整个时间轴上的信号做短时傅立叶分析。但是，又有问题出现了，短时傅立叶分析一旦确定了窗函数，窗函数的形状便不再改变，于是短时傅立叶分析对于信号的时频分辨率也随之确定。

而我们希望稍微智能一点，即对于变化剧烈的信号，时间分辨率能高一点，频率分辨率可以降低，而对于变化平坦的信号，频率分辨率要高一些，时间分辨率可以低点。于是小波分析便产生了。

小波分析同样对信号在一短时间内做加窗（小波函数）分析，只是这个窗，即小波函数既可以在时间轴上移动，又可以伸缩，伸缩便意味着时频分辨率的改变。

       小波变换的物理表现：分解的结果是产生长度减半的两个部分，一个是经低通滤波器产生的原始信号的平滑部分，另一个则是经高通滤波器产生的原始信号细节部分。

    不同j所确定的频带是独立的，随j变化相互独立的频带覆盖了整个频率轴，分辨率j反应了频带的位置和带宽把信号分解到一系列相互独立的频带上分辨率j-1时的近似信号=f(x)在分辨率为j时的近似部分+细节部分

再对低频部分进行相似运算

 

3、小波变换在matlab中的使用

[C, S] = wavedec2(x, n, wname); % 对图像进行小波分解

小波变换的层数选择：通常分解层数过多，并且对所有的各层小波空间的系数都进行阈值处理会造成信号的信息丢失严重，去噪后的信噪比反而下降，同时导致运算量增大，使处理变慢.

分解层数过少则去噪效果不理想，信噪比提高不多，但不会出现信噪比下降的情况.