小波变换/小波阈值去噪心得

最新推荐文章于 2023-09-27 10:28:59 发布

weixin_52014674

最新推荐文章于 2023-09-27 10:28:59 发布

阅读量469

点赞数 1

文章标签： python 机器学习 pandas

原文链接：https://blog.csdn.net/stc30kt11/article/details/124477504?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%B0%8F%E6%B3%A2%E9%98%88%E5%80%BC%E5%8E%BB%E5%99%AApython&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-5-12447

版权

这篇博客分享了使用Python的pywt库进行1D多阶小波降噪的步骤。首先，创建了一个带高斯噪声的正弦函数数据集，然后通过pywt.wavedec进行小波分解，并应用软阈值处理细节系数，最后通过pywt.waverec重构降噪后的信号。示例展示了降噪前后的数据对比图表。

摘要由CSDN通过智能技术生成

最近在学习小波阈值去噪的python实现方法，看了很多原理性的文章，但在实现的过程中还是遇到点麻烦，这里分享一个1D多阶的小波降噪示例：

运行结果：第一张图是正弦函数加入高斯噪声的原始数据，第二张图是降噪后的效果。

import pywt
import matplotlib.pyplot as plt
import random
import numpy as np

# 在0-2*pi的区间上生成100个点作为输入数据
X = np.linspace(0,2*np.pi,100,endpoint=True)
Y = np.sin(2*X)

# 对输入数据加入gauss噪声
# 定义gauss噪声的均值和方差
mu = 0
sigma = 0.12
for i in range(X.size):
    # X[i] += random.gauss(mu,sigma)
    Y[i] += random.gauss(mu,sigma)

# 画出这些点
# plt.plot(X,Y,linestyle='-',marker='.')
# plt.show()

# print(Y)
# w= pywt.Wavelet("db6")
# cA1,cD1 =pywt.dwt(Y,wavelet=w,mode="constant")
# print()
# print(cA1)
# print(cD1)
print()


# coeffs =pywt.wavedec(Y,wavelet="db6",level=4)
# print(coeffs)


#需要导入matplotlib.pyplot ，pywt， numpy 和pandas模块。
import matplotlib.pyplot as plt
import pywt
import numpy as np
import pandas as pd

s = Y
wavelet = "db6"
#将需要的数据保存在列表s中
w=pywt.wavedec(s, wavelet,level=3)#小波分解，pywt.wavedec(数据, 小波基,分解尺度)
###  分解得到的w是一个列表，w[0]是最大尺度的近似系数，w[1]是最大尺度的细节系数，w[2]是次大尺度的细节系数，以此类推
N=len(s)
thr=round(np.sqrt(2*np.log(N)),4)#阈值获取，方式为sqtwolog
for i in range(1,len(w)):
    print(w[i])
    w[i]=pywt.threshold(w[i], thr,mode='soft')
    #阈值处理函数
rec_s=pywt.waverec(w, wavelet)#小波重构
plt.subplot(211)
plt.plot(s,linewidth=0.5)
plt.subplot(212)
plt.plot(rec_s,linewidth=0.5)
plt.show()