基于小波去噪matlab程序示例
小波图像去噪及matlab分析
小波图像去噪及matlab实例图像去噪图像去噪是信号处理的一个经典问题，传统的去噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是去噪效果不太好（维纳滤波在图像复原中的作用）。
小波去噪随着小波理论的日益完善，其以自身良好的时频特性在图像去噪领域受到越来越多的关注，开辟了用非线性方法去噪的先河。
具体来说，小波能够去噪主要得益于小波变换有如下特点：（1）低熵性。
小波系数的稀疏分布，使图像变换后的熵降低。
意思是对信号（即图像）进行分解后，有更多小波基系数趋于0（噪声），而信号主要部分多集中于某些小波基，采用阈值去噪可以更好的保留原始信号。
（2）多分辨率特性。
由于采用了多分辨方法，所以可以非常好地刻画信号的非平稳性，如突变和断点等（例如0-1突变是傅里叶变化无法合理表示的），可以在不同分辨率下根据信号和噪声的分布来消除噪声。
（3）去相关性。
小波变换可对信号去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪。
（4）基函数选择灵活。
小波变换可灵活选择基函数，也可根据信号特点和去噪要求选择多带小波和小波包等（小波包对高频信号再次分解，可提高时频分辨率），对不同场合，选择不同小波基函数。
根据基于小波系数处理方式的不同，常见去噪方法可分为三类：（1）基于小波变换模极大值去噪（信号与噪声模极大值在小波变换下会呈现不同变化趋势）（2）基于相邻尺度小波系数相关性去噪（噪声在小波变换的各尺度间无明显相关性，信号则相反）（3）基于小波变换阈值去噪小波阈值去噪是一种简单而实用的方法，应用广泛，因此重点介绍。
阈值函数选择阈值处理函数分为软阈值和硬阈值，设w是小波系数的大小，wλ是施加阈值后小波系数大小，λ为阈值。
（1）硬阈值当小波系数的绝对值小于给定阈值时，令其为0，而大于阈值时，保持其不变，即：（2）软阈值当小波系数的绝对值小于给定阈值时，令其为0，大于阈值时，令其都减去阈值，即：如下图，分别是原始信号，硬阈值处理结果，软阈值处理结果。
matlab小波变换信号去噪
MATLAB小波变换信号去噪引言小波变换是一种多尺度分析方法，广泛应用于信号处理领域。
由于小波变换具有良好的时频局部性质，可以将信号分解为不同频率和时间分辨率的成分，因此被广泛应用于信号去噪领域。
本文将介绍如何使用MATLAB进行小波变换信号去噪的方法。
MATLAB中的小波变换在MATLAB中，可以使用Wavelet Toolbox中的wavedec函数进行小波分解，使用wrcoef函数进行重构。
具体步骤如下：1.导入待处理的信号数据。
2.选择适当的小波基函数和分解层数。
3.使用wavedec函数对信号进行小波分解，得到分解系数。
4.根据阈值方法对分解系数进行去噪处理。
5.使用wrcoef函数对去噪后的分解系数进行重构，得到去噪后的信号。
6.分析去噪效果并进行评估。
下面将逐步详细介绍这些步骤。
选择小波基函数和分解层数小波基函数的选择在小波分析中非常重要，不同的小波基函数适用于不同类型的信号。
常用的小波基函数有Daubechies小波、Haar小波、db2小波等。
根据信号的特点和分析需求，选择合适的小波基函数是非常重要的。
在MATLAB中，可以使用wname函数查看支持的小波基函数。
可以通过比较不同小波基函数的性能指标来选择合适的小波基函数。
常见的性能指标包括频率局部化、时频局部化和误差能量。
选择分解层数时，需要根据信号的特点和噪声的程度来决定。
一般而言，分解层数越高，分解的细节系数越多，信号的时间分辨率越高，但运算量也会增加。
小波分解使用wavedec函数对信号进行小波分解。
函数的输入参数包括待分解的信号、小波基函数名称和分解层数。
函数输出包括近似系数和细节系数。
[C, L] = wavedec(x, level, wname);其中，x是待分解的信号，level是分解层数，wname是小波基函数名称。
C是包含近似系数和细节系数的向量，L是分解的长度信息。
根据分解层数，可以将分解系数划分为不同频带的系数。
小波变换的原理及matlab仿真程序
基于小波变换的信号降噪研究2 小波分析基本理论设Ψt ∈L 2 R L 2 R 表示平方可积的实数空间,即能量有限的信号空间 , 其傅立叶变换为Ψt;当Ψt 满足条件4,7：2()Rt dw wCψψ=<∞⎰1时,我们称Ψt 为一个基本小波或母小波,将母小波函数Ψt 经伸缩和平移后,就可以得到一个小波序列：,()()a bt bt aψ-=,,0a b R a ∈≠ 2 其中a 为伸缩因子,b 为平移因子;对于任意的函数ft ∈L 2 R 的连续小波变换为：,(,),()()f a b Rt bW a b f f t dt aψψ-=<>=3 其逆变换为：211()(,)()fR R t b f t W a b dadb C a aψψ+-=⎰⎰ 4 小波变换的时频窗是可以由伸缩因子a 和平移因子b 来调节的,平移因子b,可以改变窗口在相平面时间轴上的位置,而伸缩因子b 的大小不仅能影响窗口在频率轴上的位置,还能改变窗口的形状;小波变换对不同的频率在时域上的取样步长是可调节的,在低频时,小波变换的时间分辨率较低,频率分辨率较高：在高频时,小波变换的时间分辨率较高,而频率分辨率较低;使用小波变换处理信号时,首先选取适当的小波函数对信号进行分解,其次对分解出的参数进行阈值处理,选取合适的阈值进行分析,最后利用处理后的参数进行逆小波变换,对信号进行重构;3 小波降噪的原理和方法小波降噪原理从信号学的角度看 ,小波去噪是一个信号滤波的问题;尽管在很大程度上小波去噪可以看成是低通滤波 ,但由于在去噪后 ,还能成功地保留信号特征 ,所以在这一点上又优于传统的低通滤波器;由此可见 ,小波去噪实际上是特征提取和低通滤波的综合 ,其流程框图如图所示6：小波分析的重要应用之一就是用于信号消噪 ,一个含噪的一维信号模型可表示为如下形式：(k)()()S f k e k ε=+* k=…….n-1其中 ,f k 为有用信号,sk 为含噪声信号,ek 为噪声,ε为噪声系数的标准偏差;假设ek 为高斯白噪声,通常情况下有用信号表现为低频部分或是一些比较平稳的信号,而噪声信号则表现为高频的信号,下面对 sk 信号进行如图结构的小波分解,则噪声部分通常包含在Cd1、Cd2、Cd3中,只要对 Cd1,Cd2,Cd3作相应的小波系数处理,然后对信号进行重构即可以达到消噪的目的;降噪方法一般来说, 一维信号的降噪过程可以分为 3个步骤进行5,6：1一维信号的小波分解,选择一个小波并确定一个小波分解的层次N,然后对信号进行N 层小波分解计算;2） 小波分解高频系数的阈值量化,对第1层到第N 层的每一层高频系数, 选择一个阈值进行软阈值量化处理．3） 一维小波的重构;根据小波分解的第 N 层的低频系数和经过量化处理后的第1层到第N 层的高频系数,进行一维信号的小波重构;在这 3个步骤中,最核心的就是如何选取阈值并对阈值进行量化,在某种程度上它关系到信号降噪的质量．在小波变换中,对各层系数所需的阈值一般根据原始信号的信号噪声比来选取,也即通过小波各层分解系数的标准差来求取,在得到信号噪声强度后,可以确定各层的阈值;这里着重讨论了信号在两种不同小波恢复后信号质量的不同和对信号中的信号与噪声进行分离;4．仿真实验本文采用Mtalab 本身程序提供的noissin 信号函数及初设原始信号fx 为例进行Matlab 分析1,3,其中：()sin(0.03)f x t =e = noissin + randnsizee1;首先对noissin 函数上叠加上随机噪声信号得到e,分别对比采用db10小波和sym8小波对信号e 进行5层分解,并且细节系数选用minimaxi 阈值模式和尺度噪声db10以及选用sure阈值模式和尺度噪声sym8;在进行噪声消除后,还对原信号进行进一步分析,将原始信号和噪声信号分离开来,仿真结果如图所示：图1图2图3图1-1为原始信号图形,1-2为叠加随机噪声后的图形,而1-3和1-4为利用db10和sym8小波默认阈值降噪后的信号图形;从图1-3和1-4可以看出利用db10和sym8小波降噪后的信号基本上恢复了原始信号,去噪效果明显;但是滤波后的信号与原始信号也有不同,从图中可以很直观地看到采用阈值消噪后信号特征值较少无法准确还原原始信号这是由于为降噪过程中所用的分析小波和细节系数的阈值不恰当所致,如需要更好的恢复信号,还可以采用其它种类小波对其进行分析,通过选取不同的阈值,分析结果,得到一个合适的阈值;从图2和图3中看出,在经过用db10对信号进行5层分解,然后分别对分解的第5层到第1层的低频系数和高频系数进行重构;可以得出其主要基波函数和高频噪声函数的图形,其中小分波分解的细节信号是有白噪声分解得到的,而正弦信号可以在图2中的近似信号a5得到;因为在这一层的影响已经可以忽略了,所以获得的信号就是初始信号的波形,从而把淹没在噪声中的有用信号有效地分离出来;5 总结小波变换对平稳信号的去噪声,要比传统的滤波去噪声得到的效果好．用小波变换进行信号降噪处理, 既降低了噪声同时又提高了信噪比,这说明小波降噪方法是切实可行的方案, 但是由于小波函数很多,采用不同的小波进行分解, 得到的结果可能相差很大, 而变换前并不能预知哪一种小波降噪效果更好,需反复试验比较才能得到良好的效果,这也是小波变换的困难之处之一;另外信号降噪过程中阀值的选取是十分重要的;本文利用两个小波sym8 ,db 10 以及将信号中的信噪分离开来,更加直观可行,通过分别进行信号降噪处理对所得结果与原始信号进行比较可以得出Sym8小波以及默认阈值处理后的重构信号与原始信号最为接近,与分离的结果相同;小波分析是一种信号的视频分析方法,它具有多分辨率分析的特点 ,很适合探测正常信号中夹带的瞬态反常现象并展示其成分,有效区分信号中的突变部分和噪声;通过MATLAB编制程序进行给定信号的噪声抑制和非平稳信号的噪声消除实验表明:基于小波分析的消噪方法是一种提取有用信号、展示噪声和突变信号的优越方法 ,具有广阔的实用价值;在这个越来月信息化的社会中,基于小波分析的应用前景必将越来越广泛;N=10;t=1:10;f=sint.expt+20sint.expt+5sint.expt;plott,f;f=sint.expt+20sint.expt+5sint.expt;输出数据fid=fopen'E:','wt';>> fprintffid,'%f\n',L;C,L=wavedecf,5,'db10';>> fid=fopen'E:','wt';>> fprintffid,'%f\n',L;>> fprintffid,'%f\n',C;>> C,L=wavedecf,1,'db10';>> fid=fopen'E:','wt';>> fprintffid,'%f\n',C;>> C,L=dwtf,'db10';>> fid=fopen'E:','wt';>> fprintffid,'%f\n',C;>> fprintffid,'%f\n',L;参考文献1徐明远,邵玉斌.MATALAB仿真在通信与电子工程中的应用M.西安：西安电子科技大学出版社,2010.2张志涌,杨祖樱等编著.MATLAB教程R2006a-R2007aM.北京：北京航空航天出版社,2006. 3张德丰.详解MATLAB数字信号处理M北京：电子工业出版社,2010.4杨建国.小波分析及其工程应用M北京：机械工业出版社,2005.5冯毅,王香华.小波变换降噪处理及其MATLAB实现J.数字采集与处理,2006,,2112：37-39. 6禹海兰,李天云.基于小波理论的噪声信号分析J.东北电力学院学报.3:36-40.7潘泉,张磊,孟晋丽,张洪才著,小波滤波方法及应用M.北京：清华大学出版社,2005.附仿真源码如下：N=1000;t=1:1000;f=sint;load noissin;e1=noissin;init=66;randn'seed',init;e = e1 + randnsizee1;subplot2,2,1;plott,f;xlabel'1 样本序列'; //x轴标记ylabel'原始信号幅值'; //y轴标记grid ;subplot2,2,2;plote ;xlabel'2 测试样本序列' ;ylabel'含有已加噪声的信号幅值' ;grid ;s1=wdene,'minimaxi','s','one',5,'db12'; subplot2,2,3;plots1;xlabel'3 db10降噪后信号' ;ylabel 'db10小波降噪后的信号幅值';grid;s2=wdene,'heursure','s','one',5,'sym8'; subplot2,2,4;plots2;xlabel'4 sym降噪后信号';ylabel'sym8小波降噪后的信号幅值';grid;figure;subplot6,1,1;plote;ylabel'e';C,L=wavedece,5,'db10';for i=1:5a=wrcoef'a',C,L,'db10',6-i;subplot6,1,i+1; plota;ylabel'a',num2str6-i;endfigure;subplot6,1,1;plote;ylabel'e';for i=1:5d=wrcoef'd',C,L,'db10',6-i;subplot6,1,i+1;plotd;ylabel'd',num2str6-i;end。
matlab去噪程序
matlab去噪程序
clear all
clc
ECG=load('ECG.txt');
t=ECG(:,1);
y=ECG(:,2);
plot(t,y);
title('含噪心电信号');
axis([0 240 7 11 ]);
xlabel('t');
ylabel('y');
%自适应滤波器
% 50Hz工频干扰陷波器
%50Hz陷波器：由一个低通滤波器加上一个高通滤波器组成 %而高通滤波器由一个全通滤波器减去一个低通滤波器构成 M=800; %滤波器阶数
L=800; %窗口长度
beta=8; %衰减系数
Fs=400;
wc1=51/(Fs/2)*pi; %wc1为高通滤波器截止频率，对应51Hz
wc2=49/(Fs/2)*pi ;%wc2为低通滤波器截止频率，对应49Hz h=ideal_lp(pi,M)-ideal_lp(wc1,M)+ideal_lp(wc2,M); %h为陷波器冲击响应
w=kaiser(L,beta);
b=h.*rot90(w); %b为50Hz陷波器冲击响应序列
x=filter(b,1,y); %滤除50Hz工频干扰的心电信号 %其中，具有线性相位的FIR低通滤波器由如下函数实现： %理想低通滤波器
%截止角频率wc，阶数M
function hd=ideal_lp(wc,M)
alpha=(M-1)/2;
n=0:M-1;
m=n-alpha+eps; %eps为很小的数，避免被0除 hd=sin(wc*m)./(pi*m); %用Sinc函数产生冲击响应。
基于MATLAB环境下的小波图像去噪
ＺＨＡＮＧ ｎ ｕ ｎ， ＡＮＧ ｎ － ｕ Ｌｔ ａ ＸＩ Ｆｅ ｇ ｈ ａ
【 ｂｔ ｃ】 Ｉ ｇ ｅｎｉｎ ａｓ ｒｂ ｎｉ ａ ｐｏｅｓ ｇＴ ｅｔ ｄｔ ｎ ｅｏ ｉｇｕｅ ｈ ｖｒｇ ｒｉｅｒ Ａ ｓ ａｔ ｍａｅ －ｏ ｉｇｉ ａ ｌ ｉｐｏｌ ｍｉｓ ｎ ｒｃｓｉ ． ｈ ａ ｉｏａ ｄｎ ｉｎ ｓｄｔｅａｅａｅ ｎａ ｒ ｄ ｓ ｓ ｃ ｓｃ ｅ ｇｌ ｎ ｒ ｉｌ ｓ ｏｌ
（ ）Ｘｘ３ ｆ） （ （ｄ ）
’
１ 小波变换
１ １ 基本 原理 ．
与 时域 函数 对应 ， 在频 域上则 有 ：
（ ）＝√ａ 一 （Ｚ ） ｅ Ｏ Ｏ （） ４
在数学上 ， 小波定义卫 队给定函数局部化的新 领域 ， 波可 由一个 定义 在 有 限 区域 的 函数 （ 小 ） 来构造 ， （ 称为母小波（ ｏ ｅ ｗ ｖｌ ） ） ｍ ｔ ｒ ａｅ ｔ 或者叫 ｈ ｅ 做基本 小波。 一组小波基 函数 ， ｛ （ ｝ 可以通 ） ， 过缩 放 和平移基 本小 波 （ 来 生成 ： ）
，
Ｊ
（ ）＝ ２ （ 一 — ２ ）
（） ２
其 中， 为平移参数 ， ｉ 为缩放 因子， 函数 厂 （ ） 以小 波 （ ）为 基 的 连 续 小 波 变 换 定 义 为 函 数 厂 ） （ 和 （ ）的内积 ：
小波阈值去噪matlab程序
小波阈值去噪matlab程序小波阈值去噪是一种常用的信号处理方法，可以在Matlab中使用Wavelet Toolbox来实现。
下面是一个简单的小波阈值去噪的Matlab程序示例：matlab.% 生成含有噪声的信号。
t = 0:0.001:1;y = sin(2pi100t) + randn(size(t));% 进行小波阈值去噪。
wname = 'db4'; % 选择小波基函数。
level = 5; % 选择分解的层数。
noisySignal = wdenoise(y, 'DenoisingMethod','UniversalThreshold', 'ThresholdRule', 'Soft', 'Wavelet', wname, 'Level', level);% 绘制结果。
figure.subplot(2,1,1)。
plot(t,y)。
title('含噪声信号')。
subplot(2,1,2)。
plot(t,noisySignal)。
title('去噪后信号')。
在这个示例中，首先生成了一个含有噪声的信号，然后使用`wdenoise`函数进行小波阈值去噪。
在`wdenoise`函数中，我们选择了小波基函数为db4，分解的层数为5，DenoisingMethod为UniversalThreshold，ThresholdRule为Soft。
最后绘制了含噪声信号和去噪后的信号。
需要注意的是，小波阈值去噪的具体参数选择和调整需要根据实际情况进行，上述示例仅供参考。
希望这个简单的示例可以帮助你开始在Matlab中实现小波阈值去噪。
小波去噪matlab程序代码
axis square %产生含噪声图像 init = 2055615866; randn（seed，init）; x = X + 50*randn（size（X） ）; subplot（2，2，2）;image（x）; colormap（map）; xlabel（（b）含噪声图像）;
%对三个方向高频系数进行阈值处理 nc = wthcoef2（h，c，s，n，p，s）; nc = wthcoef2（v，nc，s，n，p，s）; nc = wthcoef2（d，nc，s，n，p，s）; %对新的小波分解结构［c，s］进行重构 x1 = wavee（x1）; colormap（map）;
小波去噪 matlab 程序代码
1、小波去噪实现步骤 （1）二维信号的小波分解。选择一个小波和小波分解的层次 N，然后计 算信号 s 到第 N 层的分解。 （2）对高频系数进行阈值量化。对于从 1~N 的每一层，选择一个阈值， 并对这一层的高频系数进行软阈值量化处理。 （3）二维小波重构。根据小波分解的第 N 层的低频系数和经过修改的从 第一层到第 N 的各层高频系数，计算二维信号的小波重构 2、Matlab 函数介绍 （1）wavedec2 函数 该函数用于对多尺度二维小波进行分解，其常用调用格式：
xlabel（（c）第一次去噪图像）; axis square %对 nc 再次进行滤波去噪 xx = wthcoef2（v，nc，s，n，p，s）; x2 = waverec2（xx，s，coif3）; subplot（2，2，4）;image（x2）; colormap（map）; xlabel（（d）第二次去噪图像）;
axis square《span style=font-size:14px》 《span style=font-size:14px》 《span style=font-size:18px; color：#3366ff》
基于Matlab的小波分解、去噪与重构
《现代信号处理》大作业基于Matlab的小波分解、去噪与重构目录一作业内容及要求 (3)1.1 作业内容 (3)1.2 作业要求 (3)二系统原理 (3)2.1 小波变换原理 (3)2.2 阈值去噪原理 (3)三系统分析及设计 (5)3.1 图像分解 (5)3.2 高频去噪 (5)3.3 图像重构 (6)四程序编写 (7)4.1 main函数 (7)4.2 分解函数 (9)4.2.1 二维分解函数 (9)4.2.2 一维分解函数 (10)4.3 卷积函数 (10)4.4 采样函数 (11)4.4.1 下采样函数 (11)4.4.2 上采样函数 (11)4.5 重构函数 (12)4.5.1 二维重构函数 (12)4.5.2 一维重构函数 (13)五结果分析及检验 (14)5.1 结果分析 (14)5.2 结果检验 (16)六心得体会 (18)参考文献 (19)一作业内容及要求1.1 作业内容用小波对图像进行滤波分解、去噪，然后重构。
1.2 作业要求用小波对图像进行滤波分解、去噪，然后重构。
具体要求：(1) 被处理图像可选择：woman, wbarb, wgatlin, detfingr, tire.；(2) 可以选择db等正交小波、或双正交小波（或用几种小波）；(3) 用选用小波的分解滤波器通过定义的卷积函数conv_my( )对图像二维数组进行小波分解，并进行下采样，获取CA、CV、CD、CH等分解子图；(4) 对高频信号子图进行去噪处理，可以采用软阈值、硬阈值等方法；(5) 用选用小波的综合滤波器对去噪的子图进行图像重构。
二系统原理2.1 小波变换原理小波变换的一级分解过程是，先将信号与低通滤波器卷积再下采样可以得到低频部分的小波分解系数再将信号与高通滤波器卷积后下采样得到高频部分的小波分解系数；而多级分解则是对上一级分解得到的低频系数再进行小波分解，是一个递归过程。
二维小波分解重构可以用一系列的一维小波分解重构来实现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
clear all
clc
%在噪声环境下语音信号的增强
%语音信号为读入的声音文件
%噪声为正态随机噪声
sound=wavread('c12345.wav');
count1=length(sound);
noise=0.05*randn(1,count1);
for i=1:count1
signal(i)=sound(i);
end
for i=1:count1
y(i)=signal(i)+noise(i);
end
%在小波基'db3'下进行一维离散小波变换
[coefs1,coefs2]=dwt(y,'db3'); %[低频高频]
count2=length(coefs1);
count3=length(coefs2);
energy1=sum((abs(coefs1)).^2);
energy2=sum((abs(coefs2)).^2);
energy3=energy1+energy2;
for i=1:count2
recoefs1(i)=coefs1(i)/energy3;
end
for i=1:count3
recoefs2(i)=coefs2(i)/energy3;
end
%低频系数进行语音信号清浊音的判别
zhen=160;
count4=fix(count2/zhen);
for i=1:count4
n=160*(i-1)+1:160+160*(i-1);
s=sound(n);
w=hamming(160);
sw=s.*w;
a=aryule(sw,10);
sw=filter(a,1,sw);
sw=sw/sum(sw);
r=xcorr(sw,'biased');
corr=max(r);
%为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0 if corr>=0.8
output1(i)=0;
elseif corr<=0.1
output1(i)=1;
end
end
for i=1:count4
n=160*(i-1)+1:160+160*(i-1);
if output1(i)==1
switch abs(recoefs1(i))
case abs(recoefs1(i))<=0.002
recoefs1(i)=0;
case abs(recoefs1(i))>0.002 & abs(recoefs1(i))<=0.003
recoefs1(i)=sgn(recoefs1(i))*(0.003*abs(recoefs1(i))-0.000003)/0.002; otherwise recoefs1(i)=recoefs1(i);
end
elseif output1(i)==0
recoefs1(i)=recoefs1(i);
end
end
%对高频系数进行语音信号清浊音的判别
count5=fix(count3/zhen);
for i=1:count5
n=160*(i-1)+1:160+160*(i-1);
s=sound(n);
w=hamming(160);
sw=s.*w;
a=aryule(sw,10);
sw=filter(a,1,sw);
sw=sw/sum(sw);
r=xcorr(sw,'biased');
corr=max(r);
%为清音（unvoice）时，输出为1；为浊音（voice）时，输出为0
if corr>=0.8
output2(i)=0;
elseif corr<=0.1
output2(i)=1;
end
end
for i=1:count5
n=160*(i-1)+1:160+160*(i-1);
if output2(i)==1
switch abs(recoefs2(i))
case abs(recoefs2(i))<=0.002
recoefs2(i)=0;
case abs(recoefs2(i))>0.002 & abs(recoefs2(i))<=0.003
recoefs2(i)=sgn(recoefs2(i))*(0.003*abs(recoefs2(i))-0.000003)/0.002; otherwise recoefs2(i)=recoefs2(i);
end
elseif output2(i)==0
recoefs2(i)=recoefs2(i);
end
end
%在小波基'db3'下进行一维离散小波反变换output3=idwt(recoefs1, recoefs2,'db3');
%对输出信号抽样点值进行归一化处理maxdata=max(output3);
output4=output3/maxdata;
%读出带噪语音信号，存为'101.wav' wavwrite(y,5500,16,'c101');
%读出处理后语音信号，存为'102.wav' wavwrite(output4,5500,16,'c102');。