小波去噪函数
小波变换语音消噪(改进阈值)
改进阈值函数进行语音信号消噪，但是在程序运行过程中频频报错。
本人经验不足调试不出，希望求得各位指导改进函数表达式附图clear all; clc; close all;fs=8000; %语音信号采样频率为8000xx=wavread('lw1.wav');x1=xx(:,1);%取单声道t=(0:length(x1)-1)/8000;y1=fft(x1,2048); %对信号做2048点FFT变换f=fs*(0:1023)/2048;figure(1)plot(t,x1) %做原始语音信号的时域图形y=awgn(x1',10,'measured'); %加10db的高斯白噪声[snr,mse]=snrmse(x1,y')%求得信噪比均方误差figure(2)plot(t,y) %做加噪语音信号的时域图形[c,l]=wavedec(y,3,'db1');%多尺度一维分解%用db1小波对信号进行3层分解并提取系数a3=appcoef(c,l,'db1',3);%a2=appcoef(c,l,'db1',2);%a1=appcoef(c,l,'db1',1);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr1=thselect(d1,'rigrsure');%阈值获取，使用Stein的无偏风险估计原理thr2=thselect(d2,'rigrsure');thr3=thselect(d3,'rigrsure');%利用改进阈值函数进行去噪处理gd1=Garrote_gg(d1,thr1);gd2=Garrote_gg(d2,thr2);gd3=Garrote_gg(d3,thr3);c1=[a3 gd3 gd2 gd1];y1=waverec(c2,l,'db1');%多尺度重构[snr,mse]=snrmse(x1,y1')%求得信噪比均方误差figure(3);plot(t,y1);function gd=Garrote_gg(a,b)%a为信号分解后的小波系数，b为获得的阈值m=0.2*((a*a)-(b*b));if (abs(a)>=b)gd=sign(a)*(abs(a)-b/exp(m));else (abs(a)<b)gd=0;endfunction [snr,mse]=snrmse(I,In)% 计算信噪比函数% I :原始信号% In:去噪后信号snr=0;Ps=sum(sum((I-mean(mean(I))).^2));%signal powerPn=sum(sum((I-In).^2)); %noise powersnr=10*log10(Ps/Pn);mse=Pn/length(I);QQ截图20130516175535.png(11.18 KB, 下载次数: 0)改进函数表达式本帖最后由罗志雄于2013-5-16 21:58 编辑function [snr,mse]=snrmse(I,In)% 计算信噪比函数% I :原始信号% In:去噪后信号snr=0;Ps=sum(sum((I-mean(mean(I))).^2));%signal powerPn=sum(sum((I-In).^2)); %noise powersnr=10*log10(Ps/Pn);mse=Pn/length(I);修改后程序清单如下：clear all; clc; close all;fs=8000; %语音信号采样频率为8000xx=wavread('lw1.wav');x1=xx(:,1);%取单声道x1=x1-mean(x1);t=(0:length(x1)-1)/8000;y1=fft(x1,2048); %对信号做2048点FFT变换f=fs*(0:1023)/2048;figure(1)plot(t,x1) %做原始语音信号的时域图形y=awgn(x1',10,'measured'); %加10db的高斯白噪声[snr,mse]=snrmsel(x1',y) %求得信噪比均方误差snr1=SNR_singlech(x1',y)figure(2)plot(t,y) %做加噪语音信号的时域图形[c,l]=wavedec(y,3,'db1');%多尺度一维分解%用db1小波对信号进行3层分解并提取系数a3=appcoef(c,l,'db1',3);%a2=appcoef(c,l,'db1',2);%a1=appcoef(c,l,'db1',1);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr1=thselect(d1,'rigrsure');%阈值获取，使用Stein的无偏风险估计原理thr2=thselect(d2,'rigrsure');thr3=thselect(d3,'rigrsure');%利用改进阈值函数进行去噪处理gd1=Garrote_gg(d1,thr1);gd2=Garrote_gg(d2,thr2);gd3=Garrote_gg(d3,thr3);c1=[a3 gd3 gd2 gd1];function gd=Garrote_gg(a,b)%a为信号分解后的小波系数，b为获得的阈值m=0.2*((a.*a)-(b*b));if (abs(a)>=b)gd=sign(a)*(abs(a)-b/exp(m));elsegd=zeros(size(a));endy1=waverec(c1,l,'db1');%多尺度重构[snr,mse]=snrmsel(x1',y1) %求得信噪比均方误差figure(3);plot(t,y1);小波去噪软阈值和硬阈值的matlab仿真程序硬阈值、软阈值这里有一段不知道有用没%设置信噪比和随机种子值snr=4;init=2055615866;%产生原始信号sref和高斯白噪声污染的信号s[sref,s]=wnoise(1,11,snr,init);%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');a3=appcoef(c,l,'db1',3);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);thr=1;%进行硬阈值处理ythard1=wthresh(d1,'h',thr);ythard2=wthresh(d2,'h',thr);ythard3=wthresh(d3,'h',thr);c2=[a3 ythard3 ythard2 ythard1];s3=waverec(c2,l,'db1');%进行软阈值处理ytsoftd1=wthresh(d1,'s',thr);ytsoftd2=wthresh(d2,'s',thr);ytsoftd3=wthresh(d3,'s',thr);c3=[a3 ytsoftd3 ytsoftd2 ytsoftd1];s4=waverec(c3,l,'db1');%对上述信号进行图示subplot(5,1,1);plot(sref);title('参考信号');subplot(5,1,2);plot(s);title('染噪信号');subplot(5,1,3);plot(s3);title('硬阈值处理');subplot(5,1,4);plot(s4);title('软阈值处理');matlab小波除噪，为何硬阈值和软阈值除躁信噪比一样了？load leleccum;index=1:1024;f1=leleccum(index); % 产生含噪信号init=2055615866;randn('seed',init);f2=f1+18*randn(size(x));snr=SNR_singlech(f1,f2) %信噪比subplot(2,2,1);plot(f1);title('含噪信号'); %axis([1,1024,-1,1]); subplot(2,2,2);plot(f2);title('含噪信号'); %axis([1,1024,-1,1]); %用db5小波对原始信号进行3层分解并提取系数[c,l]=wavedec(f2,3,'db6');a3=appcoef(c,l,'db6',3);d3=detcoef(c,l,3);d2=detcoef(c,l,2);d1=detcoef(c,l,1);sigma=wnoisest(c,l,1);thr=wbmpen(c,l,sigma,2);%进行硬阈值处理ythard1=wthresh(d1,'h',thr);ythard2=wthresh(d2,'h',thr);ythard3=wthresh(d3,'h',thr);c2=[a3 ythard3 ythard2 ythard1];f3=waverec(c2,l,'db6');%进行软阈值处理ytsoftd1=wthresh(d1,'s',thr);ytsoftd2=wthresh(d2,'s',thr);ytsoftd3=wthresh(d3,'s',thr);c3=[a3 ytsoftd3 ytsoftd2 ytsoftd1];f4=waverec(c3,l,'db6');%对上述信号进行图示subplot(2,2,3);plot(f3);title('硬阈值处理');%axis([1,1024,-1,1]); subplot(2,2,4);plot(f4);title('软阈值处理');%axis([1,1024,-1,1]); snr=SNR_singlech(f1,f3)snr=SNR_singlech(f1,f4)信噪比函数SNR_singlech(I,In)function snr=SNR_singlech(I,In)% 计算信噪比函数% I：riginal signal% In:noisy signal(ie. original signal + noise signal)Ps=sum(sum((I-mean(mean(I))).^2));%signal powerPn=sum(sum((I-In).^2)); %noise powersnr=10*log10(Ps/Pn);小波去噪程序Matlab小波去噪（默认，强制，给定三种情况）%% 利用小波分析对监测采集的信号进行去噪处理，恢复原始信号%小波分析进行去噪有3中方法：%1、默认阈值去噪处理。
sar雷达去噪小波基函数
sar雷达去噪小波基函数
SAR（合成孔径雷达）图像在小波域中进行去噪是一种常用的方法。
其具体步骤如下：
1. 将SAR图像进行小波变换，得到小波系数。
2. 对小波系数进行阈值处理，将小于阈值的系数设为0，大于阈值的系数保留。
3. 对处理后的小波系数进行逆变换，得到降噪后的SAR图像。
在阈值处理的过程中，可以采用软阈值或硬阈值。
软阈值法是将小于阈值的系数设为0，大于等于阈值的系数减去一个固定值；硬阈值法是将小于阈值的系数设为0，大于等于阈值的系数保留。
在实际应用中，选择合适的小波基函数和阈值是关键。
常用的小波基函数有Haar小波、Daubechies小波、Symlets小波等。
这些小波基函数具有不同的特性，适用于不同的应用场景。
例如，Haar小波适用于图像的边缘检测，而Daubechies小波则适用于图像的去噪。
小波理论及小波滤波去噪方法
要点二
详细描述
小波硬阈值去噪法是小波阈值去噪法的一种，通过对小波 系数应用硬阈值函数进行处理，能够有效地去除噪声。硬 阈值函数的特点是在阈值处将小波系数分为两部分，保留 大于阈值的系数，置小于阈值的系数为零，具有简单易行 的优点。然而，硬阈值函数在处理过程中存在不连续性， 可能会引入新的噪声或信号失真。
通过软阈值函数处理小波系数，实现去噪的小波去噪方法。
详细描述
小波软阈值去噪法是在小波阈值去噪法的基础上发展而来的，通过对小波系数应用软阈值函数进行处理，能够更 好地保留信号的细节信息，提高去噪效果。软阈值函数的特点是在阈值处平滑过渡，避免了硬阈值函数的不连续 性。
小波硬阈值去噪法
要点一
总结词
通过硬阈值函数处理小波系数，实现去噪的小波去噪方法 。
03
小波滤波去噪的优缺点
优点
多尺度分析
小波变换能够同时提供信号在 时间和频率域的信息，允许在
多个尺度上分析信号。
去噪效果好
小波变换具有很好的局部化特 性，能够有效地将信号和噪声 在不同尺度上分离，从而实现 去噪。
自适应性
小波变换能够根据信号的特性 自适应地选择合适的小波基和 分解尺度，以更好地适应信号 的特性。
小波理论及小波滤波去噪 方法
• 小波理论概述 • 小波滤波去噪方法 • 小波滤波去噪的优缺点 • 小波滤波去噪的改进方法 • 小波滤波去噪的实例分析
01
小波理论概述
小波的定义与特性
小波是一种特殊的函数，具有局部性和波动性， 能够在时间和频率两个维度上进行分析。
小波具有可伸缩性，能够适应不同的频率分析需 求。
实例一：图像去噪
总结词
图像去噪是小波滤波去噪方法的重要应用之一，通过小波变换对图像进行多尺度分析， 有效去除噪声，提高图像质量。
小波去噪及其MATLAB中的函数
一、小波去噪中信号阈值的估算
信号去噪是信号处理领域的经典问题之一。 传统的去噪方法主要包括线性滤 波方法和非线性滤波方法，如中值滤波和 wiener 滤波等。传统去噪方法的不是 在于使信号变换后的熵增高、 无法刻画信号的非平稳特性并且无法得到信号的相 关性。为了克服上述缺点，人们开始使用小波变换解决信号去噪问题。 小波变换具有下列良好特性： (1) 低熵性：小波系数的稀疏分布，使信号变换后的熵降低； (2) 多分辨率特性：可以非常妤地刻画信号的非平稳特性，如边缘、尖峰、 断点等； (3) 去相关性：可取出信号的相关性，且噪声在小波变换后有白化趋势，所 以比时域更利于去噪； (4) 选基灵活性：由于小波变换可以灵活选择基函数，因此可根据信号特点 和去噪要求选择适合小波。 小波在信号去噪领域已得到越来越广泛的应用。 阈值去噪方法是一种实现简 单、效果较好的小波去噪方法。阈值去噪方法的思想就是对小波分解后的各层系 数中模大于和小于某阈值的系数分别处理， 然后对处理完的小波系数再进行反变 换，重构出经过去噪后的信号。下面从阈值函数和阈值估计两方面对阈值去噪方 法进行介绍。 1．阈值函数 常用的阈值函数主要是硬阈值函数和软阈值函数。 (1)硬阈值函数。表达式为 ( w) wI (| w | T ) ，如图 4.18 所示，其中横坐标 表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。 (2)软阈值函数。 表达式为 ( w) ( w sgn( w)T ) I (| w | T ) ， 如图 4.19 所示， 其中横坐标表示信号的原始小波系数，纵坐标表示阈值化后的小波系数。
2 2
/N。
/ N ，则
1 2 2 2 t (Y ) Y ER(t ) n E V , t (Y ) N N 1 2 2 E t (Y ) X X Y 2 t (Y ) X , X Y N 最后可得到风险函数的表达式： ET (t )
小波滤波去噪原理
小波滤波去噪原理
小波滤波是一种常用的信号处理方法，用于解决信号中存在的噪声问题。
小波滤波的原理是通过选取小波基函数，将原始信号从时域转换到小波域，对小波系数进行处理，再将处理后的小波系数从小波域转换回时域，得到去噪后的信号。
原始信号可能存在多种类型的噪声，例如高斯噪声、椒盐噪声、周期性噪声等。
对于不同类型的噪声，小波滤波的处理方法也不同。
对于高斯噪声，小波滤波使用高斯小波作为基函数，通过去除小波系数中较低的能量分量，实现去噪。
高斯小波函数具有连续性和平滑性，能够刻画信号的较低频成分。
对于周期性噪声，小波滤波使用第三种小波函数，例如Daubechies小波、Symlets小波等。
这些小波函数具有可扩展性和对称性，能够有效地描述信号的周期成分。
小波滤波通过将信号进行分解，并对分解后的小波系数进行处理，将噪声从信号中去除。
分解层数可以根据信号的特点和去噪效果进行选择。
一般而言，信号特征较明显时，可以选择较少的层数；信号含有较多噪声时，可以选择较多的层数，以获取更好的去噪效果。
小波滤波在信号处理和图像处理领域得到了广泛的应用。
通过选择不同的小波基函数和分解层数，可以处理多种类型的信号和噪声。
因此，小波滤波成为了数字信号处理必不可少的组成部分之一。
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》
小波去噪的方法
小波去噪的方法：
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：在实际的去噪处理过程中，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构中的高频系数全部置0，即滤掉所有高频部分，然后对信号进行小波重构。
这种方法比较简单，且去噪后的信号比较平滑，但是容易丢失信号中的有用成分。
- 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)。
转：小波函数介绍（wden）
2012-11-23 16:08:41| 分类：小波与神经网络|举报|字号订阅
小波函数介绍（wden）Wden函数：一维信号的小波消噪处理
[xd，cxd，lxd]=wden（x，tptr，sorh，scal，n，‘wname’）；返回经过小波消噪处理后的信号xd及其小波分解结构。
输入参数tptr为阈值选择标准：
thr1=thselect(x,'rigrsure');%stein无偏估计;
thr2=thselect(x,'heursure');%启发式阈值;
thr3=thselect(x,'sqtwolog');%固定式阈值;
thr4=thselect(x,'minimaxi');%极大极小值阈值;
输出参数sorh为函数选择阈值使用方式：
Sorh=s，为软阈值；
Sorh=h，为硬阈值；
输入参数scal规定了阈值处理随噪声水平的变化：
Scal=one，不随噪声水平变化。
Scal=sln，根据第一层小波分解的噪声水平估计进行调整。
Scal=mln，根据每一层小波分解的噪声水平估计进行调整。
[xd，cxd，lxd]=wden（c，l，tptr，sorh，scal，n，‘wname’）；由有噪信号的小波分解结构得到消噪处理后的信号xd，及其小波分解结构。
例：比较不同阈值算法进行信号消噪的处理结果；
r=2055415866;
snr=3;%设置信噪比;
[xref,x]=wnoise(3,11,snr,r);%产生有噪信号;
lev=5;
xdH=wden(x,'heursure','s','sln',lev,'sym6');%heursure阈值信号处理；xdR=wden(x,'rigrsure','s','sln',lev,'sym6');%rigrsure阈值信号处理；xdS=wden(x,'sqtwolog','s','sln',lev,'sym6');%sqtwolog阈值信号处理；xdM=wden(x,'minimaxi','s','sln',lev,'sym6');%minimaxi阈值信号处理；subplot(3,2,1);
plot(xref);title('原始信号');
axis([1,2048,-10,10]);
subplot(3,2,2);
plot(x);title('有噪信号');
axis([1,2048,-10,10]);
subplot(3,2,3);
plot(xdH);xlabel('heursure阈值消噪处理后的信号'); axis([1,2048,-10,10]);
subplot(3,2,4);
plot(xdR);xlabel('rigrsure阈值消噪处理后的信号'); axis([1,2048,-10,10]);
subplot(3,2,5);
plot(xdS);xlabel('sqtwolog阈值消噪处理后的信号'); axis([1,2048,-10,10]);
subplot(3,2,6);
plot(xdM);xlabel('minimaxi阈值消噪处理后的信号');
1.randn()——噪声信号产生例程
load leleccum; index=1:1024;
x=leleccum(index); % 产生含噪信号
init=2055615866；randn（'seed',init);
nx=x+18*randn(size(x)); 2.wnoiset()——获取噪声方差load leleccum; index=1:1024;
x=leleccum(index); % 产生含噪信号
init=2055615866；randn（'seed',init);
nx=x+18*randn(size(x)); % 用小波函数'db6'对信号进行3层分解[c,l]=wavedec(nx,3,'db6'); % 估计尺度1的噪声标准偏差sigma=wnoiset(c,l,1); % sigma 是零均值的高斯白噪声的标准偏差% 获取消噪过程中的阈值thr=wbmpen(c,l,sigma,alfa); % alfa是用于惩罚的调整参数，一般去2 % 对信号进行消噪
xd=wdencmp('gbl',c,l,'db6',3,thr,'s',keepapp); % 一
种消噪命令
3.svd 奇异值分解(sigular value decomposition,SVD) 是一种正交矩阵分解法；SVD是最可靠的分解法，但是它比QR 分解（QR分解法是将矩阵分解成一个正规正交矩阵与上三角形矩阵。
）法要花上近十倍的计算时间。
[U,S,V]=svd(A)，其中U和V代表二个相互正交矩阵，而S代表一对角矩阵。
和QR分解法相同者，原矩阵A不必为正方矩阵。
使用SVD分解法的用途是解最小平方误差
法和数据压缩。
4.norm
对于矩阵：
norm(X)返回X的最大奇异值，max(svd(X))。
norm(X,2)返回同上。
norm(X,1)
对于向量：
NORM(V,P) = sum(abs(V).^P)^(1/P)。
description：对向量V的每个元素求绝对值之后，再对每个绝对值执行p次方，sum将执行p次方后的向量各对应值求和，最后把求和值开p次方。
NORM(V) = norm(V,2).description：相当于求模的平方。
NORM(V,inf) = max(abs(V)).description：求绝对值的最大值。
NORM(V,-inf) = min(abs(V)). description：求绝对值的最小值。
因此，当V为向量是，可以利用norm求和，求模，求方差。
5.wnoise 产生噪声的小波测试数据
X = WNOISE(FUN,N)返回测试函数FUN在[0,1]之间2.^n个点对应的值。
[X,XN] = WNOISE(FUN,N,SQRT_SNR)。
X 返回上面的值并且由std(x)=SQRT_SNR决定。
xn是含有相同的x并且受高斯白噪声N(0,1)污染的测试向量，xn的信噪比SNR=(snr)^2。
[X,XN] = WNOISE(FUN,N,SQRT_SNR,init)
FUN = 1 or FUN = 'blocks'
FUN = 2 or FUN = 'bumps'
FUN = 3 or FUN = 'heavy sine'
FUN = 4 or FUN = 'doppler'
FUN = 5 or FUN = 'quadchirp'
FUN = 6 or FUN = 'mishmash'
举例：首先产生一个长度为210点,包含高斯噪声低频信号,其噪声标准差为3。
sqrt_snr=3;
init=126424;
[x,xn]=wnoise(2,10,sqrt_snr,init);
plot(x)
title(‘原始信号’)
axis square
figure,plot(xn)
title(‘含噪信号’)
axis square
5 fliplr 矩阵的向左/向右跳转
FLIPLR(X) returns X，x是原来矩阵的进行行不变，列左右交换得到的
例如：X = 1 2 3 becomes 3 2 1
4 5 6
6 5 4。