‘壹’ matlab怎么用小波包进行图像去噪
小波图像去噪的方法大概分为3类
1:基于小波变换摸极大值原理
2：基于小波变换系数的相关性
3：基于小波阈值的去噪。
基于小波阈值的去噪方法3个步骤：
1： 计算含噪声图像的小波变换。选择合适的小波基和小波分解层数J，运用Matlab 分解算法将含有噪声图像进行J层小波分解，得到相应的小波分解系数。
2：对分解后的高频系数进行阈值量化，对于从1 到J的每一层，选择一个适当的阈值和合适的阈值函数，将分解得到的高频系数进行阈值量化，得到估计小波系数。
3:进行小波逆变化，根据图像小波分解后的第J层，低频 系数（尺度系数）和经过阈值量化处理的各层高频系数（小波系数），运用Matlab重构算法进行小波重构，得到去噪后的图像。
‘贰’ 小波变换的阈值函数图像去噪原理
一般情况下，这个阈值函数的选取与噪声的方差是紧密相关的。
通常情况下，现在论文中的噪声都是选用高斯白噪声。
被噪声污染的信号=干净的信号+噪声，
由于信号在空间上(或者时间域)是有一定连续性的，因此在小波域，有效信号所产生的小波系数其模值往往较大；而高斯白噪声在空间上(或者时间域)是没有连续性的，因此噪声经过小波变换，在小波阈仍然表现为很强的随机性，通常仍认为是高斯白噪的。
那么就得到这样一个结论：在小波域，有效信号对应的系数很大，而噪声对应的系数很小。
刚刚已经说了，噪声在小波域对应的系数仍满足高斯白噪分布。如果在小波域，噪声的小波系数对应的方差为sigma，那么根据高斯分布的特性，绝大部分(99.99%)噪声系数都位于[-3*sigma，3*sigma]区间内。因此，只要将区间[-3*sigma，3*sigma]内的系数置零(这就是常用的硬阈值函数的作用)，就能最大程度抑制噪声的，同时只是稍微损伤有效信号。将经过阈值处理后的小波系数重构，就可以得到去噪后的信号。
常用的软阈值函数，是为了解决硬阈值函数“一刀切”导致的影响(模小于3*sigma的小波系数全部切除，大于3*sigma全部保留，势必会在小波域产生突变，导致去噪后结果产生局部的抖动，类似于傅立叶变换中频域的阶跃会在时域产生拖尾)。软阈值函数将模小于3*sigma的小波系数全部置零，而将模大于3*sigma的做一个比较特殊的处理，大于3*sigma的小波系数统一减去3*sigma，小于-3*sigma的小波系数统一加3*sigma。经过软阈值函数的作用，小波系数在小波域就比较光滑了，因此用软阈值去噪得到的图象看起来很平滑，类似于冬天通过窗户看外面一样，像有层雾罩在图像上似的。
比较硬阈值函数去噪和软阈值函数去噪：硬阈值函数去噪所得到的峰值信噪比(PSNR)较高，但是有局部抖动的现象；软阈值函数去噪所得到的PSNR不如硬阈值函数去噪，但是结果看起来很平滑，原因就是软阈值函数对小波系数进行了较大的 “社会主义改造”，小波系数改变很大。因此各种各样的阈值函数就出现了，其目的我认为就是要使大的系数保留，小的系数被剔出，而且在小波域系数过渡要平滑。
还有的什么基于隐马尔科夫模型去噪，高斯混合尺度去噪(英文缩写好像是GSR,不好意思，记不大清楚了)和自适应阈值去噪等，也就是利用有效信号的小波系数和噪声的小波系数在小波域的分布特征不同等特征来进行有效信号的小波系数和噪声的小波系数在小波域的分离，然后重构得到去噪后的信号。
说了这么多，忘了关键的一点，如何估计小波域噪声方差sigma的估计，这个很简单：把信号做小波变换，在每一个子带利用robust estimator估计就可以(可能高频带和低频带的方差不同)。
robust estimator就是将子带内的小波系数模按大小排列，然后取最中间那个，然后把最中间这个除以0.6745就得到噪声在某个子带内的方差sigma。利用这个sigma，然后选种阈值函数，就可以去去噪了~~
‘叁’ 用小波分析法除去音频信号的噪声
小波变换及其应用是八十年代后期发展起来的应用数学分支，被称为“Fourier分析方法的突破性进展[1]”。 1986年Meyer Y构造了一个真正的小波基，十多年间小波分析及其应用得到了迅速发展，原则上传统的傅里叶分析可用小波分析方法取代[2],它能对几乎所有的常见函数空间给出通过小波展开系数的简单刻划，也能用小波展开系数描述函数的局部光滑性质，特别是在信号分析中，由于它的局部分析性能优越，因而在数据压缩与边缘检测等方面它比现有的手段更为有效[3-8]。 小波变换在图像压缩中的应用因它的高压缩比和好的恢复图像质量而引起了广泛的注意，且出现了各种基于小波变换的图像压缩方案。
小波变换自1992年Bos M等[9]首先应用于流动注射信号的处理，至今虽才8年时间，但由于小波变换其优良的分析特性而迅速渗透至分析化学信号处理的各个领域。本文介绍了小波变换的基本原理及其在分析化学中的应用情况。
1 基本原理
设f(t)为色谱信号，其小波变换在L2(R)中可表示为：
其中a, b∈R,a≠0,参数a称为尺度因子b为时移因子，而(Wf)(b, a)称为小波变换系数，y(t)为基本小波。在实际分析化学信号检测中其时间是有限长度，f(t)通常以离散数据来表达，所以要采用Mallat离散算法进行数值计算，可用下式表示：
fj+1=θj + f j
其中:N为分解起始尺度;M为分解次数；fj和qj可由下式求得：
此处:Φj, m为尺度函数;Ψj, m 为小波函数;系数Cmj ,dmj可由下式表达：
hk-2m , gk-2m取决于小波母函数的选取。
用图表示小波分解过程如下：
图中fN 、fN-1....fN-m和θN-1、θN-2....θN-m分别称为在尺度N上的低频分量和高频分量。上述分解过程的逆过程即是信号的重构过程。
2 分析化学中的应用
根据小波变换基本原理及其优良的多分辩分析特性，本文将小波变换在分析化学信号处理中的应用划归为以下三个方面：
2.1 信号的滤波
小波滤波方法目前在分析化学中应用主要是小波平滑和小波去噪两种方法。小波平滑是将某一信号先经小波分解，将在时间域上的单一信号分解为一系列不同尺度上的小波系数(也称不同频率上的信号), 然后选定某一截断尺度，使高于此尺度的小波系数全部为零，再重构信号，这样就完成了一个低通小波滤波器的设计；而小波去噪，则是在小波分解基础上选定一阈值，对所有尺度空间的小波系数进行比较，使小于此阈值的小波系数为零，然后重构信号[10]。
邵利民[11]等首次将小波变换应用于高效液相色谱信号的滤波，他们应用了Haar小波母函数，由三次小波分解后所得的低频部分重构色谱信号，结果成功地去除了噪声，明显地提高了色谱信号的信噪比，而色谱峰位保持一致，此法提高了色谱的最低检测量和色谱峰的计算精度。董雁适[12]等提出了基于色谱信号的小波自适应滤波算法，使滤波与噪声的频带分布，强度及信噪在频带上的交迭程度基本无关，具有较强的鲁棒性。
在光谱信号滤噪中的应用，主要为红外光谱和紫外光谱信号滤噪方面的应用，如Bjorn K A[13]等将小波变换用于红外光谱信号的去噪，运用6种不同的小波滤噪方法(SURE，VISU，HYBRID，MINMAX，MAD和WP)对加噪后红外光谱图进行了去噪,针对加噪与不加噪的谱图，对Fourier变换、移动平均滤波与小波滤波方法作了性能比较研究，结果认为Fourier变换、移动平均滤波等标准滤波方法在信噪比很低时滤噪性能与小波滤波方法差不多，但对于高信噪比的信号用小波滤噪方法(特别是HYBRID和VISU)则更有效 。闵顺耕[14]等对近红外漫反射光谱进行了小波变换滤波。顾文良[15]等对示波计时电信号进行了滤噪处理。王立世[16]等对电泳信号也做了小波平滑和去噪,都取得了满意的效果。邹小勇[17]等利用小波的时频特性去除了阶跃伏安信号中的噪音，并提出了样条小波多重滤波分析方法，即将过滤后的高频噪音信号当成原始信号进行滤波处理，使之对有用信号进行补偿。鲍伦军等[18]将样条小波和傅里叶变换联用技术应用于高噪音信号的处理。另外，程翼宇[19]等将紫外光谱信号的滤噪和主成分回归法进行了有机的结合，提出了小波基主成分回归(PCRW)方法，改善了主成分回归算法。
2.1 信号小波压缩
信号经小波分解之后，噪音信号会在高频部分出现，而对于有用的信号分量大部分在低频部分出现，据此可以将高频部分小波系数中低于某一阈值的系数去除，而对其余系数重新编码，只保留编码后的小波系数，这样可大大减少数据贮存量，达到信号压缩的目的。
在近代分析化学中分析仪器的自动化水平在不断提高，分析仪器所提供的数据量越来越大。寻找一种不丢失有效信息的数据压缩方法，节省数据的贮存量，或降低与分析化学信息处理有关的一些算法的处理量，已成为人们关心的问题。Chau F T等[20]用快速小波变换对模拟和实验所得的紫外可见光谱数据进行了压缩，讨论了不同阶数的Daubechies小波基、不同的分解次数及不同的阈值对压缩结果的影响。Barclay V J和Bonner R F[10]对实验光谱数据作了压缩，压缩率可达1/2~1/10,并指出在数据平滑和滤噪的同时，也能进行数据的压缩是小波有别与其他滤波方法的一大特点。王洪等[21]用Daubechies二阶正交小波基对聚乙烯红外光谱进行了成功的压缩，数据可压缩至原来的1/5以下。邵学广等[22]对一维核磁共振谱数据作了小波变换压缩，分别对常用的Haar、Daubechies以及Symmlet小波基作了比较，其结果表明准对称的Symmlet小波基对数据的复原效果最佳，而且在压缩到64倍时，均方差仍然较小。章文军等[23]提出了常用小波变换数据压缩的三种方法，将紧支集小波和正交三次B-样条小波压缩4-苯乙基邻苯二甲酸酐的红外光谱数据进行了对比，计算表明正交三次B-样条小波变换方法效果较好，而在全部保留模糊信号及只保留锐化信号中数值较大的系数时，压缩比大而重建光谱数据与原始光谱数据间的均方差较小。邵学广等[24]将小波数据压缩与窗口因子分析相结合，在很大程度上克服了用窗口因子分析直接处理原始信号时人工寻找最佳窗口的困难，在压缩比高达8:1的情况下，原始信号中的有用信息几乎没有丢失，窗口因子分析的解析时间大为缩短。Bos M等[25]用Daubechies小波对红外光谱数据进行压缩，压缩后的数据作为人工神经网络算法的输入接点，从而提高了人工神经网络的训练速度，预测的效果也比直接用光谱数据训练的要好。
2.3 小波多尺度分析
在多尺度分析方面的应用主要是对化学电信号进行小波分解，使原来单一的时域信号分解为系列不同频率尺度下的信号，然后对这些信号进行分析研究。
小波在色谱信号处理方面的应用，主要是对重叠色谱峰的解析。邵学广[26-27]等对苯、甲苯、乙苯三元体系色谱重叠峰信号小波变换后的某些频率段进行放大，然后重构色谱信号，使重叠色谱峰得到了分离，定量分析结果得到了良好的线性关系。此后邵学广[28]等利用了谱峰提取法对植物激素重叠色谱峰作了定量计算，此法表明，利用小波变换从重叠色谱信号中提取的各组分的峰高与浓度之间仍然具有良好的线性关系。
重叠伏安峰的分辨是电分析化学中一个长期存在的难题。当溶液中存在两种或更多的电活性物质，而这些物质的氧化(或还原)电位又很靠近时，就会不可避免地出现重叠峰的现象，而给进一步的定性、定量分析带来了很大困难。因此，人们做了较多的工作去解决这一难题。数学方法是目前处理重叠峰的重要手段，如Fourier变换去卷积以及曲线拟合。曲线拟合通常用来获得“定量”的信息，但这种方法有较多的人为因素，重叠峰包含的峰的个数，相对强度都是靠假设得来，因而可能引入严重的误差；去卷积方法则是一种频域分析手段，但该方法需先找出一个函数来描述伏安峰，然后再根据这个函数来确定去卷积函数，因此，去卷积函数的确定是比较麻烦的，尤其是对不可逆电极过程，无法找到一个合适的函数表达式，而且该方法还需经正、反Fourier变换，比较繁琐费时, 而小波分析的出现成了电分析化学家关注的热点。
陈洁等[29]用DOG小波函数处理差分脉冲实验数据，通过选择合适的伸缩因子，成功地延长了用DPV法测定Cu2+的线性范围。郑建斌等[30-31]将小波变换用于示波计时电位信号的处理，在有用信息提取、重叠峰分辨等方面进行了系统的研究。王洪等[32]将小波边缘检测的思想用于电位滴定终点的确定，找到了一种判断终点准确的终点判断方法。郑小萍等[33]将样条小波变换技术用于分辨重叠的伏安峰，以选定的分辨因子作用于样条小波滤波器，构造了一个小波峰分辨器，用它来直接处理重叠的伏安峰，取得了较好的分离效果，被处理重叠峰可达到完全基线分离，且峰位置和峰面积的相对误差均较小。
对于红外光谱图，目前也是通过对红外谱图进行小波分解，以提高红外谱图的分辩率。陈洁[34]等对辐射合成的丙烯酰胺、丙烯酸钠共聚物水凝胶的红外光谱信号经小波处理后，使其特征吸收带较好地得到分离，成功地提高了红外光谱图的分辨率。谢启桃[35]等对不同晶型聚丙烯红外光谱图作了小波变换，也得到了可用以区分聚丙烯a、b两晶型的红外光谱图。
3 展望
小波变换由于其优良的局部分析能力，使其在分析化学信号的滤噪、数据压缩和谱峰的分离方面得到了很好的应用。本人通过对小波变换在化学中应用的探索，认为对于分析化学中各种电信号的平滑、滤波还有待作更深入的研究，以设计出更为合理有效的小波滤波器，以消除由于平滑而导至的尖锐信号的峰高及峰面积的变化或由于去噪而带来的尖锐信号附近的不应有的小峰的出现；对于重叠峰的分离及其定量计算，还应该探讨如色谱峰基线的确定方法以及待分离频率段的倍乘系数的确定方法；另外对于色谱峰的保留指数定性问题，由于不同化合物在某一确定的分析条件下有可能会出现保留值相同的情况，这将使在未知样中加标准的峰高叠加法定性或外部标准物对照定性变得困难，我们是否可能对色谱峰进行小波分解，然后在不同的尺度上对其进行考察，以寻求色谱峰的小波定性方法，这可能是个可以进一步研究的问题。
小波变换将在分析化学领域得到更加广泛的应用，特别对于分析化学中的多元定量分析法，如多元线性回归法(MLR)，主成分回归法(PCR)，偏最小二乘法(PLS)等方法及人工神经网络(ANN)将会同小波变换进行有机的结合，以消除各种噪声干扰对定量分析的影响；或对相关数据进行压缩以减少待分析数据的冗余，提高分析精度和大大减少计算量提高分析速度。小波变换将会成为分析化学中定量和定性分析的一种非常重要的工具。
‘肆’ 什么是小波图像处理技术
波分析是目前国际上最新的时频分析工具,在信号处理方面有着广泛地应用,本文着重讨论基于小波变换的图像处理技术。
基于小波变换的图像去噪是图像去噪的主要方法之一。通过对基于小波变换的图像去噪技术进行分析,总结了基于单小波图像去噪的基本方法和每种方法的优缺点以及改进方向在分析多小波和小波标架变换的基础上,提出了基于多小波变换的图像去噪算法和基于小波标架变换的图像去噪算法实验证明,新算法具有良好的去噪效果。
图像融合是将同一场景中多幅图像的互补信息合并成一幅新图像,以便更好地对场景进行观察和理解多小波能够为图像提供一种比单小波更加精确的分析方法在研究多小波变换特性的基础上,提出了基于离散多小波变换的图像融合方法。实验证明,该方法具有很好的融合效果。
随着多媒体技术的发展,数字水印技术已成为数字版权保护领域研究的一个研究热点在分析数字水印技术的原理特点系统结构以及关键技术的基础上,提出基于提升格式小波变换的数字水印算法,该算法在对彩色图像进行水印处理方面达到较好的效果,健壮性良好。
图像压缩是多媒体的关键技术之一,寻求性能良好的压缩方法是一个重要的研究领域通过对多小波基设诛预滤波器构造以及多小..........
‘伍’ 图像去噪的国内外研究现状
当前国内、外的研究动态
从对图像进行滤波的过程中所采用的滤波方法来分，可分为空间域滤波、变换域滤波；从滤波类型来分，又可以分为线性滤波和非线性滤波。
2002年Do.M.N和VetterliM.提出了一种“真正”的二维图像稀疏表达方法——Contourlet变换[7,8]，这种变换能够很好的表征图像的各向异性特征。由于Contourlet变换能更好的捕获图像的边缘信息，因此选择合适的阈值进行去噪就能获得比小波变换更好的效果。Starck等人将Curvelet变换应用于图像的去噪过程中并取得了良好的效果[9]，该方法虽然能有效的去除噪声，但往往会“过扼杀”Curvelet系数，导致在消除噪声的同时丢失图像细节。在过去的二十年里，自适应滤波器在通信和信号处理领域引起了人们的极大关注。TerenceWang等人针对二维自适应FIR滤波器提出了一种二维最优块随机梯度算法(TDOBSG)[10]。这种算法对滤波器的所有系数使用了空间可变的收缩因子。基于使后验估计方差矢量的二范数最小的最小方差准则，在块迭代的过程中选出最优的收敛因子。
线性滤波器的最大优点是算法比较简单且速度比较快，缺点是容易造成细节和边缘模糊。在目前对非线性滤波器的研究中，中值滤波器有较明显的优势，很多科学工作者对中值滤波器作了改进或者提出了一些新型的中值滤波器。Loupas等人提出的自适应的加权中值滤波方法(AWMF)，但他利用的Speckle噪声模型不够精确，图像细节损失较大[11]。针对中值滤波器在处理矢量信号存在的缺点，Jakko等人提出两种矢量中值滤波器[12]。
近年来，小波分析是当前应用数学中一个迅速发展的新领域，它凭借其卓越的优越性，越来越多的被应用于图像去噪等领域，基于小波分析的图像去噪技术也随着小波理论的不断完善取得了较好的效果。上个世纪八十年代Mallet提出了 MRA(Multi_Resolution Analysis)，并首先把小波理论运用于信号和图像的分解与重构，利用小波变换模极大值原理进行信号的奇异性检测，提出了交替投影算法用于信号重构，为小波变换用于图像处理奠定了基础[13]。后来，人们根据信号与噪声在小波变换下模极大值在各尺度上的不同传播特性，提出了基于模极大值去噪的基本思想。1992年，Donoho和Johnstone[14]提出了“小波收缩”，它较传统的去噪方法效率更高。“小波收缩”被Donoho和Johnstone证明是在极小化极大风险中最优的去噪方法，但在这种方法中最重要的就是确定阈值。1995年，Stanford大学的学者D.L.Donoho和I.M.Johnstone提出了通过对小波系数进行非线性阈值处理来降低信号中的噪声[15，16，17]。从这之后的小波去噪方法也就转移到从阈值函数的选择或最优小波基的选择出发来提高去噪的效果。影响比较大的方法有以下这么几种：EeroP.Semoncelli和EdwardH.Adelson提出的基于最大后验概率的贝叶斯估计准则确定小波阈值的方法[18]；ElwoodT.Olsen等在处理断层图像时提出了三种基于小波相位的去噪方法：边缘跟踪法、局部相位方差阈值法以及尺度相位变动阈值法[19]；学者Kozaitis结合小波变换和高阶统计量的特点提出了基于高阶统计量的小波阈值去噪方法[20]；G.P.Nason等利用原图像和小波变换域中图像的相关性用GCV(generalcross-validation)法对图像进行去噪[21]；Hang.X和Woolsey等人提出结合维纳滤波器和小波阈值的方法对信号进行去噪处理[22]，VasilyStrela等人将一类新的特性良好的小波(约束对)应用于图像去噪的方法[23]；同时，在19世纪60年代发展的隐马尔科夫模型(HiddenMarkov Model)[24]，是通过对小波系数建立模型以得到不同的系数处理方法；后又有人提出了双变量模型方法[25,26]，它是利用观察相邻尺度间父系数与子系数的统计联合分布来选择一种与之匹配的二维概率密度函数。这些方法均取得了较好的效果，对小波去噪的理论和应用奠定了一定的基础。
另外，尽管小波去噪方法现在已经成为去噪和图像恢复的重要分支和主要研究方向，但目前在另类噪声分布（非高斯分布）下的去噪研究还不够。目前国际上开始将注意力投向这一领域，其中非高斯噪声的分布模型、高斯假设下的小波去噪方法在非高斯噪声下如何进行相应的拓展，是主要的研究方向。未来这一领域的成果将大大丰富小波去噪的内容。
总之，由于小波具有低墒性、多分辨率、去相关性、选基灵活性等特点[27]，小波理论在去噪领域受到了许多学者的重视，并获得了良好的效果。但如何采取一定的技术消除图像噪声的同时保留图像细节仍是图像预处理中的重要课题。目前，基于小波分析的图像去噪技术已成为图像去噪的一个重要方法。
‘陆’ 小波图像去噪的原理是什么啊
图像降噪的主要目的是在能够有效地降低图像噪声的同时尽可能地保证图像细节信息不受损失，。图像去噪有根据图像的特点、噪声统计特性和频率分布规律有多种方法，但它们的基本原理都是利用图像的噪声和信号在频域的分布不同，即图像信号主要集中在低频部分而噪声信号主要分布在高频部分，采取不同的去噪方法。传统的去噪方法，在去除噪声的同时也会损害到信号信息，模糊了图像。
小波变换主要是利用其特有的多分辨率性、去相关性和选基灵活性特点，使得它在图像去噪方面大有可为，清晰了图像。经过小波变换后，在不同的分辨率下呈现出不同规律，设定阈值门限，调整小波系数，就可以达到小波去噪的目的。
小波变换去噪的基本思路可以概括为：利用小波变换把含噪信号分解到多尺度中，小波变换多采用二进型，然后在每一尺度下把属于噪声的小波系数去除，保留并增强属于信号的小波系数，最后重构出小波消噪后的信号。其中关键是用什么准则来去除属于噪声的小波系数，增强属于信号的部分。