wthrmngr
阈值设置管理器
语法
描述
例子
全局阈值,离散小波分解
加载和噪声信号。
负载noisdopp情节(noisdopp)网格在标题(噪声信号的)
生成一个5级噪声信号的小波分解使用订单4 Daubechies小波。情节的系数。
[c、l] = wavedec (noisdopp 5“db4”);情节(c)网格在标题(“小波系数”)
确定全局阈值压缩的信号。
用力推= wthrmngr (“dw1dcompGBL”,“bal_sn”c l);
第一个小波细节系数的指数c是l (1) + 1。阈值应用到所有的细节系数。画出阈值系数。观察到的大部分系数设置为0。
c (l(1) + 1:结束)= c (l(1) + 1:结束)。* (c (l(1) + 1:结束)>刺);情节(c)网格在标题(“阈值系数”)
重建信号的阈值系数。绘制重建。
xrec = waverec (c、l、“db4”);情节(xrec)网格在标题(“压缩信号”)
图像压缩,Birge-Massart阈值
压缩图像使用Birge-Massart策略。
加载图像并添加高斯白噪声。为了再现性,将随机种子设置为默认值。
rng默认的负载sinsinx = x + 18 * randn(大小(x));
获得二维离散小波变换到三级使用Daubechies least-asymmetric小波4消失的时刻。获得使用Birge-Massart压缩阈值策略与稀疏参数,α,等于2。
[C、L] = wavedec2 (x, 3,“sym4”);α= 2;用力推= wthrmngr (“dw2dcompLVL”,“scarcehi”C Lα);
压缩图像和显示结果。
xd = wdencmp (“lvd”,x,“sym4”3用力推“年代”);图像(X)标题(原始图像的)
数字图像(x)标题(“嘈杂的图像”)
图图像(xd)标题(“压缩”)
等级相关阈值——平稳小波变换
这个示例使用等级相关阈值来源于各尺度小波系数努力实现平稳小波变换的阈值。
负载噪声块信号。获得平稳小波变换使用Haar小波5级。
负载noisblocL = 5;swc = swt (noisbloc, L,“哈雾”);
复制的小波变换系数。确定Donoho-Johnstone通用阈值的基础上,为每个尺度细节系数。使用“mln”选项,wthrmngr返回一个1-by-L向量,每个元素的通用阈值等于相应的规模。
swcnew = swc;ThreshML = wthrmngr (“sw1ddenoLVL”,“sqtwolog”swc,“mln”);
使用通用阈值实现硬阈值。尺度依赖的方式应用的阈值。
为jj = 1: L swcnew (jj:) = wthresh (swc (jj,:)“h”ThreshML (jj));结束
转化的平稳小波变换阈值系数,swcnew。画出原始信号的去噪信号的比较。
noisbloc_denoised = iswt (swcnew,“哈雾”);情节(noisbloc)在情节(noisbloc_denoised“r”,“线宽”2)传说(“原始”,“去噪”)
全球阈值小波包分解
消除干扰噪声信号通过应用全局阈值小波包分解结构。
加载和噪声信号。
负载noisdopp情节(noisdopp)网格在标题(噪声信号的)
生成一个3级噪声信号的小波包分解使用订单4 Daubechies小波。
T = wpdec (noisdopp 3“db4”);
确定全局阈值去噪信号。
用力推= wthrmngr (“wp1ddenoGBL”,“sqtwologuwn”T);
得到小波包分解树的叶子T和阈值应用到树叶。使用硬阈值。
T1 = T;sorh =“h”;cfs =阅读(T)“数据”);cfs = wthresh (cfs, sorh thr);T1 =写(T1,“数据”cfs);
重构去噪信号的阈值系数。绘制重建。
xrec = wprec (T1);情节(xrec)网格在标题(的去噪信号)
地方平稳小波变换的阈值
这个示例使用地方阈值基于细尺度上小波系数努力实现平稳小波变换的阈值。
负载噪声块信号。获得平稳小波变换使用Haar小波5级。
负载noisblocL = 5;swc = swt (noisbloc, L,“哈雾”);
复制的小波变换系数。确定Donoho-Johnstone通用阈值基于一级细节系数。使用“sln”选项,wthrmngr返回一个1-by-L向量,每个元素等于相同的值。用的均值向量来获取一个标量阈值。
swcnew = swc;ThreshSL =意味着(wthrmngr (“sw1ddenoLVL”,“sqtwolog”swc,“sln”));
使用通用阈值实现硬阈值。相同的阈值应用到各级小波系数。
为jj = 1: L swcnew (jj:) = wthresh (swc (jj,:)“h”,ThreshSL);结束
转化的平稳小波变换阈值系数,swcnew。画出原始信号的去噪信号的比较。
noisbloc_denoised = iswt (swcnew,“哈雾”);情节(noisbloc)在情节(noisbloc_denoised“r”,“线宽”2)传说(“原始”,“去噪”)
输入参数
输出参数
提示
算法
引用
[1]Birge, L。,P. Massart. “From Model Selection to Adaptive Estimation.”吕西安Le凸轮纪念文集:概率论与数理统计的研究论文(e . Torgersen d·波拉德,g .杨eds)。纽约:斯普林格出版社,1997年,55 - 88页。
