主要内容
小波数据压缩
给定小波基的压缩特性主要与信号的小波域表示的相对稀缺性有关。压缩背后的概念基于这样一个概念，即可以使用以下元素精确地近似常规信号分量：少量近似系数（在适当选择的水平）和一些细节系数。
与去噪一样，压缩过程包含三个步骤：
分解
选择一个小波，选择一个级别N．计算信号的小波分解s在一级N．
阈值细节系数
对于从1到1的每个级别N，选择阈值并对细节系数应用硬阈值。
重建
利用原始水平近似系数计算小波重构N以及从1到3个级别的修改细节系数N．
这个在去噪过程中发现了不同之处2.．有两种可用的压缩方法。第一种方法是对信号进行小波展开，并保留最大的绝对值系数。在这种情况下，可以设置全局阈值、压缩性能或相对平方范数恢复性能。
因此，只需选择一个参数。第二种方法包括应用视觉确定的水平相关阈值。
让我们研究两个使用全局阈值的实际压缩示例，对于给定的和未优化的小波选择，为信号生成几乎完全的平方范数恢复（参见信号压缩)和图像（参见图像压缩).
%加载电信号并选择一个零件。加载leleccum；indx=2600:3100；x=leleccum（indx）；%对信号进行小波分解。n=3；w='db3'；[c，l]=wavedec（x，n，w）；%使用固定阈值进行压缩。thr=35；keepapp=1；[xd、cxd、lxd、perf0、perfl2]=。。。wdencmp（'gbl'，c，l，w，n，thr，'h'，KEEPAP）；
信号压缩
结果是非常令人满意的，不仅因为范数恢复标准，而且从视觉感知的角度来看，重建只使用了15%的系数。
%加载原始图像。负重妇女；x=x（100:200100:200）；nbc=尺寸（地图，1）；%x的小波分解。n=5；w='sym2'；[c，l]=wavedec2（x，n，w）；%小波系数阈值化。thr=20；keepapp=1；[xd、cxd、lxd、perf0、perfl2]=。。。wdencmp（'gbl'，c，l，w，n，thr，'h'，KEEPAP）；
图像压缩
如果小波表示过于密集，可以在小波包框架中使用类似的策略以获得更稀疏的表示。然后，您可以根据与所选目的（去噪或压缩）相对应的适当选择的类熵标准确定最佳分解。
压缩的分数
当使用双正交小波进行压缩时，先前的定义并不方便。我们使用能量比以定义的百分比表示
您还可以从以下列表中选择网站：
