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。压缩背后的概念是基于这样一个概念,即常规信号分量可以使用以下元素精确逼近:少量近似系数(在适当选择的水平上)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,选择一个电平N.计算信号的小波分解年代在层次N.
阈值详细系数
对于从1到的每个级别N,选择阈值,对细节系数进行硬阈值处理。
重建
利用水平的原始近似系数计算小波重构N将层次细节系数从1修改为N.
的逐步发现去噪过程的差异2.有两种压缩方法可用。第一种方法是对信号进行小波展开,保持最大的绝对值系数。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,只需要选择一个参数。第二种方法包括应用视觉确定的与级别相关的阈值。
让我们研究两个现实生活中使用全局阈值压缩的例子,对于给定的和未优化的小波选择,产生一个信号的几乎完全的平方范数恢复(参见信号压缩)和图像(见图像压缩).
加载电信号并选择一个部件。加载leleccum;指数= 2600:3100;X = leceleccum (indx);对信号进行小波分解。N = 3;W = 'db3';[c,l] = wavedec(x,n,w);使用固定阈值压缩。THR = 35; keepapp = 1; [xd,cxd,lxd,perf0,perfl2] = ... wdencmp('gbl',c,l,w,n,thr,'h',keepapp);
信号压缩
结果是令人满意的,不仅因为正常恢复标准,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。负载的女人;x = x (100:200,100:200);NBC = size(map,1);% x. n = 5的小波分解;W = 'sym2';[c,l] = wavedec2(x,n,w);%小波系数阈值。THR = 20;Keepapp = 1; [xd,cxd,lxd,perf0,perfl2] = ... wdencmp('gbl',c,l,w,n,thr,'h',keepapp);
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来获得更稀疏的表示。然后,您可以根据适当选择的类熵准则确定最佳分解,该准则对应于所选目的(去噪或压缩)。
压缩的分数
在使用双正交小波进行压缩时,以往的定义并不方便。我们用能量比例百分比由