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：
［C，S］ = wavedec2（X，N，‘wname’）：用小波函数wname对信号X在尺度N上的二维分解，N是严格正整数。
（2）wrcoef2函数
该函数用于对二维小波系数进行单支重构，其调用格式：
X = wrcoef2（‘type’，C，S，‘wname’，N）：用指定的小波函数wname进行N尺度重构。当type = ‘a’时，仅对信号的低频部分进行重构，此时N可以为0;当type = ‘h’（或‘v’/‘d’）时，对信号（水平、垂直、对角）的高频进行重构，N为严格正整数。
（3）wthcoef2函数
该函数用于对二维信号的小波系数阈值进行处理，常用调用格式：
NC = wthcoef2（‘type’，C，S，N，T，SORH）：返回经过小波分解结构［C，S］进行处理后的新的小波分解向量NC，［NC，S］即构成一个新的小波分解结构。N是一个包含高频尺度的向量，T是相应的阈值，且N和T长度须相等。返回‘type’（水平、垂直、对角线）方向的小波分解向量NC。参数SORH用来对阈值方式进行选择，当SORH = ‘s’时，为软阈值，当SORH = ‘h’时，为硬阈值。
3、小波去噪Matlab实例
实例1：
clear all;
load facets;
subplot（2，2，1）;image（X）;
colormap（map）;
xlabel（‘（a）原始图像’）;
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’）;
axis square
%下面进行图像的去噪处理
%用小波函数coif3对x进行2层小波分解
［c，s］ = wavedec2（x，2，‘coif3’）;
%提取小波分解中第一层的低频图像，即实现了低通滤波去噪
%设置尺度向量
n = ［1，2］;
%设置阈值向量p
p = ［10.12，23.28］;
%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 = waverec2（nc，s，‘coif3’）;
subplot（2，2，3）;image（x1）;
colormap（map）;
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”》
技术专区
- Alexa语音服务软件扩展STM32Cube
- 结合DNN API驱动未来神经网络应用的解决方案
- 针对于高端移动通信和汽车市场的四集群设计
- 一款基于帧捕捉的开源图形调试器应用设计
- 即将成为标准配置的最新安全技术：后视摄像系统
