基于新阈值函数及最优尺度的小波去噪研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (24): 72-74.

基于新阈值函数及最优尺度的小波去噪研究

刘恒冰，韩世勤，刘晶

中国地质大学数理学院，武汉 430074

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-08-21 发布日期:2007-08-21
通讯作者: 刘恒冰

Wavelet de-noising based on novel thresholding function and best decomposition scale

LIU Heng-bing，HAN Shi-qin，LIU Jing

School of Mathematics and Physics，China University of Geosciences，Wuhan 430074，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-08-21 Published:2007-08-21
Contact: LIU Heng-bing

摘要/Abstract

摘要： 在Donoho D L和Johnstone I M提出的小波阈值去噪算法的基础上，首先构造了一种新的阈值函数。与传统软、硬阈值函数相比，新阈值函数不但连续，而且高阶可导，克服了硬阈值函数不连续及软阈值函数中小波估计系数与分解系数之间存在恒定偏差的缺陷。同时，为了获得更好的去噪效果，提出了基于白噪声?字2检验确定小波最优分解尺度的方法。最后，通过数值仿真实验，证明了基于白噪声?字2检验方法的有效性;在最优分解尺度下，新阈值函数在信噪比增益和最小均方误差意义上均优于传统阈值函数。

关键词: 小波变换, 阈值函数, 分解尺度, 均方误差, 信噪比

Abstract: A novel thresholding function is presented firstly based on the wavelet thresholding de-noising algorithm put forward by Donoho D L and Johnstone I M.Comparing with soft- and hard-thresholding function，the new thresholding function is not only continuous，but also has a high order derivative.It overcomes the shortcomings of conventional thresholding functions，such as discontinuous of hard-thresholding and the invariable dispersion in soft-thresholding.Second，a method to determine the best decomposition scale via white noise ?字2 verification is presented.At last，simulation results indicate that the above method is effective and the new thresholding function gives better MMSE performance and SNR gains than conventional thresholding function.

Key words: wavelet transform, thresholding function, decomposition scale, MSE, SNR

刘恒冰，韩世勤，刘晶

. 基于新阈值函数及最优尺度的小波去噪研究[J]. 计算机工程与应用, 2007, 43(24): 72-74.

LIU Heng-bing，HAN Shi-qin，LIU Jing. Wavelet de-noising based on novel thresholding function and best decomposition scale[J]. Computer Engineering and Applications, 2007, 43(24): 72-74.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	常戬，贺春泽，董育理，任营. 改进双边滤波和阈值函数的图像增强算法[J]. 计算机工程与应用, 2020, 56(3): 207-213.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	刘剑锋，李瑞华，刘垚圻，苏泳涛，胡金龙. 无线通信中的信噪比估计算法研究[J]. 计算机工程与应用, 2020, 56(18): 82-89.
[7]	吉慧芳，贾海蓉，王雁. 改进相位谱补偿的语音增强方法[J]. 计算机工程与应用, 2019, 55(8): 48-52.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[10]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[11]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[12]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[13]	王杰1，杨程程1，莫嘉永2，王敦泽1，王谢谢1. 谐波重构先验信噪比估计算法[J]. 计算机工程与应用, 2018, 54(7): 44-48.
[14]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[15]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.