采用不同小波母函数的阈值去噪方法性能分析（精）

第24卷,第7期 光谱学与光谱分析2004年7月 SpectroscopyandSpectralAnalysisVol124,No17,pp8262829

July,2004

采用不同小波母函数的阈值去噪方法性能分析 吕瑞兰,吴铁军,于 玲

浙江大学智能系统与决策研究所,杭州 310027

摘 要 以用于测定汽油辛烷值的红外吸收光谱分析为背景,评估采用小波去噪方法时各种小波和阈值组

合的去噪能力。文章构造了一个理想的原始光谱信号,考虑到小波去噪后信噪比以及原始光谱信号保留率这两者之间的协调关系,基于信噪比(SNR)定义了一个评价去噪优劣的评估系数η,在此基础上采用三种小波族系

(Symlets,Daubechies,Coiflet)、四种阈值选取方法(Rigrsure,Sqtwolog,Heursure和Manimaxi)和三种阈值重调方法(One,Sln,Mln)对理想原始光谱信号进行了基于小波变换的信号去噪处理实验,以评价各种小波函数和阈值选取及重调方法的优劣。通过一系列的试验表明,对于该类型的信号,在实验所考察的小波族系和阈值选取及重调方法的范围内,采用Daubechies9或Symlet7,11,14,15小波,Rigrsure阈值选取规则和Sln阈值重调方法,可以得到最优的去噪性能。

主题词 红外光谱分析;辛烷值;小波分析中图分类号:TN91117 文献标识码:A 文章编号:100020593(2004)0720826204

值选取方法的优劣。实验结果表明,对于这种类型的信号,

采用Daubechies9和Symlet7,11,14,15小波,Rigrsure阈值选取规则和‘Sln’阈值重调方法,可以得到最优的去噪性能。 引 言

在各种数据分析技术中,一个不可避免的问题是,数据

中存在着各种不易消除的噪声。噪声不仅影响了系统的分辨率和稳定性,而且噪声严重时,会淹没正常的信号,导致无法正常工作。因此,首先要解决的一个问题就是如何消除信号中夹杂着的噪声。

小波分析由于能同时在时频域中对信号进行分析,所以它能有效地区分信号中的突变部分和噪声,从而实现对信号的去噪。这是小波分析的一个重要的应用领域。有关这方面的论述,参见文献[123]。但是,由于可用于去噪的小波母函数是一个集合,在小波去噪的实际应用中采用哪一种小波函数才有最好的去噪效果,是一个有待解决的、同时很有实际价值的研究课题。文献[4,5]分别对理想心音图和流量分馏信号的小波选取给出了一些建议,但是不同的信号小波去噪的结果也不尽相同。在实际应用中,由于通常无法区分真实的信号和污染它的噪声,因此难以评估各种小波函数的去噪效果。

本文通过在构造给定信号并附加已知噪声的基础上进行实验测试,来评估各种小波和阈值的组合的去噪能力。文中以用于测定汽油辛烷值的红外光谱分析为背景,以理想原始光谱信号为基准,以去噪后的信噪比为指标,采用三种小波族系、四种阈值选取方法和三种阈值重调方法对其进行了基于小波变换的信号去噪处理实验,以评价各种小波函数和阈

收稿日期:2002206228,修订日期:2002211228 1 基于阈值选取的小波去噪原理

对于给定信号f∈L2(R),其积分小波变换的定义如下 (L2为可积实数空间)

(WΨf)(b,a)= (t)dtf(t)Ψ ∫

(t)Ψ=(a) a∫ R b,a 2 R dt

实际应用的计算中,一般采用离散小波变换。即对尺度参数a和位移参数b进行离散化处理。因此上述信号f(t)可以表示成级数的形式,即

∞ f(t)= j,k=-∞ ∑c j,k Ψj,k(t)

其中Ψj,k(t)为离散小波函数,cj,k是离散小波系数[3]。基于阈值选取的小波去噪原理[3]是选用一个小波母函数Ψj,k(t)将待处理的信号进行离散小波变换,并选择一个阈值将变换得到的小波系数{cj,

k}j∞,k=1进行阈值选取,阈值选取方法包括两类:硬阈值方法和软阈值方法。这两种阈值方法的定义如下: 硬阈值方法:

作者简介:吕瑞兰,女,1976年生,浙江大学智能系统与决策研究所硕士研究生 ? 1995-2005 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 第7期 光谱学与光谱分析 x, xx 827 s= >x0 0,≤x0 , x

用5层分解去噪后可以得到相当令人满意的信噪比,因此在 实验中采用的小波分解层次为5级。 >x0

软阈值方法:

s=

sign(x)x-x0

对于去噪结果的评定,一般采用信噪比作为标准。信噪

比(SNR)是测量信号中的噪声量的传统方法。在本文的实验中信噪比定义为 SNR=10×log10(powersignalΠpowernoise)

0, x≤x0

其中x0是阈值,x是小波变换后的小波系数,s是阈值选取后的小波系数。换句话说,硬阈值是把绝对值小于阈值的小

波系数置0。软阈值是把绝对值小于阈值的小波系数置0,剩下的非0的系数向0压缩。然后根据阈值选取后的系数进行信号重构,得到去噪后的信号。

由于小波分解是分层次逐级进行的,阈值选定后,每一层系数采用的阈值是否需要重新调整,就是阈值重调问题。

);2)只调整一般有三种情况:1)不需要重新调整(记为“One” );3)在每一层都重新调小波分解的第一层的阈值(记为“Sln” )。整阈值(记为“Mln”有关这方面的论述,参见文献[3]。

因此,小波去噪的效果受到两方面因素的影响:1)采用哪一种小波母函数进行小波变换和信号重构;2)采用哪一种阈值选取和重调方法来处理小波系数。

其中powersignal为真实信号的功率,powernoise为噪声的功率。按上式计算的信噪比单位是分贝。 a)不同小波去噪性能的比较

在去噪过程中,通常既希望尽可能多地去除噪声,同时又希望原始信号信息丢失得尽可能的少。为了考察它们之间的关系进行了两个试验:

实验一:对于加入标准白噪声的理想原始信号,在其他条件相同的情况下分别采用Symlets小波系、Daubechies小波系、Coiflet小波系进行去噪处理。然后计算去噪后的信号和理想原始信号的信噪比。信噪比越高,噪声越少。去噪结果如表1所示。

Table11Effectofdenoisingontheidealspectrumsignalpolluted 2 基于光谱分析数据的小波去噪实验 211 实验数据集

bystandardGausswhitenoiseviadifferentkindsofmotherwavelets

SymletsDaubechiesCoiflet分析采样到的光谱数据可以发现,信号中包含许多尖峰 或突变部分,在这里噪声也是未知的。由于原始信号模型和噪声模型均不知道,

因此我们无法判断到底哪种小波去噪方法的效果比较好。为此,我们先将光谱数据用Sym8小波、Rigrsure阈值选取方法和One阈值重调方法进行小波去噪,得到光滑曲线,把该曲线作为理想原始光谱曲线。然后以这个原始曲线为基准,加入标准高斯白噪声(参见图1),用以分析各种小波去噪方法的优劣。 采用的小波信噪比

-Sym2小波Sym3小波Sym4小波Sym5小波Sym6小波Sym7小波Sym8小波Sym9小波

-22165302311176231275422155982219426231391723122622211930

Sym10小波2215936Sym11小波2216391Sym12小波2213275Sym13小波2211042Sym14小波2214847Sym15小波2312021

采用的小波db1小波db2小波db3小波db4小波db5小波db6小波db7小波db8小波db9小波db10小波db11小波db12小波db13小波db14小波db15小波信噪比

231145822165302311176231297422156892213500221660921195852119906221312622153412212940211903622104142118600

采用的小波coif1小波coif2小波coif3小波coif4小波coif5小波 ----------

信噪比23150192311270231112322147442215489

----------

实验二:将小波去噪技术应用于理想原始光谱信号,然后计算生成信号和理想原始信号的信噪比。这个测试考察在去噪过程中原始信号信息的丢失情况。小波变换后越多原始光谱信号保留越好。结果如表2所示。

Fig11 Signalsusedintheinvestigation

(a),SampledIRspectrum;(b),Idealspectrumprototypeafterdenoising;(c),StandardGausswhitenoise;(d),SpectrumsignalpollutedbystandardGausswhitenoise

信号去噪的基本目标是:既希望尽可能多地去除噪声,同时又希望原始信号信息丢失得尽可能的少。然而这两者并不统一,有时候甚至是矛盾的。因此本文构造了一个去噪结果的评估系数η,定义为 3

本文来源：https://www.bwwdw.com/article/4a5v.html