基于平稳小波变换的信号与图像去噪分析系统

资 源 简 介

本项目旨在通过MATLAB实现平稳小波变换（Stationary Wavelet Transform, SWT）及其在信号处理领域的多重应用。与传统离散小波变换（DWT）不同，平稳小波变换在分解过程中不进行下采样操作，从而保持了信号的平移不变性，有效解决了DWT在重构过程中可能产生的吉布斯（Gibbs）效应。系统核心功能包括对一维信号和二维图像进行多层平稳小波分解，提取不同尺度下的近似分量与细节分量。在去噪应用方面，程序集成了硬阈值、软阈值以及改进的自适应阈值处理算法，能够根据噪声水平自动调整滤波参数。此外，该项目还支持信号的边缘检测、突变点分析以及微弱特征提取。通过逆平稳小波变换（ISWT），系统能够精确重构处理后的信号。应用场景涵盖心电信号（ECG）基线漂移纠正、地震数据降噪、工业振动信号故障特征增强以及医学图像增强等领域。

详 情 说 明

基于平稳小波变换的信号与图像去噪分析系统

项目介绍

本项目是一个基于 MATLAB 开发的综合性信号处理平台，专注于平稳小波变换（Stationary Wavelet Transform, SWT）的研究与应用。与传统的离散小波变换（DWT）相比，平稳小波变换通过取消下采样操作，实现了信号的平移不变性，这能够在很大程度上消除信号重构时可能出现的吉布斯（Gibbs）振荡现象。系统完整实现了从信号/图像的生成、含噪处理、多层平稳小波分解、自适应阈值滤波到信号重构及性能评估的全过程。

功能特性

1. 一维模拟心电信号处理：系统能够生成具有典型生理特征（如QRS波群突变）的多分量合成信号。
2. 二维图像去噪分析：支持标准灰度图像或合成测试图像的读取与多尺度去噪处理。
3. 平移不变性去噪：采用 SWT 算法，有效保留信号的边缘和细节特征，避免重构伪影。
4. 自适应阈值算法：集成了基于 VisuShrink 理论的自动阈值计算，通过噪声估计自动调节滤波强度。
5. 辅助特征提取：利用分解所得的近似分量和细节分量，实现信号的突变点定位及图像的背景特征分析。
6. 全方位指标评估：自动计算均方误差（MSE）、信噪比（SNR）以及峰值信噪比（PSNR），提供定量的性能反馈。

运行环境与系统要求

1. 软件环境：MATLAB R2016a 或更高版本。
2. 必备工具箱：Wavelet Toolbox（小波工具箱）、Image Processing Toolbox（图像处理工具箱）。
3. 硬件要求：满足 MATLAB 运行的基本配置即可，代码已对 2 的幂次方长度信号进行优化。

系统实现逻辑与功能说明

#### 一、一维信号去噪分析流程

1. 信号仿真生成：程序构建了一个采样频率为 1000Hz、长度为 1024 点的信号。该信号由两个不同频率的正弦波组成，并人为在特定采样点处添加了大幅度的正负突变，用于模拟心电信号中的 QRS 波群或其他生理电信号特征。
2. 噪声注入：在纯净信号基础上叠加高斯白噪声，模拟真实环境中的干扰。
3. 四层平稳小波分解：选用 db4 小波基，通过内置平稳小波变换函数对含噪信号进行 4 层分解。由于 SWT 的特性，每一层分解得到的系数序列长度与原信号完全一致。
4. 噪声强度估计与 VisuShrink 阈值化：系统提取分解后的第一层细节系数，利用其绝对值的标准中位数估算噪声强度（Sigma）。基于此 Sigma 值和信号长度，计算出 VisuShrink 准则下的全局阈值。
5. 软阈值处理：对 4 层分解得到的细节系数逐层应用软阈值处理（Soft Thresholding），去除代表噪声的高频微小波动。
6. 信号重构：通过逆平稳小波变换将处理后的系数还原为去噪后的时域信号。
7. 边缘特征提取：利用重构过程中得到的近似分量（低频背景），通过计算梯度的方法识别原始信号中的突变点位置。

#### 二、二维图像去噪分析流程

1. 图像预处理：系统加载 256x256 分辨率的测试图像（若系统路径下无标准测试图，则自动生成带有几何形状和正弦纹理的合成图像）。图像亮度被归一化到 [0, 1] 范围内，并加入高斯分布的图像噪声。
2. 二维平稳小波分解：使用 db4 小波基对图像进行 4 层二维平稳小波分解，生成包含水平、垂直和对角线方向细节的信息矩阵。
3. 图像自适应去噪：程序提取第一层水平分量的系数用以估算图像噪声水平，并据此设定自适应阈值。随后对所有层级的各向细节系数进行遍历去噪。
4. 图像重构：使用二维逆平稳小波变换将滤波后的系数矩阵重新合成图像，并纠正量化偏差。
5. 背景提取：通过展示最后一层低频（近似）分量，实现对图像整体亮度轮廓和背景特征的有效提取。

#### 三、结果可视化与评估模块

1. 多维对比图表：自动生成信号时域对比图、含噪与去噪对比分布、以及多层细节分量的垂直阵列展示。
2. 图像对比视图：并排展示原始、含噪及重构后的图像，辅助分析去噪效果对图像清晰度的影响。
3. 性能报告：在控制台输出详细的运行报告，包括 1D 信号的 MSE 和 SNR 指标，以及 2D 图像的 MSE 和 PSNR 指标，明确所用的小波基和分解层数。

关键函数与算法分析

1. swt/iswt：系统的核心算法，实现了非下采样的拉氏变换（A Trous 算法），保证了信号处理的平移不变性。
2. wthresh：实现阈值函数的核心逻辑，在本项目中主要采用软阈值模式（'s'），这种方式比硬阈值更平滑，能有效降低信号失真。
3. 噪声估计准则：基于 median(abs(c))/0.6745 的稳健估计方法，能够较准确地在复杂信号中剥离出高斯噪声的方差。
4. VisuShrink 阈值公式：sigma * sqrt(2 * log(n))。这是一种在统计学上被证明能在大样本下以极高概率剔除噪声的普适性阈值方案。
5. 多尺度分析：通过对不同层级（1 至 4 层）系数的独立处理，系统展现了小波分析在捕捉非平稳信号局部特征方面的强大能力。