Entrauschung und Komprimierung
Mit Wavelet- und Wavelet-Paket-Entrauschung können Sie Merkmale Ihrer Daten bewahren, die bei anderen Entrauschungstechniken oft entfernt oder geglättet werden. Sie können Daten komprimieren, indem Sie für die Wahrnehmung unwichtige Wavelet- und Wavelet-Paket-Koeffizienten auf Null setzen und die Daten rekonstruieren. Da das Rauschen in einem Signal nicht immer über die Zeit hinweg einheitlich ist, können Sie intervallabhängige Schwellenwerte festlegen, um Daten mit nicht konstanter Varianz zu entrauschen.
Mit den Wavelet Toolbox™-Funktionen können Sie Signale und Bilder entrauschen und komprimieren. Sie können aus zahlreichen Schwellenwert-Strategien wählen und die Entrauschung von Signalen und Bildern über Wavelet Signal Denoiser erkunden.
Kategorien
- Entrauschung
Wavelet-Schrumpfung, nichtparametrische Regression, Block-Schwellenwertbildung, Multisignal-Schwellenwertbildung
- Komprimierung
Wavelet-Raumorientierungsbaum, SPIHT, EZW, WDR, AWDR, Matching Pursuit
Enthaltene Beispiele
Seismic Signal Deconvolution and Impulse Denoising Using Pursuit Methods
Use pursuit methods to remove impulsive noise from signals.
Wavelet Packet Harmonic Interference Removal
Use wavelet packets to remove harmonic interference from an electrocardiogram (ECG) signal.
Denoise a Signal with the Wavelet Signal Denoiser
Learn how to denoise a signal and reproduce the results in your workspace.
Wavelet Denoising
Use wavelets to denoise signals and images. Because wavelets localize features in your data to different scales, you can preserve important signal or image features while removing noise. The basic idea behind wavelet denoising, or wavelet thresholding, is that the wavelet transform leads to a sparse representation for many real-world signals and images. What this means is that the wavelet transform concentrates signal and image features in a few large-magnitude wavelet coefficients. Wavelet coefficients which are small in value are typically noise and you can "shrink" those coefficients or remove them without affecting the signal or image quality. After you threshold the coefficients, you reconstruct the data using the inverse wavelet transform.
Wavelet Interval-Dependent Denoising
The example shows how to denoise a signal using interval-dependent thresholds.
Two-Dimensional True Compression
Starting from a given image, the goal of true compression is to minimize the number of bits needed to represent it, while storing information of acceptable quality. Wavelets contribute to effective solutions for this problem. The complete chain of compression includes iterative phases of quantization, coding, and decoding, in addition to the wavelet processing itself.
