信号处理中英文对照外文翻译文献

信号处理中英文对照外文翻译文献

测、图像匹配、图像目标识别及图像细化等。

（

2

）小波包分析在故障诊断中的应用

小波包分析在故障诊断中的应用已取得了极大的成功。小波包分析不仅可以 在低信噪比的信号

中检测到故障信号，而且可以滤去噪声恢复原信号，具有很高的应用价 值。小波包变换适用于电力

系统故障分析，

尤其适用于电动机转 子鼠笼断条以及发电机转子故障分析。

用二进小波

Mallat

算法

对往复压缩机盖振动信号进行分解和重构，可诊断出进、排 气阀泄漏故障。利用小波包对变速箱故

障声压信号进行分解，诊断出了变速箱齿根裂纹故 障等。

（

3

）小波包分析在语音信号处理中的应用

语音信号处理的目的是 得到一些语音参数以便高效地传输或存储。利用小波包分析可以提取语

音信号的一些参数 ，并对语音信号进行处理。小波包理论应用在语音处理方面的主要内容包括：清

浊音分割 、基音检测、去躁、重建与数据压缩等几个方面。小波包应用于语音信号提取、语音台成

语音增加波形编码已取得了很好的效果。

三

基础知识介绍

近年来

,

小波理论得到了非常迅速的发展

,

< br>而且由于其具备良好的时频特性

,

实际应用也非常广

泛。这里希望利用小波的自身特性

,

在降低 噪声影响的同时

,

尽量保持图像本身的有用细节和边缘信

息

,

从而保证图像的最佳效果。

小波合成

连续小波变换 是一种可逆的变换，只要满足方程

2

。幸运的是，这是一个非限 制性规定。如果

方程

2

得到满足，连续 小波变换是可逆的，即使基函数一般都是不正交的。重建可能是使用下面的

重建公式：< /p>

公式

1

小波逆变换公式

信号处理中英文对照外文翻译文献

其 中

C_psi

是一个常量，取决于所使用的小波。该重建的成功 取决于这个叫做受理的常数，受

理满足以下条件：

公式

2

受理 条件方程

这里

psi^hat(xi)

是

FT

的

psi(t)

，方程

2

意味着

psi^hat(0) = 0

，这是

:

公式

3

如上所述，公式

3

并不是一个非常严格的要求，因为许多小波函数可以找到它的积分是零。要

满足方程

3

，小波必须振荡。

连续小波变换

连续小波变换作为一种 替代快速傅里叶变换办法来发展，克服分析的问题

。小波分析 和

STFT

的分析方法类似，在这个意义上说，就是信号和一个 函数相乘，

{

它的小波

}

，类似的

STFT

的窗口功

能，并转换为不同分段的时域信号。但是，

STFT

和连续小波 变换二者之间的主要区别是：

1

、< /p>

Fourier

转换的信号不采取窗口，因此，单峰将被视为对应 一个正弦波，即负频率是没有计

算。

2

、窗口的宽度是相对于光谱的每一个组件变化而变化 的，这是小波变换计算最重要的特征。

连续小波变换的定义如下：

公式

4

从上面的方程可以看出，改变 信号功能的有两个变量，

τ

和

s

，分别是转换参数和尺度参数。

psi(t)

为转化功能。

小波包分析的基本原理

目前大多数数字图像系统中，

输入图像都是采用先冻结再扫描方式将多维图像变成一维电信号，

再 对其进行处理、存储、传输等加工变换。最后往往还要在组成多维图像信号，而图像噪声也将同

< br>样受到这样的分解和合成。噪声对图像信号幅度、相位的影响非常复杂，有些噪声和图像信号是相

互独立不相关的，而有些则是相关的，并且噪声本身之间也可能相关。因此要有效降低图像中的噪

声，必须针对不同的具体情况采用不同方法，否则就很难获得满意的去噪效果。一般图像 去噪中常

见的噪声有以下几种：

信号处理中英文对照外文翻译文献

1

）

加性噪声：

加性噪声和图像信号强度 是不相关的，

如图像在传输过程中引进的

“信道噪声”

电视摄像机扫描图像的噪声等。这类带有噪声的图像可看成是理想的没有被噪声“污染”的图像与

噪声。

2

）

乘性噪声：图像的乘性噪声和图像的加性噪声是不一样的，加性噪声和图像信号强度是不

相关的，而乘性噪声和图像信号是相关的，往往随着图像信号的变化而发生变化，如飞点扫描 图像

中的噪声、电视扫描光栅、胶片颗粒噪声等。

3

）

量化噪声：量化噪声是数字图像的主要噪声源，它的大小能够表示出数字图像和原始图像

的差异程度，有效减少这种噪声的最好办法就是采用按灰度级概率密度函数选择量化级的最优 量化

措施。

4

）

“椒盐”噪声：此种噪声很多，例如在图像切割过程中引起的 黑图像上的白点、白图像上

的黑点噪声等，还有在变换域引入的误差，在图像反变换时引 入的变换噪声等。

实际生活中还有多种多样的图像噪声，如皮革上的疤痕噪声、气象云图上的条纹噪声等。这些

噪声一般都是简单的加性噪声，

不会随着图像信号的改变而改变。

这为实际的去噪工作提供了依据。

2.

图像去噪效果的评价

在图像去噪的处理中，常常需要评 价去噪后图像的质量。这是因为一个图像经过去噪处理后所

还原图像的质量好坏，对于人 们判断去噪方法的优劣有很重要的意义。目前对图像的去噪质量评价

主要有两类常用的方 法：一类是人的主观评价，它由人眼直接观察图像效果，这种方法受人为主观

因素的影响 比较大。目前由于对人的视觉系统性质还没有充分的理解，对人的心理因素还没有找到

定 量分析方法。因此主观评价标准还只是一个定性的描述方法，不能作定量描述，但它能反映人眼

< br>的视觉特性。另一类是图像质量的客观评价。

调试环境

-MATLAB

开发平台

< br>

MATLAB

是

Math Works

公司开发的一种跨平台的，用于矩阵数值计算的简单高效的数学语言，

< br>与其它计算机高级语言如

C, C++, Fortran, Basic, P ascal

等相比，

MATLAB

语言 编程要简洁得多，

编程语句更加接近数学描述，可读性好，其强大的圆形功能和可视化数 据处理能力也是其他高级语

言望尘莫及的。

信号处理中英文对照外文翻译文献

四

综述

< /p>

众所周知，由于图像在采集、数字化和传输过程中常受到各种噪声的干扰，从而使数字图像 中

包含了大量的噪声。能否从受扰信号中获得去噪的信息，不仅与干扰的性质和信号形式 有关，也与

信号的处理方式有关。在实际应用中，针对不同性质的信号和干扰，寻找最佳 的处理方法降低噪声，

一直是信号处理领域广泛讨论的重要问题。

小波包分析的应用是与小波包分析的理论研究紧密地结合在一起的。现在，它已经在 科技信息

产业领域取得了令人瞩目的成就。如今，信号处理已经成为当代科学技术工作的 重要组成部分，信

号处理的目的就是：准确的分析、诊断、编码、压缩和量化、快速传递 或存储、精确的恢复（或重

构）

。从数学的角度来看，信号与图 像处理可以统一看作是信号处理，在小波包分析的许多分析的许

多应用中，都可以归结为 信号处理问题。

小波包分析的应用领域十分广泛，它包括：信 号分析、图象处理、量子力学、理论物理、军事

电子对抗与武器的智能化、计算机分类与 识别、音乐与语言的人工合成、医学成像与诊断、地震勘

探数据处理、大型机械的故障诊 断等方面。例如，在数学方面，它已用于数值分析、构造快速数值

方法、曲线曲面构造、 微分方程求解、控制论等。在信号分析方面的滤波、去噪、压缩、传递等。

在图像处理方 面的图象压缩、分类、识别与诊断，去污等。在医学成像方面的减少

B

< br>超、

CT

、核磁

共振成像的时间 ，提高分辨率等。小波包分析用于信号与图像压缩是小波包分析应用的一个重要方

面。它 的特点是压缩比高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中可以抗

干扰。基于小波包分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，

小波变换零树压缩，小波变换向量压缩等。小波包在信号分析中的应用也十分广泛。它可以用于边

界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多 尺度

边缘检测等。

信号处理中英文对照外文翻译文献

A

·

The wavelet study the meaning and background

In practical applications, the different nature of the signal and interference, to find the best processing

method to reduce noise, the important issue is widely discussed in the field of signal processing. Currently,

there are many methods can be used to signal noise reduction, such as median filtering, low pass filtering,

Fourier transform, etc., but they are filtered out by the useful part of the signal details. The traditional signal

de-noising method smooth signal only from the time domain or frequency domain are given the results of

the statistical average. Time domain or frequency domain characteristics of the effective signal to noise

removal, but not taking into account the local and the whole picture of the signal in the time domain and

frequency domain. More Practice has proved that the classical approach based on the Fourier transform of

the filter, and can not be non-stationary signal analysis and processing, denoising effect can not meet the

requirements of engineering application development. In recent years, many papers non- stationary signal

wavelet threshold de- noising method. Donoho and Johnstone contaminated with Gaussian noise signal

de-noising by thresholding wavelet coefficients. Commonly used hard threshold rule and soft threshold rule

set to filter out the noise from the signal high-frequency wavelet coefficients to zero. Practice has proved

that these wavelet thresholding method with approximate optimization features, has a good performance in

the field of non-stationary signals. The threshold rule mainly depends on the choice of parameters. For

example, the hard threshold and soft threshold depends on the choice of a single parameter - global

threshold lambda lambda adjustment is critical However, due to the non-linearity of the wavelet transform.

Threshold is too small or too large, will be directly related to the pros and cons of the signal de-noising

effect. When the threshold value is dependent on a number of parameters, the problem will become more

complex. In fact, the effective threshold denoising method is often determined based on wavelet

decomposition at different levels depending on the threshold parameter, and then determine the appropriate

threshold rule. Compared with the wavelet analysis, wavelet packet analysis (Wavelet Packet Analysis) to

provide a more detailed analysis for the signal, it will band division of multi-level, multi-resolution analysis

信号处理中英文对照外文翻译文献

is no breakdown of the high-frequency part of the further decomposition, and according to the

characteristic of the signal being analyzed, adaptive selection of the corresponding frequency band, to

match with the signal spectrum, thereby increasing the time - frequency resolution. The wavelet packet

transform is the promotion of the wavelet transform in signal with more flexibility than the wavelet

transform. Using wavelet packet transform to the signal decomposition, the low-frequency part and

high-frequency components are further decomposed. Wavelet packet signal de-noising threshold method

combined with good application value.

At present, both in engineering applications and theoretical study, removal of signal interference noise is a

hot topic. Extract valid signal is band a wide interference or white noise pollution signal mixed with noise

signal, has been an important part of signal processing. The traditional digital signal analysis and

processing is to establish the basis of Fourier transform, Fourier transform stationary signals in the time

domain and frequency domain algorithm to convert each other, but can not accurately represent the signal

time-frequency localization properties. For non-stationary signals people use short-time Fourier transform,

but it uses a fixed short-time window function is a single-resolution signal analysis method, there are some

irreparable defect. Wavelet theory is developed on the basis of Fourier transform and short-time Fourier

transform, and it has the characteristics of multi-resolution analysis, have the ability to characterize the

local signal characteristics in the time domain and frequency domain, is an excellent tool for signal

analysis . Wavelet transform (Wavelet transform) emerged in the mid 1980s when the frequency domain

signal analysis tools, since 1989 the first time since the introduction of wavelet transform image

processing, wavelet transform its excellent time-frequency local capacity and good to go related capacity in

the field of image compression coding has been widely used, and achieved good results. Multi-resolution

wavelet transform, time-frequency localization characteristics and calculation speed and other attributes,

which makes the wavelet transform has been widely applied in the field of geophysics. Such as: using

wavelet transform gravity and magnetic parameters of the extraction, the magnitude of the error of the

reconstructed signal with the original signal after the wavelet analysis as a standard to select the wavelet

basis

Seismic data denoising. As technology advances, the wavelet packet analysis (Wavelet Packet Analysis)

method developed wavelet packet analysis is the expansion of the wavelet analysis, with a very wide range

of application. It is able to signal to provide a more detailed analysis of the method, it is the band

multi-level framing is not broken down at high frequency portion of the discrete wavelet transform is