一維信號小波去噪原理解析及python實(shí)現(xiàn)方式
一維信號小波去噪原理及python實(shí)現(xiàn)
信號去噪是經(jīng)常用到的信號預(yù)處理過程，以達(dá)到在保留原有信號真是信息的基礎(chǔ)上盡可能低降低或者消除噪聲，獲得更高質(zhì)量的信號，從而為下一步的處理奠定基礎(chǔ)。
去噪方法可分為時(shí)域方法與頻域方法。時(shí)域方法是指直接在原始信號上進(jìn)行處理，比如均值濾波器、中值濾波器、EMD分解等方法。頻域方法是指在信號的變換域進(jìn)行去噪然后再恢復(fù)到時(shí)域得到去噪后的信號，比如小波變換、傅里葉變換等方法。
無論是一維信號還是二維信號其原理都是一樣的，只不過實(shí)現(xiàn)上所有不同。這里主要記錄一下我目前需要處理的一維信號的去噪。
噪聲可分為加性噪聲和乘性噪聲兩種形式，加性噪聲一般假設(shè)其與原始信號無關(guān)，假設(shè)含噪信號為
，其可表示為：
其中
表示原始的干凈信號，
表示噪聲信號。
而乘性噪聲則假設(shè)噪聲與信號有關(guān)，假如噪聲和信號成正比，則含噪信號可表示為：
![y(i)=x(i)[1+n(i)]](http://img.jbzj.com/file_images/article/202306/2023062509552744.png)
其中第二個(gè)噪聲項(xiàng)是受原始信號影響的，原始信號的值越大，則噪聲越大。
加性噪聲的處理與計(jì)算都比較簡單，所以一般均假設(shè)噪聲為加性噪聲。
基于小波變換的去噪方法其具體原理這里就不闡述了，其主要思想就是噪聲在經(jīng)過小波變換后的小波系數(shù)會(huì)遠(yuǎn)遠(yuǎn)小于原始信號的小波系數(shù)，因此可通過簡單的閾值處理就能夠去除絕大部分的噪聲，同時(shí)又不會(huì)對原始信號造成很大的損失。對具體原理感興趣的同學(xué)可以參考其他相關(guān)資料。
python 實(shí)現(xiàn)
使用python去噪，不需要我們自己動(dòng)手實(shí)現(xiàn)相應(yīng)的原理，安裝相應(yīng)的包即可完成。
首先安裝小波變換的python包PyWavelets
pip install PyWavelets
安裝好之后就可以直接使用，我們可通過定義去噪函數(shù)將去噪過程打包，假設(shè)去噪函數(shù)名為wavelet_denoising, 其去噪過程及參數(shù)設(shè)置代碼如下：
def wavelet_denoising(signal):
# signal: list
wavelet_basis = 'db8' # 此處選擇db8小波基
w = pywt.Wavelet(wavelet_basis)
maxlevel = pywt.dwt_max_level(len(signal), w.dec_len) # 根據(jù)數(shù)據(jù)長度計(jì)算分解層數(shù)
threshold = 0.1 # threshold for filtering
coeffs = pywt.wavedec(signal, wavelet_basis, level=maxlevel) # 將信號進(jìn)行小波分解
# 使用閾值濾除噪聲
for i in range(1, len(coeffs)):
coeffs[i] = pywt.threshold(coeffs[i], threshold*max(coeffs[i])) # 將噪聲濾波
# pywt.threshold 方法有三種閾值模式：硬閾值、軟閾值、軟硬結(jié)合
# 默認(rèn)為soft 軟閾值模式，其調(diào)用格式為
# pywt.threshold(signal, threshold_value, mode='soft', substitute=0)
# 處理后值為 signal/np.abs(signal) * np.maximum(np.abs(signal) - threshold_value, 0)
# 具體可參考pywavelets官方文檔的說明
# 重建信號
signalrec= pywt.waverec(coeffs, wavelet_basis)
return signalrec通過調(diào)用wavelet_denoising方法，即可實(shí)現(xiàn)對原始信號的去噪。
值得注意的是去噪前后信號的長度會(huì)有所變化，若原始信號樣本長度為奇數(shù)，則去噪后長度加1，若原始長度為偶數(shù)，則去噪后長度不變。
通過實(shí)驗(yàn)發(fā)現(xiàn)，如果要計(jì)算去噪前后信號的差，對于原始數(shù)據(jù)長度為奇數(shù)時(shí)，應(yīng)該計(jì)算去噪后信號的第一個(gè)元素到倒數(shù)第二個(gè)元素這個(gè)子序列與原始信號之間的差值，也即舍去因去噪而多出的最后一個(gè)值。
如果使用去噪后的第二個(gè)元素到最后一個(gè)元素與原始信號的差，則可能出現(xiàn)偏差較大的情況。
如下圖所示，其中藍(lán)色線為去噪信號的第一個(gè)值到倒數(shù)第二個(gè)值與原始信號的差，紅色線為去噪信號的第二個(gè)值到最后一個(gè)值與原始信號的差值。
小波去噪代碼
先放代碼，代碼如下：
a = np.loadtxt('C:\\Users\\Administrator\\Desktop\\數(shù)據(jù)文件\\20201008009.txt', dtype=float)# 20201008009為一個(gè)一維列表
index = []
data = []
coffs = []
for i in range(len(a) - 1):
X = float(i)
Y = float(a[i])
index.append(X)
data.append(Y)
# create wavelet object and define parameters
w = pywt.Wavelet('db8') # 選用Daubechies8小波
maxlev = pywt.dwt_max_level(len(data), w.dec_len)
print("maximum level is" + str(maxlev))
threshold = 0.1 # Threshold for filtering
# Decompose into wavelet components,to the level selected:
coffs = pywt.wavedec(data, 'db8', level=maxlev) # 將信號進(jìn)行小波分解
for i in range(1, len(coffs)):
coffs[i] = pywt.threshold(coffs[i], threshold * max(coffs[i]))
datarec = pywt.waverec(coffs, 'db8') # 將信號進(jìn)行小波重構(gòu)
mintime = 0
maxtime = mintime + len(data)
print(mintime, maxtime)
plt.rcParams['font.sans-serif']=['SimHei'] #使得標(biāo)題輸出為中文
plt.rcParams['axes.unicode_minus'] = False #使得標(biāo)題輸出為中文
plt.figure(1)
#plt.subplot(3, 1, 1)
plt.plot(index[mintime:maxtime], data[mintime:maxtime])
plt.title("原始信號")
plt.figure(2)
#plt.subplot(3, 1, 2)
plt.plot(index[mintime:maxtime], datarec[mintime:maxtime])
plt.title("小波降噪信號")
plt.figure(3)
#plt.subplot(3, 1, 3)
plt.plot(index[mintime:maxtime], data[mintime:maxtime] - datarec[mintime:maxtime])
plt.xlabel('time (s)')
plt.ylabel('error (uV)')
plt.tight_layout()
plt.show()
去噪之前的波形
去噪之后的波形
最后一個(gè)我估計(jì)應(yīng)該是去除的噪聲波形
總結(jié)
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python實(shí)現(xiàn)Excel中散點(diǎn)圖的繪制與定制
散點(diǎn)圖是數(shù)據(jù)分析中常用的圖表類型,用于展示兩個(gè)變量之間的關(guān)系和相關(guān)性,本文將介紹如何使用 Python 在 Excel 中創(chuàng)建散點(diǎn)圖,并演示如何添加趨勢線、設(shè)置坐標(biāo)軸標(biāo)簽以及格式化數(shù)據(jù)標(biāo)簽等自定義操作,希望對大家有所幫助2026-05-05
zipfile 模塊提供了創(chuàng)建、讀取、寫入、添加及列出 ZIP 文件的工具，本文主要介紹了Python中zipfile壓縮包模塊的使用，感興趣的可以了解一下2021-05-05
Python使用Srapy框架爬蟲模擬登陸并抓取知乎內(nèi)容
這里我們來看如何通過Python使用Srapy框架爬蟲模擬登陸并抓取知乎內(nèi)容的實(shí)例,要實(shí)現(xiàn)持續(xù)的爬取需要利用到cookie的保存,我們首先還是來回顧一下cookie的相關(guān)知識點(diǎn):2016-07-07
python lambda表達(dá)式在sort函數(shù)中的使用詳解
這篇文章主要介紹了python lambda表達(dá)式在sort函數(shù)中的使用詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08
Python使用DrissionPage中ChromiumPage進(jìn)行自動(dòng)化網(wǎng)頁操作
