MATLAB小波变换实战：信号去噪与边缘检测

1. 小波变换基础与MATLAB实现概述

小波变换作为一种时频分析工具，在信号处理领域已经发展了三十余年。我第一次接触小波变换是在研究生时期的数字图像处理课程上，当时就被它多尺度分析的能力所震撼。与傅里叶变换相比，小波变换最大的优势在于能够同时提供时间和频率的局部化信息，这对于非平稳信号的处理尤为重要。

MATLAB的小波工具箱(Wavelet Toolbox)提供了完整的函数支持，从基础的离散小波变换(DWT)到各种应用函数一应俱全。在实际工程应用中，我发现小波变换特别适合处理以下两类问题：

1. 信号去噪：通过阈值处理高频系数，保留信号主要特征的同时有效抑制噪声
2. 边缘检测：利用小波系数的突变特性，精确捕捉信号或图像中的边缘信息

提示：MATLAB 2020b之后的小波工具箱进行了重大更新，新增了多个实用函数如wdenoise等，建议使用较新版本

2. 一维信号小波去噪实战解析

2.1 信号生成与噪声模型

让我们从一个具体的例子开始。假设我们需要处理一个包含50Hz和120Hz成分的复合信号：

matlab复制Fs = 1000;                  % 采样频率1kHz
t = 0:1/Fs:1-1/Fs;          % 1秒时间序列
x = 2*sin(2*pi*50*t) + 0.5*sin(2*pi*120*t);  % 原始信号
noise = 0.3*randn(size(t)); % 高斯白噪声
y = x + noise;              % 含噪信号

这里有几个关键点需要注意：

• 采样频率要满足奈奎斯特准则（至少是最高频率的2倍）
• 噪声强度(0.3)需要根据实际信号幅度调整
• 高斯噪声是模拟现实中最常见的噪声类型

2.2 小波分解与参数选择

选择合适的小波基函数和分解层数是去噪效果的关键：

matlab复制level = 5;                  % 分解层数
[c,l] = wavedec(y, level, 'db4');  % 小波分解

为什么选择db4小波？

1. db4具有4个消失矩，适合处理中等频率的信号
2. 对称性较好，重构信号失真小
3. 计算效率高，适合实时处理

分解层数的经验公式：