基于最大能量熵的小波閾值去噪法研究

張鑫

（商洛學院電子信息與電氣工程學院，陜西商洛726000）

基于最大能量熵的小波閾值去噪法研究

張鑫

（商洛學院電子信息與電氣工程學院，陜西商洛726000）

分析了現(xiàn)有的軟閾值、硬閾值以及軟硬折衷閾值三種小波閾值去噪方法的優(yōu)缺點，在此基礎上，提出了一種基于最大能量熵的小波閾值去噪方法，根據(jù)最大能量熵的理論確定了改進型閾值函數(shù)中的加權因子。用三種閾值函數(shù)分別對Blocks、Bumps、Droppler信號進行濾波處理中，結果表明，基于最大能量熵的小波閾值去噪方法各項性能指標均優(yōu)于另外兩種方法，具有良好的去噪效果。

小波去噪；閾值函數(shù)；最大能量熵

在實際應用中采集到的信號都多多少少的的包含有一定的噪聲，而噪聲在一定程度上掩蓋了信號本身的特征，使信號產(chǎn)生變異，所以去噪濾波就很有必要。1990年以來，小波理論被大量的研究，隨著小波理論漸漸趨于完善，被廣泛的應用于信號處理方面。小波去噪有三種方法：第一種是利用小波變換模極大值原理去噪，第二種是根據(jù)相鄰尺度間小波系數(shù)的相關性取舍，再重構信號，第三種就是小波閾值去噪。前兩種方法的計算量比較大，小波閾值去噪由于相對簡單，計算量不大，視覺效果良好被廣泛應用[1-2]。文獻[3]利用閾值函數(shù)去改變小波的分解系數(shù)來進行去噪，但是計算量較大；文獻[4-5]提出了一個閾值函數(shù)，該函數(shù)和均方差函數(shù)近似，利用該方法可以得到均方差意義下的最優(yōu)值，但是該方法不能僅僅用均方差作為性能指標來進行評價。小波去噪的核心問題是如何選取合適的閾值函數(shù)。提出了一種基于最大能量熵的小波閾值去噪方法，根據(jù)最大能量熵的理論確定了改進型閾值函數(shù)中的加權因子。用三種閾值函數(shù)分別對Blocks、Bumps、Droppler信號進行濾波處理并用信噪比（SNR），均方根誤差（RMSE），降噪后信號與濾波前信號的能量比例（ET）來考察對含噪信號去噪方面的效果。

1 小波閾值去噪

小波變換被認為能夠集中能量，也就是說，一方面噪聲信號因為本身能量譜比較分散、頻率也比較分散，因此其小波系數(shù)比較分散且絕對值相對比較?。涣硪环矫嬗杏眯盘柕哪芰繒R集在很少的小波系數(shù)上，這些小波系數(shù)通常絕對值比較大。對信號進行小波變換可以得到小波系數(shù)，通過對這些系數(shù)與設定的閾值進行比較，如果這些子空間的小波系數(shù)小于該閾值，則認為它是噪聲信號，將其變?yōu)?，再進行重構就可以獲得去噪后的信號。這就是閾值去噪的基本原理。小波濾波的核心問題是如何選取合適的閾值函數(shù)，進而計算出可以還原良好去噪信號所需的小波系數(shù)。因此，如何確定閾值是一個非常關鍵的問題。

小波去噪的閾值函數(shù)主要有3種：

1）軟閾值函數(shù)[6-8]：假設信號f(t)進行小波分解后的小波系數(shù)為ωj，k，比較閾值λ和ωj，k，如果ωj，k的絕對值大于λ，那么小波系數(shù)ωj，k此時應為ωj，k的絕對值減去閾值λ的差，并保持符號不變；幅值小于或者等于λ的點變?yōu)?。

濾波器表達式為：

2）硬閾值函數(shù)：假設信號f(t)進行小波分解后的小波系數(shù)為ωj，k，比較閾值λ和ωj，k，如果ωj，k的絕對值大于λ，那么小波系數(shù)ωj，k此時不變，否則小波系數(shù)ωj，k置0。

濾波器表達式為：

3）軟硬折衷閾值

1995年，在硬閾值和軟閾值函數(shù)的基礎上，Bruce和Gao Hong Ye研究出了一種軟硬折衷函數(shù)[9]，以提高采集信號的信噪比（SNR）和減小均方誤差（MSR）。具體的軟硬折衷函數(shù)為：

其中，α∈[0,1]為1個可變量。要注意的是，當α=1時該函數(shù)為軟閾值函數(shù)；而當α=0時，該函數(shù)則與硬閾值函數(shù)相同。如圖1所示，圖1中的α=0.5。在實際工程中，一般從實際情況出發(fā)，然后再根據(jù)經(jīng)驗反復嘗試來確定待定參數(shù)α的值。

圖1 軟硬折衷閾值法

2 閾值函數(shù)的改進

對傳統(tǒng)的軟、硬閾值函數(shù)進行分析，發(fā)現(xiàn)硬閾值函數(shù)不是連續(xù)的，和硬閾值函數(shù)相比軟閾值函數(shù)是連續(xù)的，然而它并不是任意階連續(xù)可導。當今被提出的大部分去噪函數(shù)，去噪效果良好但是它們大部分都含有待定參數(shù)，而要確定這個參數(shù)一般需要通過大量的嘗試和經(jīng)驗來確定，工作量較大。基于信號的小波能量熵理論，提出了基于最大能量熵的小波閾值去噪法。分解原始信號，可以得到噪聲系數(shù)和高頻系數(shù)，讓它們的小波能量熵之和為最大，得到了最優(yōu)的小波閾值去噪函數(shù)。

2.1 最大熵原理

最大信息熵[10]原理是Jaynes提出的，它的基本思想是，求滿足某些約束的信源事件概率分布時，應使得信源的熵最大。由最大信息熵理論可以知道，噪聲信號ε與真實信號g的相關性越小，它們的熵相加的結果就會越大。所以，對于去噪后得到的真實信號g，應該使噪聲信號ε的信號熵與g的信號熵相加最大，此時應為最佳的去噪效果。

2.2 小波能量熵

2.3 最優(yōu)閾值的選取

去噪時，噪聲信號和真實信號之間的相關性越小越好，也就是說對于去噪后得到的真實信號，應該使噪聲信號的信號熵與它的信號熵相加結果最大，這樣得到的就是最佳的閾值函數(shù)。

閾值處理后原始信號的高頻小波系數(shù)為：

濾掉的噪聲的高頻小波系數(shù)為：

則信號部分的小波能量熵為：

噪聲部分的小波能量熵為：

令W=Ws+Wn，W可表達為調整參數(shù)α的線性函數(shù)。

3 算法步驟

改進算法的步驟如下：

1）對噪聲信號選擇小波和分解層數(shù)進行多尺度分解，得到各層高頻小波系數(shù)和最后一層的低頻小波系數(shù)。

2）調整參數(shù)α先取0。

3）根據(jù)式(6)和式(7)，取得相應的處理后的小波系數(shù)sj,k和nj,k。

4）對利用式(8)和式(9)計算相應的小波能量熵Ws和Wn，求出兩者之和W。

5）回到步驟2），調整參數(shù)α遞增0.01或者0.05，再次計算W。當W取最大值時，此時的α的是最佳參數(shù)，此時得到最優(yōu)閾值，所用的閾值函數(shù)所得到的濾波效果最佳。

4 仿真實驗與分析

為了驗證此方法的效果，采用Matlab平臺用3種閾值濾波法對Blocks、Bumps、Droppler信號實行仿真實驗。仿真信號均加入高斯白噪聲，噪聲信號服從N(0,1)，再用“db4”小波對帶噪聲信號進行3層分解，分別利用軟、硬閾值函數(shù)和新的閾值折衷函數(shù)（用分層閾值）對分解后的小波系數(shù)進行小波閾值濾波，用信噪比（SNR），均方根誤差（RMSE），降噪后信號與濾波前信號的能量比例（ET）來考察對含噪信號去噪方面的效果。

4.1 Bumps信號濾波仿真

如圖2所示，當α=0.8時，Bumps信號的小波熵最大，此時得到最佳閾值函數(shù)。從圖3中可以看出，軟閾值在橫坐標0～200部分無法保留信號的原始特征。硬閾值去噪信號在橫坐標200和950處出現(xiàn)了偽Gibbs現(xiàn)象。而本文方法很好的避免了這一現(xiàn)象的發(fā)生。表1為不同閾值函數(shù)對Bumps信號的濾波性能評價結果，軟閾值法的信噪比為12.5944，硬閾值法的信噪比15.5868，均低于本文的方法，且該方法得到的均方根誤差也是最小的，在能量比例上最大，說明保留了最多原信號的能量特征。

圖2 Bumps信號調整參數(shù)與小波能量熵的關系

圖3 Bumps信號三種濾波方法比較

表1 Bumps信號在不同閾值函數(shù)下的濾波性能評價標準

4.2 Blocks信號濾波仿真

由圖4可知，α為0.5時，小波熵最大。由圖5可知，軟閾值法濾波結果看起來比較平滑，然而由于Blocks信號的詳細部分有很多都被省略，不能精準的表現(xiàn)出信號的局部特征，發(fā)生了顯著的失真現(xiàn)象，SNR為14.9074，RMSE為1.0775，ET為95.072%，與其他兩種方法相比較不能很好的抑制噪聲，保留的原信號特征也最少，去噪結果不是很好；硬閾值法的SNR為18.5569，RMSE為0.70782，ET為98.415%，能較好的抑制噪聲信號且較多的保留了原信號特征，但是在橫坐標800處有顯眼的偽Gibbs現(xiàn)象，且局部劇烈振蕩，結果不夠平滑；而基于最大能量熵的小波閾值去噪法SNR為20.7592，RMSE為0.69153，ET為99.842%，信噪比最高且基本完全保留了原信號的特征，所以與干凈的Blocks信號更加接近。表2顯示基于最大能量熵的方法各項性能均優(yōu)于其他兩種方法。

圖4 Blocks信號調整參數(shù)與小波能量熵的關系

圖5 Blocks信號三種濾波方法比較

表2 Blocks信號在不同閾值函數(shù)下的濾波性能評價標準

4.3 Droppler信號濾波仿真

由圖6可知，α為0.85時，Droppler信號的小波熵最大。由圖7從視覺上看三種方法差距不大，采用文中的閾值去噪方法，濾波后的波形細節(jié)上更加光滑，更加平直。從表3可以看出，基于最大能量熵的小波閾值去噪法的信噪比最高，均方差最小，能量比例最大，優(yōu)于其他兩種方法。

圖6 Droppler信號調整參數(shù)與小波能量熵的關系

圖7 Droppler信號三種濾波方法比較

表3 Droppler信號在不同閾值函數(shù)下的濾波性能評價標準

5 結論

小波去噪的核心問題是如何選取合適的閾值函數(shù)。分析了現(xiàn)有的軟閾值、硬閾值以及軟硬折衷閾值三種小波閾值去噪方法的優(yōu)缺點，提出了一種基于最大能量熵的小波閾值去噪方法，首先對噪聲信號選擇小波和分解層數(shù)進行多尺度分解，得到各層高頻小波系數(shù)和最后一層的低頻小波系數(shù)，根據(jù)最大能量熵的理論確定了改進型閾值函數(shù)中的加權因子，此時得到最優(yōu)閾值，閾值函數(shù)的濾波效果最佳。為了驗證算法的有效性，用軟閾值、硬閾值、改進閾值三種閾值函數(shù)分別對Blocks、Bumps、Droppler信號進行了去噪處理。結果表明，基于最大能量熵的小波閾值去噪法降噪后信號與濾波前信號的能量比例最高，均方差最小，信噪比最高，具有良好的去噪效果。

[1]陳曉曦,王延杰,劉戀.小波閾值去噪法的深入研究[J].激光與紅外,2012,42(1)：105-110.

[2]王榮.一種新的基于閃爍噪聲的擴展目標跟蹤方法[J].商洛學院學報，2016,30(2)：19-24.

[3]DONOH D L.De-noising by soft-thresholding[J].IEEE Transactions on Information Theory,1995,41(3)：613-627.

[4]PAN Q,ZANG L,DAI G Z,et al.Two denoising methods by wavelet transform[J].IEEE Transactions on Signal Processing,1999,47(12)：3401-3406.

[5]潘泉,孟晉麗,張磊,等.小波濾波方法及應用[J].電子與信息學報,2007,29(1)：236-242.

[6]楊恢先,王緒四,謝鵬鶴,等.改進閾值與尺度間相關的小波紅外圖像去噪[J].自動化學報,2011,37(10)：1167-1174.

[7]高洪玉,裴連群.雙樹復小波域農(nóng)業(yè)圖像改進半軟半硬閾值函數(shù)去噪[J].江蘇農(nóng)業(yè)科學,2015,43(9)：450-452.

[8]張金榜,孫藝笑,王潤典,等.改進的閾值函數(shù)去噪算法[J].電子科技,2014,27(02)：17-20,24.

[9]蘭超,歐陽林子.一種基于改進的軟硬閾值折衷法的去噪研究[J].科學技術與工程,2009,9(18)：5515-5517,5526.

[10]鄭加蘇.基于圖像信息熵的無參考圖像質量評估算法的研究[D].北京：北京交通大學,2015：5-78.

（責任編輯：李堆淑）

Research on Wavelet Threshold Denoising Algorithm Based on Maximum Energy Entropy

ZHANG Xin
(School of Electronic Information and Electrical Engineering,Shangluo University,Shangluo726000,Shaanxi)

Wavelet denoising of the soft thresholds,hard thresholds and soft and hard tradeoff thresholdsare andlyzed,and a wavelet threshold denoising method based on maximum energy entropy is proposed.Based on the maximum energy entropy The weighting factor in the improved threshold function is determined.According to the theory of maximum energy entropy,the weighting factor in the improved threshold function is determined.Blocks,Bumps and Droppler signals are filtered by three threshold functions.The results show that the performance of using wavelet threshold denoising method based on maximum energy entropy is superior to the other two methods,and has good denoising effect.

wavelet denoising;threshold function;maximum energy entropy

TP911.7

：A

：1674-0033（2017）04-0023-05

10.13440/j.slxy.1674-0033.2017.04.006

2017-04-16

商洛學院科研基金項目（16SKY-FWDF005）

張鑫，女，陜西商州人，碩士，助教