小波变换方面的，haar小波变换在图像压缩上面的应用的matlab编程.

基于Haar小波变换和KNN算法的DSP人脸识别源码，环境为用C5509A的DSP芯片

针对传统的模板匹配方法在低对比度的图像中匹配不到目标物体和匹配计算量大等问题，提 出一种基于离散 Haar 小波变换和形状模板的图像快速匹配算法。首先，使用 Haar 小波对图像进行 分解操作，将分解的低频信号重构得到压缩图像，以减少匹配计算量; 其次，使用形状模板对压缩图 像进行匹配，设计出 Haar 小波图像压缩和形状模板匹配相结合的算法及程序。最后，经大量实验结 果证实: 所提出的算法不仅匹配速度快，精度高，而且匹配结果不受遮蔽、混乱和非线性光照变化等 情况的影响，适宜于在复杂环境中进行图像提取、工件识别等。

对图像进行haar小波变换的图像系数数据和对应的图片

matlab开发-Haar小波变换矩阵化。创建Haar小波变换矩阵

Hilbert包络谱分析和Haar小波分析和数学形态学分析相对于时域无量纲参数分析、FFT分析方法，可以更好的观测出故障信号频率，分析故障类型。

为了提高虹膜识别的准确率，通过对虹膜图像进行处理，实现了对虹膜图像的准确定位，得到了增强的归一化图像；使用Haar小波变换进行了特征提取，通过采用K-means方法对小波特征数据进行聚类，实现了粗分类得到了小样本集虹膜图像；结合虹膜的纹理特点，通过使用Log-Gabor滤波器提取虹膜局部纹理特征，量化编码后形成了虹膜特征模板；然后在得到的小样本集内通过汉明距离计算虹膜特征模板的相似度，完成对虹膜图像的识别。实验结果表明，提出的虹膜识别方法有效地避免了虹膜匹配过程中因为虹膜数据库中种类多、数量多带来的计算量大、计算时间长的问题，提高了识别准确率。

这是简单Haar小波变换的程序，是将图像分解为四个分量。

本资源实验结果可以让初学小波者很好的了解小波每层的分解和重构过程，以便于进行后续的研究。

用简单的haar 小波对信号进行二层分解