基于matlab的小波变换遥感图像融合的文档，适合遥感方面的人员阅读。

基于小波变换尺度间相关性的去噪 信号与噪声的小波变换在各尺度下的不同传播特性表明，信号的小波变换在各尺度间有较强的相关性，而且在边缘处具有很强的相关性；而噪声的小波变换在各尺度间确没有明显的相关性，而且，噪声的小波变换主要集中在小尺度各层次中。

代码实现论文任意阶的二维离散小波变换，正反变换。 代码实现论文任意阶的二维离散小波变换，正反变换。 代码实现论文任意阶的二维离散小波变换，正反变换。 代码实现论文任意阶的二维离散小波变换，正反变换。

这个项目致力于我关于图像压缩的研究生工作。 该算法基于离散小波变换（DWT）。 在这里你可以找到一些与离散小波变换、循环扩展、Haar 小波滤波器、LeGall 5/3 滤波器相关的代码。 这是幻灯片和我的文凭。 语言：俄语。 @另见了解更多小波和其他变换实现

在信号处理中，小波变换效果受到整形参数、小波长度、中心频率、频带宽度及小波个数等参数的制约，特别是整形参数与小波中心频率及频带之间关系对小波变换起到决定性作用。在信号的实际处理中，可选取恰当的整形参数，同时采用合适的小波中心频率以避免小波变换对信号产生的遗漏和冗余，自适应连续小波变换就能达到此目的。

数值微分在各种应用中都很重要。 但是，应该谨慎对待，因为它可以极大地放大数据中的噪声，尤其是在高频下。 当小波函数是平滑函数的导数时，小波变换具有平滑和微分的综合性质。

努力打造csdn的0资源库，欢迎大家下载。VC++实现提升小波算法的。

心电图的小波变换 (a) 原始心电信号 (b) 21尺度 (c) 25尺度 ms ms ms uV 图1：心电图的二次样条小波变换结果。 （a）：原始信号， （b）：21尺度， （c）：25尺度 传统信号处理适用于平稳信号或时不变信号。对于统计特性随时间变化的非平稳信号，应采用时频分析。

Mallat算法的Matlab实现 dwt() [cA,cD] = dwt(X,Lo_D,Hi_D) [cA,cD] = dwt(X,Lo_D,Hi_D,'mode',MODE) X 的长度为 , 滤波器的长度为 对于周期延拓方式，cA，cD的长度均为 对于其他延拓方式，cA，cD的长度均为 idwt() X = idwt(cA,cD,Lo_R,Hi_R) X = idwt(cA,cD,Lo_R, Hi_R ，'mode',MODE) 对于周期延拓方法， 对于其他延拓方式， 特点: 能够实现重构. 难以用于数据压缩应用

医学超声图像的增强与去噪一直是医学图像处理的重要课题，针对传统超声图像增强处理算法的不足，本文提出一种基于小波分析理论和模糊理论的超声图像增强与去噪算法，首先对医学超声图像进行对数变换，将乘性噪声转换成加性噪声；然后再对超声图像进行多尺度小波变换，得到图像的高频和低频小波系数；再对低频系数进行模糊域增强，对高频系数进行小波软阈值去噪；最后通过小波重构得到增强后的图像。实验证明，该算法能有效增强超声图像的视觉效果，去除噪声，具有一定的应用价值和意义。