小波变换的程序，能够同时得到信号时域频域的信息，并且保证高分辨率

用C语言实现的常用小波变换的源码，希望有用。

提出了一种基于离散小波变换(DWT) 和离散余弦变换(DCT) 的音频信息隐藏的新算法。 首先，对载体音频信号整体进行小波分解，将其低频小波系数分段后进行离散余弦变换； 其次根据人 耳听觉的频率掩蔽效应，选择出对人耳听觉容差最大的直流系数组成序列并分段；最后通过修改各段 统计特征来嵌入水印。实验表明，嵌入水印后的语音信号不仅具有良好的不可感知性，而且对诸如加 噪、低通滤波、重采样、重量化、回声、MP3 压缩、样点裁剪、时域线性延伸和缩短等的攻击具有很强的 鲁棒性。

用振动信号的小波变换监测泥浆泵的吸入状态.rar

离散小波变换的c语言，对于理解离散小波变换具有重要作用！

基于MATLAB，针对一维信号（可用matlab工具箱自带信号sumsin.mat），实现一维离散小波变换，选用Daubechies小波（如db3）函数，进行五层分解，并对第5层到第1层的低频、高频系数分别进行重构。

f1=50; % 频率1 f2=100; % 频率2 fs=2*(f1+f2); % 采样频率 Ts=1/fs; % 采样间隔 N=120; % 采样点数 n=1:N; y=sin(2*pi*f1*n*Ts)+sin(2*pi*f2*n*Ts); % 正弦波混合 figure(1) plot(y); title('两个正弦信号') figure(2) stem(abs(fft(y))); title('两信号频谱') %% 2.小波滤波器谱分析 h=wfilters('db30','l'); % 低通 g=wfilters('db30','h'); % 高通 h=[h,zeros(1,N-length(h))]; % 补零（圆周卷积，且增大分辨率变于观察） g=[g,zeros(1,N-length(g))]; % 补零（圆周卷积，且增大分辨率变于观察） figure(3); stem(abs(fft(h))); title('低通滤波器图'); figure(4); stem(abs(fft(g))); title('高通滤波器图') %% 3.MALLET分解算法(圆周卷积的快速傅里叶变换实现) sig1=ifft(fft(y).*fft(h)); % 低通(低频分量) sig2=ifft(fft(y).*fft(g)); % 高通(高频分量) figure(5); % 信号图 subplot(2,1,1) plot(real(sig1)); title('分解信号1') subplot(2,1,2) plot(real(sig2)); title('分解信号2') figure(6); % 频谱图 subplot(2,1,1) stem(abs(fft(sig1))); title('分解信号1频谱') subplot(2,1,2) stem(abs(fft(sig2))); title('分解信号2频谱') %% 4.MALLET重构算法 sig1=dyaddown(sig1); % 2抽取 sig2=dyaddown(sig2); % 2抽取 sig1=dyadup(sig1); % 2插值 sig2=dyadup(sig2); % 2插值 sig1=sig1(1,[1:N]); % 去掉最后一个零 sig2=sig2(1,[1:N]); % 去掉最后一个零 hr=h(end:-1:1); % 重构低通 gr=g(end:-1:1); % 重构高通 hr=circshift(hr',1)'; % 位置调整圆周右移一位 gr=circshift(gr',1)'; % 位置调整圆周右移一位 sig1=ifft(fft(hr).*fft(sig1)); % 低频 sig2=ifft(fft(gr).*fft(sig2)); % 高频 sig=sig1+sig2; % 源信号 %% 5.比较 figure(7); subplot(2,1,1) plot(real(sig1)); title('重构低频信号'); subplot(2,1,2) plot(real(sig2)); title('重构高频信号'); figure(8); subplot(2,1,1) stem(abs(fft(sig1))); title('重构低频信号频谱'); subplot(2,1,2) stem(abs(fft(sig2))); title('重构高频信号频谱'); figure(9) plot(real(sig),'r','linewidth',2); hold on; plot(y); legend('重构信号','原始信号') title('重构信号与原始信号比较') f1=50; % 频率1 f2=100; % 频率2 fs=2*(f1+f2); % 采样频率 Ts=1/fs; % 采样间隔 N=120; % 采样点数 n=1:N; y=sin(2*pi*f1*n*Ts)+sin(2*pi*f2*n*Ts); % 正弦波混合 figure(1) plot(y); title('两个正弦信号') figure(2) stem(abs(fft(y))); title('两信号频谱') %% 2.小波滤波器谱分析 h=wfilters('db30','l'); % 低通 g=wfilters('db30','h'); % 高通 h=[h,zeros(1,N-length(h))]; % 补零（圆周卷积，且增大分辨率变于观察） g=[g,zeros(1,N-l

这是关于小波变换的多聚焦图像融合的MATLAB代码，针对不同的频率域选择了不同的融合规则

该算法，是通过小波变化的方法，识别出了心电信号的中RR波，同时通过求取极值来确定PT波的位置。希望对那些在学习人工智能医疗的这块的有所帮助！

该源代码又称双树复小波变换源代码,它不仅具有Gabor变换的六个方向选择性,而且有更小的冗余度