Python实现信号小波分解与重构

使用Python中的PyWavelets库实现信号小波分解和重构

步骤说明

1. 导入库：使用pywt进行小波变换，numpy处理数据，matplotlib绘图
2. 生成示例信号：创建包含多个频率成分的合成信号
3. 小波分解：使用wavedec进行多级分解
4. 系数处理（可选）：可在此步骤修改系数（如去噪、压缩）
5. 信号重构：使用waverec重构信号
6. 结果可视化：比较原始信号与重构信号

完整代码

import pywt
import numpy as np
import matplotlib.pyplot as plt# 1. 生成示例信号
t = np.linspace(0, 1, 1000, endpoint=False)
signal = np.sin(2 * np.pi * 10 * t) + 0.5 * np.sin(2 * np.pi * 50 * t)
signal += 0.2 * np.random.randn(len(t))  # 添加噪声# 2. 小波分解参数设置
wavelet = 'db4'  # 使用Daubechies4小波
level = 4        # 分解层数# 3. 执行小波分解
coeffs = pywt.wavedec(signal, wavelet, level=level)
cA4, cD4, cD3, cD2, cD1 = coeffs  # 各级系数print(f"系数结构: {[c.shape for c in coeffs]}")# 4. (可选) 系数处理 - 这里演示简单的阈值去噪
threshold = 0.5  # 阈值大小
coeffs_thresh = [coeffs[0]]  # 保留近似系数
for i in range(1, len(coeffs)):# 对细节系数应用软阈值coeffs_thresh.append(pywt.threshold(coeffs[i], threshold, mode='soft'))# 5. 信号重构
reconstructed = pywt.waverec(coeffs_thresh, wavelet)# 确保信号长度一致（小波变换可能导致边界扩展）
reconstructed = reconstructed[:len(signal)]# 6. 结果可视化
plt.figure(figsize=(12, 10))# 原始信号
plt.subplot(4, 1, 1)
plt.plot(t, signal)
plt.title("原始信号 (含噪声)")
plt.grid(True)# 分解系数
plt.subplot(4, 1, 2)
for i, coeff in enumerate(coeffs_thresh):if i == 0:plt.plot(coeff, 'r', label=f'cA{level}')else:plt.plot(coeff, label=f'cD{level-i+1}')
plt.title("小波系数 (阈值处理后)")
plt.legend()
plt.grid(True)# 重构信号
plt.subplot(4, 1, 3)
plt.plot(t, reconstructed)
plt.title("重构信号 (去噪后)")
plt.grid(True)# 重构误差
plt.subplot(4, 1, 4)
plt.plot(t, signal - reconstructed, 'r')
plt.title("重构误差")
plt.grid(True)plt.tight_layout()
plt.show()# 计算重构误差
mse = np.mean((signal - reconstructed)**2)
print(f"均方误差 (MSE): {mse:.6f}")
print(f"最大绝对误差: {np.max(np.abs(signal - reconstructed)):.6f}")

关键参数说明

1. 小波基选择：

   • 'db4'：Daubechies 4阶小波（常用）
   • 其他选项：'haar', 'sym5', 'coif3'等（根据信号特性选择）

2. 分解层数：

   • 通常选择使最低频分量有足够代表性的层数
   • 最大层数限制：level <= pywt.dwt_max_level(len(signal), wavelet)

3. 阈值处理：

   • soft阈值：$T(x)=\text{sign}(x)(|x|-\text{threshold}{)}_{+}$
   • hard阈值：$T(x)=x\cdot \mathbb{I}(|x|>\text{threshold})$
   • 阈值选择方法：threshold = np.std(coeff) * np.sqrt(2*np.log(len(signal)))

输出结果

1. 系数结构：显示各级系数的长度（随分解层级递减）
2. 四部分可视化：
   • 含噪声的原始信号
   • 阈值处理后的各级系数
   • 重构后的去噪信号
   • 重构误差曲线
3. 误差指标：
   • 均方误差（MSE）
   • 最大绝对误差

应用场景

1. 信号去噪：通过阈值处理细节系数
2. 特征提取：分析各级系数获取时频特征
3. 数据压缩：保留重要系数，丢弃小系数
4. 奇点检测：利用细节系数定位突变点

注意事项

1. 边界效应：小波变换可能引入边界失真，可考虑：

   # 使用周期模式减少边界效应
   coeffs = pywt.wavedec(signal, wavelet, level=level, mode='per')
   

2. 系数长度：重构后需截取原信号长度

3. 小波选择：不同小波适用于不同信号类型，需实验确定最优基