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

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

完整代码

python 复制代码

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

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

输出结果

系数结构：显示各级系数的长度（随分解层级递减）
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
误差指标 ：
- 均方误差（MSE）
- 最大绝对误差

应用场景

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

注意事项

边界效应：小波变换可能引入边界失真，可考虑：

python 复制代码

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

系数长度：重构后需截取原信号长度
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