第9章小波变换基础
- 格式:ppt
- 大小:567.50 KB
- 文档页数:54
毕业设计题目:基于脊波变换的图像去噪研究所在专业:电子信息科学与技术学生签字: _______________导师签字: _______________摘要图像中的噪声影响图像的输入、采集、处理的各个环节以及输出的全过程,尤其是图像输入、采集中的噪声必然影响处理全过程以至最终结果,因此在图像预处理中必须减少图像中的噪声。
本文以脊波变换为研究对象,论述了脊波变换在图像处理中的应用。
分别论述了小波变换和脊波变换基本理论,基于脊波变换的图像去噪以及图像融合。
首先,在分析小波变换理论的基础上,结合小波变换的优缺点,为了克服小波变换在图像处理中的不足,介绍了脊波变换的基本理论。
其次,针对图像去噪中常用阈值方法的缺点和不足,提出了一种基于脊波变换的改进的图像去噪算法,该算法采用指数型阈值函数,利用sureshrink自适应阈值。
最后,将脊波变换的思想应用于图像融合,采用区域方差的融合规则,得到了一种基于有限脊波变换的图像融合算法。
实验结果表明,基于脊波变换的图像去噪和融合方法具有比小波变换更好的效果。
关键词:脊波变换小波变换图像去噪图像融合ABSTRACTThe image of the noise impact of the input, collecting, processing, output of the whole process, especially the image of the input, sources of noise is dealt with and influence the whole process and ultimate in image preprocessing, so we must reduce the noises in the imageThis paper deals with Ridelet Transform in processing, which involves the basic theory of Wavelet Transform and Ridelet Transform, finite Ridelet transform in image denoising and in image fusion. Firstly, depending on transform, for basic theory of Ridelet transform. Secondly, a improvement of image denoising algorithm based Ridelet transform is presented to overcome the disadvantage and deficiency of the common threshold method at image denoising. The exponential threshold function and the adaptive SureShrink threshold value are applied into this approach. Thirdly, Ridelet transform is applied in image fusion, adopted the fusion rule of regional variance, an image fusion algorithm based on finite Ridelet transform has appeared. The results of experiment indicate based on Ridelet gain better effects than wavelet transform.Key words:Ridelet transform wavelet transform Image Denoising Image Fusion目录摘要 (I)ABSTRACT (III)第1章绪论 (3)1.1 图像中的噪声及去噪方法概述 (3)1.1.1 图像中的噪声 (3)1.1.2 图像去噪方法概述 (4)1.2 小波的发展现状及应用前景 (4)1.3 脊波的发展现状及应用前景 (5)1.4 论文的研究内容与组织结构 (6)第2章图像去噪及其发展 (7)2.1 传统去噪方法 (7)2.2 小波变换图像去噪方法 (7)2.2.1 小波去噪发展历程 (7)2.2.2 小波去噪方法 (8)2.3 本章小结 (10)第3章小波分析基本理论 (11)3.1 小波变换基本理论 (11)3.1.1 连续小波变换 (11)3.1.2 离散小波变换 (12)3.1.3 二进小波变换 (12)3.1.4 多分辨分析 (12)3.1.5 Mallat算法 (13)3.1.6 图像的小波变换 (14)3.2 本章小结 (18)第4章脊波变换 (19)4.1 脊波变换基本理论 (19)4.1.1 连续脊波变换 (19)4.1.2 离散脊波变换 (20)4.2 脊波变换的实现 (20)4.3 Ridgelet变换与Wavelet变换的联系 (21)4.4 有限Radon变换 (23)4.5 数字脊波变换 (25)4.5.1 脊波变换的数字实现 (26)4.6 本章小结 (26)第5章脊波图像去噪 (27)5.1 基于软硬折中的多阈值脊波图像去噪 (27)5.1.1 脊波变换图像去噪机理 (27)5.1.2 图像奇异性 (27)5.1.3 常用的阈值处理方法 (28)5.1.4 改进的阈值处理方法一软硬阈值折中法 (28)5.1.5 多阈值的确定 (29)5.1.6 基于软硬折中的多阈值脊波去噪算法 (30)5.2 实验结果与分析 (30)5.3 本章小结 (35)结论 (36)参考文献 (37)致谢 (39)附录 (40)第1章绪论1.1 图像中的噪声及去噪方法概述1.1.1 图像中的噪声噪声是图象干扰的重要原因。
小波变换分类-回复什么是小波变换?小波变换是一种数学方法,用于处理信号与图像的分析与处理。
它以时间频率双尺度分析为基础,适用于处理非平稳信号,如噪声、震荡等变化频率的信号。
小波变换的理论基础源于数学分析中的波动理论,通过将信号与一组基函数(小波)进行卷积运算得到信号在不同尺度下的时频信息。
为什么需要小波变换?在许多实际应用中,信号往往是非平稳的,其频率成分随着时间变化。
传统的傅里叶变换仅适用于平稳信号,无法准确捕捉非平稳信号的时频特征。
而小波变换可以在不同尺度上对信号进行分解与重构,可以提供信号的时频局部信息,更加适用于复杂信号的分析。
小波变换的基本原理是什么?小波变换的基本原理是将原始信号通过一组小波基函数进行分解与重构。
小波基函数是一组满足正交性与紧支性条件的函数。
小波变换的过程可以分为两步:分解和重构。
在分解过程中,原始信号经过低频通道和高频通道滤波得到不同尺度的近似信号和细节信号。
重构过程则是通过将不同尺度的近似信号和细节信号进行逆滤波和下采样操作,将分解得到的信号重构为原始信号。
小波变换有哪些常用的类型?小波函数有多种类型,常见的有莫尔小波、哈尔小波、Daubachies小波等。
不同类型的小波函数在时频描述能力、变换性质等方面具有不同的特点。
选择合适的小波函数可以更好地适应不同信号的特征。
此外,小波变换还可以根据其变换的特性分类,主要包括连续小波变换和离散小波变换。
连续小波变换适用于连续信号的处理,而离散小波变换则适用于离散信号的处理。
小波变换有哪些应用领域?小波变换广泛应用于信号与图像处理的各个领域。
在信号处理中,小波变换可以用于信号的降噪、压缩、边缘检测等。
在图像处理中,小波变换可以用于纹理特征提取、图像压缩、图像增强等。
此外,小波变换还可以应用于机器学习、语音处理、医学图像等领域。
小波变换有哪些优点和局限性?小波变换具有多尺度分析、时频局部化、适应非平稳信号等优点。
它可以提供更丰富的时频信息,并且可以通过选择不同的小波函数来适应不同类型的信号。
《数字图像处理》教学大纲
一、课程简介
数字图像处理是机器视觉、模式识别、医学图像处理等的基础,本课程为工程专业的学生提供数字图像处理的基本知识,是理论性和实践性都很强的综合性课程。
课程内容广泛涵盖了数字图像处理的基本原理,包括图像采样和量化、图像算术运算和逻辑运算、直方图、图像色彩空间、图像分割、图像形态学、图像频域处理、图像分割、图像降噪与图像复原、特征提取与识别等。
二、课程目标
通过本课程学习,学生可以掌握数字图像处理的基本方法,具备一定的解决图像处理应用问题的能力,培养解决复杂工程问题的能力。
具体目标如下:
1.掌握数字图像处理的基本原理、计算方法,能够利用专业知识并通过查阅资
料掌握理解相关新技术,对检测系统及处理流程进行创新性设计;
2.能够知晓工程领域中涉及到的数字图像处理技术,理解其适用场合、检测对
象及条件的限制,能根据给定的目标要求,针对工业检测中的工程问题选择和使用合适的技术和编程,进行仿真和分析;
3.能够知晓工程领域中所涉及的现代工具适用原理及方法,根据原理分析和仿
真结果,进行方案比选,确定设计方案,具有检测算法的设计能力;
4.通过校内外资源和现代信息技术,了解数字图像处理发展趋势,提高解决复
杂工程问题的能力。
三、课程目标对毕业要求的支撑关系
四、理论教学内容及要求
四、实验教学内容及要求
五、课程考核与成绩评定
六、教材及参考书。
1《多媒体技术基础》第3版练习与思考题参考答案林福宗清华大学计算机科学与技术系2008-2-15linfz@第1章多媒体技术概要1.4 无损压缩是什么?无损压缩是用压缩后的数据进行重构(也称还原或解压缩),重构后的数据与原来的数据完全相同的数据压缩技术。
无损压缩用于要求重构的数据与原始数据完全一致的应用,如磁盘文件压缩就是一个应用实例。
根据当前的技术水平,无损压缩算法可把普通文件的数据压缩到原来的1/2~1/4。
常用的无损压缩算法包括哈夫曼编码和LZW等算法。
1.5 有损压缩是什么?有损压缩是用压缩后的数据进行重构,重构后的数据与原来的数据有所不同,但不影响人对原始资料表达的信息造成误解的数据压缩技术。
有损压缩适用于重构数据不一定非要和原始数据完全相同的应用。
例如,图像、视像和声音数据就可采用有损压缩,因为它们包含的数据往往多于我们的视觉系统和听觉系统所能感受的信息,丢掉一些数据而不至于对图像、视像或声音所表达的意思产生误解。
第2章无损数据压缩2.4 现有5个待编码的符号,它们的概率见练习表2-2。
计算该符号集的:(1) 熵;(2)霍夫曼码;(3) 平均码长。
(1) 熵Σ =-0.4×(0.4)-2×0.2*(0.2)-2×0.1(0.1) 2log2log2log 21()()log()niii Hapapa==−=0.4×1.3219+0.4×2.3219+0.2×3.3219=0.5288+-0.9288+0.6644=2.1220 (位) (2) 编码树和霍夫曼码练习图2-1 编码树代码分配不唯一(3) 平均码长L=0.4+0.4+0.6+0.4+.04=2.2(位/符号)第3章数字声音编码3.1 音频信号的频率范围大约多少?话音信号频率范围大约多少?(1) Audio: 20~20000 Hz(2) Speech: 300~3400 Hz3.4 采样频率根据什么原则来确定?奈奎斯特理论和声音信号本身的最高频率。
四层小波变换
摘要:
一、引言
二、小波变换的基本概念
三、四层小波变换的原理
四、四层小波变换的应用领域
五、总结
正文:
一、引言
小波变换是一种在时频域上同时进行的信号分析方法,广泛应用于图像处理、语音处理、信号分析等领域。
四层小波变换是小波变换的一种重要形式,具有较高的信号分析能力和应用价值。
二、小波变换的基本概念
小波变换是一种基于小波基函数的信号分析方法,其基本思想是将信号分解成一系列小波基函数的线性组合,从而得到信号的频域表示。
小波基函数是一种具有局部特性的函数,能够有效地反映信号的局部特征,因此小波变换具有较高的时频分析能力。
三、四层小波变换的原理
四层小波变换是一种基于四层小波基函数的信号分析方法,其原理是将信号分解成一系列四层小波基函数的线性组合。
四层小波基函数是一种具有四层结构的小波基函数,能够更加细致地反映信号的局部特征,因此四层小波变换
具有更高的时频分析能力和信号重构能力。
四、四层小波变换的应用领域
四层小波变换在图像处理、语音处理、信号分析等领域都具有广泛的应用。
例如,在图像处理领域,四层小波变换可以用于图像的压缩、去噪、边缘检测等任务;在语音处理领域,四层小波变换可以用于语音的压缩、去噪、语音识别等任务;在信号分析领域,四层小波变换可以用于信号的时频分析、去噪、特征提取等任务。
五、总结
四层小波变换是一种具有较高信号分析能力和应用价值的信号分析方法,广泛应用于图像处理、语音处理、信号分析等领域。
第五章 小波变换 Wavelet Transform小波理论是20世纪80年代后期发展起来的一门新兴应用数学分支,在法国学者莫列特(J.morlet )马莱特(S.Mallat )杜比垂丝(I.Daubechies )努力下,小波理论及其在工程中的应用迅猛发展,打破了积分变换领域长期以来付氏变换一统天下的格局,开创了一个划时代的局面。
小波变换被认为是信号分析工具和方法上的重大突破。
由于小波变换可看成是傅氏变换的发展,所以与傅氏变换一样具有极广的应用面。
目前,在通信、图像、语言、地震、雷达、声纳、机械振动分析、信号检测、特征提取、故障诊断、滤波、数据压缩等多方面都得到了应用。
小波变换的应用研究正方兴未艾。
小波变换之所以有如此好的局面,源于它具有的多分辨特性——多尺度特征,可以把小波变换看成是一组品质因数相同具有良好选频特性的带通滤波器,通过适当地选择尺度因子和平移因子和基本小波,可以得到一个伸缩窗使得小波变换在时域和频域都具有表征信号局部特征的能力——称为数学显微镜本章不对小波变换进行完整的数学讲述。
只从信号处理的角度对小波变换的基本理论和方法作一简单的介绍。
突出其定性的概念,建立起对小波的一点概念和兴趣,为今后的应用研究打下基础。
主要讲:连续小波变换、多分辨分析、Mallat 算法、小波包分析。
5.1 傅立叶变换到小波变换5.1.1傅立叶变换的局限性傅立叶变换: ()()j t x j x t e dt ωω∞--∞=⎰ (5-1) ()()12j t x t x e d ωωωπ∞-∞=⎰ (5-2)一个信号可表示成一系列正弦和余弦函数之和,叫做傅立叶展开式1.揭示了时间函数与频谱函数之间的内在联系(时域 频域)2.反映了信号在“整个”时间范围内的“全部”频谱成分。
注解:(1)积分区间都是无穷的,所以傅氏变换是对无穷区间函数的分析。
注解:(2)用傅氏变换的方法是提取信号频谱时,需要利用信号的全部时域信号。
数字信号处理教案第一章:数字信号处理概述1.1 数字信号处理的概念介绍数字信号处理的定义和特点解释信号的分类和数字信号的优势1.2 数字信号处理的发展历程回顾数字信号处理的发展历程和重要里程碑介绍数字信号处理的重要人物和贡献1.3 数字信号处理的应用领域概述数字信号处理在通信、音频、图像等领域的应用举例说明数字信号处理在实际应用中的重要性第二章:离散时间信号处理基础2.1 离散时间信号的概念介绍离散时间信号的定义和特点解释离散时间信号与连续时间信号的关系2.2 离散时间信号的运算介绍离散时间信号的基本运算包括翻转、平移、求和等给出离散时间信号运算的示例和应用2.3 离散时间系统的特性介绍离散时间系统的概念和特性解释离散时间系统的因果性和稳定性第三章:数字滤波器的基本概念3.1 数字滤波器的定义和作用介绍数字滤波器的定义和其在信号处理中的作用解释数字滤波器与模拟滤波器的区别3.2 数字滤波器的类型介绍不同类型的数字滤波器包括FIR、IIR、IIR 转换滤波器等分析各种类型数字滤波器的特点和应用场景3.3 数字滤波器的设计方法介绍数字滤波器的设计方法包括窗函数法、插值法等给出数字滤波器设计的示例和步骤第四章:离散傅里叶变换(DFT)4.1 离散傅里叶变换的定义和原理介绍离散傅里叶变换的定义和原理解释离散傅里叶变换与连续傅里叶变换的关系4.2 离散傅里叶变换的性质介绍离散傅里叶变换的性质包括周期性、对称性等给出离散傅里叶变换性质的证明和示例4.3 离散傅里叶变换的应用概述离散傅里叶变换在信号处理中的应用包括频谱分析、信号合成等举例说明离散傅里叶变换在实际应用中的重要性第五章:快速傅里叶变换(FFT)5.1 快速傅里叶变换的定义和原理介绍快速傅里叶变换的定义和原理解释快速傅里叶变换与离散傅里叶变换的关系5.2 快速傅里叶变换的算法介绍快速傅里叶变换的常用算法包括蝶形算法、Cooley-Tukey算法等给出快速傅里叶变换算法的示例和实现步骤5.3 快速傅里叶变换的应用概述快速傅里叶变换在信号处理中的应用包括频谱分析、信号合成等举例说明快速傅里叶变换在实际应用中的重要性第六章:数字信号处理中的采样与恢复6.1 采样定理介绍采样定理的定义和重要性解释采样定理在信号处理中的应用6.2 信号的采样与恢复介绍信号采样与恢复的基本概念解释理想采样器和实际采样器的工作原理6.3 信号的重建与插值介绍信号重建和插值的方法解释插值算法的原理和应用第七章:数字信号处理中的离散余弦变换(DCT)7.1 离散余弦变换的定义和原理介绍离散余弦变换的定义和原理解释离散余弦变换与离散傅里叶变换的关系7.2 离散余弦变换的应用概述离散余弦变换在信号处理中的应用包括图像压缩、信号分析等举例说明离散余弦变换在实际应用中的重要性7.3 离散余弦变换的快速算法介绍离散余弦变换的快速算法包括8x8 DCT算法等给出离散余弦变换快速算法的示例和实现步骤第八章:数字信号处理中的小波变换8.1 小波变换的定义和原理介绍小波变换的定义和原理解释小波变换与离散傅里叶变换的关系8.2 小波变换的应用概述小波变换在信号处理中的应用包括图像去噪、信号分析等举例说明小波变换在实际应用中的重要性8.3 小波变换的快速算法介绍小波变换的快速算法包括Mallat算法等给出小波变换快速算法的示例和实现步骤第九章:数字信号处理中的自适应滤波器9.1 自适应滤波器的定义和原理介绍自适应滤波器的定义和原理解释自适应滤波器在信号处理中的应用9.2 自适应滤波器的设计方法介绍自适应滤波器的设计方法包括最小均方误差法等给出自适应滤波器设计的示例和步骤9.3 自适应滤波器的应用概述自适应滤波器在信号处理中的应用包括噪声抑制、信号分离等举例说明自适应滤波器在实际应用中的重要性第十章:数字信号处理的综合应用10.1 数字信号处理在通信系统中的应用介绍数字信号处理在通信系统中的应用包括调制解调、信道编码等分析数字信号处理在通信系统中的重要性10.2 数字信号处理在音频处理中的应用介绍数字信号处理在音频处理中的应用包括声音合成、音频压缩等分析数字信号处理在音频处理中的重要性10.3 数字信号处理在图像处理中的应用介绍数字信号处理在图像处理中的应用包括图像滤波、图像增强等分析数字信号处理在图像处理中的重要性10.4 数字信号处理在其他领域的应用概述数字信号处理在其他领域的应用包括生物医学信号处理、地震信号处理等分析数字信号处理在其他领域中的重要性重点和难点解析重点环节1:数字信号处理的概念和特点数字信号处理是对模拟信号进行数字化的处理和分析数字信号处理具有可重复性、精确度高、易于存储和传输等特点需要关注数字信号处理与模拟信号处理的区别和优势重点环节2:数字信号处理的发展历程和应用领域数字信号处理经历了从早期研究到现代应用的发展过程数字信号处理在通信、音频、图像等领域有广泛的应用需要关注数字信号处理的重要人物和里程碑事件重点环节3:离散时间信号处理基础离散时间信号是数字信号处理的基础需要关注离散时间信号的定义、特点和运算方法理解离散时间信号与连续时间信号的关系重点环节4:数字滤波器的基本概念和类型数字滤波器是数字信号处理的核心组件需要关注数字滤波器的定义、类型和设计方法理解不同类型数字滤波器的特点和应用场景重点环节5:离散傅里叶变换(DFT)离散傅里叶变换是数字信号处理中的重要工具需要关注离散傅里叶变换的定义、性质和应用理解离散傅里叶变换与连续傅里叶变换的关系重点环节6:快速傅里叶变换(FFT)快速傅里叶变换是离散傅里叶变换的优化算法需要关注快速傅里叶变换的定义、算法和应用理解快速傅里叶变换与离散傅里叶变换的关系重点环节7:数字信号处理中的采样与恢复采样与恢复是数字信号处理的关键环节需要关注采样定理的重要性、信号的采样与恢复方法理解插值算法的原理和应用重点环节8:数字信号处理中的离散余弦变换(DCT)离散余弦变换是数字信号处理中的另一种重要变换需要关注离散余弦变换的定义、应用和快速算法理解离散余弦变换与离散傅里叶变换的关系重点环节9:数字信号处理中的小波变换小波变换是数字信号处理的另一种重要变换需要关注小波变换的定义、应用和快速算法理解小波变换与离散傅里叶变换的关系重点环节10:数字信号处理中的自适应滤波器自适应滤波器是数字信号处理中的高级应用需要关注自适应滤波器的定义、设计方法和应用领域理解自适应滤波器在信号处理中的重要性本教案涵盖了数字信号处理的基本概念、发展历程、离散时间信号处理、数字滤波器、离散傅里叶变换、快速傅里叶变换、采样与恢复、离散余弦变换、小波变换、自适应滤波器等多个重点环节。
摘要同步压缩小波变换(Synchrosqueezing Wavelet Transform,SSWT)是在小波变换(Wavelet Transform,CWT)基础上发展而来的时频分析方法,结合了重排算法的思想,可以获得较高的时频分辨率,同时可以实现信号的重构。
文中基于CWT和重排算法系统地介绍了SSWT的方法原理,并通过示例对其时频分析效果和重构效果进行了分析。
另外,针对与SSWT算法思想类似的几种改进和推广算法,如:压缩短时傅里叶变换、二阶压缩短时傅里叶变换以广义同步压缩变换等,文中对其方法原理一一进行了介绍,并用模型信号和实际地震信号进行了分析对比。
由于SSWT以CWT为基础,因此也一样受测不准原理限制,针对这一问题,本文将互补集合经验模态分解(Complementary Empirical Mode Decomposition,CEEMD)与SSWT结合,首先利用CEEMD将信号自适应分解为一系列的经验模态分量(Intrinsic Mode Function,IMF),然后根据各个分量频率范围采用不同的压缩小波系数,最后将各个分量的时频结果相加得到原信号的时频谱结果,从而改善SSWT的时频分辨率。
地震信号是典型的非平稳信号,SSWT可以获得良好的时频表征,因此该方法是对地震信号进行处理分析的有效工具。
文中基于该方法主要研究了以下几个方面的具体应用:基于SSWT的谱模拟反褶积提高地震资料分辨率;基于SSWT的Q估计和反Q补偿衰减地震信号;基于SSWT的随机噪声压制以及利用SSWT进行低频阴影检测。
通过模型和实际资料测试,并与其他方法对比,证明了该时频分析方法在地震资料处理中应用的有效性和优越性。
关键词:时频分析;同步压缩小波变换;提高分辨率;去噪;储层预测Synchrosqueezing Wavelet Transform and ItsApplication in Seismic Data ProcessingZhang Yan(School of Geosciences)Directed by Prof. Li ZhenchunAbstractSynchrosqueezing Wavelet Transform is a time-frequency analysis method developed on the basis of Wavelet Transform (CWT). Combining with the idea of Reassignment Method (RM), it can obtain higher time-frequency resolution and signal reconstruction at the same time.In this paper, the principle of SSWT is systematically introduced based on CWT and RM, and the effect of time-frequency analysis and reconstruction results are analyzed through examples. In addition, several improvements and generalizations similar to those of the SSWT algorithm, such as: synchrosqueezing short-time Fourier transform, second-order synchrosqueezing transform and generalized synchrosqueezing transform, etc. Introduced and compared using the model signal and the actual seismic signal.Since the SSWT is based on CWT, it is also subject to the principle of unqualified measurement. To solve this problem, this paper combines Complementary Empirical Mode Decomposition (CEEMD) with SSWT, and first uses CEEMD to decompose signals adaptively. For a series of empirical modal components (IMF), then use different compression wavelet coefficients according to the frequency range of each component, and finally add the time-frequency results of each component to obtain the time-frequency spectrum of the original signal, thereby improving the SSWT. Time-frequency resolution.Seismic signals are typical non-stationary signals. SSWT can obtain good time-frequency characterization. Therefore, this method is an effective tool for processing and analyzing seismic signals. Based on this method, the paper mainly studied the following applications: spectral modeling deconvolution based on SSWT to improve the resolution of seismic data; SSWT-based Q-estimation and anti-Q compensation for attenuated seismic signals; and SSWT-based noise suppression and utilization The SSWT performs low-frequency shadow detection. Through the model and real data tests, and compared with other methods, the validity andsuperiority of this time-frequency analysis method in seismic data processing are proved.Key words: time-frequency analysis; Synchrosqueezing Wavelet Transform; improving resolution; Denoising; Reservoir prediction.目录第一章绪论 (1)1.1选题的目的与意义 (1)1.2国内外研究现状 (1)1.3论文的研究内容及成果 (3)第二章同步压缩小波变换 (5)2.1常用时频分析方法 (5)2.1.1短时傅里叶变换 (5)2.1.2 连续小波变换 (6)2.1.3 广义S变换 (8)2.1.4 Wigner Ville分布及平滑伪Wigner Ville 分布 (9)2.1.5 时频分析方法效果对比分析 (11)2.2 SSWT (17)2.2.1 时频谱重排 (17)2.2.2 SSWT的基本原理 (18)2.3 SSWT时频分析及重构示例 (21)2.3.1 模型信号SSWT示例 (21)2.3.2实际地震信号SSWT示例 (23)2.4 小结 (25)第三章SSWT的推广及改进方法 (26)3.1 压缩短时傅里叶变换 (26)3.1.1 方法原理 (26)3.1.2 模型信号时频表征及重构示例 (27)3.1.3 实际地震信号时频表征及重构示例 (28)3.2 二阶压缩短时傅里叶变换 (30)3.2.1 方法原理 (30)3.2.2 模型信号示例 (31)3.2.3 实际地震信号示例 (32)3.3 广义同步压缩变换 (34)3.3.1 广义解调 (34)3.3.2 广义同步压缩变换的原理 (35)3.3.3 模型信号示例 (37)3.4 小结 (39)第四章基于CEEMD的同步压缩小波变换 (41)4.1 CEEMD (41)4.1.1 CEEMD及算法流程 (41)4.1.2 CEEMD分解测试 (43)4.2 基于CEEMD分解的同步压缩小波变换 (46)4.2.1 方法原理 (46)4.2.2 模型信号测试 (49)4.2.3 实际地震信号测试 (50)4.3 小结 (51)第五章SSWT在地震数据处理中的应用 (53)5.1 基于SSWT的时变谱模拟反褶积提高地震资料分辨率 (53)5.1.1 谱模拟反褶积方法原理 (53)5.1.2 基于SSWT的谱模拟反褶积 (54)5.1.3 实际地震资料测试 (57)5.2 基于SSWT的Q提取及反Q补偿 (59)5.2.1 Q提取及反Q补偿原理 (59)5.2.2 基于SSWT的Q提取及反Q补偿模型测试 (61)5.2.3 实际地震资料测试 (68)5.3 基于SSWT压制随机噪声 (70)5.3.1 方法原理 (70)5.3.2 模型信号测试 (71)5.3.3 实际地震资料测试 (73)5.4 基于SSWT的谱分解低频阴影检测 (75)5.4.1 模型资料测试 (75)5.4.2 实际地震资料测试 (77)5.5 小结 (79)结论与讨论 (80)参考文献 (81)攻读硕士期间取得的学术成果 (86)致谢 (87)中国石油大学(华东)硕士学位论文第一章绪论1.1选题的目的与意义地震波在地下介质中传播时,会发生吸收衰减及散射等现象,这都和频率相关,这导致接受到的地震波时频关系较为复杂,为典型的非平稳信号。