基于小波包分解的高光谱影像去噪方法
去除图像的噪声要在保留图像细节信息的基础上尽可能的去除掉图像的噪声污染，利用小波包理论既可以实现降低噪声信息，又可以较大程度地保留图像的细节部分信息。
小波包能量法是一种常用的小波特征提取方法。
滤波方法是用小波包变换可以识别和确定信号所包含的频率成分，从而滤除噪声或不需要的频率成分，保留所需要的信号，达到滤波的目的。去噪是将信号进行小波包变换，将最佳小波包基下的小波包系数进行阈值化处理，然后重构信号以实现去噪。小波包阈值去噪对高信噪比信号比较有效。
基于小波阈值的去噪方法3个步骤：1：计算含噪声图像的小波变换。选择合适的小波基和小波分解层数j，运用matlab 分解算法将含有噪声图像进行j层小波分解，得到相应的小波分解系数。
小波阙值去噪应该选择大于阙值的高频成分吗
1、小波阙值去噪应该选择大于阙值的高频成分 降噪步骤：（1）一维信号的小波分解。选择一个小波并确定分解的层次，然后进行分解运算。（2）小波分解高频系数的阈值量化。对各个分解尺度下得高频系数选择阈值进行软阈值量化处理。（3）一维小波重构。根据小波分解的最底层低频系数和各高频系数进行一维小波重构。
小波去噪的基本原理及其实现方法(Matlab)
利用小波分析对监测采集的信号进行去噪处理，可以恢复原始信号。小波去噪主要包括以下三种方法： 强制去噪处理：通过设置小波系数为零来去除噪声。 默认阈值去噪：使用ddencmp()函数获得信号的默认阈值，使用wdencmp()函数实现去噪过程。 给定软阈值去噪：根据经验给出软阈值数，对信号进行去噪处理。
：基于小波变换摸极大值原理 2：基于小波变换系数的相关性 3：基于小波阈值的去噪。基于小波阈值的去噪方法3个步骤：1：计算含噪声图像的小波变换。选择合适的小波基和小波分解层数j，运用matlab 分解算法将含有噪声图像进行j层小波分解，得到相应的小波分解系数。
去噪有很多种方法，现在小波去噪最为常用，在matlab中有自带的函数进行小波去噪，简单易行。最常用且简单的是阈值去噪，用函数ddencmp()生成信号的默认阈值，然后利用函数wdencmp()进行去噪。
降噪步骤：（1）一维信号的小波分解。选择一个小波并确定分解的层次，然后进行分解运算。（2）小波分解高频系数的阈值量化。对各个分解尺度下得高频系数选择阈值进行软阈值量化处理。（3）一维小波重构。根据小波分解的最底层低频系数和各高频系数进行一维小波重构。
TPTR=minimaxi，用极大极小原理选择阈值。阈值选择规则基于模型 y = f(t) + e，e是高斯白噪声N(0，1)。函数wbmpen的调用格式如下：THR=wbmpen(C，L，SIGMA，ALPHA)；THR=wbmpen(C，L，SIGMA，ALPHA)返回去噪的全局阈值THR。
小波阈值去噪理论--最详细易懂
1、在信号处理的世界里，小波阈值去噪算法是一种强大的工具，它通过巧妙地结合小波变换和阈值处理，有效地从噪声中提取出关键信息。小波，以其独特的“小”（紧支集）和“波动性”特性，提供了超越短时傅立叶变换（STFT）的局部化时频分辨率。
2、小波阈值去噪理论是处理含噪声数据的一种有效手段，其基本思想是通过小波分解，识别并选择性重构信号中的关键信息，去除噪声成分。小波分析，特别是连续小波变换，因其局部化和去数据相关性的特性，能将信号能量集中于大系数，噪声则分布广泛。
3、强制去噪处理：通过设置小波系数为零来去除噪声。 默认阈值去噪：使用ddencmp()函数获得信号的默认阈值，使用wdencmp()函数实现去噪过程。 给定软阈值去噪：根据经验给出软阈值数，对信号进行去噪处理。
4、具体的阈值去噪步骤包括：对原始信号进行小波分解，对系数进行阈值处理，最后通过重构得到去噪后的信号。常用的阈值函数包括硬阈值函数和软阈值函数。硬阈值处理函数能更彻底地去除噪声，但可能导致信号细节损失；软阈值处理则能较好地保留信号细节，但可能保留一些噪声。
5、算法简单明了，适用范围不是很广泛。小波阈值去噪大的优点是算法简单明了，计算速度快，若N为信号的长度，则其计算速度是O。小波阈值去噪的缺点是适用范围不是很广泛，其对于特定情况下已知道噪声的频率范围且信号和噪声的频带相互分离时非常有效。