小波算法种类

Ⅰ 几种常见的正交小波

（1）Harr小波见［例6-1］。

（2）Littlewood-Paley基，它的数学表示式为

ψ_LP（t）=（πt）^-1（sin2πt-sinπt） （6-99）

当t→∞时，它的振幅按

速度衰减，因此，其时域局域化性质差。但它的傅氏变换为

地球物理信息处理基础

是一个紧支撑函数，因此该小波基具有良好的频域局域化性质，可以证明，它是L²（R）的一个标准正交基。

（3）Meyer小波，其尺度函数（在频域内的形式）为

地球物理信息处理基础

式中v（t）是满足下列条件

地球物理信息处理基础

的一个光滑函数｛可取v（t）=t⁴（35-84t+70t²-20t³）（0≤t≤1）｝。Φ（ω）的曲线见图6-20所示。

地球物理信息处理基础

地球物理信息处理基础

所构造标准正交小波为：

地球物理信息处理基础

曲线Ψ（ω）见图6-21所示。

（4）Batlle-Lemarie小波，尺度函数为一次样条函数时

地球物理信息处理基础

φ（t）的傅氏变换

如图6-22所示。尺度函数为二次样条函数时

地球物理信息处理基础

如图6-23所示。此时，φ（t）的傅氏变换为

地球物理信息处理基础

同样，还可利用N阶样条来构造正交的尺度函数和小波函数，这就是Battle—Lemarie小波函数系列。该小波系列有如下几个特点：

1）是非紧支集，即它们的定义域不是有限范围的；

2）样条函数阶次N越大，小波函数越光滑，其衰减就越缓慢。对指数衰减性要求而言，这种小波函数的光滑阶是有限的；

3）N阶样条函数的对称性与由它构造出的正交尺度函数φ（t）的对称性相同，但Battle-Lemarie系列小波函数ψ（t）都关于t=1/2对称。

图6-22 尺度函数为一次样条函数所构造Battle-Lemarie小波

图6-23 尺度函数为二次样条函数所构造Battle-Lemarie小波

（5）Daubechies紧支集正交小波

对于正交小波，我们希望它是有限支集的，以使Mallat算法（后面介绍）更快捷；希望它是光滑的，以便高精度地模拟和分析信号；希望它的时域和频域的局部化能力是很强的，以便在信号分析处理中发挥突出的作用。Ingrid Daubechies为此做出了杰出的贡献，她构造了Daubechies小波函数，所有有关小波分析的着作中都讨论和引用了Daubechies小波。虽说此小波没有明确的表达式（除一阶形式，即Haar小波外），但双尺度函数h的平方模有显式表达，即：假设

，其中

为二项式的系数，则有

地球物理信息处理基础

其中

，详细见本章最后一节。

Ⅱ 什么是“小波神经网络”能干什么用呀

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型。

 即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。

“小波神经网络”的应用：

1、在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高分辨率等。

2、在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。

3、在工程技术等方面的应用。包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。

(2)小波算法种类扩展阅读：

小波神经网络这方面的早期工作大约开始于1992 年，主要研究者是Zhang Q、Harold H S 和焦李成等。其中，焦李成在其代表作《神经网络的应用与实现》中从理论上对小波神经网络进行了较为详细的论述。近年来，人们在小波神经网络的理论和应用方面都开展了不少研究工作。

小波神经网络具有以下特点：首先，小波基元及整个网络结构的确定有可靠的理论根据，可避免BP 神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力。

Ⅲ 小波变换中，采用不同种类的小波，效果有什么不同

这个和小波基的性质有关啊~不同小波基的性质和波形都是不一样的。。可以根据你的需要进行选择，一般针对小波基的选择没有确定性的说法

Ⅳ 小波算法

Function wavelet(s,wname,n,options);
Begin
{
功能：
一维序列小波消噪。
参数：
s:一维序列
wname:小波函数名
现有小波函数名（小波函数的选取依靠经验）
Daubechies:
'db1' , 'db2', ... ,'db45' 'db1' 就是haar 小波函数

Coiflets :
'coif1', ... , 'coif5'
Symlets :
'sym2' , ... , 'sym8'
Biorthogonal:
'bior1.1', 'bior1.3' , 'bior1.5'
'bior2.2', 'bior2.4' , 'bior2.6', 'bior2.8'
'bior3.1', 'bior3.3' , 'bior3.5', 'bior3.7'
'bior3.9', 'bior4.4' , 'bior5.5', 'bior6.8'.
Reverse Biorthogonal:
'rbio1.1', 'rbio1.3' , 'rbio1.5'
'rbio2.2', 'rbio2.4' , 'rbio2.6', 'rbio2.8'
'rbio3.1', 'rbio3.3' , 'rbio3.5', 'rbio3.7'
'rbio3.9', 'rbio4.4' , 'rbio5.5', 'rbio6.8'.

n :分解层数
options ： 选项
选择字段说明
array('brief':1, // 默认为1 采用简单剔除高频谐波 达到消噪的目的
// 如果为 0 采用估计序列噪音标准差剔除噪音，
'sigma':0, // 为0 默认采用 序列的高阶谐波估计标准差；也可自己输入值
'which':1, // 以 某一层谐波作为噪音估计的数据，默认第一层
'alpha':2, // 阈值惩罚系数，默认为2
"thr":0, // 阈值大小，默认0 采用谐波估计，也可以直接给出
'sorh':'s', // 阈值方式设置，'s' 软阈值，'h'硬阈值 默认为's'
);

返回结果：
一维数字数组，消噪后的序列。
范例：
s := array(2484.82690429688,2479.05493164063,2482.34301757813,2437.794921875,
2447.7548828125,2512.962890625,2443.05688476563,2433.15893554688,
2393.18310546875,2415.05395507813,2392.06201171875,2365.34301757813,
2359.21997070313,2344.787109375,2348.51611328125,2420.00,2438.7900390625,
2431.375,2440.40209960938,2383.48510742188,2377.51196289063,2331.36596679688,
2317.27490234375,2370.3330078125,2409.67211914063,2427.47998046875,
2435.61401367188,2473.40991210938,2468.25,2470.01904296875,2504.10791015625,
2508.09008789063,2528.2939453125,2509.79907226563,2503.8359375,2524.9189453125,
2479.53588867188,2481.083984375,2528.71411132813,2529.76098632813,2466.958984375,
2463.0458984375,2416.56201171875,2415.1298828125,2412.625,2395.06494140625,
2397.55395507813,2380.22412109375,2383.03393554688,2412.39306640625,
2333.4140625,2386.86010742188,2360.6640625,2333.22900390625,2325.90502929688,
2332.72998046875,2329.82006835938,2315.27001953125,2291.544921875,2248.59008789063,
2228.52490234375,2180.89501953125,2224.84008789063,2218.23510742188,2215.92993164063,
2191.14794921875,2186.29711914063,2204.78393554688,2190.11010742188,2166.205078125,
2170.01293945313,2173.56103515625,2199.4169921875,2169.38989257813,2148.45190429688,
2163.39501953125,2225.88989257813,2285.74389648438,2276.0458984375,2275.01000976563,
2244.580078125,2206.19311523438,2298.3759765625,2266.38403320313,2296.07495117188,
2319.11791992188,2285.0380859375,2292.61010742188,2268.080078125,2312.55590820313,
2330.40502929688,2331.13598632813,2291.90209960938,2347.53002929688,2349.58911132813,
2351.98095703125,2351.85498046875,2344.77099609375,2366.70190429688,2356.86010742188,
2357.18090820313,2363.59692382813,2381.42993164063,2403.5869140625,2409.55395507813,
2439.6279296875,2447.05688476563,2451.85693359375,2428.48706054688,2426.11499023438,
2460.69311523438);
n := 2;
options := array('brief':1,'sigma':0,'which':1,'alpha':2,"thr":0,'sorh':'s');
return wavelet(s,wname,n,options) ;

天软数学组
20120627
}

if not ifarray(options) then options := array();
defaut := wavedefaut() union options;
cout := 4;
cl:=wavedec(s,n,wname); //小波分解
if defaut['brief']=1 then
ret :=wrcoef('a',cl[0],cl[1],wname,n);
else
begin
//***************小波消噪*************************************************
k := defaut['which']; //标准差估计选项 ，k 为 1 到 n的整数 默认为1；
if defaut['sigma']=0 then sigma := wnoisest(cl[0],cl[1],k);
else //通过小波第k层细节系数(谐波)估计 ，噪音标准差
sigma := defaut['segma'];
if defaut['alpha']=0 then alpha :=2; // alpha 惩罚因子 大于1 的数 一般为默认2；
else alpha := defaut['alpha'];
if defaut['thr']=0 then
thr := wbmpen(cl[0],cl[1],sigma,alpha); //噪音信号全局阈值
else thr := defaut['thr'];
sorh := defaut['sorh'];
ret:=wdencmp('gbl',cl[0],cl[1],wname,n,thr,sorh)[0]; //采用软阈值和近似信号进行消噪；
end //第一个参数为'gbl'为扩展接口备用，可以随意输入
return ret;
end;
function wavedefaut();
begin
return array('brief':1,'sigma':0,'which':1,'alpha':2,
"thr":0,'sorh':'s'
);

end

Ⅳ DB小波系数族中的各种小波都有什么特点适用于分析何种信号

Daubechies系列小波的特点是随着阶次增大，消失矩阶数越大，频带划分效果越好，但是会使时域紧支撑性减弱，同时计算量大大增加，实时性变差．因此，在进行阶次选择时，不但要注重算法本身的效果，也应兼顾算法的效率，以电力系统为例，对电网的谐波分析中．经过大量的实验分析比较发现，阶数较大的Daubechies系列小波，如Daubechies20等，在进行电力系统谐波分析时，虽然具有更好的频带划分效果，但同时显着增加了计算时间，达不到实时检测的要求；而阶数过小的Daubechies系列小波（如Db3），由于其消失矩阶数小，划分的频带比较粗糙，在电力系统谐波分析中将会带来较大误差．所以如何选择还要看情况而定！！

Ⅵ 基准面旋回的小波和频谱分析

高分辨率层序地层学理论的核心内容是“在基准面旋回变化过程中，由于可容纳空间与沉积物补给通量比值的变化，相同沉积体系域或相域中发生沉积物的体积分配作用和相分异作用所导致的沉积物保存程度、地层堆积样式、相序、相类型及岩石结构和组合类型发生的规律性变化”(Cross，1994)。由于基准面的变化是海平面、构造沉降、沉积物补给、沉积负荷补偿、沉积压实与沉积地形等各种因素变化的综合反映，因此，通过碎屑岩的厚度变化、粒度大小、有机质含量和沉积物类型及岩石的结构构造特征表现出来，而这些地质现象又被高分辨率的测井曲线记录下来，这就为利用数学方法定量分析旋回信息提供了依据。随着计算机技术的发展，数字信号处理、地学信息系统分析使得地质问题的定量化成为地学研究的热点之一。频谱分析和小波分析是进行基准面旋回定量分析的重要技术方法之一，二者均能从复杂的叠加信号提取相对独立的天文周期信息，为基准面旋回的分析提供重要的理论基础和技术支持。

一、小波分析原理

小波是一个衰减的波形，它在有限的区域里存在(不为零)，且其均值为零。小波是尖锐变化而且是不规则的波形，因此用小波能更好地刻画信号的局部特征。小波变换是小波分析的核心，设测井曲线为f(h)，小波变换的算法如下:

0

公式中ωf(i，j)为尺度i下刻度j处的小波系数;a为尺度参数，a=2－j;b=a·j。

采用低通和高通滤波器，求取低频系数CA₁和高频系数CD₁，然后再分解CA₁为CA₂和CD₂，再分解CA₂为CA₃和CD₃，如此类推(图4-16)，然后再对低频系数和高频系数进行重构高频信号D₃、D₂、D₁和低频信号A₃，分别得到不同频率的周期旋回。

图4-16一维小波变换三次分解与重构示意图

二、小波分析在高分辨率层序地层划分中的意义

1.识别转换基准面和剥蚀面

小波变换是傅里叶变换的发展，其实质是引入伸缩、平移思想，对不同频率成分自动地选取时域和取样步长，从而能够聚焦到物体的任意微小细节，因此小波变换被誉为“数学显微镜”。利用小波变换能够有效地检测包含非常重要的信息的奇异点和不规则点的信号。在测井信号中，奇异点常常代表地层信息变化剧烈点，如具有特殊意义的剥蚀面和转换基准面。因此利用小波变换的这一特点，可以很容易地识别测井曲线的剧变点以及剧变程度，分析出对于高分辨率层序划分具有特殊意义的剥蚀面和转换基准面，从而确定层序边界，如图4-17所示为鄂尔多斯盆地A16井延长组与富县组的分界线的位置为不整合界线，经小波变换后检测包含明显信息的奇异点信号，同样在湖泛面的位置也检测出不规则的信号。

图4-17A16井小波分析的延长组与富县组界面和旋回周期性识别

2.识别不完整基准面旋回周期

在地质过程中，存在众多的侵蚀、沉积物过而不沉和欠补偿沉积等作用，导致地质记录和保存的不完整性，测井信号所反映出的周期性、旋回性必然是残缺不全的。而传统的频谱分析方法，如经典的傅里叶变换，是对信号在整个时间域上的周期性进行分析，而不能弥补这些不完整的旋回记录。而小波分析对于地层中发育的单独的上升半旋回、下降半旋回和不对称旋回，可以实现对信号在时间域和频率域局部化分析，又如图4-17所示，在鄂尔多斯盆地A16井1860～2020m段的自然伽马测井曲线中，直观的分析曲线中以正旋回为主，逆旋回难以观察，经小波分析后，可以明显的分析出该井段的测井曲线包含2.5个较高频旋回，由此来看，小波分析为基准面旋回的识别提供了技术支持。

3.识别测井曲线的隐含周期

高分辨率等时地层对比的关键是识别地层记录中这些代表多级次基准面旋回的地层旋回，在基准面旋回的识别中，测井序列是迄今为止所能获得的分辨率最高、连续性最好的地质数据，其中蕴藏着丰富的地质信息。不同的测井数据在不同程度上记录着地质演化的历史，从不同侧面反映着地层形成演化的条件和影响因素，如海平面变化、古环境、古地理、古气候信息及其变化情况等，是了解地质过程的最好工具。但由于地质过程的多时间多尺度特征和各种串级过程，地层沉积序列实际上是各种地质周期沉积响应的叠加，再加上不确定因素和局部因素引起的随机波动的干扰，从测井曲线上很难直观地从测井信号中判读各种隐含周期。

图4-18叠加信号的小波分析分解图

小波分析技术可以把测井信号分解在任意精度的不同频带内(图4-18)，根据感兴趣的信号频带范围，把信号在一定尺度上分解，从而提取相应频带的信息，得到相应的地质周期(余继峰等，2003)，对信号中的低频成分，采用宽的时间窗，得到低的频率分辨率;对信号中的高频成分，采用窄的时间窗，得到高的频率分辨率(Daubechies，1991)。由此可以利用小波分析的这种自适应特征对测井曲线进行多尺度分析，选取信号中代表地质长周期的低频部分来确定大的层序地层旋回，中等频率用来确定中等的地层层序，高频部分则代表短周期的旋回，可以用于小层的精细对比和划分。如图4-18中的A曲线是一个由3个正弦函数f(t)=sin2πt+sin3πt+sin4πt组成的叠加信号，经过小波分析后能够将其分解为3个独立的信号，如图4-18中的曲线B、C和D，由此可见，小波分析可以用于测井曲线中隐含的旋回周期的识别。

三、频谱分析原理

1.频谱分析基本原理

快速傅里叶变换法(FFT)是频谱分析技术研究周期性最为常用的一种统计分析方法，主要通过对一复合波系进行傅里叶变换，将其分解成若干振幅和相位不同的间谐波，并找出其中振幅最大的波，即该复合波中的主要频率。

傅里叶变换函数常以连续函数得出，若变换函数为x(t)，则傅里叶变换由下式:

0

式中:t为时间;f代表频率。

在实际过程中，采样都是离散和有限的，如果是连续信号，在应用计算机处理时也需要进行截断并离散化，因此在实际数据处理时，都采用离散傅里叶变换，其变换公式如下:

假定有一段N项离散时间序列x_m，其离散傅里叶变换为

0

其中X_k称为频谱值，k=0，1，2，…，N－1。

快速傅里叶变换(FFT)是计算离散傅里叶变换(DFT)的一种快速算法，能迅速提高DFT的运算速度。FFT的算法种类很多，基于FFT算法中的频率抽选法(Cara，1982)是其中的常用的一种。

当k为偶数时，公式为

0

k=0，1，…，A－1;A=N/2，此处，k已用2k所代替。

当k为奇数时，用2k+1代替k，可以得到:

0

k=0，1，…，A－1;A=N/2。

由于频谱值X_k没有直观意义，习惯上总把其转化成能量，构成直观的能量-频率图，对应于频率f_k的谐振能量为

P_k=(real(X_k))²+(imag(X_k))²

其中，k=0，1，2，…，N－1。

2.频谱分析的Matlab实现

对于大多数地质工作者来说，要进行上述复杂的频谱分析数学计算，可能会有一定的难度。由Mathwork公司推出的Matlab软件集数字分析、矩阵运算、信号处理和图像处理、显示于一体，构成了一个方便灵活的、界面友好的用户环境。在这个环境下，对所求解的问题用户只需简单地列出数学表达式，其结果便以数值或图形的方式显示出来。以下是应用Matlab实现复合信号频谱分析进行信号分解的一个实例，以期为Matlab在地质中的应用起到抛砖引玉的作用。

利用Matlab中的快速傅里叶变换函数fft()实现频谱分析的实例如下:

0

对上述信号signal，利用Matlab进行快速傅里叶变换:

R=fft(signal，N)

式中:R为测井信号的快速傅里叶变换频谱值序列，fft为快速傅里叶变换函数，N是signal的长度。

频谱值R对应于频率f_k的谐振能量为

P_f(k)=R_k*conj(R_k)

式中:P_f(k)为频率f_k的谐振能量值，R_k频率f_k的快速傅里叶变换(FFT)值，conj(R_k)为R_k的共轭复数。由于所求功率为模数，频谱曲线左右对称，因此仅取其中的一半进行计算，所以k=0，1，2…Round(N/2)，Round(N/2)是对N/2进行取整。

0

运行结果如图4-19所示。

图4-19复合正弦曲线的Matlab频谱分析

上述实例可以看出，使用Matlab进行数据处理十分方便与灵活。Matlab为用户提供了大量的功能函数，可以为研究人员避免大量重复性的数学运算、而把更多的精力集中到专业的方法研究中提供了便利。

对于测井曲线频谱分析，是测井曲线的数字化处理，这些与测井相关的问题正是Matlab很方便解决地。

3.频谱分析在高分辨率层序地层划分中的意义

(1)天文周期的确定。在六个级次的基准面旋回级次划分方案中所强调的主控制因素各不相同，以陆相盆地为例，低频长周期的旋回如超长期和长期旋回主要受构造作用控制，而高频短周期旋回如中期、短期和超短期基准面旋回则分别受天文因素的偏心率长周期、偏心率短周期和岁差周期所控制(郑荣才等，2001)。因此，如何从复杂的地层信息中识别出保存有天文周期的信息是进行高频基准面旋回分析的重要内容，而测井曲线的频谱分析可以从地层中获取包含不同级次的天文周期信息，从而更有效地进行高频周期旋回控制因素的分析。

(2)估算地层沉积速率。通过频谱分析所得到的天文周期旋回，在地质历史时期，组成米兰科维奇旋回的偏心率周期和岁差周期是稳定的，因此在已知沉积周期厚度和周期持续的时间，就可以得到相应的沉积速率。

Ⅶ 小波变换

小波变换和去噪
通俗的讲就是剥大蒜的过程，也就是不断的分层，使得信号拆分成各种频段（根据采用频率而定），而这一过程要用到低通滤波器和高通滤波器，而小波去噪就是在高频部分（因为通常白噪声出现在高频部分）改变数字量，运用一些算法去除一些混有噪声的数字，然后再运用重构低通滤波器和高通滤波器把刚刚分层的频段加起来，差不多就是拼凑大蒜的过程吧。

如何改变高频系数（也就是去除噪声）具体算法如下：
1.软门限和硬门限
所谓门限法,就是选择一个门限,然后利用这个门限对小波变换后的离散细节信号和
离散逼近信号进行处理。
硬门限可以描述为：当数据的绝对值小于给定的门限时,令其为零,而数据为其他值时不变。
软门限可以描述为:当数据的绝对值小于给定的门限时,令其为零,然后把其他数据点向零收缩。
2.门限选择的准则及其算法
根据现有的文献,对于被高斯白噪声污染的信号基本噪声模型, 一般地, 选择门限的准则如下:
1． 无偏风险估计准则。对应于每一个门限值, 求出与其对应的风险值, 使风险最小
的门限就是我们所要选取的门限，其具体算法为:
(a) 把待估计的矢量中的元素取绝对值, 由小到大排序, 然后将各个元素平方, 得到
新的待估计矢量N V ,其长度为原待估计矢量的长度n。
(b) 对应每一个元素下标(即元素的序号) k ,若取门限为待估计矢量的第k 个元素的
平方根,则风险算法为:
(2) 固定门限准则。 利用固定形式的门限,可取得较好的去噪特性。
设n 为待估计矢量的长度,取长度2 倍的常用对数的平方根为门限.
(3) 极小极大准则。本准则采用固定门限获得理想过程的极小极大特性. 极小极大原
理是在统计学中为设计估计量而采用的,由于去噪信号可以假设为未知回归函数的估计
量,则极小极大估计量是实现在最坏条件下最大均方误差最小的任选量。
(4) 混合准则。 它是无偏风险估计和固定门限准则的混合

Ⅷ 小波算法是什么

王卫国 郭宝龙

（西安电子科技大学机电工程学院，西安 710071）

摘 要 随着互联网的普及和图象应用范围的不断扩大,对图象的编码提出了新的要求,即不仅要求具有高的压缩比,还要求有许多新的功能,如渐进编解码、从有损压缩到无损压缩等。嵌入式零树小波编码较好地实现了这一思想,因此奠定了它在图象编码中的地位。近年来，在嵌入式零树小波编码(EZW)算法的基础上出现了许多新的改进算法，如多级树集合分裂算法(SPIHT),集合分裂嵌入块编码(SPECK),可逆的嵌入小波压缩法(CREW)等.本文对这些算法从原理到性能进行了比较和讨论,说明了嵌入式图象编码的研究方向。

关 键 词 图象编码 嵌入式 零树 小波变换

On Embedded Zerotree Wavelets Coding and other Improved Algorithms
WANG Wei-guo, GUO Bao-long

(School of Mechano-Electronic Engineering,Xidian Univ.,Xi’an 710071)

Abstract With the extensive application of internet and image,some new requirements on image coding,such as high compression rate ,pregressive codec,and compression from lossy to lossless ,are to be satisfied.These functions can be performed well by EZW(Embedded Zerotree Wavelets) coding.On the bases of EZW,many newly improved algorithms have been developed in recent years.They can illustrated by algorithms like SPIHT(Set Partitioning in Hierarchical Trees),SPECK(Set Partitioned Embedded block coder),In this paper,the writer discusses the principles and performances of these algorithms,thus explains the research tendency in the area of embedded image coding.

Keywords Image coding,Embedded,Zerotree,Wavelet transform

0. 引言

在基于小波变换的图象压缩方案中,嵌入式零树小波 EZW(Embedded Zerotree Wavelets)[1]编码很好地利用小波系数的特性使得输出的码流具有嵌入特性。它的重要性排序和分级量化的思想被许多编码算法所采用。近年来,在对EZW改进的基础上，提出了许多新的性能更好的算法,如多级树集合分裂算法(SPIHT :Set Partitioning In Hierarchical Trees)[2],集合分裂嵌入块编码(SPECK：Set Partitioned Embedded bloCK coder),可逆嵌入小波压缩算法(CREW:Compression with Reversible Embedded Wavelets)[3] 。本文对这些算法进行了原理分析、性能比较,说明了嵌入式小波图象编码的研究方向。

Ⅸ 小波算法

不知道你要什么结果