统计信号处理软件包
statsWaveletFilt的Python项目详细描述
统计处理：python统计信号处理包
用统计方法构造小波系数滤波接口（使用pywavelts）的包
开始
首先，您可以导入一些模块，如：
importpywtimportnumpyasnpimportstatsWaveletFilt.filtrationasfilimportstatsWaveletFilt.signalsassigimportstatsWaveletFilt.miscellaneousasmisc
然后按照以下步骤进行过滤：
第一步：信号建模
在许多关于过滤和/或误差估计的测试中，文章中都给出了一个已知的理想信号，如何显示上面的代码：
importmatplotlib.pyplotaspltdimension=1024t,idealSignal=sig.dopplerFunction(dimension)plt.plot(t,idealSignal,'k-')plt.show()
这个包还支持另外三个理想信号：heavsine（sig.heavsineFunction()）、bump（sig.bumpFunction()）和block（sig.blockFunction()）。
再加上一种噪声，通常是gaussian或者，也称为normal。
noise=np.random.normal(0,.02,size=dimension)noisySignal=idealSignal+noiseplt.plot(t,noisySignal,'k-')plt.show()
第二步：小波变换
让我们使用pywt.wavedec函数来实现这一点。有了它，你可以1）对有噪声的信号进行小波变换，2）选择使用小波函数（'haar', 'db', 'gaus', 'mexh'）和3）选择任何你想评估变换的级别。
noisyCoeff=pywt.wavedec(noisySignal,'db8',level=5)
第一个位置= noiseCoeff[0]具有最后一个nével的标度系数。连续的元素= noiseCoeff[1:]具有从最后到第一级变换的小波系数。
使用misc.showWaveletCoeff函数可以显示转换返回的所有系数。
misc.showWaveletCoeff(noisyCoeff,title='Noisy Coefficients')
第三步：过滤
使用fil.filtration函数，您可以放置您的1）用于过滤的系数，2）选择方法（'visu', 'sure', 'bayes', 'spc'），如有必要，3）设置方法自己的参数（更多详细信息请参阅文档）。
filtrateCoeff,limiars=fil.filtration(noisyCoeff,method='visu')
同样，您可以在过滤前后显示小波系数，使用misc.showWaveletCoeff函数使用limiar。
misc.showWaveletCoeff(noisyCoeff,threshold_value=limiars,title='Noisy Coefficients')print('==============================================================')misc.showWaveletCoeff(filtrateCoeff,threshold_value=limiars,title='Filtered Coefficients')
第四步：恢复小波变换
使用pywt.waverec函数，我们可以重新生成信号。
filtrateSignal=pywt.waverec(filtrateCoeff,'db8')plt.plot(t,filtrateSignal,'k-')plt.show()
第五步：子午线图
使用sig.differential_snr_dB我们可以使用不同形式的merith图来评估信号的snr或cnr（请参阅文档中的更多内容）。
sig.differential_snr_dB(noisySignal,filtratedSignal,method='variances',idealSignal=idealSignal)
附录：其他
misc.generateData函数使用此处显示的具有不同噪声方差的信号生成数据，并以.npy格式保存。misc.normalizeData函数规范化最小值和最大值之间的数据，该函数用于在sig模块中建模的所有信号。
参考文献
- DONOHO, JOHNSTONE (1992), Ideal Spatial Adaptation by Wavelet Shrinkage
- DONOHO, JOHNSTONE (1994), Adapting to Unknown Smoothness via Wavelet Shrinkage
- CHANG, YU, VETTERLI (2000),Adaptive Wavelet Thresholding for Image Denoisingand Compression
- BAYER, KOZAKEVICIUS (2010), SPC-Threshold: Uma Proposta de Limiarização para Filtragem Adaptativa de Sinais
- KOZAKEVICIUS, BAYER (2014), Filtragem de sinais via limiarização de coeficientes wavelet
欢迎加入QQ群-->： 979659372
