【图像处理】基于MATLAB的短时傅里叶变换和小波变换及图像处理附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

随着数字图像处理技术的飞速发展，图像的分析、增强、压缩和恢复等任务在诸多领域展现出巨大潜力。时频分析作为一种重要的信号处理工具，在图像处理中发挥着举足轻重的作用。本文深入探讨了短时傅里叶变换（STFT）和小波变换（WT）这两种主流时频分析方法的基本原理及其在MATLAB环境下的实现。通过对图像在时域和频域的特性进行详细分析，阐述了STFT在图像局部频谱分析中的局限性，并引出了小波变换在多尺度、多分辨率分析方面的优势。本文详细阐述了如何利用MATLAB的丰富函数库实现STFT和小波变换对图像进行分解、重构、去噪以及特征提取等操作。实验结果表明，小波变换在图像处理，尤其是在图像去噪和边缘检测方面，表现出比STFT更优异的性能。最后，本文对这两种方法在图像处理领域的应用前景进行了展望，并指出了未来研究的方向。

关键词： 图像处理；短时傅里叶变换；小波变换；MATLAB；时频分析；图像去噪；边缘检测

1. 引言

数字图像是客观世界的一种重要信息载体，广泛应用于医学、工业、军事、娱乐等领域。对图像进行有效的处理和分析是诸多应用的基础。传统的图像处理方法多基于空域或频域，例如傅里叶变换（FT）可以将图像从空域转换到频域，便于分析图像的整体频率成分。然而，傅里叶变换在分析非平稳信号时存在固有的局限性，它只能提供信号的整体频率信息，而无法揭示频率成分随时间（或空间位置）的变化。对于图像而言，这意味着傅里叶变换无法提供图像局部区域的频率信息，这对于许多需要局部特征分析的任务来说是不足的。

为了克服傅里叶变换的这一局限性，时频分析方法应运而生。短时傅里叶变换（STFT）是最早提出的一种时频分析方法，它通过引入一个滑动窗口来分析信号的局部频率特性。虽然STFT在一定程度上解决了傅里叶变换的局部化问题，但其固定的窗口大小导致了时间分辨率和频率分辨率之间的矛盾。为了在图像处理中获得更精细的多尺度分析能力，小波变换（WT）被提出。小波变换以其优异的时频局部化特性和多分辨率分析能力，在图像处理领域展现出强大的优势，尤其是在图像去噪、特征提取、压缩和边缘检测等方面。

MATLAB作为一种强大的数值计算和编程环境，提供了丰富的信号处理和图像处理工具箱，为STFT和小波变换在图像处理中的应用提供了便利和高效的实现平台。本文将深入探讨STFT和小波变换的理论基础，并详细介绍它们在MATLAB环境下的具体实现和应用。

2. 短时傅里叶变换（STFT）原理及其在图像处理中的应用

2.1 STFT基本原理

短时傅里叶变换是对傅里叶变换的一种改进，旨在解决傅里叶变换缺乏时域局部信息的问题。其基本思想是：通过引入一个有限长度的窗口函数，对信号进行分段处理。在每个窗口内，将信号视为近似平稳的，然后对窗口内的信号进行傅里叶变换，从而得到信号在不同时间段的频率分布。

2.2 STFT在图像处理中的应用

在图像处理中，STFT可以通过滑动窗口对图像的局部区域进行频谱分析。这有助于：

• 局部纹理分析：

   不同的纹理区域可能具有不同的频率特性，STFT可以帮助识别和分类这些纹理。

• 图像增强：

   可以根据局部频谱信息对图像进行频率域滤波，从而增强图像的特定特征。

• 图像去噪：

   通过识别噪声的频率成分，并在局部频域对其进行抑制。

2.3 MATLAB实现

在MATLAB中，虽然没有直接提供 stft 函数用于二维图像，但可以通过循环和 fft2 函数来实现。

一个简单的STFT实现思路如下：

1. 定义窗口函数：例如，高斯窗或汉宁窗。

2. 设定窗口大小和步长。

3. 遍历图像，对每个窗口内的图像块进行二维傅里叶变换。

4. 将结果存储为时频谱图。

2.4 STFT的局限性

尽管STFT提供了一定的局部频谱信息，但其固定窗口大小的特性导致了其在时频分辨率上的限制。根据海森堡不确定性原理，时间分辨率和频率分辨率不能同时无限高。对于一个固定长度的窗口，如果窗口较窄，则时间分辨率高但频率分辨率低；如果窗口较宽，则频率分辨率高但时间分辨率低。这意味着STFT无法同时很好地捕捉图像中的瞬态高频细节（如边缘）和缓慢变化的低频信息（如平滑区域）。这种固有的矛盾使得STFT在处理具有多尺度特征的图像时显得力不从心。

3. 小波变换（WT）原理及其在图像处理中的应用

3.1 小波变换基本原理

为了克服STFT的局限性，小波变换应运而生。小波变换是一种多分辨率分析工具，它通过伸缩和平移一个小波基函数（称为“母小波”）来分析信号。不同于傅里叶变换使用无限长的正弦/余弦函数作为基函数，小波变换使用有限长的、具有良好时频局部化特性的基函数。

• LL子带：

   代表图像的近似分量，包含图像的主要能量和宏观特征。

• LH子带：

   代表水平方向的细节分量，反映了图像的水平边缘信息。

• HL子带：

   代表垂直方向的细节分量，反映了图像的垂直边缘信息。

• HH子带：

   代表对角线方向的细节分量，反映了图像的对角线边缘信息。

通过对LL子带进行下一级分解，可以实现多尺度的图像分析，从而得到不同分辨率下的细节信息。

3.2 小波变换在图像处理中的优势

小波变换在图像处理中具有以下显著优势：

• 多分辨率分析：

   小波变换能够同时分析图像在不同尺度上的频率成分，对于高频成分（如边缘、纹理）使用窄窗口，对于低频成分（如平滑区域）使用宽窗口，从而实现了在时域和频域上的自适应分辨率。这克服了STFT的固定窗口问题。

• 时频局部化：

   小波基函数在时域和频域都具有良好的局部化特性，使得小波变换能够精确地捕捉图像的局部特征，如瞬态信号和奇异点。

• 能量集中性：

   图像的能量在小波域中通常更加集中，这有利于图像压缩和去噪。

• 去相关性：

   小波变换可以有效地对图像数据进行去相关处理，减少信息冗余。

3.3 小波变换在图像处理中的应用

小波变换在图像处理的各个方面都得到了广泛应用：

• 图像去噪：

   通过阈值处理小波系数，可以有效地去除图像中的噪声，同时保留图像的细节信息。噪声通常表现为小波域中的小幅度系数，而图像细节表现为大幅度系数。

• 图像压缩：

   利用小波变换的能量集中性，通过量化和编码小波系数，可以实现高效的图像压缩，如JPEG 2000标准就是基于小波变换。

• 图像增强：

   对小波系数进行特定处理，可以增强图像的边缘、纹理等特征。

• 特征提取与模式识别：

   小波系数可以作为图像的有效特征，用于图像检索、目标识别等。

• 边缘检测：

   小波变换对图像的突变（边缘）具有很强的响应，可以通过检测小波系数的模极大值来实现边缘检测。

• 图像融合：

   将不同图像的特征从小波域中融合，可以得到包含更丰富信息的图像。

4. 结论与展望

本文详细阐述了短时傅里叶变换和小波变换的原理，并结合MATLAB环境，展示了这两种时频分析方法在图像处理中的应用。STFT通过滑动窗口提供局部频谱信息，但在时频分辨率上存在固定窗口的局限性。而小波变换凭借其多分辨率分析能力和优异的时频局部化特性，在图像去噪、压缩、增强和特征提取等领域展现出显著优势。实验结果也进一步验证了小波变换在图像去噪方面优于传统的STFT。

展望未来，小波变换在图像处理领域仍有广阔的研究空间：

• 自适应小波基选择：

   针对不同类型的图像和应用场景，研究如何自适应地选择最优的小波基函数，以获得更好的处理效果。

• 多维小波变换：

   探索更高维的小波变换在视频处理和三维图像处理中的应用。

• 深度学习与小波变换的结合：

   将小波变换的特征提取能力与深度学习的强大分类和回归能力相结合，有望在图像识别、目标检测等领域取得突破。

• 小波域图像感知哈希：

   利用小波变换对图像进行特征提取，设计鲁棒的图像哈希算法，用于图像检索和版权保护。

• 复杂场景下的图像分析：

   在医学图像分析、遥感图像处理等复杂应用中，进一步发挥小波变换在多尺度特征分析方面的优势。

⛳️ 运行结果

🔗 参考文献

[1] 王剑平,张捷.小波变换在数字图像处理中的应用[J].现代电子技术, 2011, 34(1):4.DOI:10.3969/j.issn.1004-373X.2011.01.028.

[2] 李磊.基于MATLAB GUI的数字图像处理系统设计[D].成都理工大学[2025-09-27].DOI:CNKI:CDMD:2.1012.499902.

[3] 梁原.基于MATLAB的数字图像处理系统研究[D].长春理工大学[2025-09-27].DOI:10.7666/d.y1242203.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇