简介：面向信号处理、图像处理及语音识别等领域的开发者和研究人员，这套MATLAB代码提供了一整套小波去噪实现方案。代码围绕BaysShrink等经典阈值方法编排，包含小波分解、噪声估计、阈值处理与信号重构等核心步骤，适合用于含噪信号分析与实验对比。资源共9个文件，压缩包约708KB，主体为6个.m源代码文件，覆盖主程序、阈值函数及MSE/PSNR评价指标，另附1篇小波去噪相关PDF论文、1张效果展示图及1张标准测试图像，便于直接运行和验证效果。已有3119人学习下载，适合希望快速掌握小波去噪算法、开展图像或信号降噪实验的MATLAB使用者。通过阅读源码与论文，可将理论原理与工程实现对应起来，并根据实际数据调整小波基、分解层数或软硬阈值策略，从而获得更理想的去噪效果。 做信号处理的朋友应该都有体会，采集回来的数据很少是干干净净的，要么是传感器底噪，要么是工频干扰，要么是环境噪声叠加上去，信噪比低到你根本看不出信号本身的形态。拿滤波器硬扛吧，低通一上，毛刺是没了，但信号的尖峰、突变沿也被磨平了；拿滑动平均去糊，糊完波形倒是挺顺眼，可一对照原始数据就会发现细节全丢了。这个时候，小波去噪就成了一个很实用的选项——它不只是把噪声压下去，还能尽量保住信号里的局部特征。这篇文章我就直接围绕“小波去噪MATLAB代码”这条主线，把阈值去噪的原理、参数怎么选、代码怎么一条条写出来，以及实际调试中会踩的坑，一次讲清楚。适合正在做信号处理、故障诊断、传感器数据分析，或者论文里需要信号预处理的朋友参考。
1. 小波去噪的核心思路与MATLAB方案选型
1.1 为什么噪声处理要选小波变换
传统滤波最大的问题在于：它是全局操作。一个低通滤波器一旦定了截止频率，整段信号的高频分量都会被压掉，不管这个高频分量是噪声还是真正有用的细节。而现实中的很多信号，比如振动信号里的冲击响应、心电信号里的R波、语音信号里的辅音起始段，恰恰是以局部突变的形式出现的。用傅里叶变换看，这些局部特征对应的是频率谱上一大片高频分量，跟噪声在频域上是重叠的，所以单纯在频域切一刀，必然造成误伤。
小波变换的出现，相当于把“在频率上看问题”扩展成了“在频率和时间两个维度上看问题”。它通过一组可以平移、伸缩的小波基函数，把信号分解成不同尺度下的近似分量和细节分量。噪声能量通常均匀分布在所有尺度上，而真实信号的有用信息往往集中在少数几个尺度上。小波去噪的基本逻辑就是：先把信号拆开，把那些大概率属于噪声的细节系数压低，再把剩下的系数重新拼回去。
这里说一个更直白的类比：如果用照片来理解，傅里叶滤波相当于整张图统一调模糊，小波去噪则像是用橡皮擦只擦掉照片上的颗粒噪点，人物的轮廓和背景里的锐利边缘都还能保留。这种“分尺度处理”的能力，是它区别于传统滤波器的核心优势。
1.2 MATLAB做小波去噪的三种常见路径
MATLAB里实现小波去噪，其实不止一种方式，而且版本不同，推荐用法也不一样。我按使用场景把它分成三条路线，你根据自己的需求选就行。
第一条是直接用wdenoise函数。这是R2018a以后推荐的一体化接口，函数内部把分解、阈值估计、系数处理、重构全部封装好了，你只需要告诉它“信号是什么”和“大概想怎么去噪”，适合快速出结果，也适合对原理还不太熟悉的新手。
第二条是经典函数wden。这个函数历史悠久，很多老代码、教材里都用它。它同样是一步到位，但参数通过字符串控制，比如阈值规则、软硬阈值、噪声尺度估计方式，都需要按特定的格式传进去，灵活性比wdenoise高一些，但对新版本来说已经算“老派”写法了。
第三条是手动组合wavedec、thselect、wthresh、wrcoef或waverec。这条路看起来繁琐，但它是真正可控的方案——你可以在每一层用不同的阈值规则，也可以只处理特定频带的细节系数，甚至可以自定义阈值估计函数。论文级别的实验、信号特征比较复杂的场景，我一般都用这种。
三条路线实测下来的区别，我用一张表总结一下：
| 方案 | 核心函数 | 灵活度 | 适合场景 | 上手难度 |
|---|---|---|---|---|
| 一体化封装 | wdenoise | 中 | 快速验证、标准去噪任务 | 低 |
| 经典参数化 | wden | 中高 | 教材复现、老代码维护 | 中 |
| 手动分解重构 | wavedec + thselect + wthresh + waverec | 高 | 科研实验、复杂信号定制处理 | 较高 |
我个人建议：如果只是想把一串带噪数据弄干净，用wdenoise就够了；如果想要在论文里把去噪过程每一步写清楚，或者需要对不同尺度做差异化处理，手动组合那套方案才是你该掌握的。
2. 阈值规则与小波基选择——去噪效果的“命门”
2.1 四种阈值规则的数学直觉
小波阈值去噪的原理一句话就能概括：小波分解之后，信号的能量集中在幅值较大的系数上，噪声的能量则分散在幅值较小、数量众多的系数上。因此，设定一个阈值，把小于阈值的系数干掉或压低，再重构信号，就能达到去噪目的。问题的关键在于“阈值定多少”。
MATLAB的thselect函数提供了四种经典阈值规则，实际使用中它们各有侧重：
'rigrsure'，无偏风险估计准则。它利用Stein的无偏风险估计原理，对每个可能的阈值计算风险值，选择风险最小的那个阈值。这个规则最大的特点是保守，阈值通常偏低，能保留更多细节，但噪声也可能残留较多。适合信噪比本身不低、细节丰富的信号。'sqtwolog'，固定阈值准则。阈值为sqrt(2*log(N))，N是采样点数。这个公式是Donoho和Johnstone提出的通用阈值，理论基础是高斯噪声下系数最大幅值的上界。它阈值偏大，去噪力度强，但对细节的误伤也重，容易把信号压得过于“圆滑”。'heursure'，启发式阈值准则。它是前两者的折衷——当信号信噪比很低、rigrsure规则失效时，自动切换为固定阈值；当信噪比较高时，优先采用rigrsure。由于具备自适应切换能力，这是很多实际工程里最常用的默认选项。'minimaxi'，极大极小准则。它让最大均方误差最小化，本质上是一种狙击手式的最坏情况优化，阈值介于固定阈值和rigrsure之间，去噪效果比较温和。
四种规则的阈值大小关系大致是：sqtwolog最大，minimaxi次之，heursure在其间动态浮动，rigrsure通常最小。这直接意味着，如果你觉得去噪后信号太“秃”，就该往rigrsure方向调；如果觉得噪声还剩太多，就往固定阈值方向靠。
2.2 小波基函数和分解层数怎么定
小波基函数的选择是另一个容易被忽略、但影响巨大的环节。MATLAB的小波工具箱里提供了db系列、sym系列、coif系列等几十种小波，初学者最容易犯的错误是“看着哪个顺眼用哪个”，结果换了小波基去噪效果天差地别，还不知道问题出在哪。
选小波基主要看三个指标：消失矩、紧支性、对称性。消失矩越高，低频逼近越平滑，但代价是时域支撑范围变长，对瞬时突变的定位能力下降；紧支性越好，计算越快；对称性越好，重构信号的相位失真越小。实际使用中，我会这样取舍：处理语音、心电这类波形比较自然的信号，优先用sym8，它对称性好，相位失真小；处理机械设备振动这类带有冲击特征的信号，用db4或者db3，它们紧凑性好，能及时锁定冲击位置。需要注意，越短的信号越不适合用高阶小波，因为支撑范围太长会导致边界效应明显。
分解层数方面，常见的选择是3到5层。层数越多，频率划分越细，容易把噪声和信号在频域上剥得更开，但重构误差也会随着层数累积。而且，分解层数上限受信号长度限制，最多只能分解到floor(log2(N))层。我的经验是：信号长度低于1000个点，选3层；1000到10000个点，选4层；更长的话，可以上到5层。有时候去噪效果不理想，不死磕阈值规则，先看看是不是分解层数没给够。
3. 可直接运行的MATLAB去噪代码与逐行解析
3.1 生成含噪仿真信号
为了让你能直接复现，我先把测试信号做出来。这里使用一个经典的分段信号——频率随时间变化的正弦波叠加，再混入高斯白噪声。这样做的好处是：真实信号已知，可以准确计算去噪前后的信噪比，从而直观判断算法好坏。
clear; clc; close all; rng(42); % 固定随机种子，保证实验结果可复现 fs = 1000; % 采样率 1000 Hz t = 0:1/fs:1; % 时长 1 秒 N = length(t); % 1001 个采样点 x_clean = sin(2*pi*50*t) + 0.5*sin(2*pi*150*t) + 0.3*sin(2*pi*300*t); x_noisy = awgn(x_clean, 8, 'measured'); % 将信噪比设为 8 dB 的含噪信号 figure; subplot(3,1,1); plot(t, x_clean); title('原始干净信号'); xlim([0 1]); subplot(3,1,2); plot(t, x_noisy); title('含噪信号 (SNR = 8 dB)'); xlim([0 1]);注意这里我故意用rng(42)固定了随机数种子，这一步在科研和调试阶段非常关键。没有这行代码，每次运行生成的噪声序列不一样，去噪效果的对比就完全失控了。我见过太多人在论文里报告“去噪前信噪比8dB，去噪后22dB”，结果别人复现的时候数字对不上，多半就是随机种子没有固定。
3.2 基于wdenoise的一行式去噪
wdenoise是现阶段最省心的入口。最基础的调用甚至不需要指定任何参数：
xd = wdenoise(x_noisy);但实际项目里我不会这么写，因为默认参数不一定匹配你的信号特征。我会明确指定小波基、阈值规则、噪声估计方式等关键参数：
xd = wdenoise(x_noisy, 4, ... 'Wavelet', 'sym8', ... 'DenoisingMethod', 'Bayesian', ... 'ThresholdRule', 'Soft', ... 'NoiseEstimate', 'LevelIndependent');这里的4是分解层数。'DenoisingMethod'的参数中，除了'Bayesian'，还支持'SURE'（Stein无偏风险估计）和'FDR'（错误发现率），处理不同性质的噪声表现有差异。实测下来，高斯白噪声场景下'Bayesian'和'SURE'都很稳，但如果噪声是脉冲型的，'FDR'的鲁棒性更好。
'ThresholdRule'只有'Soft'和'Hard'两个选项。软阈值会把所有低于阈值的系数归零，高于阈值的系数再减去阈值，这样整体连续，波形平滑；硬阈值则直接把低于阈值的系数归零，高于阈值的保留原值，波形保真度更高，但在阈值附近会产生不连续，重构信号可能出现局部小幅抖动。工程上我默认用软阈值，除非信号中局部峰值的幅值对你来说特别重要。
'NoiseEstimate'决定噪声方差怎么估计：'LevelIndependent'假设各层噪声水平相同，用第一层细节系数的中位绝对偏差估计全局噪声方差；'LevelDependent'则对每一层单独估计，更灵活，适合彩色噪声场景。如果传感器底噪在全频段不是平坦的，用'LevelDependent'效果会好一些。
上面这行代码跑完，把xd与x_clean对比一下，你会发现去噪后的波形已经很接近干净信号了，但高频段（300 Hz附近）的幅度还是会被压掉一些。这是阈值去噪的固有代价，后面我会讲怎么用手动方案来缓解。
3.3 基于wavedec的手动阈值去噪
如果你的需求比较特殊，比如只想去掉第二层和第三层细节系数里的噪声，或者想把某一层的近似系数也做平滑处理，wdenoise就有些力不从心了。这时候就要回到最原始、也是最灵活的方案：手动分解、手动选阈值、手动重构。
下面这套代码是我在实际项目里的标准模板：
level = 4; wname = 'sym8'; % 1. 小波分解：C 为系数向量，L 为各层长度 [C, L] = wavedec(x_noisy, level, wname); % 2. 对每一层细节系数分别估计阈值并处理 C_new = C; for k = 1:level % 提取第 k 层细节系数 detail = detcoef(C, L, k); % 使用无偏风险准则计算阈值 thr = thselect(detail, 'rigrsure'); % 应用软阈值 detail_new = wthresh(detail, 's', thr); % 写回新的系数向量 offset = sum(L(1:end-k)); % 注意 L 的长度结构与 detcoef 的索引关系 C_new(offset+1 : offset+length(detail)) = detail_new; end % 3. 重构信号 xd_custom = waverec(C_new, L, wname);这里有一个特别容易出错的点，就是C向量中各层系数的存放位置。wavedec返回的C排列顺序是“最后一层近似系数、最后一层细节系数、倒数第二层细节系数……第一层细节系数”，所以如果你要用索引手动修改某一层，务必先算清楚便宜量。上面代码中sum(L(1:end-k))的写法，本质上是把系数向量的总长度减去当前层细节系数的长度，从而定位到要改的位置。第一次手写这套逻辑时，建议先用detcoef提取原始系数，计算出新系数之后，用一个临时的C_new来承接，不要在原数组上原地修改，否则错了很难查。
更稳妥的做法是完全避开索引偏移，用矩阵方式存储各层系数。比如先把每层细节系数整理成一个元胞数组，处理完之后再拼接重构：
[~, C_loc] = wavedec(x_noisy, level, wname); d_details = cell(1, level); d_appr = wrcoef('a', C_loc, L, wname, level); for k = 1:level dk = detcoef(C_loc, L, k); thr = thselect(dk, 'minimaxi'); d_details{k} = wthresh(dk, 's', thr); end % 用 wrcoef 分别重构各层之后相加，效果等价于 waverec xd_sum = zeros(size(x_noisy)); for k = 1:level xd_sum = xd_sum + wrcoef('d', C_loc, L, wname, k); end xd_sum = xd_sum + d_appr;这种逐层重构再相加的方式，虽然计算量稍大，但它的好处是每一层的贡献一目了然，排查问题的时候非常方便。你可以顺手画出每一层去噪前后的波形，看看哪一层噪声被压掉了、哪一层信号也被误伤了。很多论文里那种“分解-去噪-重构”的多子图展示，就是这样画出来的。
4. 去噪效果评估：如何证明“去噪有效”
4.1 SNR、RMSE评估指标及MATLAB计算代码
去噪效果好不好，不能光靠眼睛看。眼睛看容易产生幻觉，尤其是当信号本身就比较密的时候，稍微平滑一点就觉得“干净了”。科学的做法是计算量化指标。最常用的两个指标是信噪比SNR和均方根误差RMSE。
信噪比的定义是信号功率与噪声功率之比，单位是dB。去噪后的SNR越高，说明剩余噪声越少。RMSE则表示去噪信号与干净信号的偏差，越小越好。两者的MATLAB计算都很简单：
snr_before = 10*log10( sum(x_clean.^2) / sum((x_noisy - x_clean).^2) ); snr_after = 10*log10( sum(x_clean.^2) / sum((xd - x_clean).^2) ); rmse_before = sqrt( mean((x_noisy - x_clean).^2) ); rmse_after = sqrt( mean((xd - x_clean).^2) ); fprintf('SNR: %.2f dB -> %.2f dB\n', snr_before, snr_after); fprintf('RMSE: %.4f -> %.4f\n', rmse_before, rmse_after);有一件事必须提醒：计算SNR和RMSE的前提是你有一个已知的干净参考信号。仿真实验当然没问题，但处理实际采集数据时，你永远没有一个“真值”来对照。所以实际工程里，我一般会用其他指标来辅助判断——比如去噪后信号的光滑度（差分绝对值之和）、功率谱密度里高频段的能量占比等。这些指标不用真值也能算，更适合现场数据的评估。
4.2 波形对比与残差分析
指标之外，画图是发现问题的第一手段。我习惯把四张图放在一起看：干净信号、含噪信号、去噪信号、残差信号。
figure; subplot(4,1,1); plot(t, x_clean); title('干净信号'); subplot(4,1,2); plot(t, x_noisy); title('含噪信号'); subplot(4,1,3); plot(t, xd); title('去噪信号'); subplot(4,1,4); plot(t, x_noisy - xd); title('残差（被去除的部分）');重点观察残差信号。残差中如果混有明显的周期性波形，说明去噪过程把一部分有用信号当成噪声给滤掉了；如果残差整体均匀、没有明显结构，说明去除的部分大概率确实是随机噪声。还有一种常见毛病是残差出现“两端大、中间小”的形态，这通常意味着边界效应在作祟，需要检查是否设置了合适的边界延拓方式。
功率谱对比也是很好用的诊断工具。先分别对含噪信号和去噪信号做FFT，再叠加画在同一张图上，你能直观看到去噪后在哪些频率段能量被压低了。如果发现有用频段的能量也被大幅压低，那就得减小分解层数或者改用更保守的阈值规则。
5. 常见问题排查与实战心得
5.1 问题速查表
根据我自己的调试经验，下面这些问题是新手最容易遇到的：
| 问题现象 | 可能原因 | 解决思路 |
|---|---|---|
| 去噪后信号太平滑，细节全没了 | 阈值过大，或分解层数过多 | 改为rigrsure规则；减少分解层数 |
| 去噪后还有明显毛刺 | 阈值过小，或噪声非白噪声 | 改为sqtwolog规则；使用LevelDependent估计 |
| 信号两端出现大幅振荡 | 边界处理方式不当 | 调用dwtmode('sys')或dwtmode('sym')尝试不同扩展模式 |
| 重构后信号长度变了 | wavedec/waverec使用不正确 | 检查L向量，确保C和L来自同一次分解 |
| 每次运行结果不一样 | 没有固定随机种子 | 代码开头添加rng(固定数值) |
| 高频有用分量也被滤掉 | 分解层数太多，频率划分过细 | 降低分解层数；改用硬阈值 |
| 阈值函数报错 | 输入信号存在NaN或Inf | 先用isfinite过滤坏点 |
这里重点说一下dwtmode。MATLAB默认的边界扩展模式在不同版本里可能有差异，而边界扩展方式直接影响信号两端的小波系数，进而影响阈值估计和重构结果。在去噪之前，我习惯先执行一次dwtmode('sym')，也就是对称延拓，它对大多数连续信号都友好，能明显减轻边界振荡。
5.2 几个容易踩的坑和我的习惯做法
第一，不要对小波分解后的近似系数做阈值处理。近似系数承载的是信号的主体趋势，一旦被阈值处理，信号的整体能量结构会被破坏，重构出来的波形会出现全局性畸变。手动方案里，默认只处理各层细节系数。
第二，实际采集的信号往往不是理想的高斯白噪声。比如说，工频干扰是50 Hz的窄带噪声，传感器底噪可能有1/f趋势。这种情况下，单一阈值规则不会特别好用。我的处理方式是把信号先做带通或者陷波，把明显的窄带干扰去掉，再做小波阈值去噪。多处理一步，效果会提升很多。
第三，警惕wdenoise在某些情况下自动做的高频段重采样。个别版本对特定长度信号会执行一个内部采样率调整，导致输出长度或相位与输入不一致。如果你发现重构结果与原信号长度都对不上，请检查版本说明，或者干脆改用wavedec那套手动方案。
第四，代码注释和参数记录要养成习惯。去噪算法涉及小波基、分解层数、阈值规则、软硬阈值四个核心参数，组合空间很大，不同参数搭配效果差异也很大。我在实际项目里会把这些参数写成结构体集中管理，每一组参数跑完就存一个结果文件，避免回头想不起某一组好效果是用什么参数跑出来的。
最后再聊一个小技巧。很多信号处理任务其实不需要“一次性全局去噪”，而是需要“先大致去噪、再局部精细处理”。比如处理一段振动信号时，我会先用固定阈值把明显的背景噪声压下去，再在时域上定位冲击发生的窗口，对该窗口内的数据用更小的阈值重新处理，保住冲击尖峰的幅值。这种多级处理的逻辑，比单次追求最佳参数要靠谱得多，因为实际信号的噪声水平从来都不是稳定的。
本文还有配套的精品资源，点击获取
