1、小波閾值去噪法的流程如下所示：

小波圖像去噪就是根據信號和噪聲的小波系數在不同尺度上具有不同性質的原理，利用相應的數學工具構造系數選擇方式，對帶噪信號的小波系數進行處理。小波去噪過程就是利用小波分解將圖像信號分解到各尺度中，然后把每一尺度中屬于噪聲的小波系數去掉，保留并增強屬于信號的小波系數，最后利用小波逆變換將處理后的小波系數重構得出去噪后的圖像。基本流程如圖1所示。

圖1?小波閾值去噪法流程

在以上過程中，小波基和分解層數j的選擇，閾值λ的選取規則，和閾值函數的設計，都是影響最終去噪效果的關鍵因素。

2、小波基的選擇

對于連續性較差的Blocks信號，Haar小波的去噪效果要好于Sym8小波。

對于連續性和光滑性較好的Doppler信號，Sym8小波的去噪效果更好。ym8小波函數具有緊支集，且具有良好的連續性和對稱性，因此其更適合于對連續性較好的信號進行去噪。

由于小波基函數在處理信號時各有特點，且沒有任何一種小波基函數可以對所有類型信號都取得最優的去噪效果。一般來講，db小波系和sym小波系在語音去噪中是經常會被用到的兩族小波基。

3、分解尺度的選擇

在小波分解中，分解尺度j的選擇也是非常重要的一步。j取得越大，則噪聲和信號表現的不同特性越明顯，越有利于二者的分離。但另一方面，分解尺度越大，重構到的信號失真也會越大，在一定程度上又會影響最終去噪的效果。因此在應用時要格外注意處理好兩者之間的矛盾，選擇一個合適的分解尺度。

在語音信號去噪中，由于人的日常發聲頻率一般在85—1100HZ之間，因此只需保證分解后的最低層頻率

在0—250HZ左右即可。例如：對于一段采樣頻率為8000HZ的音頻，其所包含的最大語音頻率應該為4000HZ，對其進行尺度為4的小波分解后，最底層頻率系數為0—250HZ。這時對各層系數進行閾值處理，就已經可以保證信號的噪聲得到充分分離了。

4、閾值函數的選擇

傳統的閾值函數主要有硬閾值函數和軟閾值函數兩種。一段常用的HeaviSine測試信號，用高斯白噪聲對其進行加噪處理，得到染噪的HeaviSine信號。對該染噪信號分別采用軟硬閾值函數進行小波閾值去噪實驗。實驗選用sym8小波基作為小波分解的基函數，分解層數為5層，閾值λ的選取采用matlab自帶的基于heursure的啟發式閾值選取函數，得到去噪前后的信號波形圖如下圖所示：

確定了高斯白噪聲在小波系數（域）的閾值門限之后，就需要有個閾值函數對這個含有噪聲系數的小波系數進行過濾，去除高斯噪聲系數，常用的閾值函數有軟閾值和硬閾值方法，很多文獻論文中也有在閾值函數進行一些大量的改進和優化。

軟硬閾值函數優缺點對比：

硬閾值函數在均方誤差意義上優于軟閾值法，但是信號會產生附加震蕩，產生跳躍點，不具有原始信號的平滑性。

軟閾值估計得到的小波系數整體連續性較好，從而使估計信號不會產生附加震蕩，但是優于會壓縮信號，會產生一定的偏差，直接影響到重構的信號與真實信號的逼近程度。

4、閾值的選取規則

在小波域，有效信號對應的系數很大，而噪聲對應的系數很小。噪聲在小波域對應的系數仍滿足高斯白噪分布。

閾值選擇規則基于模型y=f（t）+e，e是高斯白噪聲N（0，1）。因此可以通過小波系數、或者原始信號來進行評估能夠消除噪聲在小波域的閾值。

目前常見的閾值選擇方法有：固定閾值估計、極值閾值估計、無偏似然估計以及啟發式估計等（N為信號長度）。

一般來講，極值閾值估計和無偏似然估計方法比較保守，當噪聲在信號的高頻段分布較少時，這兩種閾值估計方法去噪效果較好，可以將微弱的信號提取出來。而固定閾值估計法和啟發式閾值估計法去噪比較徹底，在去噪時顯得更為有效，但是也容易把有用的高頻信號誤認為噪聲而去除掉。