小波變換（wavelet transform）的通俗解釋（一）

小波變換

         小波，一個神奇的波，可長可短可胖可瘦（伸縮平移），當去學習小波的時候，第一個首先要作的就是回顧傅立葉變換（又回來了，唉），由於他們都是頻率變換的方法，而傅立葉變換是最入門的，也是最早了解的，經過傅立葉變換，瞭解缺點，改進，慢慢的就成了小波變換。主要的關鍵的方向是傅立葉變換、短時傅立葉變換，小波變換等，第二代小波的什麼的就不說了，太多了沒太多意義。固然，其中會看到不少的名詞，例如，內積，基，歸一化正交，投影，Hilbert空間，多分辨率，父小波，母小波，這些不一樣的名詞也是學習小波路上的標誌牌，因此在剛學習小波變換的時候，看着三個方向和標誌牌，能夠順利的走下去，固然路上的美景要本身去欣賞（這裏的美景就是定義和推導了）。由於內容太多，不是很重要的地方我都註釋爲（查定義）一堆文字的就是理論（能夠大致一看不用馬上就懂），同時最下面也給了幾個網址輔助學習。

1、基

           傅立葉變換和小波變換，都會聽到分解和重構，其中這個就是根本，由於他們的變化都是將信號當作由若干個東西組成的，並且這些東西可以處理還原成比原來更好的信號。那怎麼分解呢？那就須要一個分解的量，也就是常說的基，基的瞭解能夠類比向量，向量空間的一個向量能夠分解在x，y方向，同時在各個方向定義單位向量e一、e2，這樣任意一個向量均可以表示爲a=xe1+ye2，這個是二維空間的基，

                                                                    

           而對於傅立葉變換的基是不一樣頻率的正弦曲線，因此傅立葉變換是把信號波分解成不一樣頻率的正弦波的疊加和，而對於小波變換就是把一個信號分解成一系列的小波，這裏時候，也許就會問，小波變換的小波是什麼啊，定義中就是告訴咱們小波，由於這個小波實在是太多，一個是種類多，還有就是同一種小波還能夠尺度變換，可是小波在整個時間範圍的幅度平均值是0，具備有限的持續時間和突變的頻率和振幅，能夠是不規則，也能夠是不對稱,很明顯正弦波就不是小波，什麼的是呢，看下面幾個圖就是

                                                                

 

           當有了基，之後有什麼用呢?

           下面看一個傅立葉變換的實例：

           對於一個信號的表達式爲x=sin(2*pi*t)+0.5*sin(2*pi*5*t); 

          這裏能夠看到是他的基就是sin函數，頻率是1和5，下面看看圖形的表示，是否是感覺了到了頻域變換給人的一目瞭然。

                                                               

 

           基具備非冗餘性，即便基不是正交的，有相關性，但若去掉其中任何一個，則不成爲基，這一點也叫完備性；基的表示有惟一性，即給定一族基對一個函數的表達是惟一的；通常狀況下基非正交，也稱爲爲exact frame（Resize basis），這個時候要表示信號能夠將基正交化成惟一的正交基（對偶爲其自身）；也能夠求其對偶框架（dual frame），其對應了小波變換中的雙正交情形！信號能夠依框架分解，而後用對偶框架重構。若在基集裏添加一些新的向量，並隨意調整空間位置，則有可能成爲框架。把函數與基或框架做內積，也能夠說成是一種函數空間到係數空間的變換。若某種變換後的能量（內積的平方和度量）仍然有一個大於0的上下界，才能夠成爲框架，因爲框架的冗餘性，因此係數的表達也不具備惟一性。若上下界相等，則爲緊框架，且界表示冗餘度。若上下界相等爲且爲1，稱爲pasval identity frame，此時不必定爲正交基（想象把一組正交基中某一個拆成兩個同方向的基之和，則pasval identity仍然成立），此時若加上基的長度均爲一的條件，則框架退化爲正交基。可能你會問咱們用基來表示信號就好了啊，爲何還要框架呢？其實不少信號表示方法不能構成基，卻能構成框架，如短時傅立葉變換中如要求窗函數知足基條件，則可推出該函數有不好的時頻局部化性質（事實上退化爲了傅立葉變換。

 

2、內積

            在Hilbert空間(查定義)裏看到這個東西，用來刻畫兩個向量的夾角，當內積爲0時，兩個向量正交，若g爲Hilbert空間裏的正交基的時候，內積爲f向基上的正交投影；（Hilbert空間是一個很直觀的空間，我一直都理解爲歐氏空間去理解定義在其上的東西，L^2（平方可積，查定義）和l^2一樣爲Hilbert空間。

 

下面這個公式是基本，通過變形後會用在推導中：

 

                       

若是兩個向量的內積爲0 ，就說他們是正交的。

若是一個向量序列相互對偶正交，而且長度都爲1，那麼就說他們是正交歸一化的。

對於,存在L2(R)上一組標準正交基gi(t),i=1,2,3….,使得

                                                                         

 L2（R）上任意一個函數f（t）均可以由L2(R)上的一個規範正交基gi(t)進行線性組合表示出來

3、傅立葉的缺點

先列舉出來缺點，而後再說明：

（1）    Fourier分析不能刻畫時間域上信號的局部特性

（2）    Fourier分析對突變和非平穩信號的效果很差，沒有時頻分析

        傅立葉變換傅立葉變換將函數投影到三角波上，將函數分解成了不一樣頻率的三角波，這不能不說是一個偉大的發現，可是在大量的應用中，傅立葉變換的侷限性卻日趨明顯，事實上在光滑平穩信號的表示中，傅立葉基已經達到了近似最優表示，可是平常生活中的信號卻並非一直光滑的，並且奇異是平凡的，傅立葉在奇異點的表現就着實讓人不爽，從對方波的傅立葉逼近就能夠看出來，用了大量不一樣頻率的三角波去逼近其係數衰減程度至關緩慢，並且會產生Gibbs效應。其內在的緣由是其基爲全局性基，沒有局部化能力，以致局部一個小小的擺動也會影響全局的係數。實際應用中很須要時頻局部化，傅立葉顯然缺少此能力了。即便如此，因爲其鮮明的物理意義和快速計算，在不少場合仍然應用普遍。傅立葉變換在從連續到離散的情形是值得借鑑與學習的，你們都知道，時間週期對應頻域離散，時間離散對應頻域週期，時間離散週期對應頻域離散 週期，DFT實際上是將離散信號作週期延拓而後作傅立葉變換再截取一個週期，反變換一樣如此，因此DFT用的是塊基的概念，這樣若是信號兩端的信號鏈接後再也不光滑（即便兩邊都光滑），一樣會在邊界上產生大幅值係數（邊界效應），延伸到圖像中就是塊效應。當對信號作對稱週期延拓後再作傅立葉變換獲得的正弦係數所有爲0，也就是任何對稱函數能夠寫成餘弦的線性組合，一樣按照離散的思路構造獲得的是離散塊餘弦基，即DCT變換，雖然DCT能夠經過對稱後周期延拓再變換減小了邊界效應（兩邊信號接上了，但不必定平滑），但任不能消除塊效應，尤爲是圖像變換中人爲將圖像分紅8*8處理後塊效應更加明顯。可是DCT很好的能量彙集效應讓人驚奇，加之快速計算方法使它替代DFT成爲圖像的壓縮的標準了很長時間（JPEG）。

           上面一堆文字也許看的有點蒙，仍是用圖來講明

          第一個就是傅立葉變換是整個時域，因此沒有局部特徵，這個也是他的基函數決定的看圖，同時若是在時域張有了突變，那麼在頻域就須要大量的三角波去擬合，這也是傅立葉變換性質決定的。

 

 

 

 

         第二個就是面對非平穩信號，傅立葉變換能夠看到由哪些頻域組成，可是不知道各成分對應的時刻是什麼，也就是沒有時頻分析，看不出來信號頻域隨着時間變換的狀況，反過來講就是，一個的頻圖對應好幾個時域圖，不知道是哪一個，這個在實際應用中就很差了，看圖

 

                                  

 

 

          作FFT後，咱們發現這三個時域上有巨大差別的信號，頻譜（幅值譜）卻很是一致。尤爲是下邊兩個非平穩信號，咱們從頻譜上沒法區分它們，由於它們包含的四個頻率的信號的成分確實是同樣的，只是出現的前後順序不一樣。

        可見，傅里葉變換處理非平穩信號有天生缺陷。它只能獲取一段信號整體上包含哪些頻率的成分，可是對各成分出現的時刻並沒有所知。所以時域相差很大的兩個信號，可能頻譜圖同樣。

        然而平穩信號大可能是人爲製造出來的，天然界的大量信號幾乎都是非平穩的，因此在好比生物醫學信號分析等領域的論文中，基本看不到單純傅里葉變換這樣naive的方法。

 

                                  

 

   上圖所示的是一個正常人的事件相關電位。對於這樣的非平穩信號，只知道包含哪些頻率成分是不夠的，咱們還想知道各個成分出現的時間。知道信號頻率隨時間變化的狀況，各個時刻的瞬時頻率及其幅值——這也就是時頻分析。

 

3、短時傅立葉變換（Short-time Fourier Transform,STFT）

            有了缺點就要改進了，這裏就出來了短時傅立葉變換，也叫加窗傅立葉變換，顧名思義，就是由於傅立葉變換的時域太長了，因此要弄短一點，這樣就有了局部性。

          定義：把整個時域過程分解成無數個等長的小過程，每一個小過程近似平穩，再傅里葉變換，就知道在哪一個時間點上出現了什麼頻率了。」這就是短時傅里葉變換。下面就是示意圖

 

                                  

 

          時域上分紅一段一段作FFT，不就知道頻率成分隨着時間的變化狀況了嗎！

         可能理解這一點最好的方式是舉例子。首先，由於咱們的變換是對時間和頻率的函數（不像傅立葉變換，僅僅是對頻率的函數），它是二維的（若是加上幅度則是三維）。如下圖所示的非平穩信號爲例：

 

                               

 

 

   在這個信號中，在不一樣時刻有四個頻率份量。0-250ms內信號的頻率爲300Hz，其他每一個250ms的間隔的信號頻率分別爲200Hz，100Hz和50Hz。很明顯，這是一個非平穩信號，讓咱們看一看它的短時傅立葉變換：用這樣的方法，能夠獲得一個信號的時頻圖了：

 

                              

 

 

        圖上既能看到10Hz, 25 Hz, 50 Hz, 100 Hz四個頻域成分，還能看到出現的時間。兩排峯是對稱的，因此你們只用看一排就好了。

看着貌似解決了問題，好像有了局部性，可是這個名字叫作加窗傅立葉變換，那麼這個窗要多大了呢？

窗太窄，窗內的信號過短，會致使頻率分析不夠精準，頻率分辨率差。

窗太寬，時域上又不夠精細，時間分辨率低。

                                

                          

 

（這裏插一句，這個道理能夠用海森堡不肯定性原理來解釋。相似於咱們不能同時獲取一個粒子的動量和位置，咱們也不能同時獲取信號絕對精準的時刻和頻率。這也是一對不可兼得的矛盾體。咱們不知道在某個瞬間哪一個頻率份量存在，咱們知道的只能是在一個時間段內某個頻帶的份量存在。因此絕對意義的瞬時頻率是不存在的。）

 

 

 

                         

                        

                         

         上圖對同一個信號（4個頻率成分）採用不一樣寬度的窗作STFT，結果如右圖。用窄窗，時頻圖在時間軸上分辨率很高，幾個峯基本成矩形，而用寬窗則變成了綿延的矮山。可是頻率軸上，窄窗明顯不以下邊兩個寬窗精確。

          因此窄窗口時間分辨率高、頻率分辨率低，寬窗口時間分辨率低、頻率分辨率高。

          對於時變的非穩態信號，高頻適合小窗口，低頻適合大窗口。然而STFT的窗口是固定的，在一次STFT中寬度不會變化，因此STFT仍是沒法知足非穩態信號變化的頻率的需求。

 

4、小波變換

          真是千呼萬喚纔出來了，終於看見小波了啊。

           這裏先引入小波，回顧一下基，而後再看看小波的優勢，其實就是上面傅立葉缺點的解決。

           對於加窗傅立葉變換讓人頭疼的就是窗口的大小問題，若是咱們讓窗口的大小能夠改變，不就完美了嗎？答案是確定的，小波就是基於這個思路，可是不一樣的是。STFT是給信號加窗，分段作FFT；而小波變換並無採用窗的思想，更沒有作傅里葉變換。小波直接把傅里葉變換的基給換了——將無限長的三角函數基換成了有限長的會衰減的小波基。這樣不只可以獲取頻率，還能夠定位到時間了~

          這裏就又回到了最開始的基了。

          這個基函數會伸縮、會平移（實際上是兩個正交基的分解）。縮得窄，對應高頻；伸得寬，對應低頻。而後這個基函數不斷和信號作相乘。某一個尺度（寬窄）下乘出來的結果，就能夠理解成信號所包含的當前尺度對應頻率成分有多少。因而，基函數會在某些尺度下，與信號相乘獲得一個很大的值，由於此時兩者有一種重合關係。那麼咱們就知道信號包含該頻率的成分的多少。如前邊所說，小波作的改變就在於，將無限長的三角函數基換成了有限長的會衰減的小波基。效果以下圖

 

                                       

如今來看一下小波公式

                            

從公式能夠看出，不一樣於傅里葉變換，變量只有頻率ω，小波變換有兩個變量：尺度a（scale）和平移量 τ（translation）。尺度a控制小波函數的伸縮，平移量 τ控制小波函數的平移。尺度就對應於頻率（反比），平移量 τ就對應於時間。以下圖

                               

         當伸縮、平移到這麼一種重合狀況時，也會相乘獲得一個大的值。這時候和傅里葉變換不一樣的是，這不只能夠知道信號有這樣頻率的成分，並且知道它在時域上存在的具體位置。

         而當咱們在每一個尺度下都平移着和信號乘過一遍後，咱們就知道信號在每一個位置都包含哪些頻率成分。

 看到了嗎？有了小波，咱們今後不再懼怕非穩定信號啦！今後能夠作時頻分析啦！

（1） 解決了局部性

 

         

 

（2）解決時頻分析

作傅里葉變換隻能獲得一個頻譜，作小波變換卻能夠獲得一個時頻譜！

   

 

時域信號                                           傅立葉變換結果                                                小波變換結果

 

5、小波的深刻

             上面那麼多，也就是走進小波的大門，具體的咱們還要學習子空間、多分辨率，母小波的變換，如何去構造想要的小波函數，而後還有離散小波變換，正交小波變換，二維小波變換，小波包的應用（這裏沒有介紹能夠本身看資料）。好像還有不少要學習的。

這裏先深刻一下，父小波和母小波，多分辨率分析，瞭解一下伸縮和平移。

         任何小波變換的基函數，其實就是對母小波和父小波縮放和平移的集合。首先要看的就是多分辨率分析。

每一個小波變換都會有一個mother wavelet，咱們稱之爲母小波，同時還有一個father wavelet，就是scaling function。而該小波的basis函數其實就是對這個母小波和父小波縮放和平移造成的。縮放倍數都是2的級數，平移的大小和當前其縮放的程度有關。

        還講到，小波系統有不少種，不一樣的母小波，衍生的小波基就徹底不一樣。小波展開的近似形式是這樣：

 

                                                                           

 

    其中的就是小波級數，這些級數的組合就造成了小波變換中的基basis。和傅立葉級數有一點不一樣的是，小波級數一般是orthonormal basis，也就是說，它們不只兩兩正交，還歸一化了。

     咱們還講了通常小波變換的三個特色，就是小波級數是二維的，能定位時域和頻域，計算很快。但咱們並無深刻講解，好比，如何理解這個二維？它是如何同時定位頻域和時域的？

      在這一篇文章裏，咱們就來討論一下這些特性背後的原理。 

      首先，咱們一直都在講小波展開的近似形式。那什麼是完整形式呢？以前講到，小波basis的造成，是基於基本的小波函數，也就是母小波來作縮放和平移的。可是，母小波並不是惟一的原始基。在構建小波基函數集合的時候，一般還要用到一個函數叫尺度函數，scaling function，人們一般都稱其爲父小波。它和母小波同樣，也是歸一化了，並且它還須要知足一個性質，就是它和對本身自己週期平移的函數兩兩正交：

 

                                

                               

 

       另外，爲了方便處理，父小波和母小波也須要是正交的。能夠說，完整的小波展開就是由母小波和父小波共同定義的。

 

                    

                       

 

       其中ψ(t)是母小波，是父小波。須要提醒一點的是，這個正交純粹是爲了小波分析的方便而引入的特性，並非說小波變換的基就必定必須是正交的。但大部分小波變換的基確實是正交的，因此本文就直接默認正交爲小波變換的主要性質之一了。引入這個父小波呢，主要是爲了方便作多解析度分析（multiresolution analysis, MRA）。說到這裏，你的問題可能會井噴了：好好的爲何出來一個父小波呢？這個scaling function是拿來幹嗎的？它背後的物理意義是什麼？waveletfunction背後的物理意義又是什麼？這個多解析度分析又是什麼呢？不急，下面，咱們圍繞一個例子來鞏固一下前面的知識，同時再引出新的特性。

    假設咱們有這樣一個信號：

    

                 

 

         該信號長度爲8，是離散的一維信號。咱們要考慮的，就是如何用小波將其展開。爲了方便講解，咱們考慮最簡單的一種小波，哈爾小波。下面是它的一種母小波：

                 

 

那如何構建基於這個母小波的基呢？剛纔提到了，要縮放，要平移。咱們先試試縮放，那就是ψ(2n)：

                               

 

但這樣的話，它與本身的內積就不是1了，不符合小波基orthonormal的要求，因此咱們要在前面加一個係數根號二，這樣咱們就獲得了另外一個哈爾小波的basis function：

                                 

 

          同理，咱們能夠一直這樣推廣下去作scale，獲得4n，8n，…….下的basis function。固然在這個例子裏，咱們信號長度就是8，因此作到4n就夠了。但推廣來講，就是這種scaling對母小波的做用爲，這是歸一化後的表示形式。

       平移的話也很簡單，咱們能夠對母小波進行平移，也能夠對scale以後的basis function進行平移。好比對上一幅圖中的basis function進行平移，就成了

                                       

 

       看得出來，平移後的basis function和母小波以及僅僅scale過的小波，都是正交的，附合小波basis的特色。若是咱們用ψ(n)來表示這個mother wavelet，那麼這些orthonormal basis函數能夠寫成：

 

                                                 

 

        這裏的k是能夠當作時域的參數，由於它控制着小波基時域的轉移，而j是頻域的參數，由於它決定了小波基的頻率特性。看到這裏，你應該會感受很熟悉，由於這裏的平移和變換本質和剛纔對scaling function的平移變換是如出一轍的。

 

這樣，咱們就有了針對此信號space的哈爾小波basis組合：

 

                             

 

        能夠看出，咱們用到了三層頻率尺度的小波函數，每往下一層，小波的數量都是上面一層的兩倍。在圖中，每個小波基函數的表達形式都寫在了波形的下面。

        等等，你可能已經發現了，有問題。這裏爲何多了個沒有函數表達式的波形呢？這貨明顯不是wavelet function阿。沒錯，它是以前提到的scaling function，也就是父小波。而後你可能就會問，爲啥這個憑空插了一個scaling function出來呢？明明目標信號已經能夠用純的小波基組合表示了。是，確實是，就算不包括scaling function，這些小波函數自己也組成了正交歸一基，但若是僅限於此的話，小波變換也就沒那麼神奇的功效了。引入這個scaling function，才能引入咱們提到的多解析度分析的理論，而小波變換的強大，就體如今這個多解析度上。那在這裏，咱們怎麼用這個多解析度呢？這個哈爾小波basis組合是怎麼經過多解析度推導出來的呢？

        話說在數學定義中，有一種空間叫Lebesgue空間，對於信號處理很是重要，能夠用L^p(R)表示，指的是由p次可積函數所組成的函數空間。咱們在小波變換中要研究的信號都是屬於L^2(R)空間的，這個空間是R上的全部到處平方可積的可測函數的集合，這樣就等於對信號提出了一個限制，就是信號能量必須是有限的，不然它就不可積了。小波變換的定義都是基於但不限於L^2(R)中的信號的。這玩意的特性要具體解釋起來太數學了，牽涉到太多泛函知識，我就不在這裏詳述了。並且老實說我也沒能力徹底講清楚，畢竟不是學這個的，有興趣能夠參考wiki。總之你記住，小波變換研究中所使用的信號基本都是平方可積的信號，但其應用不限於這種信號，就好了。

    對L^2(R)空間作MRA是在幹嗎呢？就是說，在L^2(R)空間中，咱們能夠找出一個嵌套的空間序列，並有下列性質：

 

       我來簡單解釋一下這些性質。這個V_j都是L^2(R)空間中的子空間，而後他們是由小到大的，交集是{0}，由於這是最小的子空間，並集就是L空間。是否是有點難以理解？不要緊，看看下面這個圖就清楚了：

                                                     

 

      這個圖是圈圈套圈圈，最裏面的圈是V0，以後分別是V1，V2，V3，V4 。那他們有趣的性質就是，假若有一個函數f(t)他屬於一個某空間，那你將其在時域上平移，它仍是屬於這個空間。但若是你對它頻域的放大或縮小，它就會相應移到下一個或者上一個空間了。

       同時咱們還知道，你要形容每個空間的話，都須要有對應的orthonormal basis，這是必然的，那對於V0來說，它的orthonormal basis就是

                                

 

       這一系列函數是什麼呢？是的時域變換，並且咱們剛纔也說了，時域上平移，是不會跳出這個空間的。這樣，咱們就能夠說，由這一系列basis所定義的L^2(R)子空間V0被這些basis所span，表示成：

                              

 

       k從負無窮到正無窮。上面的bar表示這是一個閉包空間，也就是說

                        

 

       這樣，咱們就定義了基本的V0這個子空間。剛纔說了，這個子空間的基都是對的整數時域變換，這裏咱們稱爲scalingfunction，因此換個說法，就是說這裏整個子空間V0，由scalingfunction和其時域變換的兄弟們span。

      固然，若是這個scaling function只是用來表明一個子空間的，那它的地位也就不會這麼重要了。剛纔咱們提到，這個嵌套空間序列有一個性質，。這就是這個函數，若是你對它頻域的放大或縮小，它就會相應移到下一個或者上一個空間了。這個性質就有意思了，它表明什麼呢？對於任何一個包含V0的更上一層的空間來說，他們的基均可以經過對scaling function作頻域的scale後再作時域上的整數變換獲得！推廣開來就是說，當

               

 

咱們有    

 

這也就意味着，對於任何屬於V_j空間的函數f(t)，均可以表示爲：

                 

 

          到這裏，咱們就明白這些個子空間和那個憑空冒出來的scaling function的做用了。scaling的構建這些不一樣的子空間的基礎，當j越大的時候，每一次你對頻率變換後的scaling function所作的時域上的整數平移幅度會越小，這樣在這個j子空間裏面獲得的f(t)表示粒度會很細，細節展示不少。反之亦然。通俗點說，就是對scaling function的變換平移給你不一樣的子空間，而不一樣的子空間給你不一樣的分辨率，這樣你就能夠用不一樣的分辨率去看目標信號。

        下面就是時候看看什麼是MRA equation了，這是更加有趣，也是更加核心的地方。經過剛纔的講解，V0屬於V1，那scaling function是在V0中的，天然也在V1中了。咱們把他寫成V1的基的線性組合，那就是

                

 

        其中的h(n)是scaling function的係數，也叫作scaling filter或者scaling vector，能夠是實數，也能夠是虛數。根號2是爲了維持norm爲1的。看，在這個公式裏，咱們就把屬於V0的函數用V1的基表示出來了。同理，咱們能夠循環如此，把屬於V0的在V2,V3, …, Vn中表示出來。這些方程就是MRA equation，也叫refinement equation，它是scaling function理論的基礎，也是小波分析的基礎之一。

        好，稍微總結一下。到如今，已經講了關於scaling function的基本理論知識，知道了信號空間能夠分爲不一樣精細度的子空間，這些子空間的basis集合就是scaling function或者頻率變換以後的scaling function，以下圖所示：

                                  

 

上圖就是四個子空間的basis集合的展覽。經過前面的討論，咱們還知道，一開始的scalingfunction能夠經過更精細的子空間的scaling function（它們都是對應子空間的basis）來構建。好比

                                

 

對於更加finer的scale：

                                       

 

       依此類推。實際上，對於任何scale和translate過的scaling function，均可以用更加精細的scale層面上的scaling function構建出來。

        而後，咱們有各類scale下的scaling function了，該看看它們分別所對應的嵌套的空間序列了。先看看V0，天然就是以基本的scaling function爲基礎去span出來的：

 

                                   

 

          這個不新鮮，剛纔就講過了。這個子空間表明什麼樣的信號？常量信號。道理很簡單，這個scaling function在整個信號長度上，沒有任何變化。繼續往下看：

                               

 

這個相比V0更加finer的子空間，表明着這樣一種信號，它從1-4是常量，從5-8是另外一個常量。同理咱們有：

                            

 

            V2表明的信號，是分別在1，2; 3，4; 5，6; 7，8上有相同值的信號。那麼V3呢？則表示任何信號，由於對於V3來說，任何一個時間刻度上的值均可以不同。並且如今，咱們也能夠經過上面的一些scaling functions的波形驗證了以前提到的多解析度分析中的一個核心性質，那就是：

                         

 

      咱們以前講了一堆多解析度的理論，但直到如今，經過這些圖形化的分析，咱們可能纔會真正理解它。那好，既然咱們有一個現成的信號，那就來看看，對這個信號做多解析度分析是啥樣子的：

 

                                            

 

             你看，在不一樣的子空間，對於同一個信號就有不一樣的詮釋。詮釋最好的固然是V3，徹底不損失細節。這就是多解析度的意義。咱們能夠有嵌套的，由scalingfunction演變的basis function集合，每個集合都提供對原始信號的某種近似，解析度越高，近似越精確。

           說到這裏，可能你對scaling function以及多解析度分析已經比較理解了。可是，咱們尚未涉及到它們在小波變換中的具體應用，也就是尚未回答剛纔那個問題：憑空插了一個scaling function到小波basis組合中幹嗎。也就是說，咱們但願理解scaling function是怎麼和小波函數結合的呢，多解析度能給小波變換帶來什麼樣的好處呢。這其實就是是小波變換中的核心知識。理解了這個，後面的小波變換就是純數學計算了。

 

好，咱們已經知道，對於子空間V0，basis是scalingfunction：

 

 

看出什麼規律了麼？多看幾回這三個圖，你會驚訝地發現，在V0中的scaling function和wavelet function的組合，其實就是V1中的basis！繼續這樣推導，V1原本的的basis是：

 

 

 

         他們的組合，本質上也就是V2的basis（參考圖2）。你繼續推導下去，會獲得一樣的結論：在scale j的wavelet function，能夠被用來將Vj的basis擴展到V(j+1)中去！這是一個很是很是關鍵的性質，由於這表明着，對任何一個子空間Vj，咱們如今有兩種方法去獲得它的orthonormal basis：

1. 一種就是它原本的basis ，對任意k。

2. 第二種就是它上一個子空間的basis，對任意k，以及上一級子空間的wavelet function ，對任意k。

 

       第二種選擇能給咱們帶來額外的好處，那就是咱們能夠循環不斷地用上一級子空間的scaling function以及wavelet function的組合來做爲當前子空間的基。換句話說，若是針對V3這個子空間，它實際上就有四種不一樣的，可是等價的orthonormal basis：

 

1. 本級(V3)的scalingfunction basis set

 

2. 上一級(V2)的scalingfunction + wavelet function;

 

3 . 上上一級(V1)的scalingfunction + 上上一級(V1)的waveletfunction + 上一級(V2)的waveletfunction;

 

4. 上上上一級(V0)的scalingfunction + 上上上一級(V0)的waveletfunction + 上上一級(V1)的waveletfunction + 上一級(V2)的waveletfunction

 

          好，看看最後一種選取方式，有沒有感到眼熟？對了，它就是咱們以前提到的「針對此信號space的哈爾小波basis組合」，參見圖1。如今咱們知道了，這個scalingfunction不是憑空插進去的，而是經過不斷的嵌套迭代出來的：

 

      那爲何咱們最後選定的是這種選取方式呢？實際上，剛纔介紹的這個性質已經告訴咱們，對於任何的scale j0，咱們均可以給咱們的signal space找到一組orthonormal basis，這個basis是經過組合scale j0上的scaling function以及全部在scale j，j>=j0上的wavelets獲得的。這樣，基於這個orthonormal basis，

全部信號空間中的信號均可以寫成組成這個basis的functions的線性組合：

 

對應的係數的計算和日常同樣：

 

這，就是最終的，也是最核心的，小波變換形式。無論是信號壓縮，濾波，仍是別的方式處理，只要是用小波變換，都逃不出這個基礎流程：

1. 選取合適的wavelet function和scaling function，從已有的信號中，反算出係數c和d。

2. 對係數作對應處理

3. 從處理後的係數中從新構建信號。

 

      這裏的係數處理是區別你的應用的重點。好比圖像或者視頻壓縮，就但願選取能將能量彙集到很小一部分系數中的小波，而後拋棄那些能量很小的小波係數，只保留少數的這些大頭係數，再反變換回去。這樣的話，圖像信號的能量並無怎麼丟失，圖像體積卻大大減少了。

      還有一個沒有解釋的問題是，爲何要強調尺度函數和小波函數組成一個orthonormal basis呢？計算方即是一方面，還有一個緣由是，若是他們知足這個性質，就知足瑞利能量定理，也就是說，信號的能量，能夠徹底用每一個頻域裏面的展開部分的能量，也就是他們的展開係數表示：

 

         到這裏，咱們對小波變換的形式就講完了。雖然是用的最簡單的哈爾小波爲例子，但觸類旁通便可。咱們着重介紹了多解析度分析以及它給小波變換帶來的殺手鐗：時域頻域同時定位。結束以前，再多說幾句小波變換的意義。咱們拿剛纔例子中V3子空間的第二種可選擇的orthonormal basis做爲例子：

                                

 

 

           左邊這四個basis組成元素，也就是scaling functions，的係數，表徵的是信號的local平均（想一想它們和信號的內積形式），而右邊的這四個basis組成元素，也就是wavelet functions，的係數則表徵了在local平均中丟失的信號細節。得益於此，多解析度分析可以對信號在愈來愈寬的區域上取平均，等同於作低通濾波，並且，它還能保留由於平均而損失的信號細節，等同於作高通濾波！這樣，咱們終於能夠解釋了wavelet function和scaling function背後的物理意義了：wavelet function等同於對信號作高通濾波保留變化細節，而scalingfunction等同於對信號作低通濾波保留平滑的shape！

       對小波變換的基礎知識，咱們就講到這裏。須要注意的是，這只是小波變換最基本最基本的知識，但也是最核心的知識。看完這裏其實就是回到了最開始的介紹：小波變換是把信號分解成一系列的小波（通過原始小波伸縮和平移獲得的），這裏就告訴了咱們伸縮和平移

 

6、小波的應用

         小波是多分辨率理論的分析基礎。而多分辨率理論與多種分辨率下的信號表示和分析有關，其優點很明顯--某種分辨率下沒法發現的特性在另外一個分辨率下將很容易被發現。從多分辨率的角度來審視小波變換，雖然解釋小波變換的方式有不少，但這種方式能簡化數學和物理的解釋過程。

      對於小波的應用不少，我學習的的方向主要是圖像處理，因此這裏用圖像的應用來舉例。對於圖像，要知道量化級數決定了圖像的分辨率，量化級數越高，圖像越是清晰，圖像的分辨率就高。

例一，哈爾小波圖像分解

                    

 

例二，  小波去噪平滑

                   

  

 

例三，  小波的邊緣檢測

                     

 

       小波的知識還有不少，能夠再繼續看書學習，但願看到這個文章，能夠對小波入門的同窗有必定的幫助，下面給出幾個不錯的網站能夠輔助學習

http://blog.163.com/renfengyuee@126/blog/static/35943136201091274316370/

http://www.zhihu.com/question/22864189

http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html

http://blog.csdn.net/wanglang3081/article/details/17751805