小波变换完美通俗解读
小波变换的基本原理和数学模型详解
小波变换的基本原理和数学模型详解一、引言小波变换是一种信号分析的数学工具，可以将信号在时间和频率上进行局部分析。
它在信号处理、图像处理、数据压缩等领域有着广泛的应用。
本文将详细介绍小波变换的基本原理和数学模型。
二、小波变换的基本原理小波变换的基本原理是将信号分解成不同频率的小波基函数，并通过对这些小波基函数的线性组合来表示原始信号。
与傅里叶变换不同的是，小波变换可以实现信号的时频局部化分析，能够更好地捕捉信号的瞬态特性。
三、小波基函数的选择小波基函数是小波变换的核心，不同的小波基函数对信号的分析效果有所不同。
常用的小波基函数有Haar小波、Daubechies小波、Morlet小波等。
这些小波基函数在时域和频域上具有不同的特性，可以根据具体应用的需求选择合适的小波基函数。
四、小波变换的数学模型小波变换的数学模型可以通过连续小波变换和离散小波变换表示。
连续小波变换是对连续信号进行小波变换，可以用积分来表示。
离散小波变换是对离散信号进行小波变换，可以用矩阵运算表示。
五、连续小波变换连续小波变换的数学模型可以表示为：W(a, b) = ∫f(t)ψ*[ (t-b)/a ] dt其中，W(a, b)表示小波系数，f(t)表示原始信号，ψ(t)表示小波基函数，a和b 分别表示尺度参数和平移参数。
六、离散小波变换离散小波变换的数学模型可以表示为：W(n, k) = ∑f(m)ψ*[ (m-k)/2^n ]其中，W(n, k)表示小波系数，f(m)表示原始信号，ψ(m)表示离散小波基函数，n表示尺度参数，k表示平移参数。
七、小波变换的算法小波变换的计算可以通过快速小波变换算法实现，常用的算法有快速小波变换（FWT）和快速多尺度小波变换（FWMT）。
这些算法可以大大提高小波变换的计算效率，使得小波变换在实际应用中更加可行。
八、小波变换的应用小波变换在信号处理、图像处理、数据压缩等领域有着广泛的应用。
在信号处理中，小波变换可以用于信号去噪、信号分析等；在图像处理中，小波变换可以用于图像压缩、边缘检测等；在数据压缩中，小波变换可以用于无损压缩和有损压缩等。
一看就懂的小波变换ppt
8
8
[32.5,0, 0.5,0.5,31,-29,27,-25]
Haar小波反变换：
1 1 1 0 1 0 0 0 32.5 64
1
1
1
0 -1
0
0
0
0
2
1 1 -1 0 0 1 0 0 0.5 3
1 1 -1 1 -1 0
0 1
0 -1 00
0 1
0 0
0.5
31
61 60
傅立叶变换： Of M log2 M
小波变换：
Ow M
设有信号f(t):
其傅里叶变
换为F(jΩ):
即：
f (t) 1 F ( j)e jtd
2
பைடு நூலகம் =
1
0. 8
0. 6
0. 4
0. 2
0 -0. 2 -0. 4 -0. 6
Ψ（t）
-0. 8
-1 0
2
4
6
8
10
12
14
16
18
+
1
0. 8
0. 6
二维金字塔分解算法
令I(x,y)表达大小为M N旳原始图像，l(i)表达相对于分析
小波旳低通滤波器系数，i=0,1,2,…,Nl-1， Nl表达滤波器L旳 支撑长度； h(i)表达相对于分析小波旳高通滤波器系数，
i=0,1,2,…,Nh-1， Nh表达滤波器H旳支撑长度，则
IL x,
y
1 Nl
1.2 二维小波变换（二维多尺度分析）
二维小波变换是由一维小波变换扩展而来旳，二维尺度 函数和二维小波函数可由一维尺度函数和小波函数张量 积得到，即：
小波变换完美通俗解读
小波变换完美通俗解读
嘿，朋友们！今天咱就来好好唠唠这小波变换！这玩意儿可神奇啦！
你看啊，就好比我们听音乐。
那音乐里有各种不同的声音吧，高音、低音啥的。
小波变换呢，就像是一个超级厉害的音乐分析师，能把这音乐里的各种成分给分得清清楚楚！比如我们平时说话的声音，有高有低，语调也不一样，小波变换就能把这些不同的部分准确地分辨出来。
再想想看，我们看一幅画，上面有各种色彩和线条。
小波变换就像是一个能把这些元素都拆解开来的大师！它可以把画里的细节，什么线条的走向啦，颜色的分布啦，都弄得明明白白。
那这小波变换到底有啥牛的呢？嘿，你想啊，我们在生活中，有时候会遇到很复杂的信息，就像一团乱麻。
而小波变换就能像一把神奇的剪刀，把这团乱麻给理清咯！
比如说医生要看 X 光片，那么多复杂的影像，小波变换就能帮忙找出关键的地方，难道这还不厉害吗？或者是在气象研究中，那么多变幻莫测的气候数据，小波变换就能从中找出规律！你说神不神奇！
“哎呀，那这小波变换也太了不起了吧！”这时候可能有人就问了，“那咱普通人能用它干啥呀？”嘿，用处可大了去了！如果你喜欢摄影，它可以帮你更好地处理照片，让照片更清晰更漂亮。
要是你对声音处理感兴趣，它能让你的音乐听起来更棒！这不就是让我们的生活变得更美好嘛！
总之，小波变换真的是一个超级神奇又超级实用的东西！大家可得好好去了解了解它，说不定就能给你的生活带来意想不到的惊喜呢！别小瞧它哦，它真的超厉害！。
小波变换的原理
小波变换的原理小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。
它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。
小波变换的原理传统的信号理论，是建立在Fourier分析基础上的，而Fourier 变换作为一种全局性的变化，其有一定的局限性。
在实际应用中人们开始对Fourier变换进行各种改进，小波分析由此产生了。
小波分析是一种新兴的数学分支，它是泛函数、Fourier分析、调和分析、数值分析的最完美的结晶;在应用领域，特别是在信号处理、图像处理、语音处理以及众多非线性科学领域，它被认为是继Fourier分析之后的又一有效的时频分析方法。
小波变换与Fourier变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（Multiscale Analysis），解决了Fourier 变换不能解决的许多困难问题。
小波变换的应用小波是多分辨率理论的分析基础。
而多分辨率理论与多种分辨率下的信号表示和分析有关，其优势很明显--某种分辨率下无法发现的特性在另一个分辨率下将很容易被发现。
从多分辨率的角度来审视小波变换，虽然解释小波变换的方式有很多，但这种方式能简化数学和物理的解释过程。
对于小波的应用很多，我学习的的方向主要是图像处理，所以这里用图像的应用来举例。
对于图像，要知道量化级数决定了图像的分辨率，量化级数越高，图像越是清晰，图像的分辨率就高。
小波变换及其应用
小波变换及其应用小波变换是一种数学工具，可以将时间或空间上的信号分解成不同频率的成分。
它广泛应用于信号处理、图像压缩、模式识别、金融分析等领域。
本文将介绍小波变换的基本原理、算法和应用。
一、基本原理小波变换采用一组基函数，称为小波基。
小波基是一组具有局部化和可逆性质的基函数。
它们具有一个中心频率和一定的时间或空间长度，可以表示不同频率范围内的信号。
小波基函数可以表示为：y(t) = A * ψ(t - τ)/s其中，y(t)是信号的值，A是尺度系数，ψ是小波基函数，τ是位移参数，s是伸缩系数。
通过改变A、τ、s的值，可以得到不同频率、不同尺度的小波基。
小波变换的基本思想是将信号分解成不同频率的小波基函数，在不同尺度上进行分解，得到信号的多尺度表示。
具体来说，小波变换包括两个步骤：分解和重构。
分解：将信号按照不同频率和尺度进行分解，得到信号的局部频谱信息。
分解通常采用多层小波分解，每一层分解都包括高频和低频分量的计算。
重构：将小波分解得到的频域信息反变换回时域信号，得到信号的多尺度表示。
重构也采用多层逆小波变换，从小尺度到大尺度逐层反变换。
二、算法小波变换的算法有多种，包括离散小波变换（DWT）、连续小波变换（CWT）和快速小波变换（FWT）等。
其中离散小波变换最常用，具有计算速度快、计算量小、精度高等优点。
下面简要介绍DWT算法。
离散小波变换是通过滤镜组将信号进行分解和重构的过程。
分解使用高通和低通滤波器，分别提取信号的高频和低频成分。
重构使用逆滤波器，恢复信号的多尺度表示。
DWT的算法流程如下：1. 对信号进行滤波和下采样，得到低频和高频分量；2. 将低频分量进一步分解，得到更低频和高频分量；3. 重复步骤1和2，直到达到最大分解层数；4. 逆小波变换，将多尺度分解得到的信号重构回原始信号。
三、应用小波变换在信号和图像处理中有广泛应用。
其中最常见的应用是压缩算法，如JPEG2000和MPEG-4等。
图像处理中的小波变换
图像处理是一门涉及数字图像的科学与技术，它对图像进行获取、压缩、增强和重建等一系列操作。
其中，小波变换作为图像处理领域中的一种重要方法，已经被广泛应用于图像压缩、去噪、边缘检测等方面。
小波变换是一种时间-频率分析的方法，它是一种多分辨率分析的数学工具。
与传统的傅里叶变换相比，小波变换能够更好地捕捉信号的瞬时特征，对于非平稳信号的处理效果更佳。
在图像处理中，图像可以看作是二维的信号，因此小波变换可以更好地对图像进行分析和处理。
小波变换的基本思想是将信号分解为不同频率的子信号，然后对这些子信号进行重建。
在图像处理中，小波变换通过对图像进行多次分解，得到不同频率的图像子带，每个子带表示了图像的不同细节信息。
同时，小波变换还可以通过对子带进行逆变换来重建原始图像。
通过控制小波变换的分解层数和选择合适的小波基函数，可以灵活地控制图像的分辨率和细节。
小波变换在图像压缩中得到了广泛应用。
图像压缩是将图像数据用更少的存储空间表示的过程，可以减小图像的存储空间和传输带宽需求。
小波变换能够将图像分解为不同频率的子信号，其中包含了图像的细节信息。
通过对这些子信号进行丢弃或量化，可以实现图像的压缩。
与传统的离散余弦变换相比，小波变换能够更好地保留图像的细节信息，减少了压缩后的图像质量损失。
此外，小波变换还可以应用于图像去噪。
图像去噪是使得图像中的噪声减少或消除的过程，可以提高图像的质量和清晰度。
小波变换能够将图像分解为不同频率的子信号，其中包含了图像的细节信息和噪声信息。
通过选择合适的阈值对这些子信号进行滤波，可以消除图像中的噪声。
与传统的平滑滤波方法相比，小波变换可以更好地保留图像的边缘和细节信息。
此外，小波变换还可以用于图像边缘检测。
边缘是图像中不同区域之间灰度变化明显的位置，是图像中重要的结构特征。
小波变换能够捕捉到图像的瞬时特征，对于边缘的检测效果更好。
通过选择合适的小波基函数，并对图像进行多次分解，可以得到不同尺度的边缘信息。
小波变换简介与应用领域概述
小波变换简介与应用领域概述一、引言小波变换是一种在信号处理和图像处理领域广泛应用的数学工具。
它可以将信号在时域和频域之间进行转换，具有较好的时频局部性质。
小波变换的应用领域十分广泛，包括信号处理、图像处理、数据压缩、模式识别等。
本文将对小波变换的基本原理进行简介，并概述其在不同领域的应用。
二、小波变换的基本原理小波变换是一种基于窗函数的信号分析方法。
它将信号分解为一系列不同频率和不同时间位置的小波函数，并计算每个小波函数与信号的内积，得到小波系数。
小波函数具有局部性，能够描述信号在不同时间尺度上的变化情况，因此小波变换可以提供更为准确的时频信息。
小波变换的基本步骤如下：1. 选择合适的小波函数，常用的小波函数有Haar小波、Daubechies小波、Morlet小波等；2. 将信号分解为不同频率和不同时间位置的小波函数；3. 计算每个小波函数与信号的内积，得到小波系数；4. 根据小波系数重构信号。
三、小波变换的应用领域1. 信号处理小波变换在信号处理领域有着广泛的应用。
它可以用于信号去噪、信号分析和信号压缩等方面。
通过小波变换，可以将信号在时域和频域之间进行转换，提取信号的时频特征，从而实现对信号的分析和处理。
2. 图像处理小波变换在图像处理中也起到了重要的作用。
通过小波变换，可以将图像分解为不同尺度和不同方向的小波系数，从而实现图像的多尺度分析和特征提取。
小波变换还可以用于图像去噪、图像压缩和图像增强等方面。
3. 数据压缩小波变换在数据压缩领域有着广泛的应用。
它可以将信号或图像的冗余信息去除，从而实现对数据的高效压缩。
小波变换可以提供较好的时频局部性质，能够更好地描述信号或图像的特征，因此在数据压缩中具有一定的优势。
4. 模式识别小波变换在模式识别中也有着重要的应用。
通过小波变换，可以提取图像或信号的特征向量，用于模式的分类和识别。
小波变换能够提供较好的时频局部性质，能够更准确地描述图像或信号的特征，因此在模式识别中具有一定的优势。
正交变换-小波变换
k
二尺度差分方程给出了尺度函数、小波函数之间的关系，只要 正交归一的尺度函数集，就可以构造出正交小波基。
( t 1) 1
1
(
t
)dt
1
1 2
2 t 2 ( )dt
1, 0 t 1 2 ( t ) ( 2 t ) ( 2 t 1) 1, 1 2 t 1
jk
j
j
jk
H 0 ( 0 )
(4) 递推关系： ( )
( ) 1 2
H 1 ( 0 ) 0
1
2
j 1
2
H 0 (2
j
)
j
H1(
)
1 2
H 0 (2
)
j2
2 离散小波变 换(DWT)－正交小波基的构造
h 0 k 1 0 ( t ), 0 k ( t )
t
(a )
(b )
图3-15 小波的平移操作 (a) 小波函数ψ(t)； (b) 位移后的小波函数ψ(t-k)
1 连续小波变换(CWT)
( t ) 为基本小波函数，可以为复数信号。
小波函数族的定义有不同的方式：
a , ( t )
a , ( t )
1 a
1 a
(
t a
(
t 2
j
)
2 h1 k (
k
t 2
j 1
k)
h1 k ( 1) h 0 (1 k )
k
线性组合的权系数分别为：与j无关
h 0 k 1 0 ( t ), 0 k ( t )
小波变换分析范文
小波变换分析范文小波变换（Wavelet Transform，WT）是一种时频分析方法，对信号进行多尺度分析。
它与傅里叶变换不同，不仅能够提供频域信息，还能够提供时间信息。
小波变换能够在不同时间尺度下分析信号的频率成分，具有很强的局部性和稳定性。
本文将介绍小波变换的原理、应用场景和相关算法。
小波变换的基本原理是将信号与一组小波基函数进行卷积计算，通过改变小波基函数的尺度和形状，可以实现对不同频率成分的局部分析。
小波基函数是一组局部化函数，具有有限持续性，且没有周期性，因此能够更好地适应信号的局部特征。
小波基函数常用的有哈尔小波、Daubechies 小波、Morlet小波等。
小波变换相比傅里叶变换具有以下优势：1.时间和频率的局部性：小波变换能够同时提供时间和频率信息，可以更准确地描述信号的瞬态特征。
傅里叶变换将信号映射到频域，无法提供时间信息，而小波变换通过改变小波基函数的尺度，可以在不同时间尺度下分析信号的频率成分。
2.多尺度分析：小波变换是一种多尺度分析方法，通过改变小波基函数的尺度，可以对信号的不同频率成分进行分析。
傅里叶变换只能提供全局频率信息，无法区分不同频率的瞬态成分。
3.离散性：小波变换可以对离散信号进行处理，能够在有限的时间和频率分辨率内对信号进行分析。
傅里叶变换是对连续信号进行处理的，需要对信号进行采样和插值，会引入采样和重建误差。
小波变换在信号处理领域有广泛的应用，包括图像压缩、信号降噪、语音识别、地震勘探等。
其中，小波变换在图像压缩中的应用较为广泛。
传统的图像压缩方法如JPEG采用离散余弦变换（DCT），但其对图像的瞬态特征不敏感。
而小波变换能够更好地提取图像的局部特征，可以实现更高的压缩比和更好的重构质量。
小波变换的具体实现有多种算法，包括离散小波变换（DWT）、连续小波变换（CWT）和快速小波变换（FWT）等。
离散小波变换是最常用的小波变换算法，通过一系列卷积和下采样操作实现小波系数的计算。
小波变换详解
基于小波变换的人脸识别近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。
小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。
具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。
4.1 小波变换的研究背景法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。
傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。
在早期的信号处理领域，傅立叶变换具有重要的影响和地位。
定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下：()()dt e t f F t j ωω-⎰∞-∞+= (4-1) 傅立叶变换的逆变换为：()()ωωπωd e F t f t j ⎰+∞∞-=21 (4-2)从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。
可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。
尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。
但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。
浅析小波变换
引言---短时傅里叶变换
❖ 缺陷：
其窗函数的大小和形状均与时间和频率无关，保 持固定不变，对于分析时变信号不利！ （高频信号持续时间短，低频长。我们希望对于高频采用
小的时间窗，低频使用大时间窗进行分析。）
STFT无能为力了！ 不能构成正交基，给数值计算带来不便。
三、小波信号
❖ 1984年法国的年轻的地球物理学家Jean Morlet在 进行石油勘探的地震数据处理分析时与法国理论物 理学家A.Grossman一起提出了小波变换(wavelet transform, WT)的概念 。
总
结
4 小波分析的一个主要优点就是能够分析信号 的局部特征。
5 利用小波分析可以非常准确地分析出信号在 什么时刻发生畸变。
6 在二维情况下，小波分析除了“显微”能力外还具 有“极化”能力(即方向选择性)。
应用到了越来越多的领域
Terms
Wavelet: 小波 Ondelettes: 小波 Compact support: 紧支撑 Wavelet transform (WT): 小波变换 Continuous Wavelet transform (CWT): 连续小波 变换 Discrete Wavelet transform (DWT): 离散小波变 换 Filter bank: 滤波器族
在使用滤波器对真实的数字信号进行变换时， 得到的数据将是原始数据的两倍。
根据耐奎斯特(Nyquist)采样定理就提出了降采样的方 法，即在每个通道中每两个样本数据取一个，得到的 离散小波变换的系数(coefficient)分别用cD和cA表示
三、小波重构
将信号的小波分解的分量进行处理后，一般还要根 据需要把信号恢复出来，也就是利用信号的小波分解 的系数还原出原始信号，这一过程称为小波重构 （ Wavelet Reconstruction ） 或 叫 做 小 波 合 成 （Wavelet Synthesis）。
小波变换原理
小波变换原理小波变换（WaveletTransform，简称WT）是一种用于数字信号处理的实用技术，它是在1980年代由Yves Meyer等人提出的。
它是一种基于振动信号的就地分析方法，它允许将一个信号分解成多个不同尺度上的分量，该分量描述了信号的不同特性。
小波变换的基本概念是将源信号分解成低频与高频成分的线性变换，也就是将源信号分解为几个子信号，这几个子信号的能量衰减速度明显不同，从而减少了信号的复杂性，使信号的处理变得更容易。
波变换的正变换（Analysis）逆变换（Synthesis）的原理基本类似于傅立叶变换，在经过变换后，信号可以通过多维度，从而更加清晰地表示它的特性。
小波变换由一组小波函数组成，这些小波函数是根据条件确定的，由一系列称为基带小波函数的可以拓展组合而成。
小波函数具有多种特性，它们可以有不同的时频特性，它们可以有不同的宽度和峰值，从而允许不同的尺度和信号特性。
此外，小波变换也可以用来实现数字信号的时域处理和频域处理，从而可以提取信号的实时特征，增强仅在部分局部中存在的细节信息，从而更好地提取和处理信号。
小波变换可以用于图像处理、语音信号处理，以及不同类型的数据压缩。
近些年，小波变换得到了越来越多的应用，已经成为了许多研究的重要基础。
例如，在脑电信号分析中，小波变换可以用来发现脑电记录的一些有趣的特征；在图像处理中，小波变换可以用来估计传输的损失；在语音信号处理中，小波变换可以用来消除噪声等等。
小波变换有许多优势，如抗噪性强，它可以控制噪声影响，保持信号的质量。
另外，它可以节约计算时间，具有快速计算的特性，而且可以实现多维特征提取，可以节省存储空间，具有很高的算法效率。
总之，小波变换是一种非常有用的信号处理技术，它的出现推动了信号处理领域的发展，为许多应用领域带来了许多优点，具有广泛的应用前景。
小波变换（wavelettransform）的通俗解释（一）
⼩波变换（wavelettransform）的通俗解释（⼀）⼩波变换⼩波，⼀个神奇的波，可长可短可胖可瘦（伸缩*移），当去学习⼩波的时候，第⼀个⾸先要做的就是回顾傅⽴叶变换（⼜回来了，唉），因为他们都是频率变换的⽅法，⽽傅⽴叶变换是最⼊门的，也是最先了解的，通过傅⽴叶变换，了解缺点，改进，慢慢的就成了⼩波变换。
主要的关键的⽅向是傅⽴叶变换、短时傅⽴叶变换，⼩波变换等，第⼆代⼩波的什么的就不说了，太多了没太多意义。
当然，其中会看到很多的名词，例如，内积，基，归⼀化正交，投影，Hilbert空间，多分辨率，⽗⼩波，母⼩波，这些不同的名词也是学习⼩波路上的标志牌，所以在刚学习⼩波变换的时候，看着三个⽅向和标志牌，可以顺利的⾛下去，当然路上的美景要⾃⼰去欣赏（这⾥的美景就是定义和推导了）。
因为内容太多，不是很重要的地⽅我都注释为（查定义）⼀堆⽂字的就是理论（可以⼤体⼀看不⽤⽴刻就懂），同时最下⾯也给了⼏个⽹址辅助学习。
⼀、基傅⽴叶变换和⼩波变换，都会听到分解和重构，其中这个就是根本，因为他们的变化都是将信号看成由若⼲个东西组成的，⽽且这些东西能够处理还原成⽐原来更好的信号。
那怎么分解呢？那就需要⼀个分解的量，也就是常说的基，基的了解可以类⽐向量，向量空间的⼀个向量可以分解在x，y⽅向，同时在各个⽅向定义单位向量e1、e2，这样任意⼀个向量都可以表⽰为a=xe1+ye2，这个是⼆维空间的基，⽽对于傅⽴叶变换的基是不同频率的正弦曲线，所以傅⽴叶变换是把信号波分解成不同频率的正弦波的叠加和，⽽对于⼩波变换就是把⼀个信号分解成⼀系列的⼩波，这⾥时候，也许就会问，⼩波变换的⼩波是什么啊，定义中就是告诉我们⼩波，因为这个⼩波实在是太多，⼀个是种类多，还有就是同⼀种⼩波还可以尺度变换，但是⼩波在整个时间范围的幅度*均值是0，具有有限的持续时间和突变的频率和振幅，可以是不规则，也可以是不对称,很明显正弦波就不是⼩波，什么的是呢，看下⾯⼏个图就是当有了基，以后有什么⽤呢?下⾯看⼀个傅⽴叶变换的实例：对于⼀个信号的表达式为x=sin(2*pi*t)+0.5*sin(2*pi*5*t);这⾥可以看到是他的基就是sin函数，频率是1和5，下⾯看看图形的表⽰，是不是感受了到了频域变换给⼈的⼀⽬了然。
傅里叶变换 小波变换 通俗解释
傅里叶变换小波变换通俗解释
傅里叶变换和小波变换是数字信号处理中常用的两种技术，它们可以用来分析和处理信号的频率和时间特征。
傅里叶变换是一种将信号从时间域转换到频率域的方法。
它通过将信号分解成一系列不同频率的正弦波和余弦波的叠加，来揭示信号的频率成分。
傅里叶变换的结果是一个频率谱，它表示了信号在不同频率上的能量分布。
小波变换是一种时频分析方法，它可以同时分析信号的时间和频率特征。
小波变换通过将信号分解成一系列不同尺度和位置的小波函数的叠加，来揭示信号的时频特征。
小波变换的结果是一个时频图，它表示了信号在不同时间和频率上的能量分布。
简单来说，傅里叶变换和小波变换都是将信号分解成一系列基本函数的叠加，以揭示信号的频率和时间特征。
傅里叶变换主要关注信号的频率特征，而小波变换则同时关注信号的时间和频率特征。
小波变换-完美通俗解读汇报
小波变换和motion信号处理（一）这是《小波变换和motion信号处理》系列的第一篇，基础普及。
第二篇我准备写深入小波的东西，第三篇讲解应用。
记得我还在大四的时候，在申请出国和保研中犹豫了好一阵，骨子里的保守最后让我选择了先保研。
当然后来也退学了，不过这是后话。
当时保研就要找老板，实验室，自己运气还不错，进了一个在本校很牛逼的实验室干活路。
我们实验室主要是搞图像的，实力在全国也是很强的，进去后和师兄师姐聊，大家都在搞什么小波变换，H264之类的。
当时的我心思都不在这方面，尽搞什么操作系统移植，ARM+FPGA这些东西了。
对小波变换的认识也就停留在神秘的“图像视频压缩算法之王”上面。
后来我才发现，在别的很广泛的领域中，小波也逐渐开始流行。
比如话说很早以前，我们接触的信号频域处理基本都是傅立叶和拉普拉斯的天下。
但这些年，小波在信号分析中的逐渐兴盛和普及。
这让人不得不感到好奇，是什么特性让它在图象压缩，信号处理这些关键应用中更得到信赖呢？说实话，我还在国内的时候，就开始好奇这个问题了，于是放狗搜，放毒搜，找遍了中文讲小波变换的科普文章，发现没几个讲得清楚的，当时好奇心没那么重，也不是搞这个研究的，懒得找英文大部头论文了，于是作罢。
后来来了这边，有些项目要用信号处理，不得已接触到一些小波变换的东西，才开始硬着头皮看。
看了一些材料，听了一些课，才发现，还是那个老生常谈的论调：国外的技术资料和国内真TNND不是一个档次的。
同样的事情，别人说得很清楚，连我这种并不聪明的人也看得懂; 国内的材料则绕来绕去讲得一塌糊涂，除了少数天才没几个人能在短时间掌握的。
牢骚就不继续发挥了。
在这个系列文章里，我希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。
如果不做特殊说明，均以离散小波为例子。
考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。
小波变换分解层数
小波变换分解层数一、什么是小波变换小波变换（Wavelet Transform）是一种用于信号分析和处理的数学工具，它可以将信号分解成不同尺度的频率成分。
与傅里叶变换相比，小波变换不仅可以提供频域信息，还可以提供时域信息。
小波变换的基本思想是将信号与一系列母小波进行卷积，通过不同尺度和位置的卷积运算，得到信号在不同频率范围内的分解系数。
通过对这些分解系数的分析，可以提取出信号中的重要特征，并进行相应的信号处理。
二、小波变换的分解层数在进行小波变换时，我们可以选择不同的分解层数。
分解层数是指通过一系列的低通和高通滤波器对信号进行递归分解的次数。
较高的分解层数可以提供更详细的频域和时域信息，但也会导致分解系数的数量增加和计算复杂度的增加。
因此，在选择分解层数时需要综合考虑信号的特性和分析的需求。
一般来说，较低的分解层数适用于分析高频成分占主导的信号，如尖峰信号或高频振动信号。
较高的分解层数则适用于分析低频成分占主导的信号，如低频振动信号或长期趋势信号。
三、选择合适的分解层数的依据选择合适的分解层数的依据主要有以下几点：1. 信号的频率范围当信号的频率范围较大时，我们可以选择较高的分解层数，以便更好地捕捉信号的细节特征。
如果信号的频率范围较窄，则可以选择较低的分解层数，以减少计算量。
2. 信号的长度当信号的长度较长时，较高的分解层数可以提供更详细的时域信息。
如果信号的长度较短，则可以选择较低的分解层数。
3. 分析的目的根据分析的目的选择合适的分解层数也是非常重要的。
如果我们关注信号的整体趋势和大致特征，则较低的分解层数足够；如果我们关注信号的细节和局部特征，则需要选择较高的分解层数。
4. 计算效率较高的分解层数会导致分解系数的数量增加，从而增加计算的复杂度。
如果对计算效率要求较高，可以选择较低的分解层数。
四、小波变换分解层数的影响选择合适的分解层数对于小波变换的结果具有重要影响。
不同的分解层数会得到不同精度的频域和时域信息，从而影响到对信号的分析和处理。
小波变换——精选推荐
⼩波变换和傅⽴叶级数有⼀点不同的是，⼩波级数通常是orthonormalbasis，也就是说，它们不仅两两正交，还归⼀化了。
⼩波级数通常有很多种，但是都符合下⾯这些特性：1.⼩波变换对不管是⼀维还是⾼维的⼤部分信号都能cover很好。
这个和傅⽴叶级数有很⼤区别。
后者最擅长的是把⼀维的，类三⾓波连续变量函数信号映射到⼀维系数序列上，但对于突变信号或任何⾼维的⾮三⾓波信号则⼏乎⽆能为⼒。
2.围绕⼩波级数的展开能够在时域和频域上同时定位信号，也就是说，信号的⼤部分能量都能由⾮常少的展开系数，⽐如a_{j,k}，决定。
这个特性是得益于⼩波变换是⼆维变换。
我们从两者展开的表达式就可以看出来，傅⽴叶级数是，⽽⼩波级数是。
3.从信号算出展开系数a需要很⽅便。
普遍情况下，⼩波变换的复杂度是O(Nlog(N))，和FFT相当。
有不少很快的变换甚⾄可以达到O(N)，也就是说，计算复杂度和信号长度是线性的关系。
⼩波变换的等式定义，可以没有积分，没有微分，仅仅是乘法和加法即可以做到，和现代计算机的计算指令完全match。
每个⼩波变换都会有⼀个mother wavelet，我们称之为母⼩波，同时还有⼀个father wavelet，就是scaling function。
⽽该⼩波的basis函数其实就是对这个母⼩波和⽗⼩波缩放和平移形成的。
缩放倍数都是2的级数，平移的⼤⼩和当前其缩放的程度有关。
话说在数学定义中，有⼀种空间叫Lebesgue空间，对于信号处理⾮常重要，可以⽤L^p(R)表⽰，指的是由p次可积函数所组成的函数空间。
我们在⼩波变换中要研究的信号都是属于L^2(R)空间的，这个空间是R上的所有处处平⽅可积的可测函数的集合，这样就等于对信号提出了⼀个限制，就是信号能量必须是有限的，否则它就不可积了。
⼩波变换的定义都是基于但不限于L^2(R)中的信号的。
这玩意的特性要具体解释起来太数学了，牵涉到太多泛函知识，我就不在这⾥详述了。
小波变换_完美通俗解读
小波变换完美通俗解读要讲小波变换，我们必须了解傅立叶变换。
要了解傅立叶变换，我们先要弄清楚什么是”变换“。
很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。
变换的是什么东西呢？是基，也就是basis。
如果你暂时有些遗忘了basis的定义，那么简单说，在线性代数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。
那basis在变换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。
小波变换自然也不例外的和basis有关了。
再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。
既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。
一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。
比如如果我们希望选取有利于压缩的话，那么就希望这个basis能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。
而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵(Tv_n=av_n，a是eigenvalue)。
总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。
好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。
当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。
接下来先看看，傅立叶变换是在干嘛。
傅立叶级数最早是Joseph Fourier这个人提出的，他发现，这个basis不仅仅存在与vector space，还存在于function space。
一小波变换的定义
一．小波变换的定义给定一个基本函数)(t ψ，令 )(1)(,a b t at b a -=ψψ （1.1）式中b a ,均为常数，且0>a 。
显然，)(,t b a ψ是基本函数)(t ψ先作移位再作伸缩以后得到的。
若b a ,不断地变化，我们可得到一族函数)(,t b a ψ。
给定平方可积的信号)(t x ，即)()(2R L t x ∈，则)(t x 的小波变换（Wavelet Transform ，WT ）定义为dt a b t t x ab a WT x )()(1),(-=⎰*ψ 〉〈==⎰*)(),()()(,,t t x dt t t x b a b a ψψ （1.2） 式中b a ,和t 均是连续变量，因此该式又称为连续小波变换（CWT ）。
如无特别说明，式中及以后各式中的积分都是从∞-到∞+。
信号)(t x 的小波变换),(b a WT x 是a 和b 的函数，b 是时移，a 是尺度因子。
)(t ψ又称为基本小波，或母小波。
)(,t b a ψ是母小波经移位和伸缩所产生的一族函数，我们称之为小波基函数，或简称小波基。
这样，（1.2）式的WT 又可解释为信号)(t x 和一族小波基的内积。
母小波可以是实函数，也可以是复函数。
若)(t x 是实信号，)(t ψ也是实的，则),(b a WT x 也是实的，反之，),(b a WT x 为复函数。
在（1.1）式中，b 的作用是确定对)(t x 分析的时间位置，也即时间中心。
尺度因子a 的作用是把基本小波)(t ψ作伸缩。
我们在1.1节中已指出，由)(t ψ变成)(atψ，当1>a 时，若a 越大，则)(at ψ的时域支撑范围（即时域宽度）较之)(t ψ变得越大，反之，当1<a 时，a 越小，则)(atψ的宽度越窄。
这样，a 和b 联合越来确定了对)(t x 分析的中心位置及分析的时间宽度。
这样，（1.2）式的WT 可理解为用一族分析宽度不断变化的基函数对)(t x 作分析，由下一节的讨论可知，这一变化正好适应了我们对信号分析时在不同频率范围所需要不同的分辨率这一基本要求。
小波变换原理
小波变换原理
小波变换是一种多用途的数学工具，自20世纪80年代以来已被广泛应用于数字图像处理领域。
小波变换把一个原始信号分解成多组低频信号和高频信号，通过分析低频信号来推断信号的趋势，考虑高频信号来掌握信号的细节，从而更好地提取信号中有价值的信息。
小波变换是一种类似滤波的多尺度变换技术，它是在时间上对信号的分解，即结合滤波和重构的形式来分析信号的多尺度特性，这样就可以在时间和频率范围内把信号分解成层次结构。
小波变换有两种基本模式：分解型和完全型。
分解型小波变换以采样频率为基础，把信号分解为几种不同尺度的波形，比如高频离散小波变换(DWT)或高斯小波变换(GWT)。
完全型小波变换是通过不同尺度的小波基函数进行分析的，比如曲线匹配和多项式建模技术。
小波变换的一个重要应用就是图像压缩。
图像压缩技术通常有两种应用模式：无损和有损。
无损图像压缩是指在压缩过程中不会出现失真，而有损图像压缩就是指在压缩过程中可能会出现一定程度的失真。
小波变换无损图像压缩技术采用分层多尺度分解的方法，通过把图像分解成多组低频和高频信号，只保留部分低频信号，忽略掉大部分高频信号，这样可以实现图像的压缩。
此外，小波变换还广泛应用于计算机视觉领域，可用于图像去噪处理、边缘检测和形态学处理等，可以帮助计算机识别图像中的目标对象，当然，小波变换也可以应用于其他领域，如声学、天气预报等。
综上所述，小波变换是一种强大的数学工具，可以帮助我们更好
地分析和处理信号，从而提取有价值的信息。
它在图像处理中的应用越来越广泛，还可以用于计算机视觉和其他领域，受到了广泛的关注。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
小波变换完美通俗解读转自：这是《小波变换和motion信号处理》系列的第一篇，基础普及。
第二篇我准备写深入小波的东西，第三篇讲解应用。
记得我还在大四的时候，在申请出国和保研中犹豫了好一阵，骨子里的保守最后让我选择了先保研。
当然后来也退学了，不过这是后话。
当时保研就要找老板，实验室，自己运气还不错，进了一个在本校很牛逼的实验室干活路。
我们实验室主要是搞图像的，实力在全国也是很强的，进去后和师兄师姐聊，大家都在搞什么小波变换，H264之类的。
当时的我心思都不在这方面，尽搞什么操作系统移植，ARM+FPGA这些东西了。
对小波变换的认识也就停留在神秘的"图像视频压缩算法之王"上面。
后来我才发现，在别的很广泛的领域中，小波也逐渐开始流行。
比如话说很早以前，我们接触的信号频域处理基本都是傅立叶和拉普拉斯的天下。
但这些年，小波在信号分析中的逐渐兴盛和普及。
这让人不得不感到好奇，是什么特性让它在图象压缩，信号处理这些关键应用中更得到信赖呢?说实话，我还在国内的时候，就开始好奇这个问题了，于是放狗搜，放毒搜，找遍了中文讲小波变换的科普文章，发现没几个讲得清楚的，当时好奇心没那么重，也不是搞这个研究的，懒得找英文大部头论文了，于是作罢。
后来来了这边，有些项目要用信号处理，不得已接触到一些小波变换的东西，才开始硬着头皮看。
看了一些材料，听了一些课，才发现，还是那个老生常谈的论调：国外的技术资料和国内真TNND不是一个档次的。
同样的事情，别人说得很清楚，连我这种并不聪明的人也看得懂；国内的材料则绕来绕去讲得一塌糊涂，除了少数天才没几个人能在短时间掌握的。
牢骚就不继续发挥了。
在这个系列文章里，我希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。
如果不做特殊说明，均以离散小波为例子。
考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。
有些必要的公式是不能少的，但我尽量少用公式，多用图。
另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。
我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。
我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。
最后说明，我不是研究信号处理的专业人士，所以文中必有疏漏或者错误，如发现还请不吝赐教。
要讲小波变换，我们必须了解傅立叶变换。
要了解傅立叶变换，我们先要弄清楚什么是"变换"。
很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。
变换的是什么东西呢?是基，也就是basis。
如果你暂时有些遗忘了basis的定义，那么简单说，在线性代数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。
那basis在变换里面啥用呢?比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。
小波变换自然也不例外的和basis有关了。
再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。
既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。
一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。
比如如果我们希望选取有利于压缩的话，那么就希望这个basis 能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。
而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵(Tv_n=av_n，a是eigenvalue)。
总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。
好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。
当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。
接下来先看看，傅立叶变换是在干嘛。
傅立叶级数最早是Joseph Fourier这个人提出的，他发现，这个basis 不仅仅存在与vector space，还存在于function space。
这个function space本质上还是一个linear vector space，可以是有限的，可以是无限的，只不过在这个空间里，vector就是function了，而对应的标量就是实数或者复数。
在vector space里，你有vector v可以写成vector basis的线性组合，那在function space里，function f(x)也可以写成对应function basis的线性组合，也有norm。
你的vector basis可以是正交的，我的function basis也可以是正交的(比如sin(t)和sin(2t))。
唯一不同的是，我的function basis是无穷尽的，因为我的function space的维度是无穷的。
好，具体来说，那就是现在我们有一个函数，f(x)。
我们希望将它写成一些cos函数和一些sin函数的形式，像这样again，这是一个无限循环的函数。
其中的1，cosx,sinx,cos2x….这些，就是傅立叶级数。
傅立叶级数应用如此广泛的主要原因之一，就是它们这帮子function basis是正交的，这就是有趣的地方了。
为什么function basis正交如此重要呢?我们说两个vector正交，那就是他俩的内积为0。
那对于function basis呢?function basis怎么求内积呢?现在先复习一下vector正交的定义。
我们说两个vector v,w如果正交的话，应符合：那什么是function正交呢?假设我们有两个函数f(x)和g(x)，那是什么?我们遵循vector的思路去想，两个vector求内积，就是把他们相同位置上对应的点的乘积做一个累加。
那移过来，就是对每一个x点，对应的f和g做乘积，再累加。
不过问题是，f和g都是无限函数阿，x又是一个连续的值。
怎么办呢?向量是离散的，所以累加，函数是连续的，那就是….积分！我们知道函数内积是这样算的了，自然也就容易证明，按照这个形式去写的傅立叶展开，这些级数确实都是两两正交的。
证明过程这里就不展开了。
好，下一个问题就是，为什么它们是正交basis如此重要呢?这就牵涉到系数的求解了。
我们研究了函数f，研究了级数，一堆三角函数和常数1，那系数呢?a0,a1,a2这些系数该怎么确定呢?好，比如我这里准备求a1了。
我现在知道什么?信号f(x)是已知的，傅立叶级数是已知的，我们怎么求a1呢?很简单，把方程两端的所有部分都求和cosx的内积，即：然后我们发现，因为正交的性质，右边所有非a1项全部消失了，因为他们和cosx的内积都是0！所有就简化为这样，a1就求解出来了。
到这里，你就看出正交的奇妙性了吧：)好，现在我们知道，傅立叶变换就是用一系列三角波来表示信号方程的展开，这个信号可以是连续的，可以是离散的。
傅立叶所用的functionbasis是专门挑选的，是正交的，是利于计算coefficients的。
但千万别误解为展开变换所用的basis都是正交的，这完全取决于具体的使用需求，比如泰勒展开的basis就只是简单的非正交多项式。
有了傅立叶变换的基础，接下来，我们就看看什么是小波变换。
首先来说说什么是小波。
所谓波，就是在时间域或者空间域的震荡方程，比如正弦波，就是一种波。
什么是波分析?针对波的分析拉(囧)。
并不是说小波分析才属于波分析，傅立叶分析也是波分析，因为正弦波也是一种波嘛。
那什么是小波呢?这个"小"，是针对傅立叶波而言的。
傅立叶所用的波是什么?正弦波，这玩意以有着无穷的能量，同样的幅度在整个无穷大区间里面振荡，像下面这样：那小波是什么呢?是一种能量在时域非常集中的波。
它的能量是有限的，而且集中在某一点附近。
比如下面这样：这种小波有什么好处呢?它对于分析瞬时时变信号非常有用。
它有效的从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅立叶变换不能解决的许多困难问题。
恩，以上就是通常情况下你能在国内网站上搜到的小波变换文章告诉你的。
但为什么呢?这是我希望在这个系列文章中讲清楚的。
不过在这篇文章里，我先点到为止，把小波变换的重要特性以及优点cover了，在下一篇文章中再具体推导这些特性。
小波变换的本质和傅立叶变换类似，也是用精心挑选的basis来表示信号方程。
每个小波变换都会有一个mother wavelet，我们称之为母小波，同时还有一个scaling function，中文是尺度函数，也被成为父小波。
任何小波变换的basis函数，其实就是对这个母小波和父小波缩放和平移后的集合。
下面这附图就是某种小波的示意图：从这里看出，这里的缩放倍数都是2的级数，平移的大小和当前其缩放的程度有关。
这样的好处是，小波的basis函数既有高频又有低频，同时还覆盖了时域。
对于这点，我们会在之后详细阐述。
小波展开的形式通常都是这样(注意，这个只是近似表达，严谨的展开形式请参考第二篇)：其中的就是小波级数，这些级数的组合就形成了小波变换中的基basis。
和傅立叶级数有一点不同的是，小波级数通常是orthonormal basis，也就是说，它们不仅两两正交，还归一化了。
小波级数通常有很多种，但是都符合下面这些特性：1.小波变换对不管是一维还是高维的大部分信号都能cover很好。
这个和傅立叶级数有很大区别。
后者最擅长的是把一维的，类三角波连续变量函数信号映射到一维系数序列上，但对于突变信号或任何高维的非三角波信号则几乎无能为力。
2.围绕小波级数的展开能够在时域和频域上同时定位信号，也就是说，信号的大部分能量都能由非常少的展开系数，比如a_{j,k}，决定。
这个特性是得益于小波变换是二维变换。
我们从两者展开的表达式就可以看出来，傅立叶级数是，而小波级数是。
3.从信号算出展开系数a需要很方便。
普遍情况下，小波变换的复杂度是O(Nlog(N))，和FFT相当。
有不少很快的变换甚至可以达到O(N)，也就是说，计算复杂度和信号长度是线性的关系。