第4章+小波变换的实现技术
小波变换与傅里叶变换的对比异同
小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi 标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢？b取多少才合适呢？于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不?,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件?后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件???,就是? MATLAB小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1) dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname') [cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT 说明：[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname' 对信号X 进行分解，cA、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信 号进行分解。 (2) idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname') X=idwt(cA,cD,Lo_R,Hi_R) X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L) 说明：X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经 小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能 --------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1) wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分 格式：Y=wcodemat(X,NB,OPT,ABSOL) Y=wcodemat(X,NB,OPT) Y=wcodemat(X,NB) Y=wcodemat(X) 说明：Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵 Y ；NB 伪编码的最大值，即编码范围为 0～NB，缺省值 NB＝16； OPT 指定了编码的方式（缺省值为 'mat'），即：别可以实现 一维、二维和 N 维 DFT OPT＝'row' ，按行编码 OPT＝'col' ，按列编码 第9章 小波变换基础 9.1 小波变换的定义 给定一个基本函数)(t ψ，令 )(1)(,a b t a t b a -= ψψ （9.1.1） 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 a b a WT x )()(1),(-= ? *ψ ??==? * )(),()()(,,t t x dt t t x b a b a ψψ （9.1.2） 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，（9.1.2）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（9.1.1）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)(a t ψ，当1 >a 时，若a 越大，则)(a t 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 1、 选择()t ?或?()? ω，使{}()k Z t k ?∈-为一组正交归一基； 2、 求n h 。 1,(),()n n h t t ??-= 或??()(2)/()H ω?ω?ω= 3、 由n h 求n g 。 1(1)n n n g h -=- 或()()i G e H t ωωωπ-= 4、 由n g ，()t ?构成正交小波基函数() t φ 1,()()n n t g t φ?-=∑ 或??()(/2)(/2)G φωω?ω= Haar 小波的构造 1）、选择尺度函数。 101 ()0t t ? ≤≤?=? ?其他 易知(n)t ?-关于n 为一正交归一基。 2）、求n h 1,(),()n n h t t ??- =()2t-n)t dt ??（ 其中 1 1(2)220n n t t n ?+? ≤≤?-=?? ?其他 当n=0时， 1 1(2)20t t ?? 0≤≤?=?? ?其他 当n=1时， 1 11(21)20t t ?? ≤≤?-=?? ?其他 故，当n=0，n=1时 1()(2)0n n t t n ?? =0,=1 ??-=? ?其他 当n=0时， ()(2)t t n ???-1 120t ? 0≤≤?=?? ?其他 当n=1时， ()(2)t t n ???-1 1120t ? ≤≤?=?? ?其他 故 n h ()2t-n)t dt ?? （1/0n n ?=0,=1 ?=? ??其他 3）、求n g 。 11/0 (1)1/10n n n n g h n -?=??=-=-=?? ??其他 4）、求()t φ。 1,()()n n t g t φ?-=∑ =0-1,011,1()()g t g t ??-+ (2)(21)t t - =1 102 111 20t t ? ≤≤???- ≤≤?? ??? 其他 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 连续小波变换的概念swt,cwt,dwt 1。连续小波的概念。就是把一个可以称作小波的函数（从负无穷到正无穷积分为零）在某个尺度下与待处理信号卷积。改变小波函数的尺度，也就改变了滤波器的带通范围，相应每一尺度下的小波系数也就反映了对应通带的信息。本质上，连续小波也就是一组可控制通带范围的多尺度滤波器。 2。连续小波是尺度可连续取值的小波，里面的a一般取整数，而不像二进小波a取2的整数幂。从连续小波到二进小波再到正交离散小波，其实就是a、b都连续，a不连续、b连续，a、b都不连续的过程。操作他们的快速算法也就是卷积(快速傅里叶)，多孔(a trous)，MALLAT。在MATLAB里，也就是CWT，SWT，DWT。SWT称平稳小波变换、二进小波变换、或者非抽取小波变换。3。从冗余性上：CWT>SWT>DWT，前面两个都冗余，后面的离散小波变换不冗余。 4。从应用上：CWT适合相似性检测、奇异性分析；SWT适合消噪，模极大值分析；DWT适合压缩。 5。操作。就是在某个尺度上得到小波的离散值和原信号卷积，再改变尺度重新得到小波的离散值和原信号卷积。每一个尺度得到一个行向量存储这个尺度下的小波系数，多个尺度就是一个矩阵，这个矩阵就是我们要显示的时间-尺度图。 6。显示。“不要认为工程很简单”。我的一个老师说过的话。小波系数的显示还是有技巧的。很多人画出的图形“一片乌黑”就是个例子。第一步，一般将所有尺度下的小波系数取模；第二步，将每个尺度下的小波系数范围作映射，映射到你指定MAP的范围，比如如果是GRAY，你就映射到0-255；第三步，用IMAGE命令画图；第四步，设置时间和尺度坐标。MATLAB是个很专业的软件，它把这些做的很好，但也就使我们懒惰和糊涂，我是个好奇心重的人就研究了下。里面有个巧妙的函数把我说的(1,2)两个步骤封装在了一起，就是WCODEMAT，有兴趣的同学可以看看。 希望大家深入研究小波。 这里，还有要说的是，小波目前理论的热点： 1。不可分的小波或者具有可分性质的方向性小波； 2。XLET: CONTOURLET, WEDGELET, SHEARLET, BANDELET, RIDGELET, CURVELET; PLATELET. 3。多分辨率分析+多尺度几何分析的结合，才真正是我们所需要的。比如小波域的WEDGELET等等。 最后，几点建议： 1。理论研究和实际应用不同，工程上很多问题小波并不是最好的，在做项目的时候大家要实际情况，实际对待。 MATLAB 小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1 dwt函数 功能：一维离散小波变换 格式：[cA,cD]=dwt(X,'wname' [cA,cD]=dwt(X,Lo_D,Hi_D别可以实现一维、二维和 N 维 DFT 说明：[cA,cD]=dwt(X,'wname' 使用指定的小波基函数 'wname' 对信号X 进行分解，cA 、cD 分别为近似分量和细节分量； [cA,cD]=dwt(X,Lo_D,Hi_D 使用指定的滤波器组 Lo_D、Hi_D 对信号进行分解。 (2 idwt 函数 功能：一维离散小波反变换 格式：X=idwt(cA,cD,'wname' X=idwt(cA,cD,Lo_R,Hi_R X=idwt(cA,cD,'wname',L函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L 说明：X=idwt(cA,cD,'wname' 由近似分量 cA 和细节分量 cD 经小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L 和 X=idwt(cA,cD,Lo_R,Hi_R,L 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能 --------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1 wcodemat 函数 功能：对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分格式： Y=wcodemat(X,NB,OPT,ABSOL Y=wcodemat(X,NB,OPT Y=wcodemat(X,NB 小波变换学习心得 第一章什么是小波变换 1从傅里叶变换到小波变换 1.1 短时傅里叶变换 为了克服傅里叶变换中时域和频域不能兼容的缺点，短时傅里叶变换把一个时间信号变为时间和频率的二维函数，它能够提供信号在某个时间段和某个频率围的一定信息。这些信息的精度依赖于时间窗的大小。短时傅里叶变换的缺点是对所有的频率成分，所取的时间窗大小相同，然而，对很多信号为了获得更精确的时间或频率信息，需要可变的时间窗。 1.2 小波变换 小波变换提出了变换的时间窗，当需要精确的低频信息时，采用长的时间窗，当需要精确的高频信息时，采用短的时间窗，图1.3 给出了时间域信号、傅里叶变换、短时傅里叶变换和小波变换的对比示意图。 由图1.3看出，小波变换用的不是时间-频率域。而是时间-尺度域，尺度越大，采用越大的时间窗，尺度越小，采用越短的时间窗，即尺度与频率成反比。 1.2 连续小波变换 小波是一个衰减的波形，它在有限的区域里存在（不为零），且其均值为零。图1.4是一个Daubechies小波（db10）与正弦波的比较。 正弦波：随时间无限振动的光滑波形，小波变换：尖锐变化而且是无规则的波形。因此小波能更好的刻画信号的局部特性。 在数学上，傅里叶变换的公式为 ()()j t F f t e dt ωω+∞ --∞ =? 连续小波变换（Continue Wavelet Transform ）的数学表达式 ()(),,a b a b CWT f t t dt ψ+∞ -∞ =? ()12 ,a b t b t a a ψψ--?? = ??? 式中，()t ψ为小波；a 为尺度因子；b 为平移参数。图1.6是小波变换的示意图。由图看出，小波变换给出了在各个时刻信号是由哪些尺度的小波构成。 小波中的尺度因子的作用是将小波在保持完全相似条件下“拉伸”或者“压缩”，图1.7给吃了尺度因子的“拉伸”和“压缩”作用。 小波中的平移参数，是简单地将波形沿时间轴平移。 现代数学讲座 小波变换及其应用 李世雄 (安徽大学数学系 合肥 230039) 科学技术的迅速发展使人类进入了信息时代。在信息社会中人们在各种领域中都会涉及各种信号(语音,音乐,图像,金融数据,……)的分析、加工、识别、传输和存储等问题。长期以来,傅里叶变换一直是处理这方面问题最重要的工具,并且已经发展了一套内容非常丰富并在许多实际问题中行之有效的方法。但是,用傅里叶变换分析处理信号的方法也存在着一定的局限性与弱点,傅里叶变换提供了信号在频率域上的详细特征,但却把时间域上的特征完全丢失了。小波变换是80年代后期发展起来的新数学分支,它是傅里叶变换的发展与扩充,在一定程度上克服了傅里叶变换的弱点与局限性。本文从信号分析与处理的角度来介绍小波变换的基本理论与应用,使具有微积分基础的读者通过本文能对这一新的数学分支有一初步了解。小波变换在函数论、微分方程、数值计算等方面也有着重要的应用,有兴趣的读者可参看[1][4]。 (一)从傅里叶变换谈起 数学中经常用变换这一技巧将问题由繁难化为简易,初等数学中用对数将较繁难的乘除法化为简易的加减法就是很典型的一个例子。而傅里叶变换(简称FT )则是利用积分将一个函数f (t )(-∞ 这是《小波变换和motion信号处理》系列的第二篇，深入小波。第一篇我进行了基础知识的铺垫，第三篇主要讲解应用。 在上一篇中讲到，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。 还讲到，小波系统有很多种，不同的母小波，衍生的小波基就完全不同。小波展开的近似形式是这样： 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。 我们还讲了一般小波变换的三个特点，就是小波级数是二维的，能定位时域和频域，计算很快。但我们并没有深入讲解，比如，如何理解这个二维？它是如何同时定位频域和时域的？ 在这一篇文章里，我们就来讨论一下这些特性背后的原理。 首先，我们一直都在讲小波展开的近似形式。那什么是完整形式呢？之前讲到，小波basis的形成，是基于基本的小波函数，也就是母小波来做缩放和平移的。但是，母小波并非唯一的原始基。在构建小波基函数集合的时候，通常还要用到一个函数叫尺度函数，scaling function，人们通常都称其为父小波。它和母小波一样，也是归一化了，而且它还需要满足一个性质，就是它和对自己本身周期平移的函数两两正交： 另外，为了方便处理，父小波和母小波也需要是正交的。可以说，完整的小波展开就是由母小波和父小波共同定义的。 实验三小波变换及其应用 实验目的 1、通过观察小波变换系数建立对小波变换及其有关性质的感性认识。 2、掌握小波变换及重构方法；了解小波变换基本应用。 实验内容 1、图像二维离散小波变换及其重构； 2、小波变换在去噪、压缩、图像增强上的应用。 实验原理 1、“小波”就是小区域、长度有限、均值为0的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与 Fourier变换相比，小波变换是时间(空间)频率的局部化分析，它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。 小波转换分成两个大类：离散小波变换 (DWT) 和连续小波转换 (CWT)。两者的主要区别在于，连续转换在所有可能的缩放和平移上操作，而离散转换采用所有缩放和平移值的特定子集。 小波变换的公式有内积形式和卷积形式，两种形式的实质都是一样的。它要求的就是一个个小波分量的系数也就是“权”。其直观意义就是首先用一个时窗最窄，频窗最宽的小波作为尺子去一步步地“量”信号，也就是去比较信号与小波的相似程度。信号局部与小波越相似，则小波变换的值越大，否则越小。当一步比较完成后，再将尺子拉长一倍，又去一步步地比较，从而得出一组组数据。如此这般循环，最后得出的就是信号的小波分解（小波级数）。 当尺度及位移均作连续变化时，可以理解必将产生大量数据，作实际应用时并不需要这么多的数据，因此就产生了离散的思想。将尺度作二进离散就得到二进小波变换，同时也将信号的频带作了二进离散。当觉得二进离散数据量仍显大时，同时将位移也作离散就得到了离散小波变换。 2、二维离散小波变换常用函数 2011-2012 学年第一学期 2011级硕士研究生考试试卷 课程名称：小波变换理论及应用任课教师：考试时间：分钟 考核类型：A（）闭卷考试（80%）+平时成绩（20%）； B（）闭卷考试（50%）+ 课程论文（50%）； C（√）课程论文或课程设计（70%）+平时成绩（30%）。 一、以图示的方式详细说明连续小波变换（CWT）的运算过程，分析小波变换的内涵；并阐述如何从多分辨率（MRA）的角度构造正交小波基。（20分） 二、综述小波变换理论与工程应用方面的研究进展，不少于3000字。（25分） 三、运用MATLAB中的小波函数和小波工具箱，分别对taobao.wav语音信号在加噪之后的taobao_noise.wav信号进行降噪处理，要求列出程序、降噪结果及降噪的理论依据。（25分） 四、平时成绩。（30分） （一）连续小波变换（CWT ）的运算过程及内涵 将平方可积空间中任意函数f （t ）在小波基下展开，称这种展开为函数f （t ）的连续小波变换（Continue Wavelet Transform ，简记CWT ）其表达式为 t a b t t f a b a f W d )(*)(||1),(? ∞+∞--=ψψ （ 1.1） 其中，a ∈R 且a ≠0。式（1.19）定义了连续小波变换，a 为尺度因子，表示与频率相关的伸 缩，b 为时间平移因子。其中)(| |1)(,a b t a t b a -=ψψ为窗口函数也是小波母函数。 从式（1.1）可以得出，连续小波变换计算分以下5个步骤进行。 ① 选定一个小波，并与处在分析时段部分的信号相比较。 ② 计算该时刻的连续小波变换系数C 。如图1.5所示，C 表示了该小波与处在分析时段内的信号波形相似程度。C 愈大，表示两者的波形相似程度愈高。小波变换系数依赖于所选择的小波。因此，为了检测某些特定波形的信号，应该选择波形相近的小波进行分析。 图1.5 计算小波变换系数示意图 ③ 如图1.6所示，调整参数b ，调整信号的分析时间段，向右平移小波，重复①～②步骤，直到分析时段已经覆盖了信号的整个支撑区间。 ④ 调整参数a ，尺度伸缩，重复①～③步骤。 ⑤ 重复①～④步骤，计算完所有的尺度的连续小波变换系数，如图1.7所示。 图1.6 不同分析时段下的信号小波变换系数计算 图1.7 不同尺度下的信号小波变换系数计算 C =0.2247 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： ()()ωωπ ωd 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。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不 第9章小波图像编码 由于小波变换技术在20世纪90年代初期已经比较成熟，因此从那时起就开始出现各种新颖的小波图像编码方法。这些编码方法包括EZW, 在EZW算法基础上改进的SPIHT和EBCOT等。由于EZW算法的开拓给后来者带来很大的启发，它是一种有效而且计算简单的图像压缩技术，因此本章将重点介绍。 9.1 从子带编码到小波编码 9.1.1 子带编码 子带编码(subband coding，SBC)的基本概念是把信号的频率分成几个子带，然后对每个子带分别进行编码，并根据每个子带的重要性分配不同的位数来表示数据。在20世纪70年代，子带编码开始用在语音编码上。由于子带编码可根据子带的重要性分别进行编码等优点，20世纪80年代中期开始在图像编码中使用。1986年Woods, J. W.等科学家曾经使用一维正交镜像滤波器组(quadrature mirror filterbanks，QMF)把信号的频带分解成4个相等的子带，如图9-01所示。图9-01(a)表示分解方法，图9-01(b)表示其相应的频谱。图中的符号表示频带降低1/2，HH表示频率最高的子带，LL表示频率最低的子带。这个过程可以重复，直到符合应用要求为止。这样的滤波器组称为分解滤波器树(decomposition filter trees)。 图9-01 Lena图的子带编码(1984年) 9.1.2 多分辨率分析 S.Mallat于1988年在构造正交小波基时提出了多分辨率分析(multiresolution analysis)的概念，从空间上形象地说明了小波的多分辨率的特性，提出了正交小波的构造方法和快速算法，叫做Mallat算法。根据Mallat和Meyer等科学家的理论，使 小波变换及应用 一． 为什么研究小波变换 傅立叶变换（Fourier Transform ，缩写为FT ）由下列公式定义： 正变换公式 ?()()i t f f t e dt ωω∞ --∞ =?? （1） 逆变换公式 ? ∞ ∞ -?= dt e f t f t i ωωπ )(?21 )( （2） 分析： 1．对于确定信号和平稳随机过程，傅立叶变换把时间域与频率域联系起来，许多在时域内难以看清的问题，在频域中往往表现得非常清楚。 2．变换积分核t i e ω±的幅值在任何情况下均为1，即1=±t i e ω，因此，频 谱)(?ωf 的任一频率点值是由时间过程)(t f 在整个时间域),(∞-∞上的贡献决定的；反之，过程)(t f 在某一时刻的状态也是由)(?ωf 在整个频率域),(∞-∞上的贡献决定的。)(t f 与)(?ωf 彼此之间是整体刻画，不能够反映各自在局部区域上的特征，因此不能用于局部分析。特别是傅立叶变换的积分作用平滑了非平稳过程的突变成分。要知道所分析的信号在突变时刻的频率成分，傅立叶变换是无能为力的。 3．实际中存在许多信号具有局部时间范围（特别是突变时刻）内的信号特征（一般是频率成分），例如，在音乐和语音信号中，人们所关心的是什么时刻奏什么音符，发出什么样的音节；图像信号中的细节信息，如边缘特征。 4．为了对非平稳信号作较好的分析，可以对信号在时域上加一个窗函数 )(τ-t g ，使其对信号)(t f 进行乘积运算以实现在τ附近的开窗，再对加窗的信 号进行傅立叶分析，这就是短时傅立叶变换（Short Time Fourier Transform, 缩写为STFT ），或者称为加窗傅立叶变换（Windowed Fourier Transform ）。STFT 定义如下： (,)()()i t f S f t g t e dt ωωττ∞ --∞ =-? （3） 第五章 小波变换基本原理 问题 ①小波变换如何实现时频分析？其频率轴刻度如何标定？ —尺度 ②小波发展史 ③小波变换与短时傅里叶变换比较 a ．适用领域不同 b.STFT 任意窗函数 WT （要容许性条件） ④小波相关概念，数值实现算法 多分辨率分析（哈尔小波为例） Daubechies 正交小波构造 MRA 的滤波器实现 ⑤小波的历史地位仍不如FT ，并不是万能的 5.1 连续小波变换 一．CWT 与时频分析 1.概念：? +∞ ∞ --ψ= dt a b t t S a b a CWT )( *)(1),( 2.小波变换与STFT 用于时频分析的区别 小波 构造？ 1910 Harr 小波 80年代初兴起 Meyer —小波解析形式 80年代末 Mallat 多分辨率分析—WT 无须尺度和小波函数—滤波器组实现 90年代初 Daubechies 正交小波变换 90年代中后期 Sweblews 第二代小波变换 3.WT 与STFT 对比举例（Fig 5–6, Fig 5–7） 二．WT 几个注意的问题 1.WT 与)(t ψ选择有关 — 应用信号分析还是信号复原 2.母小波)(t ψ必须满足容许性条件 ∞<ψ=? ∞ +∞ -ψdw w w C 2 )( ①隐含要求 )(,0)0(t ψ=ψ即具有带通特性 ②利用ψC 可推出反变换表达式 ??+∞∞-+∞ ∞-ψ -ψ= dadb a b t b a CWT a C t S )(),(11 )(2 3.CWT 高度冗余（与CSTFT 相似） 4.二进小波变换（对平移量b 和尺度进行离散化） )2(2)()(1 )(2 ,22,,n t t a b t a t n b a m m n m b a m m -ψ=ψ?-ψ= ??==--ψ dt t t S n CWT d n m m m n m )(*)()2,2(,,?+∞ ∞ ---ψ=?= 5.小波变换具有时移不变性 ) ,()() ,()(00b b a C W T b t S b a C W T t S -?-? 6.用小波重构信号 ∑∑ ∑∑+∞-∞=+∞ -∞ =+∞-∞=+∞ -∞ =ψψ= m n m n n m n m n m n m t d t d t S )(?)(?)(,,,,正交小波 中心问题：如何构建对偶框架{} n m ,?ψ 小波变换与小波框架 小波分析的理论与方法是从Fourier分析的思想方法演变而来的，就象Fourier分析分为积分Fourier变换和Fourier级数一样，小波分析也分为(积分)小波变换和小波级数两部分，(积分)小波变换的主体是连续小波变换，正尺度小波变换和s-进小波变换；而小波级数的主体部分是关于小波框架的理论．小波分析理论深刻，应用广泛，并且仍在迅速发展之中．本文是作者作为初学者，就小波分析这一理论中比较基本和初步的东西所作的一点归纳和整理，其实，有许多结论已经或明或暗的出现于许多文献中了，只是作者觉得它们叙述得不够适合初学者，尤其是不适合没有工程应用背景的人，这是因为小波分析象Fourier 分析一样，起初都是由应用数学家，物理学家和工程师们发展起来的．本文所得结论比较初步，所用方法基本上属于泛函分析中的一些基本内容，只是稍微需要一点关于拓扑群的知识和Fourier分析的基础知识．本文仅考虑Hilbert 空间L~2(R)及其闭子空间中的小波变换和小波框架等问题．本文主要考虑的问题是：L~2(R)上的连续小波变换，正尺度小波变换和s-进小波变换，以及L~2(R)中的小波框架，因为平移框架在小波框架中具有重要作用，所以也考虑了L~2(R)的闭子空间中的平移框架．事实上，通常的小波分析所研究的问题，在一维情形，概括地说，是研究实直线R上的仿射群R~*×R及其子群和子集在L~2(R)上的酉表示U所诱导的L~2(R)(有时是其闭子空间)中的函数的积分变换的性质及应用．下面作稍具体的一点解释：首先，变换上的仿射变换，所有这样的变换全体做成—个群，记为和凡xB—1（。m，幻＞儿mE 二，bE用是XxR的子群，（丹xRh 一 U习－，巴－nf小＞1；左＞0，mE 凤n二厂I是R宇XR的一忏集丞它不是群．分别作定义在集合 R’ x B， 小波变换 https://www.360docs.net/doc/bc3284282.html,/qq_20823641/article/details/51829981 小波，一个神奇的波，可长可短可胖可瘦（伸缩平移），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 幅度平均值是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MATLAB小波变换指令及其功能介绍(超级有用)解读
第9章小波变换基础
一个小波变换实例及matlab实现
小波变换-完美通俗解读
连续小波变换的概念
MATLAB小波变换指令及其功能介绍(超级有用).
小波变换学习心得
小波变换及其应用_李世雄
小波变换 完美通俗解读2
小波变换及其应用
小波变换理论及应用
小波变换详解
小波与小波变换
小波变换及应用
小波变换基本原理
小波变换与小波框架
小波变换