edi spa jpeg 疊加 空間 只知道 內容 信號分析 長度

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，第一個首先要做的就是回顧傅立葉變換（又回來了，唉），因為他們都是頻率變換的方法，而傅立葉變換是最入門的，也是最先了解的，通過傅立葉變換，了解缺點，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，第二代小波的什麽的就不說了，太多了沒太多意義。當然，其中會看到很多的名詞，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，這些不同的名詞也是學習小波路上的標誌牌，所以在剛學習小波變換的時候，看著三個方向和標誌牌，可以順利的走下去，當然路上的美景要自己去欣賞（這裏的美景就是定義和推導了）。因為內容太多，不是很重要的地方我都註釋為（查定義）一堆文字的就是理論（可以大體一看不用立刻就懂），同時最下面也給了幾個網址輔助學習。

一、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，因為他們的變化都是將信號看成由若幹個東西組成的，而且這些東西能夠處理還原成比原來更好的信號。那怎麽分解呢？那就需要一個分解的量，也就是常說的基，基的了解可以類比向量，向量空間的一個向量可以分解在x，y方向，同時在各個方向定義單位向量e1、e2，這樣任意一個向量都可以表示為a=xe1+ye2，這個是二維空間的基，

而對於傅立葉變換的基是不同頻率的正弦曲線，所以傅立葉變換是把信號波分解成不同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麽啊，定義中就是告訴我們小波，因為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可以尺度變換，但是小波在整個時間範圍的幅度平均值是0，具有有限的持續時間和突變的頻率和振幅，可以是不規則，也可以是不對稱,很明顯正弦波就不是小波，什麽的是呢，看下面幾個圖就是

當有了基，以後有什麽用呢?

下面看一個傅立葉變換的實例：

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

這裏可以看到是他的基就是sin函數，頻率是1和5，下面看看圖形的表示，是不是感受了到了頻域變換給人的一目了然。

基具有非冗余性，即使基不是正交的，有相關性，但若去掉其中任何一個，則不成為基，這一點也叫完備性；基的表示有唯一性，即給定一族基對一個函數的表達是唯一的；一般情況下基非正交，也稱為為exact frame（Resize basis），這個時候要表示信號可以將基正交化成唯一的正交基（對偶為其自身）；也可以求其對偶框架（dual frame），其對應了小波變換中的雙正交情形！信號可以依框架分解，然後用對偶框架重構。若在基集裏添加一些新的向量，並隨意調整空間位置，則有可能成為框架。把函數與基或框架作內積，也可以說成是一種函數空間到系數空間的變換。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，才可以成為框架，由於框架的冗余性，所以系數的表達也不具有唯一性。若上下界相等，則為緊框架，且界表示冗余度。若上下界相等為且為1，稱為pasval identity frame，此時不一定為正交基（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為一的條件，則框架退化為正交基。可能你會問我們用基來表示信號就行了啊，為什麽還要框架呢？其實很多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滿足基條件，則可推出該函數有很差的時頻局部化性質（事實上退化為了傅立葉變換。

二、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，當內積為0時，兩個向量正交，若g為Hilbert空間裏的正交基的時候，內積為f向基上的正交投影；（Hilbert空間是一個很直觀的空間，我一直都理解為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同樣為Hilbert空間。

下面這個公式是基本，經過變形後會用在推導中：

如果兩個向量的內積為0 ，就說他們是正交的。

如果一個向量序列相互對偶正交，並且長度都為1，那麽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）都可以由L2(R)上的一個規範正交基gi(t)進行線性組合表示出來

三、傅立葉的缺點

先列舉出來缺點，然後再說明：

（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不好，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，將函數分解成了不同頻率的三角波，這不能不說是一個偉大的發現，但是在大量的應用中，傅立葉變換的局限性卻日趨明顯，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，但是日常生活中的信號卻並不是一直光滑的，而且奇異是平凡的，傅立葉在奇異點的表現就著實讓人不爽，從對方波的傅立葉逼近就可以看出來，用了大量不同頻率的三角波去逼近其系數衰減程度相當緩慢，而且會產生Gibbs效應。其內在的原因是其基為全局性基，沒有局部化能力，以至局部一個小小的擺動也會影響全局的系數。實際應用中很需要時頻局部化，傅立葉顯然缺乏此能力了。即使如此，由於其鮮明的物理意義和快速計算，在很多場合仍然應用廣泛。傅立葉變換在從連續到離散的情形是值得借鑒與學習的，大家都知道，時間周期對應頻域離散，時間離散對應頻域周期，時間離散周期對應頻域離散 周期，DFT其實是將離散信號做周期延拓然後做傅立葉變換再截取一個周期，反變換同樣如此，所以DFT用的是塊基的概念，這樣如果信號兩端的信號連接後不再光滑（即使兩邊都光滑），同樣會在邊界上產生大幅值系數（邊界效應），延伸到圖像中就是塊效應。當對信號做對稱周期延拓後再做傅立葉變換得到的正弦系數全部為0，也就是任何對稱函數可以寫成余弦的線性組合，同樣按照離散的思路構造得到的是離散塊余弦基，即DCT變換，雖然DCT可以通過對稱後周期延拓再變換減少了邊界效應（兩邊信號接上了，但不一定平滑），但任不能消除塊效應，尤其是圖像變換中人為將圖像分成8*8處理後塊效應更加明顯。但是DCT很好的能量聚集效應讓人驚奇，加之快速計算方法使它替代DFT成為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，還是用圖來說明

第一個就是傅立葉變換是整個時域，所以沒有局部特征，這個也是他的基函數決定的看圖，同時如果在時域張有了突變，那麽在頻域就需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，傅立葉變換可以看到由哪些頻域組成，但是不知道各成分對應的時刻是什麽，也就是沒有時頻分析，看不出來信號頻域隨著時間變換的情況，反過來說就是，一個的頻圖對應好幾個時域圖，不知道是哪個，這個在實際應用中就不好了，看圖

做FFT後，我們發現這三個時域上有巨大差異的信號，頻譜（幅值譜）卻非常一致。尤其是下邊兩個非平穩信號，我們從頻譜上無法區分它們，因為它們包含的四個頻率的信號的成分確實是一樣的，只是出現的先後順序不同。

可見，傅裏葉變換處理非平穩信號有天生缺陷。它只能獲取一段信號總體上包含哪些頻率的成分，但是對各成分出現的時刻並無所知。因此時域相差很大的兩個信號，可能頻譜圖一樣。

然而平穩信號大多是人為制造出來的，自然界的大量信號幾乎都是非平穩的，所以在比如生物醫學信號分析等領域的論文中，基本看不到單純傅裏葉變換這樣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，我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情況，各個時刻的瞬時頻率及其幅值——這也就是時頻分析。

三、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，就是因為傅立葉變換的時域太長了，所以要弄短一點，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，每個小過程近似平穩，再傅裏葉變換，就知道在哪個時間點上出現了什麽頻率了。”這就是短時傅裏葉變換。下面就是示意圖

時域上分成一段一段做FFT，不就知道頻率成分隨著時間的變化情況了嗎！

可能理解這一點最好的方式是舉例子。首先，因為我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（如果加上幅度則是三維）。以下圖所示的非平穩信號為例：

在這個信號中，在不同時刻有四個頻率分量。0-250ms內信號的頻率為300Hz，其余每個250ms的間隔的信號頻率分別為200Hz，100Hz和50Hz。很明顯，這是一個非平穩信號，讓我們看一看它的短時傅立葉變換：用這樣的方法，可以得到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。兩排峰是對稱的，所以大家只用看一排就行了。

看著貌似解決了問題，好像有了局部性，但是這個名字叫做加窗傅立葉變換，那麽這個窗要多大了呢？

窗太窄，窗內的信號太短，會導致頻率分析不夠精準，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，這個道理可以用海森堡不確定性原理來解釋。類似於我們不能同時獲取一個粒子的動量和位置，我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。我們不知道在某個瞬間哪個頻率分量存在，我們知道的只能是在一個時間段內某個頻帶的分量存在。所以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）采用不同寬度的窗做STFT，結果如右圖。用窄窗，時頻圖在時間軸上分辨率很高，幾個峰基本成矩形，而用寬窗則變成了綿延的矮山。但是頻率軸上，窄窗明顯不如下邊兩個寬窗精確。

所以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，所以STFT還是無法滿足非穩態信號變化的頻率的需求。

四、小波變換

真是千呼萬喚才出來了，終於看見小波了啊。

這裏先引入小波，回顧一下基，然後再看看小波的優點，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，如果我們讓窗口的大小可以改變，不就完美了嗎？答案是肯定的，小波就是基於這個思路，但是不同的是。STFT是給信號加窗，分段做FFT；而小波變換並沒有采用窗的思想，更沒有做傅裏葉變換。小波直接把傅裏葉變換的基給換了——將無限長的三角函數基換成了有限長的會衰減的小波基。這樣不僅能夠獲取頻率，還可以定位到時間了~

這裏就又回到了最開始的基了。

這個基函數會伸縮、會平移（其實是兩個正交基的分解）。縮得窄，對應高頻；伸得寬，對應低頻。然後這個基函數不斷和信號做相乘。某一個尺度（寬窄）下乘出來的結果，就可以理解成信號所包含的當前尺度對應頻率成分有多少。於是，基函數會在某些尺度下，與信號相乘得到一個很大的值，因為此時二者有一種重合關系。那麽我們就知道信號包含該頻率的成分的多少。如前邊所說，小波做的改變就在於，將無限長的三角函數基換成了有限長的會衰減的小波基。效果如下圖

現在來看一下小波公式

從公式可以看出，不同於傅裏葉變換，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。如下圖

當伸縮、平移到這麽一種重合情況時，也會相乘得到一個大的值。這時候和傅裏葉變換不同的是，這不僅可以知道信號有這樣頻率的成分，而且知道它在時域上存在的具體位置。

而當我們在每個尺度下都平移著和信號乘過一遍後，我們就知道信號在每個位置都包含哪些頻率成分。

看到了嗎？有了小波，我們從此再也不害怕非穩定信號啦！從此可以做時頻分析啦！

（1） 解決了局部性

（2）解決時頻分析

做傅裏葉變換只能得到一個頻譜，做小波變換卻可以得到一個時頻譜！

時域信號 傅立葉變換結果 小波變換結果

五、小波的深入

上面那麽多，也就是走進小波的大門，具體的我們還要學習子空間、多分辨率，母小波的變換，如何去構造想要的小波函數，然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（這裏沒有介紹可以自己看資料）。好像還有很多要學習的。

這裏先深入一下，父小波和母小波，多分辨率分析，了解一下伸縮和平移。

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。

每個小波變換都會有一個mother wavelet，我們稱之為母小波，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形成的。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，小波系統有很多種，不同的母小波，衍生的小波基就完全不同。小波展開的近似形式是這樣：

其中的就是小波級數，這些級數的組合就形成了小波變換中的基basis。和傅立葉級數有一點不同的是，小波級數通常是orthonormal basis，也就是說，它們不僅兩兩正交，還歸一化了。

我們還講了一般小波變換的三個特點，就是小波級數是二維的，能定位時域和頻域，計算很快。但我們並沒有深入講解，比如，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，我們就來討論一下這些特性背後的原理。

首先，我們一直都在講小波展開的近似形式。那什麽是完整形式呢？之前講到，小波basis的形成，是基於基本的小波函數，也就是母小波來做縮放和平移的。但是，母小波並非唯一的原始基。在構建小波基函數集合的時候，通常還要用到一個函數叫尺度函數，scaling function，人們通常都稱其為父小波。它和母小波一樣，也是歸一化了，而且它還需要滿足一個性質，就是它和對自己本身周期平移的函數兩兩正交：

另外，為了方便處理，父小波和母小波也需要是正交的。可以說，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。需要提醒一點的是，這個正交純粹是為了小波分析的方便而引入的特性，並不是說小波變換的基就一定必須是正交的。但大部分小波變換的基確實是正交的，所以本文就直接默認正交為小波變換的主要性質之一了。引入這個父小波呢，主要是為了方便做多解析度分析（multiresolution analysis, MRA）。說到這裏，你的問題可能會井噴了：好好的為什麽出來一個父小波呢？這個scaling function是拿來幹嘛的？它背後的物理意義是什麽？waveletfunction背後的物理意義又是什麽？這個多解析度分析又是什麽呢？不急，下面，我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。

假設我們有這樣一個信號：

該信號長度為8，是離散的一維信號。我們要考慮的，就是如何用小波將其展開。為了方便講解，我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？剛才提到了，要縮放，要平移。我們先試試縮放，那就是ψ(2n)：

但這樣的話，它與自己的內積就不是1了，不符合小波基orthonormal的要求，所以我們要在前面加一個系數根號二，這樣我們就得到了另一個哈爾小波的basis function：

同理，我們可以一直這樣推廣下去做scale，得到4n，8n，…….下的basis function。當然在這個例子裏，我們信號長度就是8，所以做到4n就夠了。但推廣來說，就是這種scaling對母小波的作用為，這是歸一化後的表示形式。

平移的話也很簡單，我們可以對母小波進行平移，也可以對scale之後的basis function進行平移。比如對上一幅圖中的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的特點。如果我們用ψ(n)來表示這個mother wavelet，那麽這些orthonormal basis函數可以寫成：

這裏的k是可以看成時域的參數，因為它控制著小波基時域的轉移，而j是頻域的參數，因為它決定了小波基的頻率特性。看到這裏，你應該會感覺很熟悉，因為這裏的平移和變換本質和剛才對scaling function的平移變換是一模一樣的。

這樣，我們就有了針對此信號space的哈爾小波basis組合：

可以看出，我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，每一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。這裏為什麽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，它是之前提到的scaling function，也就是父小波。然後你可能就會問，為啥這個憑空插了一個scaling function出來呢？明明目標信號已經可以用純的小波基組合表示了。是，確實是，就算不包括scaling function，這些小波函數本身也組成了正交歸一基，但如果僅限於此的話，小波變換也就沒那麽神奇的功效了。引入這個scaling function，才能引入我們提到的多解析度分析的理論，而小波變換的強大，就體現在這個多解析度上。那在這裏，我們怎麽用這個多解析度呢？這個哈爾小波basis組合是怎麽通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，對於信號處理非常重要，可以用L^p(R)表示，指的是由p次可積函數所組成的函數空間。我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上的所有處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，否則它就不可積了。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。而且老實說我也沒能力完全講清楚，畢竟不是學這個的，有興趣可以參考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，就行了。

對L^2(R)空間做MRA是在幹嘛呢？就是說，在L^2(R)空間中，我們可以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，然後他們是由小到大的，交集是{0}，因為這是最小的子空間，並集就是L空間。是不是有點難以理解？沒關系，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，之後分別是V1，V2，V3，V4 。那他們有趣的性質就是，假如有一個函數f(t)他屬於一個某空間，那你將其在時域上平移，它還是屬於這個空間。但如果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。

同時我們還知道，你要形容每一個空間的話，都需要有對應的orthonormal basis，這是必然的，那對於V0來講，它的orthonormal basis就是

這一系列函數是什麽呢？是的時域變換，而且我們剛才也說了，時域上平移，是不會跳出這個空間的。這樣，我們就可以說，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，我們就定義了基本的V0這個子空間。剛才說了，這個子空間的基都是對的整數時域變換，這裏我們稱為scalingfunction，所以換個說法，就是說這裏整個子空間V0，由scalingfunction和其時域變換的兄弟們span。

當然，如果這個scaling function只是用來代表一個子空間的，那它的地位也就不會這麽重要了。剛才我們提到，這個嵌套空間序列有一個性質，。這就是這個函數，如果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，它代表什麽呢？對於任何一個包含V0的更上一層的空間來講，他們的基都可以通過對scaling function做頻域的scale後再做時域上的整數變換得到！推廣開來就是說，當

我們有

這也就意味著，對於任何屬於V_j空間的函數f(t)，都可以表示為：

到這裏，我們就明白這些個子空間和那個憑空冒出來的scaling function的作用了。scaling的構建這些不同的子空間的基礎，當j越大的時候，每一次你對頻率變換後的scaling function所做的時域上的整數平移幅度會越小，這樣在這個j子空間裏面得到的f(t)表示粒度會很細，細節展現很多。反之亦然。通俗點說，就是對scaling function的變換平移給你不同的子空間，而不同的子空間給你不同的分辨率，這樣你就可以用不同的分辨率去看目標信號。

下面就是時候看看什麽是MRA equation了，這是更加有趣，也是更加核心的地方。通過剛才的講解，V0屬於V1，那scaling function是在V0中的，自然也在V1中了。我們把他寫成V1的基的線性組合，那就是

其中的h(n)是scaling function的系數，也叫做scaling filter或者scaling vector，可以是實數，也可以是虛數。根號2是為了維持norm為1的。看，在這個公式裏，我們就把屬於V0的函數用V1的基表示出來了。同理，我們可以循環如此，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。到現在，已經講了關於scaling function的基本理論知識，知道了信號空間可以分為不同精細度的子空間，這些子空間的basis集合就是scaling function或者頻率變換之後的scaling function，如下圖所示：

上圖就是四個子空間的basis集合的展覽。通過前面的討論，我們還知道，一開始的scalingfunction可以通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。比如

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，都可以用更加精細的scale層面上的scaling function構建出來。

然後，我們有各種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，自然就是以基本的scaling function為基礎去span出來的：

這個不新鮮，剛才就講過了。這個子空間代表什麽樣的信號？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，代表著這樣一種信號，它從1-4是常量，從5-8是另一個常量。同理我們有：

V2代表的信號，是分別在1，2; 3，4; 5，6; 7，8上有相同值的信號。那麽V3呢？則表示任何信號，因為對於V3來講，任何一個時間刻度上的值都可以不一樣。而且現在，我們也可以通過上面的一些scaling functions的波形驗證了之前提到的多解析度分析中的一個核心性質，那就是：

我們之前講了一堆多解析度的理論，但直到現在，通過這些圖形化的分析，我們可能才會真正理解它。那好，既然我們有一個現成的信號，那就來看看，對這個信號作多解析度分析是啥樣子的：

你看，在不同的子空間，對於同一個信號就有不同的詮釋。詮釋最好的當然是V3，完全不損失細節。這就是多解析度的意義。我們可以有嵌套的，由scalingfunction演變的basis function集合，每一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。但是，我們還沒有涉及到它們在小波變換中的具體應用，也就是還沒有回答剛才那個問題：憑空插了一個scaling function到小波basis組合中幹嘛。也就是說，我們希望理解scaling function是怎麽和小波函數結合的呢，多解析度能給小波變換帶來什麽樣的好處呢。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，我們已經知道，對於子空間V0，basis是scalingfunction：

看出什麽規律了麽？多看幾次這三個圖，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本來的的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，會得到同樣的結論：在scale j的wavelet function，可以被用來將Vj的basis擴展到V(j+1)中去！這是一個非常非常關鍵的性質，因為這代表著，對任何一個子空間Vj，我們現在有兩種方法去得到它的orthonormal basis：

1. 一種就是它本來的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。

第二種選擇能給我們帶來額外的好處，那就是我們可以循環不斷地用上一級子空間的scaling function以及wavelet function的組合來作為當前子空間的基。換句話說，如果針對V3這個子空間，它實際上就有四種不同的，但是等價的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，它就是我們之前提到的“針對此信號space的哈爾小波basis組合”，參見圖1。現在我們知道了，這個scalingfunction不是憑空插進去的，而是通過不斷的嵌套叠代出來的：

那為什麽我們最後選定的是這種選取方式呢？實際上，剛才介紹的這個性質已經告訴我們，對於任何的scale j0，我們都可以給我們的signal space找到一組orthonormal basis，這個basis是通過組合scale j0上的scaling function以及所有在scale j，j>=j0上的wavelets得到的。這樣，基於這個orthonormal basis，

所有信號空間中的信號都可以寫成組成這個basis的functions的線性組合：

對應的系數的計算和平常一樣：

這，就是最終的，也是最核心的，小波變換形式。不管是信號壓縮，濾波，還是別的方式處理，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，反算出系數c和d。

2. 對系數做對應處理

3. 從處理後的系數中重新構建信號。

這裏的系數處理是區別你的應用的重點。比如圖像或者視頻壓縮，就希望選取能將能量聚集到很小一部分系數中的小波，然後拋棄那些能量很小的小波系數，只保留少數的這些大頭系數，再反變換回去。這樣的話，圖像信號的能量並沒有怎麽丟失，圖像體積卻大大減小了。

還有一個沒有解釋的問題是，為什麽要強調尺度函數和小波函數組成一個orthonormal basis呢？計算方便是一方面，還有一個原因是，如果他們滿足這個性質，就滿足瑞利能量定理，也就是說，信號的能量，可以完全用每個頻域裏面的展開部分的能量，也就是他們的展開系數表示：

到這裏，我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為例子，但舉一反三即可。我們著重介紹了多解析度分析以及它給小波變換帶來的殺手鐧：時域頻域同時定位。結束之前，再多說幾句小波變換的意義。我們拿剛才例子中V3子空間的第二種可選擇的orthonormal basis作為例子：

左邊這四個basis組成元素，也就是scaling functions，的系數，表征的是信號的local平均（想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，的系數則表征了在local平均中丟失的信號細節。得益於此，多解析度分析能夠對信號在越來越寬的區域上取平均，等同於做低通濾波，而且，它還能保留因為平均而損失的信號細節，等同於做高通濾波！這樣，我們終於可以解釋了wavelet function和scaling function背後的物理意義了：wavelet function等同於對信號做高通濾波保留變化細節，而scalingfunction等同於對信號做低通濾波保留平滑的shape！

對小波變換的基礎知識，我們就講到這裏。需要註意的是，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（經過原始小波伸縮和平移得到的），這裏就告訴了我們伸縮和平移

六、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，其優勢很明顯--某種分辨率下無法發現的特性在另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很多，但這種方式能簡化數學和物理的解釋過程。

對於小波的應用很多，我學習的的方向主要是圖像處理，所以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

小波的知識還有很多，可以再繼續看書學習，希望看到這個文章，可以對小波入門的同學有一定的幫助，下面給出幾個不錯的網站可以輔助學習

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

小波變換（wavelet transform）的通俗解釋（一）