小波提升（续）

l     提升原理

小波提升是一种构造紧支集双正交小波的新方法。

 

1）步骤

由提升构成第二代小波变换的过程分为如下3个步骤：

(1) 分裂

分裂(Split)是将原始信号s_j = { s_j，k }分为两个互不相交的子集和。每个子集的长度是原子集的一半。通常是将一个数列分为偶数序列e_j-1和奇数序列o_j-1，即

Split (s_j) = (e_j-1, o_j-1 )

其中，e_j-1 = { e_{j-1, k} = s_{j, 2 k} }，o_j-1 = { o_{j-1, k} = s_{j, 2 k +1}}。

(2) 预测

预测(Predict)是利用偶数序列和奇数序列之间的相关性，由其中一个序列（一般是偶序列e_j-1）来预测另一个序列（一般是奇序列o_j-1）。实际值o_j-1与预测值P (e_j-1)的差值d_j-1反映了两者之间的逼近程度，称之为细节系数或小波系数，对应于原信号s_j的高频部分。一般来说，数据的相关性越强，则小波系数的幅值就越小。如果预测是合理的，则差值数据集d_j-1所包含的信息比原始子集o_j-1包含的信息要少得多。预测过程如下：

d_j-1 = o_j-1 – P (e_j-1)

其中，预测算子P可用预测函数P_k来表示，函数P_k可取为e_j-1中的对应数据本身：

P_k (e_{j-1, k} ) = e_{j-1, k} = s_{j, 2 k}

或e_j-1中的对应数据的相邻数据的平均值：

P_k (e_j-1) = (e_{j-1, k} + e_{j-1, k+1}) / 2 = (s_{j, 2 k} + s_{j, 2 k +1}) / 2

或其他更复杂的函数。

 

(3) 更新

经过分裂步骤产生子集的某些整体特征 (如均值)可能与原始数据并不一致，为了保持原始数据的这些整体特征，需要一个更新(Update)过程。将更新过程用算子U来代替，其过程如下：

s_j-1 = e_j-1 + U (d _j-1)      

其中，s_j-1为s_j的低频部分；与预测函数一样，更新算子也可以取不同函数，如

U _k (d_j-1) = d_{j-1, k} / 2

或

U _k (d_j-1) = (d_{j-1, k -1} + d_{j-1, k}) / 4 + 1 / 2。

P与U取不同的函数，可构造出不同的小波变换。

2) 分解与重构

经过小波提升，可将信号s_j分解为低频部分s_j-1和高频部分d_j-1；对于低频数据子集s_j-1 可以再进行相同的分裂、预测和更新，把s_j-1 进一步分解成d_j-2和 s_j-2；…；如此下去，经过n次分解后，原始数据s_j的小波表示为 {s_j-n, d_j-n, d_j-n+1, …, d_j-1}。其中s_j-n代表了信号的低频部分 ,而{d_j-n, d_j-n+1, …, d_j-1}则是信号的从低到高的高频部分系列。

每次分解对应于上面的三个提升步骤——分裂、预测和更新：

Split (s_j) = (e_j-1, o_j-1 )，d_j-1 = o_j-1 – P (e_j-1)，s_j-1 = e_j-1 + U (d _j-1)

小波提升是一个完全可逆的过程，其反变换的步骤如下：

e_j-1 = s_j-1 - U (d _j-1 )，o_j-1 = d_j-1 + P (e_j-1)，s_j = Merge (e_j-1, o_j-1 )

下图是用提升方法进行小波分解和重构的示意图。

分解的三个步骤可以用替代的方式来计算：先将奇数序列更新 (用偶数序列预测奇数序列)，然后用更新的奇数序列更新偶数序列。大致过程如下：

Split (s_j) = (e_j-1, o_j-1 )，o_j-1 -= P (e_j-1 )，e_j-1 += U (o_j-1)

其反变换过程也可以用替代的方式来计算：

e_j-1 -= U (o_j-1)，o_j-1 += P (e_j-1 )，s_j = Merge (e_j-1, o_j-1 )

4）例子

(1) 线性Haar小波变换

取预测函数

P_k (e_j-1) = e_{j-1, k} = s_{j, 2k}

更新函数

U_k (d _j-1) = d_{j-1, k} / 2

则得到线性Haar小波变换。

分解式如下：

Split (s_j) = (e_j-1, o_j-1 )

d _{j-1, k} = o_{j-1, k} – P_k (e_j-1) = o_{j-1, k} – e_{j-1, k} = s_{j, 2k+1} - s_{j, 2k}

s_{j-1, k} = e_{j-1, k} + U_k (d _j-1) = s_{j, 2k} + d_{j-1, k} / 2 = (s_{j, 2k+1} + s_{j, 2k}) / 2

重构式如下：

e_{j-1, k} = s_{j-1, k} - U_k (d _j-1) = s_{j-1, k} – d_{j-1, k} / 2

o_{j-1, k} = d _{j-1, k} + P_k (e_j-1) = d _{j-1, k} + e_{j-1, k}

s_j = Merge (e_j-1, o_j-1 )

 

(2) 线性小波变换

取预测函数

P_k (e_j-1) = (e_{j-1, k} + e_{j-1, k+1}) / 2 = (s_{j, 2k} + s_{j, 2k +2}) / 2

更新函数

U_k (d _j-1) = (d_{j-1, k -1} + d_{j-1, k}) / 4

则得到线性小波变换。

分解式如下：

Split (s_j) = (e_j-1, o_j-1 )

d _{j-1, k} = o_{j-1, k} – P_k (e_j-1) = o_{j-1, k} – (e_{j-1, k} + e_{j-1, k+1}) / 2 = s_{j, 2k+1} - (s_{j, 2k} + s_{j, 2k +2}) / 2

s_{j-1, k} = e_{j-1, k} + U_k (d _j-1) = s_{j, 2k} + (d_{j-1, k -1} + d_{j-1, k}) / 4

重构式如下：

e_{j-1, k} = s_{j-1, k} - U_k (d _j-1) = s_{j-1, k} – (d_{j-1, k -1} + d_{j-1, k}) / 4

o_{j-1, k} = d _{j-1, k} + P_k (e_j-1) = d _{j-1, k} + (e_{j-1, k} + e_{j-1, k+1}) / 2

s_j = Merge (e_j-1, o_j-1 )

实际上，提升算法是一种改善快速小波变换的方法。单步的提升算法并不能用于所有的小波构造过程，事实上只有一些特殊的小波变换很容易用它构造，比如双正交小波。不过，涉及有限滤波器(FIR)的所有小波或子带变换可用多个提升步骤来构造。Daubechies和 Sweldens等已经证明，借助于因子化小波变换，所有小波的构造都能够用提升模式实现。

l     整数小波变换

可以用提升方法来构造具紧支集的双正交小波，那么就可以通过对每一次滤波后的数据进行取整（用[·]表示）来实现整数小波变换，而且这种变换是完全可逆的，也就是完全重构数据。

Sweldens已经证明在提升的基础上可以进行整数集到整数集的小波变换,也就是说，一个整数集合通过小波变换得到的仍然是整数集合。这就给数字图象的压缩编码带来了好处，由于不需要对变换后的系数进行量化，因此提供了实现无损压缩的可能。

下面试几个典型的整数小波变换的例子：

1） S变换

最简单的整数小波变换是S变换(S transform, S = sequential)，它是线性Haar小波变换的近似整数形式。

分解式如下：

d _{j-1, k} = s_{j, 2k +1} - s_{j, 2k}

s_{j-1, k} = s_{j, 2k} + [d_{j-1, k} / 2]

相当于对原更新函数取整。

重构式如下：

s_{j, 2k} = s_{j-1, k} - [d_{j-1, k} / 2]

s_{j, 2k +1} = d _{j-1, k} + s_{j, 2k}

 

2）S+P变换

S变换之后，在低通系数s_{j-1, k}的基础上进行线性预测，以产生新的高通系数d _{j-1, k} ，这就是S+P变换族(S+P family of transform , S+P = sequential plus prediction)。分解式如下：

s_{j-1, k} = s_{j, 2k} + [ v_k / 2]

d _{j-1, k} = v_k + [t_k + 1/2]

其中

v_k = s_{j, 2k +1} - s_{j, 2k}

t_k =α_-1 (s_{j-1, k -2} - s_{j-1, k -1}) +α₀ (s_{j-1, k -1} - s_{j-1, k} ) +α₁ (s_{j-1, k} - s_{j-1, k +1}) +β_-1 v _{k +1}

例如，取参数如下表所示。

变换	α-1	α0	α1	β-1
S	0	0	0	0
2/6	0	1/4	1/4	0
B	0	1/4	3/8	1/4
C	-1/16	1/4	1/2	3/8

其中

（1）S变换：

s_{j-1, k} = s_{j, 2k} + [ v_k / 2] = s_{j, 2k} + [(s_{j, 2k +1} - s_{j, 2k}) / 2]

d _{j-1, k} = v_k = s_{j, 2k +1} - s_{j, 2k}

其分解与重构式同上1)。

（2）2/6变换：

分解：

s_{j-1, k} = s_{j, 2k} + [ v_k / 2] = s_{j, 2k} + [(s_{j, 2k +1} - s_{j, 2k}) / 2]

d _{j-1, k} = v_k + [(s_{j-1, k -1} - s_{j-1, k} ) / 4 + (s_{j-1, k} - s_{j-1, k +1}) / 4 +1/2]

= (s_{j, 2k+1} - s_{j, 2k}) +[(s_{j-1, k -1} - s_{j-1, k +1}) / 4 + 1/2]

即：

v_k = s_{j, 2k +1} - s_{j, 2k}

s_{j-1, k} = s_{j, 2k} + [ v_k / 2]

d _{j-1, k} = v_k + [(s_{j-1, k -1} - s_{j-1, k +1}) / 4 + 1/2]

重构：

u_k = [(s_{j-1, k -1} - s_{j-1, k +1}) / 4 + 1/2]

s_{j, 2k}  = [(2 s_{j-1, k} - d _{j-1, k} + u_k ) / 2] ?

s_{j, 2k +1} = s_{j, 2k} + d _{j-1, k} - u_k

 

3）5/3变换

d _{j-1, k} = s_{j, 2k +1} - [(s_{j, 2k +2} - s_{j, 2k}) / 2]

s_{j-1, k} = s_{j, 2k} + [(d_{j-1, k} + d_{j-1, k -1}) / 4 + 1/2]

 

4）9/7-M变换

d _{j-1, k} = s_{j, 2k +1} - [((s_{j, 2k +4} + s_{j, 2k -2}) – 9 (s_{j, 2k +2} + s_{j, 2k})) / 16 + 1/2]

s_{j-1, k} = s_{j, 2k} + [(d_{j-1, k} + d_{j-1, k -1}) / 4 + 1/2]