Mallat算法及C语言实现（一维DB小波分解与重构）

附：理论部分来源于书籍与网络资源，如有侵权，请于文章作者联系，立即处理！！！

 

一、Mallat原理分析

1.1矩阵变换角度看小波分解与重构：

DB4有4个系数：c0、c1、c2和c3。可以有以下变换矩阵，将它作用于一列数据矢量的左边。即（注意行列对齐，手打不易）

 

其中，空白处为0,。注意，此矩阵结构，第一行产生一个数据与滤波系数c0、c1、c2、c3卷积的分量，依次类推，第3行、第5行和其余奇数行的结果一样。如果偶数行以这种形式出现，正负交替，那么矩阵将是循环的，也就是一般的卷积，可以用FFT方法计算（注意，最后两行像具有周期边界条件下的卷积那样环绕起来）。但是，偶数行并不是以系数c0、c1、c2、c3进行卷积，而是以系数c3，-c2，c1，-c0进行卷积。整个矩阵的作用就是进行两个相关的卷积，然后各去掉一半数值，将剩下的各一半融合在一起。

将滤波器c0、c1、c2、c3看成是一个光滑滤波器，称它为H,H有点像4个点的移动平均。而将滤波器c3，-c2，c1，-c0称为G，由于G中滤波器带有负号，因此，G不能看成一个光滑滤波器。在信号处理的文献中，H和G被称为求积镜像滤波器。实际上，c值的选取是使G对光滑的数据矢量尽可能产生零响应。通过以上运算，导致H的输出在去掉以后，精确地代表了数据的“近似”信息。G的输出同样在去掉一半以后，代表了数据的“细节”信息。

为了能够恢复原始信息，必须能够从它的N/2个近似分量和N/2个细节分量重建长度为N的原始数据矢量。为了能够实现这样的算法，就必须要求矩阵式(1)为正交的，这样它的逆矩阵就和转置矩阵相同。其矩阵如下，即

 

为使矩阵式(2)成为矩阵式(1)的逆矩阵，必须满足以下两个等式，即

 

这样用长度为N（可以看出N为2的幂指数）的数据相乘，就能够分解成近似分量和细节分量，再对近似分量按照上面的方法进行分解，依次类推，从而实现Mallat算法。

 

1.2滤波器角度看小波分解与重构：

考虑如下问题。用N=2的Daubechies小波分解一个有n个取样值（即s0，….，sn-1）的信号。这些样值首先被当作顶级的近似系数aj，然后让其通过与Daubechies小波相关的高通和低通滤波器。这些滤波器分别称为H和L，响应的冲激响应函数序列分别为h和l：

 

分别用l和h与aj做卷积，然后下取样。那么对于任何aj（不仅是本例中的仅有8个样值的信号）有：

 

为计算j-1级的各个系数，需要4个相邻的样值，并且要从偶数位置开始。

实际中信号为离散序列，用小波分解信号序列，实际上就是让源信号通过对应的高通和低通滤波器，例如，用N=2的Daubechies小波分解一个8样值点s0，….，s7的信号序列，那么为计算近似系数a22，需要s4至s7.，为计算a32，需要s6至s9，但实际上并没有s8和s9！由此并不难理解，在此滤波过程中会很快用尽所有样值点，更麻烦的是，该过程仅在k=0,1,2时可进行。这意味着，对有8个样值点的问题来说，仅能得到3个分解系数，而不是原先期望的4个，该现象称为溢出问题，

溢出的根本原因在于不知道源信号前后的准确值ÿ