【一维小波变换计算过程图解】基于python实现的一维haar小波变换与逆变换

本文不涉及小波变换原理，仅对python 库中的pywt.wavedec和pywt.waverec实现过程进行分析记录。以方便想对小波变换过程用其他语言实现的同学，或想优化小波变换过程的同学提供一些帮助。

1、基本概念
小波变换可以看作是对图像进行高低频分解。
对原始信号O使用高频滤波器HF进行高频滤波，得到高频结果H，
原始信号O使用使用低频滤波器LF，进行低频滤波得到低频结果L.再对H和L进行下采样得到大小为原始信号一半的结果。
以上就是一级小波变换的过程，对下采样的H再次进行小波变换，能得到多级变换的结果。
由于HF和LF两个滤波器的特殊性，我们可以对L和H进行处理后，直接相加复原成原始信号O。复原的过程就是小波逆变换。
harr小波的核：低频为[1,1],高频为[1,-1]。实际处理时需要进行归一化。
2、图解过程
注意点：a、进行下采样时，down[1：：2]表示从下标为1的数据开始隔1个数据采集一个。
b、进行上采样时，up[::2]表示从下标为0开始的数据进行填充。
c、进行高频数据的逆变换时，卷积核的顺序从[1,-1]/sqrt(2)变成了[-1,1]/sqrt(2)
以下是对数据[1,2,3,4,5,6,7,8]的处理过程。

3、代码
haar小波变换 coeffs = pywt.wavedec(data, ‘haar’, level=1)

def WaveTrans(data,transType='haar',level=2):
    coeffs = [0]*(level+1)
    # 定义滤波器
    if transType=='haar':
        kernelHF = (np.sqrt(2)/2) * np.array([-1,1])
        kernelLF = (np.sqrt(2)/2) * np.array([1,1])
        
    pad_width = len(kernelHF) // 2
    # 小波分解
    ca_tmp = data
    for i in range(level):
        pad_data = np.pad(ca_tmp,pad_width,mode='reflect')    
        cD = np.convolve(pad_data, kernelHF, mode='same')[pad_width:len(pad_data)-pad_width]
        cD=cD[1::2]
        cA = np.convolve(pad_data, kernelLF, mode='same')[pad_width:len(pad_data)-pad_width]
        cA=cA[1::2]
        # 倒序填充
        if 0 == (level - i - 1) :
            coeffs[0] = cA
        coeffs[level - i] = cD
        ca_tmp = cA
    return coeffs

haar小波逆变换 data= pywt.waverec(coeffs, ‘haar’)

def WaveInverseTrans(coeffs,transType='haar'):
    
    if transType=='haar':
        kernelHF = (np.sqrt(2)/2) * np.array([1,-1])
        kernelLF = (np.sqrt(2)/2) * np.array([1,1])

    pad_width = len(kernelHF) // 2
    # 小波逆变换
    approx = coeffs[0]
    details = coeffs[1:]
    for detail  in details:
        #aT=pywt.idwt(approx,detail,'haar')
        # 对细节系数进行上采样，插入零
        upsampled_detail = np.zeros(len(detail) * 2)
        upsampled_approx = np.zeros(len(approx) * 2)
        upsampled_detail[0::2] = detail
        upsampled_approx[0::2] = approx
        
        # 应用低通和高通滤波器
        pad_upsampled_approx = np.pad(upsampled_approx,pad_width,mode='reflect')
        pad_upsampled_detail = np.pad(upsampled_detail,pad_width,mode='reflect')
        
        approx = np.convolve(pad_upsampled_approx, kernelLF, mode='same')[pad_width:len(pad_upsampled_approx)-pad_width]
        detail = np.convolve(pad_upsampled_detail, kernelHF, mode='same')[2*pad_width:len(pad_upsampled_detail)]
        approx = approx + detail
    return approx.