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.