小波变换

系列文章目录

提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

由于傅里叶变换是一种全局的函数变换，并且损失了空间信息和时间信息。因此在后来引入了小波变换。小波变换的目的是将空域或时域的函数转换为由尺度函数和小波函数作为基的函数。换句话说，我们采用一系列的尺度函数和小波函数对原函数进行贴合近似。在相邻的尺度函数之间，我们用多个小波函数去近似原函数。

---

一、什么是小波函数？

顾名思义，小波函数就是在狭小区间里迅速上升又迅速下降的函数。在该区间$(a,b)$里小波函数有${\int }_a^{b}f(x)dx=1$的特点，也就是$X$轴上下的面积相等。哈儿函数是最早的小波函数。

哈尔函数

$$u=2^p+q$$
$$h_u(x)=\{\begin{array}{ll}1& u=0and0\le x<1\\ 2^{p/2}& u>0andq/2^p\le x<(q+0.5)/2^p\\ -2^{p/2}& u<0and(q+0.5)/2^p\le x<(q+1)/2^p\\ 0& else\end{array}$$
可以看到哈儿基函数由两个变量控制，一个是$u一个是x$。当$u$不为$0$则$h_u(x)$在$[q/2^p,x<(q+0.5)/2^p)$和$((q+0.5)/2^p,x<(q+1)/2^p]$分别是幅值为$2^{p/2}和-2^{p/2}$矩形波。$u$可以控制小波的宽度，$u$增大，矩形波就变窄。
哈儿变换的变换矩阵$A_H$可以由$s(x,u)=\frac{1}{N}{h}_u(x/N)$得到。其中，$u=0,1,2...N-1;N=2^n$。
$$t_H=A_H\ast f$$

二、尺度函数

尺度函数通过将小波函数进行平移和拉伸得到。以$\varphi (x)$作为父函数通过平移变换得到：
$${\varphi }_{j,k}(x)=2^{j/2}\varphi (2^{j}x-k)$$
很显然这是一个函数集合，j控制幅度和宽度，k控制平移位移。
若尺度函数满足四个多分辨率分析的条件
则父函数可以表示为自身二倍分辨率副本的线性组合，即$j=1$的情况，其尺度也为1
$$\varphi (x)=\sum _{k\in Z}{h}_{\varphi }(k)\sqrt{2}\varphi (2x-k)$$

我们将$h_{\varphi }(k)$称为尺度函数系数

三、小波变换

母小波函数

$${\psi }_{j,k}(x)=2^{j/2}\psi (2^{j}x-k)$$
显然这是一个小波函数的平移缩放的函数集合
小波函数$\psi (x)$可以写为平移且缩放尺度为1的尺度函数的加权和。
$$\psi (x)=\sum _k{h}_{\psi }(k)\sqrt{2}\varphi (2x-k)$$
其中$h_{\varphi }(k)$为小波系数。

一维离散小波变换

$$f(x)=\frac{1}{\sqrt{(}N)}[T_{\varphi }(0,0)\varphi (x)+\sum _{j=0}^{J-1}\sum _{k=0}^{2^j-1}{T}_{\psi }(j,k){\psi }_{j,k}(x)]$$

当尺度与小波为实值时：
$$T_{\varphi }(0.0)=\frac{1}{\sqrt{(}N)}\sum _{x=0}^{N-1}f(x)\varphi (x)$$
$$T_{\psi }(j,k)=\frac{1}{\sqrt{(}N)}\sum _{x=0}N-1f(x){\psi }_{j,k}(x)$$

---

总结

摸鱼了，回头补上手工计算的过程。