【小波变换】离散小波分解Discrete Wavelet Transform

此篇博客记录自学离散小波分解的相关内容，以后若有更多理解在此篇更新。

---

一、 为什么需要离散小波分解

   除离散变换外，还有连续小波分解，通过改变分析窗口大小，在时域上移动窗口和基信号相乘，最后在全时域上整合。通过离散化连续小波分解可以得到伪离散小波分解（注意有些matlab工具包的DWT实际上是它而不是下文要说的离散小波分解）。这种离散化带有大量冗余信息且计算成本较高。

二、离散小波分解Discrete Wavelet Transform

   在讲小波变换前，可以先懂一点傅里叶变换的东西，关于将信号从时域转换到频域及其局限性。小波变换很大程度上弥补了傅立叶分解在非平稳时间序列上的不足，通过将傅立叶分解的正余弦波替换为一组可衰减的正交基，能较好地表达出序列中的突变和非平稳部分。

1. 基础

  离散小波变换的核心：用不同频率的滤波器分析不同频率的信号，主要是高通滤波器和低通滤波器。
  信号的分辨率：衡量信号承载的信息丰富程度，采样率越高则分辨率越高，反之亦是。
  DWT用小波函数（wavelet fuction）和尺度函数（scale function）来分别分析高频信号和低频信号，也即高通滤波器和低通滤波器。
  注：在DWT中频率的单位是弧度。

DWT分解过程：

1. 将信号$x[n]$通过具有脉冲响应$h[n]$的半带低通滤波器，这一过程类似数学里的卷积，$x[n]\times h[n]={\sum }_{k=-\infty }^{\infty }x[k]\cdot x[n-k]$。这一操作会剔除信号中频率低于 p / 2 p/2