小波变换学习笔记（4）：滤波器与Mallat算法

前言
上篇博客中讲了连续时间信号的离散小波变换的多分辨分析、小波函数、尺度函数等概念，而在我们具体应用离散小波变换时，我们并不关心我们的尺度函数、小波函数具体是什么形式的，因为毕竟反映信号主干信息和细节信息的是尺度函数、小波函数的系数而不是其函数的具体形式，那么有什么方法可以跳过小波、尺度函数直接求得小波、尺度函数的系数呢？这就引出了这篇博客的内容，滤波器与Mallat算法。
主要内容
首先我们利用上篇博客中提到的公式1公式2公式3推出不同分辨率下的小波系数、尺度系数之间的关系式，推理过程我们并不关心，直接给出结果，如下图的公式4。
公式1
公式2

公式3


公式4
不知道有没有人看这两个公式很眼熟，那是因为这个公式和卷积公式很相似！没有接触过卷积的同学也不要紧，我们在下方给出其定义：在数字信号处理中，一个输入信号的“滤波”是该输入信号与另一组数的集合相卷积得到的，而这个集合又被叫做：滤波器系数或者系统的脉冲响应，对于一个输入信号x（n）和滤波器系数h（n），输出序列y（n）由下式给出：

但是两个式子虽然相似但是也有不同，我们推出来的公式中k的系数为2而卷积公式中k的系数为1，这又怎么理解呢？其实这也很简单，这只不过是做了一个数字滤波器中的下抽样处理，即：y（n）=x（2n），但是就像公式里所呈现的那样，在下抽样处理中原信号x（n）中的一半数据是没有参与计算的，换句话说，原信号x（n）中的一半数据被浪费了。
而刚刚我们所讲的数字滤波和下抽样就是公式4中所做的工作，公式4表明，利用时间反转的递推系数h(-n)和h1(-n)与在尺度j下的展开系数做卷积，然后再下抽样就可以得到在尺度j-1下的展开系数，也就是说，使用系数为h(-n)和h1(-n)的两个fir数字滤波器滤波尺度j的系数，然后下抽样，就可以给出下一个粗糙尺度的尺度系数和小波系数，如图。

并且由前人的研究可以知道，使用h(n)实现的fir滤波器是低通滤波器，而用h1(n)实现的fir滤波器是一个高通滤波器，并且我们发现系统的数据输出数目与输入数目是相等的，虽然每个滤波器的输出数据数目是减半的，但是我们滤波器的数目是加倍的，所以这就意味着信息并没有损失，并且可以完全恢复信号。并且，这种滤波抽取的思想是可以反复应用的，我们可以在上图的基础上，对尺度系数再进行上述处理，如下图。

也就是说，我们不光可以通过滤波器得到信号的主干信息和细节信息，还可以对主干信息继续应用滤波器，得到主干信息的主干信息和细节信息，或者再继续接着应用算法，这里的算法级数是可以调整的，这也与多分辨分析的思想不谋而合。并且由于算法的特点，无论算法的级数是多少，其最终的输出数据数量都是不变的，并且小波系数尺度系数的具体数值我们可以借助上一级系数和滤波器来进行计算，从而避免了计算具体小波函数尺度函数的麻烦。
而这组结合滤波器分析与综合运算小波变换系数的方法就是著名的Mallat算法。
总结
小波变换作为一种数学工具有其独特的其他变换所不具有的特点，并且在许多软件中如matlab、python也有现成的库函数可以调用，使用十分方便，不过笔者要暂时脱坑小波了，由于大创项目对小波的应用更偏向原理性，仅仅停留在编程函数的应用是不够的，而我能力有限，看了好多资料论文甚至还研究过一段时间的matlab的dwt函数源代码也没有什么收获，迫于大创结题压力不得不更换方向，放弃小波变换，所以不出意外这是我最后一篇小波学习笔记了，谢谢耐心看完的各位，希望大家能从中有所收获，我也能顺利大创结题，谢谢大家！