小波变换之离散小波变换

离散小波变换（DWT）

(DiscreteWaveletTransform, DWT)离散小波变换是一种近似的小波变换方法，将信号分解成不同尺度的近似系数和细节系数。DWT使用离散的小波函数和离散的时间尺度，通过滤波和下采样操作来实现信号的分解。通常，DWT将信号分解为一组高频和低频子信号。

关于dwt，matlab官方文档中，给出了wavedec小波分解函数使用图解，对于信号X，通过小波变换后（带通滤波器）分解为一个高通滤波器和一个低通滤波器串联，进而分解出相对高通系数cD1和近似系数cA1，再将近似系数分解为相对高通系数cD2和近似系数cA2，进一步分解为cD3和cA3，如下图所示，为3层小波分解

离散小波变换的一级分解公式如下：
$$\begin{gathered} A_1(n)=\sum _{k}f(k)\ast h(k-n) \\ {D}_1(n)=\sum _{k}f(k)\ast g(k-n) \end{gathered}$$
其中:$A_1(n)$是低频( 近 )系数。$D_1(n)$是高频( 细节 )系数。$h(k)$和$g(k)$分别是小波分析滤波器的低通和高通滤波器系数。离散小波变换允许信号在不同尺度上的分解和重构，以便分析不同频率成分。
调用格式如下；

[c,l] = wavedec(signal,n,wavename)

其中c为输出的近似系数和细节系数，l表示了各部分信号的长度，signal为待处理信号，n表示分解层数，wavename为使用的小波函数名称，其中c和l的排列顺序在图中已给出了说明。
该函数采用了离散正交化小波变换分解，所谓正交化即保证每一次分解后的数据长度不变。
示例代码

% 生成信号
Fs = 1000; % 采样频率
t = 0:1/Fs:1-1/Fs; % 时间向量
x = cos(2*pi*50*t) + cos(2*pi*120*t); % 原始信号

% 进行小波变换
wname = 'db4'; % 小波名称
level = 3; % 分解级数
[C,L] = wavedec(x,level,wname); % 小波分解

% 提取近似系数和细节系数
A = cell(1,level);
D = cell(1,level);
for i = 1:level
    A{i} = wrcoef('a',C,L,wname,i); % 近似系数
    D{i} = wrcoef('d',C,L,wname,i); % 细节系数
end

% 绘制结果
figure;
subplot(level+1,1,1);
plot(t,x);
title('原始信号');

for i = 1:level
    subplot(level+1,1,i+1);
    plot(t,A{i},t,D{i});
    title(['近似系数和细节系数（级别 ' num2str(i) '）']);
    legend('近似系数','细节系数')
end

结果图：
另一种使用方法：

% 生成信号
Fs = 1000; % 采样频率
t = 0:1/Fs:1-1/Fs; % 时间向量
x = cos(2*pi*50*t) + cos(2*pi*120*t); % 原始信号

% 进行小波变换
wname = 'db4'; % 小波名称
level = 3; % 分解级数
[C,L] = wavedec(x,level,wname); % 小波分解
plotDetCoefHelpper(x,C,L);%借助绘图帮助函数

function plotDetCoefHelpper(signal,C,L)
m = length(L);      %记录近似系数和细节系数的个数，level+1
subplot(m,1,1)
plot(signal);       %绘制原始信号
title("original signal")
sum = 0;
for i = 1:m-1
    subplot(m,1,i+1)
    if i == 1
        plot(C(1:L(i)));%绘制近似系数
        title('Approximation Coefficients')
    else
        sum=sum+L(i-1);
        plot(C(sum+1:L(i)+sum));%绘制细节系数
        title(['Level ' num2str(i-1) ' Detail Coefficients']);        
    end
end
end

输出结果如下：