离散小波变换_从细分认识小波变换

最近在做有关小波的小课题研究，把我的心得和诸位分享一下。国内有关小波变换的资料比较少，诸位读者可以在google上找到许多比较好的学习资料。小波变换发展了大概三十多年，无论是在数学上还是在工程应用上都研究得比较透彻。其实小波变换和图形学中的细分(subdivision)也有着紧密的联系，这篇文章就围绕细分和小波来谈谈我的体会。(注1：很多细节被跳过了，读者想有更深入的数学理解，可以看我的第一篇参考文献。注2：有一些概念直接从英文文献中搬过来了，翻译和中文文献中不一定一致。）

一、细分和小波变换的联系

1.1 简单介绍细分

细分是个很简单的想法。比如在工程上我用某种手段得到了一个曲面的离散坐标数据，我想在计算机中建立得到一个光滑的曲面，这时候就要用到细分的方法。下图是一个函数的例子^[1]，

上图(a)可以认为是实际测量得到的数据点，然后我们通过某种法则生成了新的细密的点，如(b)(c)，持续地做下去，我们就能得到一个光滑的函数图像，也就是图(d)。上图的迭代方法是Chaikin在1974年提出的著名的Chaikin algorithm，这个算法的想法很简单，就是用相邻的两个点产生一个新的点，它把原来函数尖锐的“角”都给切掉了，可以看到算法的效果是不错的。对具体操作方法感兴趣的读者可以自行google。

下面我们用数学的语言去表述细分的想法，并引入矩阵运算。简便起见，考虑一维函数的形式。由于迭代过程中的函数都是由离散点构成的，我们考虑它们都是分段线性的函数。并且一般来说，细分都是以2为倍数的，也即每做一次细分离散点的个数就会多一倍，我们便设第k次迭代的函数有

个节点（控制点），由节点决定的

个区间上的函数都是线性函数。设我们一开始得到的函数为

，每经过一次细分的迭代，函数就会变得更加精细（分辨率更高），从而我们得到了一个越来越精细的函数列

。同时指出一点，并不是所有的细分策略都会收敛到一个极限函数，也就是说函数列

不一定收敛。我们不妨考虑一个收敛的函数列。大多数的细分策略都可以用下面的公式表出：

解释一下上面的公式中各个字母的意思。j代表细分迭代的次数，我们给

个端点标号，i从0到

，计算这些节点处的函数值。k是整数游标，取值范围根据函数的定义域而定，

相当于是权重系数。简单地解释是，

的节点处的函数值由函数

上的点加权得到&#