图像处理中常用的小波变换

Haar Wavelet

• 变换特点

1. 简单和快速: Haar小波由简单的矩形函数构成,计算仅需要简单的加减操作,没有复杂的数值计算,因此计算速度很快。
2. 正交性: Haar小波函数之间正交,可以避免信息冗余。
3. 分类识别能力: Haar小波特征具有对图像边缘、线条等视觉信息的编码能力,可用于面部识别等任务。

• 计算过程

1. 假设原始图像为f(x,y),其中(x,y)表示图像上的像素坐标。对原始图像进行Haar小波变换,得到LL,LH,HL和HH四个子带图像。Haar小波变换的过程可以表示为
   $LL(x,y)=(f\ast h)(x,y)$
   $LH(x,y)=(f\ast g)(x,y)$
   $HL(x,y)=(f\ast h^T)(x,y)$
   $HH(x,y)=(f\ast g^T)(x,y)$
   其中h和g分别是Haar小波的低通和高通滤波器,$\ast$表示卷积操作,${}^T$表示转置操作。
2. 将LL,LH,HL和HH四个子带图像组合成一个特征图,可以表示为$F(x,y)=[LL(x,y),LH(x,y),HL(x,y),HH(x,y)]$
   其中F(x,y)表示Haar小波变换得到的特征图,它包含了原始图像在不同频率尺度下的特征信息。
3. 重复步骤1和2,可以得到多层Haar小波变换,从而获得多尺度的特征表示。

• 代码实现

Daubechies Wavelet（dbN）

• 变换特点

1. 正交小波,具有MULT分辨率分析能力。
2. 比Haar小波光滑,没有不连续现象。
3. 具有紧致的支持域,可以有效地表示信号的局部特征。
4. 在信号分析与重建中波形的平移正交性好。

• 计算过程
  设原始信号为 x(n),db小波变换的过程为

1. 进行多层滤波分解$cA(n)=\sum kh(k)\cdot x(2n-k),cD(n)=\sum kg(k)\cdot x(2n-k)$其中h(k)是db小波的低通分析滤波器,g(k)是高通分析滤波器,cA是逼近系数,cD是细节系数。
2. 重构信号，$x^{\prime }(n)=\sum k{h}^{\prime }(k)\cdot cA(n-k)+\sum k{g}^{\prime }(k)\cdot cD(n-k)$, 其中h’(k)和g’(k)分别是db小波的低通和高通合成滤波器。

• 代码实现

Symlet Wavelet（symN）

• 变换特点

1. 具有准正交和紧致支持的特性。
2. 对称小波函数,具有线性相移不变性。
3. 具有与Daubechies小波相似的正则性。
4. 相比Daubechies小波,具有更高的对称性。
5. 适用于信号补偿和滤波处理。

• 计算过程
  设原始信号为x(n）

1. 进行多层滤波分解$cA(n)=\sum kh(k)\cdot x(2n-k),cD(n)=\sum kg(k)\cdot x(2n-k)$
   其中h(k)是sym小波的低通分析滤波器,g(k)是高通分析滤波器,cA是逼近系数,cD是细节系数。
2. 重构信号，$x^{\prime }(n)=\sum kh(k)\cdot cA(n-k)+\sum kh(k)\cdot cD(n-k)$
   通过多层迭代滤波分解和重构,可以实现信号在不同频带尺度上的分解与重建。

• 代码实现

Coiflet Wavelet (coifN)

• 变换特点

1. 具有更高阶的平滑性和对称性。
2. 极近似对称,但严格对称性稍差于Symlet小波。
3. 与Daubechies相比,逼近误差小,计算效率高。
4. 可以同时提供小的相对误差和对称性两方面的优点。

• 计算过程
  设原始信号为x(n)

1. 进行多层滤波分解$cA(n)=\sum kh(k)\cdot x(2n-k)，cD(n)=\sum kh(k)\cdot x(2n-k)$，其中h(k)是Coif分析滤波器,cA是逼近系数,cD是细节系数。
2. 重构信号，x’(n) = ∑k h(k)·cA(n-k) + ∑k h(k)·cD(n-k)合成滤波器与分析滤波器相同。
   Coif小波变换同样通过多次滤波分解与重构实现信号多分辨率分析。其区别在于采用对称滤波器提高重构精度。

Coif分析滤波器: $h(k)=(-1{)}^{(1-k)}\cdot c(k)$，其中，k = 1,2,…,L，L是滤波器的长度。c(k)是定义在[0,L-1]上长度为L的序列,它满足下列条件:
c(0) = c(L-1) = 1，对k = 1,2,…,[(L-1)/2],有:c(k) = c(L-1-k)，对k = 0,1,…,L-2,满足下列线性方程:
${\sum }_{k=0}^{L-2}c(k)\cdot (k+1/2{)}^n=0,n=0,1,...,N,N=(L-1)/2$
上述方程要求序列c(k)的第一项到第N项矩为0。
因此,c(k)序列满足对称性以及moments vanishing条件,最终可构造出具有较高阶平滑性和对称性的Coif分析滤波器。

• 代码实现

Biorthogonal Wavelet（biorNr.Nd）

• 变换特点

1. 分析波和合成波使用不同滤波器。
2. 非正交,但可以构造出半正交小波。
3. 支持反对称波形,可以提供线性相移不变性。
4. 可以自由设计析波和合成波的形状。
5. 适用于需要波形对称性的应用。

• 计算过程
  设原始信号为x(n)

1. 分解变换 $cA(n)=\sum kh(k)\cdot x(2n-k)，cD(n)=\sum kg(k)\cdot x(2n-k)$，h(k)和g(k) 分别是分析低通和高通滤波器。
2. 重构信号 $x^{\prime }(n)=\sum k{h}^{\prime }(k)\cdot cA(n-k)+\sum k{g}^{\prime }(k)\cdot cD(n-k)$, h’(k)和g’(k) 分别是合成低通和高通滤波器。两组滤波器满足半正交条件：$h^{\prime }\cdot h+g^{\prime }\cdot g=\delta$，$h^{\prime }\cdot g=0,g^{\prime }\cdot h=0$其中δ为单位冲激序列。

• 代码实现

Morlet Wavelet

• 变换特点

1. Morlet小波属于连续小波变换。
2. 具有指数衰减的波形,提供良好的时频局部化特性。
3. 实部为余弦函数,虚部为高斯函数,组成分析窗。
4. 时频分析优良,可获得信号的瞬时频率。
5. 可调节时间和频率分辨率,适应不同场景。

• 计算过程
  Morlet小波函数的表达式为:
  $\psi (t)=(1/{\pi }^{1/4})\ast e^{(j\omega 0t)}\ast e^{(-t2/2)}$,其中,$\omega 0$为中心频率。对信号x(t)的Morlet小波变换为: $W(a,b)=(1/\surd a)\int x(t)\psi \ast (t-b/a)dt$a为尺度因子,b为时间平移因子。通过改变a,b参数,可以得到信号x(t)在时频平面上的值。Morlet小波变换通过窗口函数匹配滤波的方式,实现信号的多分辨率时频分析。

• 代码实现