小波变换

完美通俗解读


”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变
basis。如果你暂时有些遗忘了basis的定
basis是指空间里一系列线性独立的向量，而这个空
basis在变换里面


的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。小波
basis有关了。再比如你用Photoshop去处理图像，里面的图
basis的改变有关。
basis的选取非常重要，
basis的特点决定了具体的计算过程。一个空间中可能有很多种形式的basis，什
basis比较好，很大程度上取决于这个basis服务于什么应用。比如如果我们希
basis能用其中很少的向量来最大程度地表


basis就是eigenvectorbasis了，因为此时变换矩
T对它们的作用等同于对角矩阵(Tv_n=av_n，a是eigenvalue)。总的来说，抛开
basis，我们都希望它们有一个共同的特点，那就是，容易计








JosephFourier这个人提出的，他发现，这个basis不仅仅存
vectorspace，还存在于functionspace。这个functionspace本质上还是一个
vectorspace，可以是有限的，可以是无限的，只不过在这个空间里，vector就
function了，而对应的标量就是实数或者复数。在vectorspace里，你有vectorv
vectorbasis的线性组合，那在functionspace里，functionf(x)也可以写成
functionbasis的线性组合，也有norm。你的vectorbasis可以是正交的，我的
basis也可以是正交的（比如sin(t)和sin(2t)）。唯一不同的是，我的
basis是无穷尽的，因为我的functionspace的维度是无穷的。好，具体来
f(x)。我们希望将它写成一些cos函数和一些sin函


，这是一个无限循环的函数。其中的1，cosx,sinx,cos2x…..这些，就是傅
functionbasis
functionbasis正交如此重要呢？我们说两个
正交，那就是他俩的内积为0。那对于functionbasis呢？functionbasis怎么求


vector正交的定义。我们说两个vectorv,w如果正交的话，应符


function正交呢？假设我们有两个函数f(x)和g(x)，那是什么？我们遵循
的思路去想，两个vector求内积，就是把他们相同位置上对应的点的乘积做一
x点，对应的f和g做乘积，再累加。不过问题是，
和g都是无限函数阿，x又是一个连续的值。怎么办呢？向量是离散的，所以累加，
…….积分！




basis如此重要呢？这就牵涉到系数的求解了。我们研究了函
f，研究了级数，一堆三角函数和常数1，那系数呢？a0,a1,a2这些系数该怎么确
a1了。我现在知道什么？信号f(x)是已知的，傅立叶级
a1呢？很简单，把方程两端的所有部分都求和cosx的内


a1项全部消失了，因为他们和


0！所有就简化为
a1就求解出来了。到这里，你就看出正交的奇妙性了吧:)


functionbasis是专门挑选的，是
coefficients的。但千万别误解为展开变换所用的basis都是正交
basis就只是简单的非正交多项








”小“，是针对傅立叶
















cover了，在下一


basis来表示信号方程。每
motherwavelet，我们称之为母小波，同时还有一个
function，中文是尺度函数，也被成为父小波。任何小波变换的basis函数，其




2的级数，平移的大小和当前其缩放的程度有
basis函数既有高频又有低频，同时还覆盖了时域。对于






就是小波级数，这些级数的组合就形成了小波变换中的基basis。和
orthonormalbasis，也就是说，它们不


小波变换对不管是一维还是高维的大部分信号都能cover很好。这个和傅立叶




围绕小波级数的展开能够在时域和频域上同时定位信号，也就是说，信号的大
a_{j,k}，决定。这个特性是得益于小波变换
，而小波级
。
从信号算出展开系数a需要很方便。普遍情况下，小波变换的复杂度是
，和FFT相当。有不少很快的变换甚至可以达到O(N)，也就是说，计算复


match。
















:)




0，其他所有级数系数都是0。我们再看这个信号：




0了！为什




Gibbs现
Exactly。用比较八股的说法来解释，Gibbs现象是由于展开式在间断点邻域不
N趋于无穷大时，这一现象也依然存在。其实通俗一点
sharp的时候，三角波fit不过来了，就凑合出Gibbs了:)接下来


basis不和这个信号变化重叠，它所对应的级数系数都为0！
3个级数系数不为
。你可以使用更复杂的小波，不管什么小波，大部分级数系数都会是0。原因？由于
basis的特殊性，任何小波和常量函数的内积都趋近于0。换句话说，选小波的时
0。正是这个有趣的性质，让小波变












basisfunction就是正弦波，
scale，它都是正弦波，即使你举出余弦波，它还是移相后的正弦波。总之






basisfunction集合对其进行分析。这种灵活性是任何别的变换都无法比拟的。总
;而小波变换则适用




motion信号处理（二）
motherwavelet，我们称之为母小
fatherwavelet，就是scalingfunction。而该小波的basis函数其实
2的级数，平移的大小






就是小波级数，这些级数的组合就形成了小波变换中的基basis。和
orthonormalbasis，也就是说，它们不












basis的形成，是基于基本的小波函数，也就是母小波来做缩放和平移的。但


scalingfunction，人们通常都称其为父小波。它和母小波一样，也是














multiresolutionanalysis,MRA）。说


function是拿来干嘛的？它背后的物理意义是什么？waveletfunction背后的物






8，是离散的一维信号。我们要考虑的，就是如何用小波将其展开。




ψ(2n)：
1了，不符合小波基orthonormal的要求，


function：
scale，得到4n，8n，…….下的
function。当然在这个例子里，我们信号长度就是8，所以做到4n就够了。但推
scaling对母小波的作用为，这是归一化后的表示形式。
scale之后的
function进行平移。比如对上一幅图中的basisfunction进行平移，就成了
basisfunction和母小波以及仅仅scale过的小波，都是正交
basis的特点。如果我们用ψ(n)来表示这个motherwavelet，那么这些
basis函数可以写成：
k是可以看成时域的参数，因为它控制着小波基时域的转移，而j是频域的


scalingfunction的平移变换是一模一样的。
space的哈尔小波basis组合：
1






waveletfunction阿。没错，它是之前提到的scalingfunction，也就
scalingfunction出来呢？明明


function，这些小波函数本身也组成了正交归一基，但如果仅限于此的话，小
scalingfunction，才能引入我们提到的多


basis组合是怎么通过多解析度推导出来的


Lebesgue空间，对于信号处理非常重要，可
L^p(R)表示，指的是由p次可积函数所组成的函数空间。我们在小波变换中要研
L^2(R)空间的，这个空间是R上的所有处处平方可积的可测函数的


L^2(R)中的信号的。这玩意的特性要具体


wiki。总之你记住，小波变换


L^2(R)空间做MRA是在干嘛呢？就是说，在L^2(R)空间中，我们可以找出一
，并有下列性质：








有这样一个方程,是的orthonormalbasis。
V_j都是L^2(R)空间中的子空间，然后他们是
{0}，因为这是最小的子空间，并集就是L空间。是不是有点难以


V0，之后分别是V1，V2，V3，V4。那他
f(t)他属于一个某空间，那你将其在时域上平移，






basis，这是必然的，那对于V0来讲，它的orthonormalbasis就是
的时域变换，而且我们刚才也说了，时域上平
basis所定义的L^2(R)
V0被这些basis所span，表示成：
从负无穷到正无穷。上面的bar表示这是一个闭包空间，也就是说
V0这个子空间。刚才说了，这个子空间的基都是对
为scalingfunction，所以换个说法，就是说这
V0，由scalingfunction和其时域变换的兄弟们span。
scalingfunction只是用来代表一个子空间的，那它的地位也就不


。


V0的更上一层
scalingfunction做频域的scale后再做时域上的




V_j空间的函数f(t)，都可以表示为：
scalingfunction的作用
scaling的构建这些不同的子空间的基础，当j越大的时候，每一次你对频率变换
scalingfunction所做的时域上的整数平移幅度会越小，这样在这个j子空间里面
f(t)表示粒度会很细，细节展现很多。反之亦然。通俗点说，就是对
function的变换平移给你不同的子空间，而不同的子空间给你不同的分辨率，


MRAequation了，这是更加有趣，也是更加核心的地
V0属于V1，那scalingfunction是在V0中的，自然也在
中了。我们把他写成V1的基的线性组合，那就是
h(n)是scalingfunction的系数，也叫做scalingfilter或者scalingvector，
2是为了维持norm为1的。看，在这个公式里，
V0的函数用V1的基表示出来了。同理，我们可以循环如此，把属于
的在V2,V3,…,Vn中表示出来。这些方程就是MRAequation，也叫
equation，它是scalingfunction理论的基础，也是小波分析的基础之一。
scalingfunction的基本理论知识，知
basis集合就是
function
scalingfunction，如下图所示：
basis集合的展览。通过前面的讨论，我们还知道，一开始
scalingfunction可以通过更精细的子空间的scalingfunction（它们都是对应子空间
basis）来构建。比如
finer的scale：
2
scale和translate过的scalingfunction，都可以用
scale层面上的scalingfunction构建出来。
scale下的scalingfunction了，该看看它们分别所对应的嵌套
了。先看看V0，自然就是以基本的scalingfunction为基础去span




scalingfunction在整个信号长度上，没有任何变化。继续往下看：
V0更加finer的子空间，代表着这样一种信号，它从1-4是常量，从5-8


代表的信号，是分别在1，2;3，4;5，6;7，8上有相同值的信号。那么V3
V3来讲，任何一个时间刻度上的值都可以不一样。而
scalingfunctions的波形验证了之前提到的多解










，完全不损失细节。这就是多解析度的意义。我们可以有嵌套的，由
function演变的basisfunction集合，每一个集合都提供对原始信号的某种近


scalingfunction以及多解析度分析已经比较理解了。但是，


scalingfunction到小波basis组合中干嘛。也就是说，我们希望理解
function是怎么和小波函数结合的呢，多解析度能给小波变换带来什么样的好




V0，basis是scalingfunction：


V1的basis集合是这俩哥们：
V0中的
function和waveletfunction的组合，其实就是V1中的basis！继续这样推
V1本来的的basis是：
V1中对应的waveletfunction是
V2的basis（参考图2）。你继续推导下去，会得到
scalej的waveletfunction，可以被用来将Vj的basis扩展到V(j+1)
Vj，我们现
orthonormalbasis：
一种就是它本来的basis，对任意k。


basis，对任意k，以及上一级子空间的
function，对任意k。


scalingfunction以及waveletfunction的组合来作为当前子空间的基。换句话
V3这个子空间，它实际上就有四种不同的，但是等价的
basis：
本级(V3)的scalingfunctionbasisset
上一级(V2)的scalingfunction+waveletfunction;
.上上一级(V1)的scalingfunction+上上一级(V1)的waveletfunction+上一级
的waveletfunction;
上上上一级(V0)的scalingfunction+上上上一级(V0)的waveletfunction+上上
(V1)的waveletfunction+上一级(V2)的waveletfunction
“针
space的哈尔小波basis组合”，参见图1。现在我们知道了，这个
function不是凭空插进去的，而是通过不断的嵌套迭代出来的：


scalej0，我们都可以给我们的signalspace找到一组
basis，这个basis是通过组合scalej0上的scalingfunction以及所有在
j，j>=j0上的wavelets得到的。这样，基于这个orthonormalbasis，所有信号空
basis的functions的线性组合：






选取合适的waveletfunction和scalingfunction，从已有的信号中，反算出系
c和d。
对系数做对应处理
从处理后的系数中重新构建信号。










basis呢？计算方便是一方面，还有一个原因是，如果他们满足这个性










子空间的第二种可选择的orthonormalbasis作为例子：
basis组成元素，也就是scalingfunctions，的系数，表征的是信号的
平均（想想它们和信号的内积形式），而右边的这四个basis组成元素，也就是
functions，的系数则表征了在local平均中丢失的信号细节。得益于此，多解




function和scalingfunction背后的物理意义了：waveletfunction等同于对信
scalingfunction等同于对信号做低通滤波保留平滑的
！






scalingfunction，选取合适的系数集
，并由此构建自己的waveletfunctions。所以，如果有深入下去研究的同学，好好