加载中…
正文 字体大小:

小波变换(转载)

(2011-12-13 18:42:48)
标签:

杂谈

分类: 数字信号处理

http://skpsun.blog.163.com/blog/static/2760055201172893119738/

http://skpsun.blog.163.com/blog/static/2760055201172893429654/

http://skpsun.blog.163.com/blog/static/276005520117289375577/

http://polyvalens.pagesperso-orange.fr/clemens/wavelets/wavelets.html#section7

http://www.cnblogs.com/lzhen/p/3952529.html

http://www.zhihu.com/question/22864189


可见,尺度函数表示的是不可再分的低频部分,同时这个不可再分的低频部分也是一个尺度(确定了最小的j值,比这个j值等于或者更大的部分就是高频部分是由小波来表示的,比j更小的部分不可以再分,由一个尺度函数来表示),在其上的高频部分都是可分的,由小波函数来表示。注意到这个不可再分的j的确定是根据需要来确定的。(确定最小尺度)。从图(4)中可以看到,如j=n-3下的尺度函数频谱等同于j=n-2下尺度函数频谱对分后的低频部分。推而广之,我们可以说,某个尺度j下的尺度函数,可以表达为j+1下尺度函数与一个低通滤波器作用(卷积)后的结果。这个关系表达了两个相邻尺度下,尺度函数间的关系,因此称为双尺度关系(two-scale relation),或多分辨率公式(multiresolution formulation)。同理,还可从图(4)中看出,尺度j下的小波函数可由尺度j+1下的尺度函数经一个高通滤波器作用(卷积)后得到。(尺度变小+平移就可以得到更大的尺度).这个表达式说明,尺度j-1下的小波函数系数和尺度函数系数都可以通过上一个尺度j下的尺度函数系数分别经过低通滤波器h(k)和高通滤波器g(k)得到。注意式(13,14)中的离散性质,说明h(k)和g(k)仅仅是一个固定的离散的数列,这个数列h(k)就是传说中神奇的尺度向量(scaling vector)。注意到上面说的是尺度函数之间的关系以及和小波函数之间的关系,尺度函数是从某个频率一直到DC的这部分频谱(也就是不可再分的部分,比如j=n的尺度下,尺度函数包括了n-1/n-2/...的频谱)。

首先,我们明确一下尺度函数和小波函数索引j的关系。如图(4)中j=n-1处,我们把包括j=n-1及更大频率部分都用小波函数表达,以下部分用一个尺度函数表达。这时,尺度函数和小波函数都称为在尺度j下的函数。也就是说,尺度j的尺度函数和尺度j及其以上的所有小波函数,可以覆盖整个频域。
也就是说在时域上观察的时间越长,那么频域上频谱分辨率越好。



小波变换(转载)

小波变换(转载)

小波变换(转载)

小波变换(转载)

小波变换(转载)
小波变换(转载)

两个尺度之间的关系:

小波变换(转载)

小波分析里,很容易混淆的一个概念就是小波函数(wavelet function)和尺度函数(scaling function)的关系。本文将不涉及小波分析的由来及发展历史,也不谈小波分析应用,本文主要目标仅是试着解释清楚小波函数和尺度函数两者的关系,同时也解释一些小波分析中的其他必要相关概念。当然,要更好理解小波分析,一些傅里叶变换的知识是必要的。这样父小波就相当于一个低通滤波器,而母小波则是相当于一个带通滤波器

我们知道,傅里叶变换分三种不同但又紧密相连的形式:

1,积分傅里叶变换,时域频域都连续;

2,傅里叶级数展开,时域连续,频域离散;

3,离散傅里叶变换,时域频域都离散。

同样,在小波分析中,也有三种类似的形式。积分(连续)小波变换(CWT),小波级数展开,以及离散小波变换(DWT)。

先看看连续小波变换,连续小波正变换为[1]

小波分析和尺度函数(上篇) - freetrain_sk - sk 1

逆变换为:

小波分析和尺度函数(上篇) - freetrain_sk - sk  2

其中*号表示复共轭,小波分析和尺度函数(上篇) - freetrain_sk - sk为小波基函数(basis function)。

不同小波基函数,都是由同一个基本小波(basic waveletψ(t),经缩放和平移生成,即:

小波分析和尺度函数(上篇) - freetrain_sk - sk 3

傅里叶变换把一个信号f(t)分解为一系列不同频率正弦型信号的叠加,而傅里叶变换系数就代表不同正弦型信号的幅值。其中,所有正弦型基函数都由傅里叶基函数生成。类似于傅里叶基函数,所有小波基函数也由同一个基本小波生成[2]。不同的是,傅里叶基函数是固定的正弦型信号,而基本小波并未指定,需要根据实际的信号形式,在满足基本小波约束条件下进行设计。

可以看到,连续小波变换采用积分形式,而实际应用中,我们计算的都是采样后的信号,也需要通过离散形式来处理和表达,所以更加有用的是时域频域都离散的DWT,离散小波变换。但是离散小波变换的计算将引入三个问题:

1,数据冗余。观察式(1),可以看到,小波变换将一个一维信号变换为二维小波系数。同样,若信号是二维,变换后将得到三维小波系数。这反映了小波变换的优点,变换不仅具有傅里叶变换的频域分辨率,同时具有了时域或空域分辨率。但是一维信号用二维系数来表达,这就意味着必然有很大的冗余性。

2,与数据冗余紧密相连的就是CWT中无限数量小波的问题。从式(3)中看出,即使我们把平移量τ 和缩放量s都离散化,仍将是一个无限的序列,无法实际应用。矩阵形式表达这个问题就是y=WxW为小波基函数矩阵,x为小波系数,y为离散信号向量。这种冗余性表现之一就是W中列数远多于行数。相比较,傅里叶变换中的W为一个正交归一矩阵。

3,对大多数信号来说,小波变换得不到解析解,所以只能通过数值算法得到。这样,就需要一个快速计算方法,来进行小波信号分解(decomposition)。

第一个问题,可以通过引入二进小波(Dyadic wavelet来解决。二进小波,把由基本小波生成小波基函数的方式表达为:

小波分析和尺度函数(上篇) - freetrain_sk - sk 4

式中j决定缩放,k决定平移幅度。这样得到的二进形式小波基函数。但是问题并没有解决,这样的小波基函数,仍然在jk两个维度上无限延伸。所以我们进一步引入紧支二进小波(compact dyadic wavelets的概念。

如果把函数f(t)和基本小波限制为仅在[0,1]区间内有非零值,在[0,1]区间外为零的函数(解释:如果f(t)不满足此条件,可以通过对f(t)的缩放平移,使其满足,然后再设计相应的基本小波。关于为什么强加这样一个区间限制,将在后面讲述)。紧支二进小波表达为:

小波分析和尺度函数(上篇) - freetrain_sk - sk 5

其中,小波分析和尺度函数(上篇) - freetrain_sk - skj是满足小波分析和尺度函数(上篇) - freetrain_sk - sk最大整数。比如n=3时对应着j=1k=1。相应的函数的表达改为:

 

小波分析和尺度函数(上篇) - freetrain_sk - sk 6

 

这样在小波变换后就不会出现增维现象。但是仍然没有解决无限系数的问题。于是在解决后两个问题的过程中引入了尺度函数。不过在讨论尺度函数之前还需要解释其他几个相关概念包括滤波器族(Filter Bank子带编码Subband Coding多分辨率分析(Multi-Resolution AnalysisMRA

滤波器族:

下图是一系列带通滤波器的频域图。

 

小波分析和尺度函数(上篇) - freetrain_sk - sk

 图(1

一个信号离散信号x(n)经过这一系列带通滤波器滤波后,将得到一组系数Vi(n)。如下图所示:

 

小波分析和尺度函数(上篇) - freetrain_sk - sk

 图(2

这样,我们就把一个信号分解成了不同频率的分量。只要这些带通滤波器的频率能够覆盖整个原信号x(n)的频谱范围,反变换时,把这些不同频率信号,按其分量大小组合起来,就可得到原信号x(n)。这样一组带通滤波器就称为滤波器族。

滤波器族能实现将信号分为不同频率分量,从而实现分解信号并分析信号的目的。但是在滤波器族的计算中,我们需要指定频域分割方式。研究者们给出了一种分割方式,即均分法,从而引出了子带编码的概念。

子带编码:

子带编码通过使用均分频域的滤波器,将信号分解为若干个子带[2]。这样是可以实现无冗余且无误差地对数据分解及重建目的。但是Mallat1989年的研究表明,如果只分为2个子带,可以实现更高效的分解效率。从而引入了多分辨率分析(MRA

多分辨率分析:

如果子带编码时将信号带宽先对分为高通(实际为带通)和低通两个部分,对应于两个滤波器。然后对低通部分继续等分。下图为子带编码示意图。

小波分析和尺度函数(上篇) - freetrain_sk - sk

 图(3

从图中看出,每次分割保留高通部分的滤波结果,因为这里已经是信号的细节了,而且通常我们分析的信号,其绝大部分能量都在低频部分。所以高频部分的分割可以到此为止,但是低通部分仍然有更多的细节可以划分划分出来,所以将低通部分继续等分。分割迭代进行。

这样做的优点是,我们只需要设计两个滤波器,然后每次迭代将其对分。缺点是,频域的分割方式确定。对于某些信号来说,这样的划分并不是最优的。同时,可以看到,我们上面说的二进小波,使用的正是这样一种多分辨率分析方式。根据傅里叶变换的相似性定理:

小波分析和尺度函数(上篇) - freetrain_sk - sk 7

则随着式(5)中n的增大,缩放尺度j在增大,此时时域的函数将被压窄,同时对应的频域傅氏变换将带宽加倍同时中心频谱位置也加倍。可由下图表明。图中为j在逐渐增大过程中,对应频谱发生的改变[1]

 

小波分析和尺度函数(上篇) - freetrain_sk - sk

 图(4

这里仍然有个问题。每次都将频谱分为剩下的一半,那实际上,我们永远也取不到整个频段。就好比一杯水,每次都只许喝一半,那将永远无法把它完全喝完(除非喝到了原子级别,无法再分为一半)。所以,这样分割后的函数仍然是无限多的。为解决这个问题,终于引出了我们最初想讨论的尺度函数的概念。(由于博客字数限制,尺度函数在中下篇里介绍)


Reference

[1].A Really Friendly Guide to Wavelets.http://polyvalens.pagesperso-orange.fr/clemens/wavelets/wavelets.html#section7

[2].Kenneth R. Castleman. Digital Image Processing

[3].Wavelets for Kids. www.diku.dk/~jda/biosignal/kidsA.pdf

[4] A Albert Boggess Francis J. Narcowich. A First Course in Wavelets with Fourier Analysis

 

 

 

http://www.zhihu.com/question/19725983

高维数据因为其计算代价昂贵(纬度高计算必然昂贵)和建立索引结构的困难(空间索引结构往往面临着“维度灾”),因此有对其进行数据压缩的需求,即对高维数据进行降维,傅里叶变换和小波变换都可以用来做这件事,具体说来就是,傅里叶变换用不同频率的三角函数的和去拟合原始信号,对于每个单独的三角函数,只需要记录其相位和幅度即可。信息论可以证明,对于一个长度为n的离散信号(计算机中所有的信号都肯定是离散的),可以分解为n个三角函数的线性组合,这n个三角函数的频率是按2的指数倍递增的,这两种表示方法是等价的,也就是从后者(三角函数的信息:相位、幅度)可以完美地重构出前者。而原始信号中的主要信息都集中在低频分量上,高频分量往往是噪音,因此我们可以对变换后的三角函数系数只保留其前k个系数,而忽略剩余的高频部分,这样就将数据降为了k维,由于高频大多是噪音,因此丢失信息并不多。
以上说的是傅里叶变换,小波变换也是一样的,只不过它使用的基底函数不是三角函数,而是所谓的小波函数,所谓“小波函数”是一族函数,需要满足1.均值为0;2.在时域和频域都局部化(不是蔓延整个坐标轴的),满足这两条的函数就是小波函数,有很多,最简单的是Haar Wavelet。所以小波分析或者说小波变换要做的就是将原始信号表示为一组小波基的线性组合,然后通过忽略其中不重要的部分达到数据压缩或者说降维的目的。

小波分析是傅里叶变换的“进阶版”。
傅里叶变换,可以理解为将一个函数映射到(L2空间的)某组基上。观察这组基(严格来说不是一组基)cosx,sinx,cos2x,sin2x...发现有个特点是它可以由一个母函数cosx通过平移和缩放获得。
小波分析类似,它的进阶就在于母函数\psi (x)必须在定义域大部分都为0,不为0的部分也是基本是有限值(非常不严谨啊,严格看这里http://en.wikipedia.org/wiki/Wavelet#Mother_wavelet)。因此单个小波母函数在图形上看过去就是一个很小的波,也是其名称(wavelet)的由来。
这样的母函数做有什么好处呢?窗口化!
假设傅里叶变换f(x)=a1*cos(x)+b1*sin(x)+a2*cos(2x)+b2*sin(2x)+...+ak*cos(kx)+bk*sin(kx)已经能满足精度要求了(再往后的高频都是噪声了),可以发现每个映射的分量都是在几乎全定义域有非零值。
如果是小波变换呢,f(x)=c1*\psi (x)+c2*\psi (2x)+c3*\psi (1/2*x)+c4*\psi (x-1)+c5*\psi (x+1)...(示例一下),可以发现每一个映射的分量也是在大部分定义域都是为零的。

小波变换(转载)

这样,对于一个复杂的高维数据,如下图吧(手头没现成的,图片来自英文维基,实际是meyer小波母函数...简单的)我们可以分解为(-5,-2),(-2,-1),(-1,-0.5)等等区域,每个区域映射到只在这个区域取值非0的小波基(通过母函数平移和缩放容易获得)。在低频(就是图像比较缓和)区可以范围大效率高,在某个高频区域又可以非常精细。非常灵活。
如果只对某一段区域有兴趣,只需要映射到只在这个区域取值非0 的小波基,而傅里叶变换做不到。这就是小波的好处,所以小波又被称为数学显微镜
另外的优点是,对于某个基前面的系数a1,b1,...c1,c2,实际上就是f(x)和对应的基作内积\int_{}^{} f*\psi (x)dx,由于小波基在大部分定义域为0,计算系数也就比傅里叶简单很多。

上面说了好处,说下坏处,就是小波母函数要求太高了,太难找了!!!!!(能不要求高么,一个函数通过平移和变换就能构成一组基,太逆天了)
最初的haar小波是一个非常简单的小波,可惜不是连续的,正则性太差。 

小波变换和motion信号处理(一)

from  http://www.kunli.info/2011/02/15/fourier-wavelet-motion-signal-1/


                      图像中的应用

小波变换(转载)


from http://www.zhihu.com/question/22864189

一、傅里叶变换
关于傅里叶变换的基本概念在此我就不再赘述了,默认大家现在正处在理解了傅里叶但还没理解小波的道路上。(在第三节小波变换的地方我会再形象地讲一下傅里叶变换)

下面我们主要将傅里叶变换的不足。即我们知道傅里叶变化可以分析信号的频谱,那么为什么还要提出小波变换?答案就是方沁园所说的,“对非平稳过程,傅里叶变换有局限性”。看如下一个简单的信号:小波变换(转载)做完FFT(快速傅里叶变换)后,可以在频谱上看到清晰的四条线,信号包含四个频率成分。

一切没有问题。但是,如果是非平稳信号呢?
小波变换(转载)
如上图,最上边的是频率始终不变的平稳信号。而下边两个则是频率随着时间改变的非平稳信号,它们同样包含和最上信号相同频率的四个成分。
做FFT后,我们发现这三个时域上有巨大差异的信号,频谱(幅值谱)却非常一致。尤其是下边两个非平稳信号,我们从频谱上无法区分它们,因为它们包含的四个频率的信号的成分确实是一样的,只是出现的先后顺序不同。

可见,傅里叶变换处理非平稳信号有天生缺陷。它只能获取一段信号总体上包含哪些频率的成分,但是对各成分出现的时刻并无所知。因此时域相差很大的两个信号,可能频谱图一样。

然而平稳信号大多是人为制造出来的,自然界的大量信号几乎都是非平稳的,所以在比如生物医学信号分析等领域的papers中,基本看不到单纯傅里叶变换这样naive的方法。
小波变换(转载) 上图所示的是一个正常人的事件相关电位。对于这样的非平稳信号,只知道包含哪些频率成分是不够的,我们还想知道各个成分出现的时间。知道信号频率随时间变化的情况,各个时刻的瞬时频率及其幅值——这也就是时频分析。


二、短时傅里叶变换(Short-time Fourier Transform, STFT)
一个简单可行的方法就是——加窗。我又要套用方沁园同学的描述了,“把整个时域过程分解成无数个等长的小过程,每个小过程近似平稳,再傅里叶变换,就知道在哪个时间点上出现了什么频率了。”这就是短时傅里叶变换。
看图:
小波变换(转载) 时域上分成一段一段做FFT,不就知道频率成分随着时间的变化情况了吗!
用这样的方法,可以得到一个信号的时频图了:
小波变换(转载) ——此图像来源于“THE WAVELET TUTORIAL”
图上既能看到10Hz, 25 Hz, 50 Hz, 100 Hz四个频域成分,还能看到出现的时间。两排峰是对称的,所以大家只用看一排就行了。

是不是棒棒的?时频分析结果到手。但是STFT依然有缺陷。

使用STFT存在一个问题,我们应该用多宽的窗函数?
窗太宽太窄都有问题:小波变换(转载)
小波变换(转载) 窗太窄,窗内的信号太短,会导致频率分析不够精准,频率分辨率差。窗太宽,时域上又不够精细,时间分辨率低。
(这里插一句,这个道理可以用海森堡不确定性原理来解释。类似于我们不能同时获取一个粒子的动量和位置,我们也不能同时获取信号绝对精准的时刻和频率。这也是一对不可兼得的矛盾体。我们不知道在某个瞬间哪个频率分量存在,我们知道的只能是在一个时间段内某个频带的分量存在。 所以绝对意义的瞬时频率是不存在的。)

看看实例效果吧:小波变换(转载)
小波变换(转载) 小波变换(转载) ——此图像来源于“THE WAVELET TUTORIAL”
上图对同一个信号(4个频率成分)采用不同宽度的窗做STFT,结果如右图。用窄窗,时频图在时间轴上分辨率很高,几个峰基本成矩形,而用宽窗则变成了绵延的矮山。但是频率轴上,窄窗明显不如下边两个宽窗精确。

所以窄窗口时间分辨率高、频率分辨率低宽窗口时间分辨率低、频率分辨率高。对于时变的非稳态信号,高频适合小窗口,低频适合大窗口。然而STFT的窗口是固定的,在一次STFT中宽度不会变化,所以STFT还是无法满足非稳态信号变化的频率的需求。


三、小波变换

那么你可能会想到,让窗口大小变起来,多做几次STFT不就可以了吗?!没错,小波变换就有着这样的思路。
但事实上小波并不是这么做的(关于这一点,方沁园同学的表述“小波变换就是根据算法,加不等长的窗,对每一小部分进行傅里叶变换”就不准确了。小波变换并没有采用窗的思想,更没有做傅里叶变换。)
至于为什么不采用可变窗的STFT呢,我认为是因为这样做冗余会太严重,STFT做不到正交化,这也是它的一大缺陷。

于是小波变换的出发点和STFT还是不同的。STFT是给信号加窗,分段做FFT;而小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率,还可以定位到时间了~

【解释】
来我们再回顾一下傅里叶变换吧,没弄清傅里叶变换为什么能得到信号各个频率成分的同学也可以再借我的图理解一下。
傅里叶变换把无限长的三角函数作为基函数:
小波变换(转载)
这个基函数会伸缩、会平移(其实是两个正交基的分解)。缩得窄,对应高频;伸得宽,对应低频。然后这个基函数不断和信号做相乘。某一个尺度(宽窄)下乘出来的结果,就可以理解成信号所包含的当前尺度对应频率成分有多少。于是,基函数会在某些尺度下,与信号相乘得到一个很大的值,因为此时二者有一种重合关系。那么我们就知道信号包含该频率的成分的多少。

小波变换(转载) 小波变换(转载) (看,这两种尺度能乘出一个大的值,所以信号包含较多的这两个频率成分,在频谱上这两个频率会出现两个峰)

以上,就是粗浅意义上傅里叶变换的原理。




如前边所说,小波做的改变就在于,将无限长的三角函数基换成了有限长的会衰减的小波基。
小波变换(转载) 这就是为什么它叫“小波”,因为是很小的一个波嘛~

小波变换(转载)
从公式可以看出,不同于傅里叶变换,变量只有频率ω,小波变换有两个变量:尺度a(scale)和平移量 τ(translation)。尺度a控制小波函数的伸缩平移量 τ控制小波函数的平移尺度就对应于频率(反比),平移量 τ就对应于时间


小波变换(转载)
当伸缩、平移到这么一种重合情况时,也会相乘得到一个大的值。这时候和傅里叶变换不同的是,这不仅可以知道信号有这样频率的成分,而且知道它在时域上存在的具体位置。

而当我们在每个尺度下都平移着和信号乘过一遍后,我们就知道信号在每个位置都包含哪些频率成分

看到了吗?有了小波,我们从此再也不害怕非稳定信号啦!从此可以做时频分析啦!

做傅里叶变换只能得到一个频谱,做小波变换却可以得到一个时频谱
小波变换(转载) ↑:时域信号
小波变换(转载) ↑:傅里叶变换结果

小波变换(转载) ——此图像来源于“THE WAVELET TUTORIAL”
↑:小波变换结果

小波还有一些好处:
1. 我们知道对于突变信号,傅里叶变换存在吉布斯效应,我们用无限长的三角函数怎么也拟合不好突变信号:
小波变换(转载)然而衰减的小波就不一样了:
小波变换(转载)
这很好理解,小波和上面信号的平稳段相乘再积分是为0的,因为小波函数本身的积分为0.因此只有和突变处的相乘积分不为0,其余地方都应该为0.

2. 小波可以实现正交化,短时傅里叶变换不能。


以上,就是小波的意义。

-----------------------------------------------------------------------------------------------------------

以上只是用形象地给大家展示了一下小波的思想,希望能对大家的入门带来一些帮助。毕竟如果对小波一无所知,直接去看那些堆砌公式、照搬论文语言的教材,一定会痛苦不堪。
在这里推荐几篇入门读物,都是以感性介绍为主,易懂但并不深入,对大家初步理解小波会很有帮助。文中有的思路和图也选自于其中:
1. THE WAVELET TUTORIAL (强烈推荐,点击链接:INDEX TO SERIES OF TUTORIALS TO WAVELET TRANSFORM BY ROBI POLIKAR
2. WAVELETS:SEEING THE FOREST AND THE TREES
3. A Really Friendly Guide to Wavelets
4. Conceptual wavelets

但是真正理解透小波变换,这些还差得很远。比如你至少还要知道有一个“尺度函数”的存在,它是构造“小波函数”的关键,并且是它和小波函数一起才构成了小波多分辨率分析,理解了它才有可能利用小波做一些数字信号处理;你还要理解离散小波变换、正交小波变换、二维小波变换、小波包……这些内容国内教材上讲得也很糟糕,大家就一点一点啃吧。


1. 关于海森堡不确定性原理
不确定性原理,或者叫测不准原理,最早出自量子力学,意为在微观世界,粒子的位置与动量不可同时被确定。但是这个原理并不局限于量子力学,有很多物理量都有这样的特征,比如能量和时间、角动量和角度。体现在信号领域就是时域和频域。不过更准确一点的表述应该是:一个信号不能在时空域和频域上同时过于集中;一个函数时域越“窄”,它经傅里叶变换的频域后就越“宽”。
如果有兴趣深入研究一下的话,这个原理其实非常耐人寻味。信号处理中的一些新理论在根本上也和它有所相连,比如压缩感知。如果你剥开它复杂的数学描述,最后会发现它在本质上能实现其实和不确定性原理密切相关。而且大家不觉得这样一些矛盾的东西在哲学意义上也很奇妙吗?


2. 关于正交化
什么是正交化?为什么说小波能实现正交化是优势?
简单说,如果采用正交基,变换域系数会没有冗余信息,变换前后的信号能量相等,等于是用最少的数据表达最大的信息量,利于数值压缩等领域。JPEG2000压缩就是用正交小波变换。
比如典型的正交基:二维笛卡尔坐标系的(1,0)、(0,1),用它们表达一个信号显然非常高效,计算简单。而如果用三个互成120°的向量表达,则会有信息冗余,有重复表达。
但是并不意味着正交一定优于不正交。比如如果是做图像增强,有时候反而希望能有一些冗余信息,更利于对噪声的抑制和对某些特征的增强。

3. 关于瞬时频率
  原问题:图中时刻点对应一频率值,一个时刻点只有一个信号值,又怎么能得到他的频率呢?
  很好的问题。如文中所说,绝对意义的瞬时频率其实是不存在的。单看一个时刻点的一个信号值,当然得不到它的频率。我们只不过是用很短的一段信号的频率作为该时刻的频率,所以我们得到的只是时间分辨率有限的近似分析结果。这一想法在STFT上体现得很明显。小波等时频分析方法,如用衰减的基函数去测定信号的瞬时频率,思想也类似。

4. 关于小波变换的不足
这要看和谁比了。
A.作为图像处理方法,和多尺度几何分析方法(超小波)比:
对于图像这种二维信号的话,二维小波变换只能沿2个方向进行,对图像中点的信息表达还可以,但是对线就比较差。而图像中最重要的信息恰是那些边缘线,这时候ridgelet(脊波), curvelet(曲波)等多尺度几何分析方法就更有优势了。
B. 作为时频分析方法,和HHT比:
相比于HHT等时频分析方法,小波依然没脱离海森堡测不准原理的束缚,某种尺度下,不能在时间和频率上同时具有很高的精度;以及小波是非适应性的,基函数选定了就不改了。



提升小波:
http://www.cnblogs.com/feathersky/archive/2011/06/29/1603989.html

基于提升方法(lifting scheme)的小波变换.
提升法被称为第二代小波,可见其重要性。

下面先举一个Harr小波的例子。
在一序列中有相邻数据 a, b 我们计算出其低频l = (a+b)/2 高频 h =b-a
如果不引入新数据,仅对a ,b 更新, 可写作b - =a , a+=b/2  
这样我们发现其可在自身位置上完成小波变换,而且还大大简化了计算过程(在复杂的变换中更明显)。

仔细分析,我们知道b是差异高频,它是当前值及前一个值对当前值的预测差,然后低频a ,由当前值及差异计算出。这样就提供了我们一个新思想。

提升法的是实现步骤。
1
. 分裂:将原始信号Sj分裂成Sj-1(保存低频数据部分) 和 Dj-1(保存高频数据部分)
2
. 预测:用Sj-1预测Dj-1,并计算出预测差作为高频数据,保存于Dj-1中
3
. 更新:根据高频数据Dj-1 更新低频部分Sj-1

这样就完成了一次提升变换,呵呵,很简单吧,其逆变换可相应推导出。

为防止误解,这里指出的预测可以使用多个数据来预测一个数据。例下

Dk - = ( Sk+Sk+1 ) /2

Sk + = (Dk+ Dk+1) /4

你也可以结合上节所讲的滤波器,构造出更多的提升小波变换。

关于lifting的方法可以参考:
http://people.xiph.org/~xiphmont/demo/daala/demo3.shtml


0

阅读 收藏 转载 喜欢 打印举报
  

新浪BLOG意见反馈留言板 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

新浪公司 版权所有