小波变换 |
您所在的位置:网站首页 › 怎么算差异数的公式 › 小波变换 |
目录
写在前面基于矩阵的变换(Matrix-based Transforms)正交变换二维情况
小波变换的基本原理尺度函数(Father Scaling Function)基本概念哈尔尺度函数尺度函数的要求其他性质
小波函数(Mother Wavelet Function)基本概念哈尔小波函数
小波级数展开(Wavelet Series Expansion)一维离散小波变换(1-D Discrete Wavelet Transform, DWT)后记快速小波变换(The Fast Wavelet Transform)二维快速小波变换小波包(Wavelet Packets)
写在前面
本文对小波变换进行公式整理,小波变换的公式设计真的是整齐而漂亮本文只涉及基础的小波变换部分,达到进行图像处理的程度主要参考冈萨雷斯的《数字图像处理》第4版英文版,这一版的第7章小波变换内容改动非常大。第7章首先从基于矩阵的变换的角度开始讲解,并把离散的余弦变换、正弦变化、哈特利变换、沃尔什——哈达玛变换、斜变换(Slant Transform)、哈尔变换、小波变换、等等,都放到了这一类当中。总之读下来醍醐灌顶,非常舒服
基于矩阵的变换(Matrix-based Transforms)
(如果想直接看小波变换,可以跳过这一节,从小波变换的基本原理开始看) 首先考虑如下形式的离散余弦变换(DCT),该变换为: t ( u ) = ∑ x = 0 N − 1 f ( x ) s ( x , u ) t(u) = \sum_{x=0}^{N-1}f(x)s(x,u) t(u)=x=0∑N−1f(x)s(x,u) 其中 s ( x , u ) s(x,u) s(x,u)是变换核,形式为 s ( x , u ) = α ( u ) c o s ( u π N ( x + 1 2 ) ) s(x,u)=\alpha(u)cos(\frac{u\pi}{N}(x+\frac{1}{2})) s(x,u)=α(u)cos(Nuπ(x+21)) 其中 α ( u ) = { 1 N if u = 0 2 N if u = 1 , 2 , . . . , N − 1 \alpha(u) = \begin{cases}\sqrt{\frac{1}{N}} & \text{ if } u=0 \\ \sqrt{\frac{2}{N}} & \text{ if } u = 1,2,...,N-1 \end{cases} α(u)=⎩⎨⎧N1 N2 if u=0 if u=1,2,...,N−1 离散余弦变换有很多种写法,这些写法上存在细微的差异,这里采用这种离散余弦变换写成这样的好处是变换的基向量是正交的。 什么意思呢?我们等会会解答,先看另一个问题。 把一个周期的一维离散频率域信号写成列向量的形式 f ∈ R N × 1 f \in \mathbb{R}^{N \times 1} f∈RN×1,对应的频率域序列为 t ∈ R N × 1 t \in \mathbb{R}^{N \times 1} t∈RN×1,上式可以写成 t = [ s 0 T f s 1 T f . . . s N − 1 T f ] = [ s 0 T s 1 T . . . s N − 1 T ] f t=\begin{bmatrix}s_0^Tf \\ s_1^Tf \\ ... \\ s_{N-1}^Tf \end{bmatrix}= \begin{bmatrix}s_0^T \\ s_1^T \\ ... \\ s_{N-1}^T \end{bmatrix}f t=⎣⎢⎢⎡s0Tfs1Tf...sN−1Tf⎦⎥⎥⎤=⎣⎢⎢⎡s0Ts1T...sN−1T⎦⎥⎥⎤f 其中 s i = [ s ( 0 , i ) s ( 1 , i ) . . . s ( N − 1 , i ) ] T s_i=[s(0,i) \;s(1, i)\;...\;s(N-1, i)]^T si=[s(0,i)s(1,i)...s(N−1,i)]T. 进一步令 A = [ s 0 s 1 . . . s N − 1 ] T A=[s_0\;s_1 \;...\;s_{N-1}]^T A=[s0s1...sN−1]T,易得 t = A f t=Af t=Af 会发现原信号与变换后的信号中间只是一个基于矩阵的变换,这种变换非常多,(其实最常用的傅里叶变换也可以看作是一种基于矩阵的变换),这种变换对应的逆变换也有可能是基于矩阵的变换(例如傅里叶变换) 正交变换好了,回到离散余弦变换,刚才说的变换基向量正交即各个 s s s之间是正交的 A A T = [ s 0 T s 0 s 0 T s 1 ⋯ s 0 T s N − 1 s 1 T s 0 s 1 T s 1 ⋯ s 1 T s N − 1 ⋮ ⋮ ⋱ ⋮ s N − 1 T s 0 s N − 1 T s 1 ⋯ s N − 1 T s N − 1 ] = I AA^T= \begin{bmatrix}s_0^Ts_0 &\; s_0^Ts_1 \; & \cdots \; &s_0^Ts_{N-1} \\ s_1^Ts_0 &\; s_1^Ts_1 \; &\cdots \; &s_1^Ts_{N-1} \\ \vdots& \; \vdots \; & \ddots\; &\vdots \\ s_{N-1}^Ts_0 &\; s_{N-1}^Ts_1 \; &\cdots \; &s_{N-1}^Ts_{N-1} \end{bmatrix}=I AAT=⎣⎢⎢⎢⎡s0Ts0s1Ts0⋮sN−1Ts0s0Ts1s1Ts1⋮sN−1Ts1⋯⋯⋱⋯s0TsN−1s1TsN−1⋮sN−1TsN−1⎦⎥⎥⎥⎤=I 也即 A A A是一个正交矩阵,所以逆变换就直接为 f = A T t f = A^Tt f=ATt 这也基于矩阵变换中非常特殊的一类:正交变换。 正交变换的优势包括: 内积不变:即 ⟨ f 1 , f 2 ⟩ = ⟨ t 1 , t 2 ⟩ = ⟨ A f 1 , A f 2 ⟩ \left \langle f_1,f_2 \right \rangle=\left \langle t_1,t_2 \right \rangle=\left \langle Af_1, Af_2 \right \rangle ⟨f1,f2⟩=⟨t1,t2⟩=⟨Af1,Af2⟩夹角不变距离不变各种变换核展示 如果信号是二维的,例如 t ( u , v ) = ∑ x = 0 N − 1 ∑ y = 0 N − 1 f ( x , y ) s ( x , y , u , v ) t(u,v)=\sum_{x=0}^{N-1} \sum_{y=0}^{N-1} f(x,y) s(x,y,u,v) t(u,v)=x=0∑N−1y=0∑N−1f(x,y)s(x,y,u,v) 如果变换核是可分离的: s ( x , y , u , v ) = s 1 ( x , u ) s 2 ( y , v ) s(x,y,u,v)=s_1(x,u)s_2(y,v) s(x,y,u,v)=s1(x,u)s2(y,v),而且是对称的,即 s 1 ≡ s 2 s_1 \equiv s_2 s1≡s2,且分离后的一维变换核是实正交的,那么二维变换可以写成 t = A f A T f = A T t A t=AfA^T \\ f=A^T tA t=AfATf=ATtA 其中 f , t ∈ R N × N f,t \in \mathbb{R}^{N \times N} f,t∈RN×N是二维信号的矩阵形式。上式中对 f f f的左乘 A A A和右乘 A T A^T AT分别对应列变换和行变换(类似二维离散傅里叶变换的行列可分离性) 小波变换的基本原理 小波变换的思想是利用尺度函数表示原始信号,随着尺度级的下降,尺度越来越大,对原始信号的表示也越来越粗糙模糊,和原始信号的差异越来越大,怎么办呢?这时引入小波函数来对尺度函数表示部分和原始信号之间的差异进行表示,最终尺度函数+小波函数可以精确地表示原信号施加在尺度函数和小波函数上的系数就是小波变换的结果。用这些系数,可以复原出原信号可以理解为尺度函数大致粗糙地表示了原始信号中,而小波函数则精确的描述了两者之间的差异具体地,原始信号可以看作是最高(精细)的尺度,随着尺度级逐渐下降,尺度函数从最精细的表示逐渐变得粗糙,在这过程中,小波函数不断地表示两者之间的差异部分,小波函数自身也不断地变得粗糙这样做的优势是能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分——摘自百度百科 尺度函数(Father Scaling Function) 基本概念尺度函数的作用是大致地表示原始信号,尺度函数 φ ( x ) \varphi(x) φ(x)由实数、平方可积的函数组成,将尺度函数进行幂为2的伸缩和整数倍的平移得到函数集合 { φ j , k ( x ) ∣ j , k ∈ Z } \{\varphi_{j,k}(x)|j,k \in \mathbb{Z}\} {φj,k(x)∣j,k∈Z},其中: φ j , k ( x ) = 2 j / 2 φ ( 2 j x − k ) (1) \varphi_{j,k}(x)=2^{j/2}\varphi(2^j x - k) \tag{1} φj,k(x)=2j/2φ(2jx−k)(1) k k k决定了 φ j , k \varphi_{j,k} φj,k的位置, j j j决定了宽度和高度。 如果限制 j = j 0 j=j_0 j=j0,那么 { φ j 0 , k ∣ k ∈ Z } \{\varphi_{j_0, k}| k\in \mathbb{Z}\} {φj0,k∣k∈Z}则张成了一个可以表示的空间的基,我么记 V j 0 = { φ j 0 , k ∣ k ∈ Z } (2) V_{j_0}=\{\varphi_{j_0, k}| k\in \mathbb{Z}\} \tag{2} Vj0={φj0,k∣k∈Z}(2)增大 j 0 j_0 j0会增强 V j 0 V_{j_0} Vj0的表达能力,因为 φ j 0 , k \varphi_{j_0,k} φj0,k更窄,可以表示出更精细的部分。 注意 φ 0 , 0 = φ \varphi_{0, 0} = \varphi φ0,0=φ. 哈尔尺度函数一种常见的尺度函数是哈尔尺度函数: φ ( x ) = { 1 if 0 ≤ x < 1 0 otherwise (3) \varphi(x) = \begin{cases} 1 &\text{ if } 0 \le x hφ(k)∣k=0,1,2,...}通常叫做尺度函数系数(scaling function coefficients)。对于正交的尺度函数,提供一种 h φ h_{\varphi} hφ的求法: h φ ( k ) = ⟨ φ ( x ) , 2 φ ( 2 x − k ) ⟩ = ∫ φ ( x ) 2 φ ( 2 x − k ) d x (6) h_{\varphi}(k) = \left \langle \varphi(x), \sqrt 2 \varphi(2x-k) \right \rangle = \int \varphi(x) \sqrt 2 \varphi(2x-k) dx \tag{6} hφ(k)=⟨φ(x),2 φ(2x−k)⟩=∫φ(x)2 φ(2x−k)dx(6) 这是由于不同 k k k的 2 φ ( 2 x − k ) \sqrt 2 \varphi(2x-k) 2 φ(2x−k)之间是互相正交的,所以由式(5)可以推出式(6). 小波函数(Mother Wavelet Function) 基本概念小波函数修正了尺度函数表示和原始信号之间的差异。在给定尺度函数
φ
(
x
)
\varphi(x)
φ(x)后,一定存在一个小波函数
ψ
(
x
)
\psi(x)
ψ(x),类似尺度函数的幂为2的伸缩和整数倍的平移,得到函数
ψ
j
,
k
(
x
)
=
2
j
/
2
ψ
(
2
j
x
−
k
)
(7)
\psi_{j,k}(x) = 2^{j/2}\psi(2^j x-k) \tag{7}
ψj,k(x)=2j/2ψ(2jx−k)(7) 其中
j
,
k
∈
Z
j,k \in \mathbb{Z}
j,k∈Z。小波函数有啥用呢?如果我们令
W
j
0
W_{j_0}
Wj0表示小波函数集合
{
ψ
j
0
,
k
∣
k
∈
Z
}
\{\psi_{j_0,k}|k \in \mathbb{Z}\}
{ψj0,k∣k∈Z}所张成的空间,那么
V
j
0
+
1
=
V
j
0
⊕
W
j
0
(8)
V_{j_0+1}=V_{j_0} \oplus W_{j_0} \tag{8}
Vj0+1=Vj0⊕Wj0(8) 其中
⊕
\oplus
⊕表示所张成空间的直和。形象地说,从
V
j
0
+
1
V_{j_0+1}
Vj0+1到
V
j
0
V_{j_0}
Vj0之间模糊部分,可以用
W
j
0
W_{j_0}
Wj0填补。 而且
W
j
0
W_{j_0}
Wj0和
V
j
0
V_{j_0}
Vj0中的基函数是正交的,即
⟨
φ
j
0
,
k
(
x
)
,
ψ
j
0
,
l
(
x
)
⟩
=
0
for
k
≠
l
(9)
\left \langle \varphi_{j_0,k}(x) ,\psi_{j_0,l}(x) \right \rangle = 0 \qquad \text{ for } \ k \neq l \tag{9}
⟨φj0,k(x),ψj0,l(x)⟩=0 for k=l(9) 尺度空间和小波空间之间的关系如下图所示 哈尔尺度函数对应的小波函数为 ψ ( x ) = { 1 0 ≤ x < 0.5 − 1 0.5 ≤ x < 1 0 elsewhere (12) \psi(x) = \begin{cases} 1 & 0 \le x< 0.5 \\ -1 & 0.5 \le x < 1 \\ 0 & \text{ elsewhere } \end{cases} \tag{12} ψ(x)=⎩⎪⎨⎪⎧1−100≤x |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |