详解傅里叶变换与小波变换.pdfVIP

详解傅里叶变换与小波变化 希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移 动平台做motiondetection的应用。如果不做特殊说明，均以离散小 波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单， 但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用 公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻 译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波 变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小 波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的 几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一 个小波变换的初学者在看完这个系列之后，就能用matlab或者别的 工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回 事。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们 先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好， 图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是 basis。如果你暂时有些遗忘了basis的定义，那么简单说，在线性代 数里，basis是指空间里一系列线性独立的向量，而这个空间里的任 何其他向量，都可以由这些个向量的线性组合来表示。那basis在变 换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的 信号用该空间的某个basis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。小波变换自然也不例外的和basis有 关了。再比如你用Photoshop去处理图像，里面的图像拉伸，反转， 等等一系列操作，都是和basis的改变有关。 既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选 取非常重要，因为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，什么样的basis比较好，很大程度上取决 于这个basis服务于什么应用。比如如果我们希望选取有利于压缩的 话，那么就希望这个basis能用其中很少的向量来最大程度地表示信 号，这样即使把别的向量给砍了，信号也不会损失很多。而如果是图 形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵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，抛开具体的应用不谈，所有的 basis，我们都希望它们有一个共同的特点，那就是，容易计算，用 最简单的方式呈现最多的信号特性。 好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。当 然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。接下来 先看看，傅立叶变换是在干嘛。 傅立叶级数最早是JosephFourier 这个人提出的，他发现，这个basis 不仅仅存在与vectorspace，还存在于functionspace。这个function space本质上还是一个linearvectorspace，可以是有限的，可以是 无限的，只不过在这个空间里，vector就是function了，而对应的标 量就是实数或者复数。在vectorspace里，你有vector v可以写成 vectorbasis的线性组合，那在functionspace里，functionf(x)也可 以写成对应functionbasis的线性组合，也有norm。你的vectorbasis 可以是正交的，我的functionbasis也可以是正交的（比如sin(t)和 sin(2t)）。唯一不同的是，我的functionbasis是无穷尽的，因为我的 functionspace的维度是无穷的。好，具体来说，那就是现在我们有 一个函数，f(x)。我们希望将它写成一些cos函数和一些sin函数的 形式，像这样 again，这是一个无限循环的函数。其中的1，cosx,sinx,cos2x ….. 这些，就是傅立叶级数。傅立叶级数应用如此广泛的主要原因之一， 就是它们这帮子functionbasis是正交的，这就是有趣的地方了。为 什么functionbasis正交如此重要呢？我们说两个vector正交，那就 是他俩的内积为0。那对于function basis呢？functionbasis怎么求 内积呢？ 现在先复习一下vector正交的定义。我们说两个vectorv,w如果正 交的话，应符合： 那什么是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vector的思路去想，两个vector求内积，就是把他们