第2章小波变换的基础理论研究.doc

第2章 小波变换的基础理论研究 2.1引言 Fourier 变换是信号处理的重要工具，它在语音、雷达、声纳、地震、图像、通信系统、自动控制、生物医学工程、机械振动、遥感遥测、电力系统等许多领域都得到了应用。但是Fourier 变换反映的是信号的整体特性，不能得到信号的局部特性。小波变换是时间和频率的局部变换，能更加有效的提取和分析信号的局部特性。小波分析在许多领域，如信号分析、图像识别、计算机视觉、视频图像分析、数据压缩和传输、故障诊断等领域有着重要的应用。 图像的小波变换及其压缩编码是当今图像压缩编码领域中的研究热点， Saprio[1]提出的图像内嵌小波零树EZW(Embedded Zerotree Wavelet)编码技术使该技术由理论走向实用。Said 和 Pearlman[2]在EZW基础上又给出了更为精细的基于分层树结构的集合分裂算法SPIHT(Set Partitioning in Hierarchical Tree)。由于这种算法既降低了码率，又加快了算法的执行速度，因而得到了广泛的应用，在新标准JPEG2000[3,4]中已有应用。然而在图像的小波压缩编码技术中，小波基的正则性、信号的边界处理对压缩率及失真的影响仍然是值得研究的问题[5]。本章在小波变换的理论基础上对这些问题做了一些分析和探讨。 2.2 小波变换的原理[7-11] 2.2.1 短时Fourier变换（STFT: Short Time Fourier Transform） 对于一些非平稳信号，如音乐信号、语音信号，图像信号等，它们的频域特性都是随时间变化的。对这一类信号用Fourier变换进行分析，仅能知道信号所含有的频率信息，但不能知道这些频率信息究竟出现在什么时段上，为了研究这些信号的局部形态，需要对信号进行二维时-频分析。二维时-频分析实际上就是依赖于时间的频谱特性。 STFT首先是由Garbor提出的。考虑一个信号x(t)，集中在一个局部点(，假定通过一个窗函数g(t)（g(t)是在有限的时间区间内定义的），通过窗口的x(t)g((t-()的Fourier变换就是STFT[7]： (2.1) 这就把一维信号x(t)经STFT变换映射到二维的时-频平面（(，f）上。STFT非常强的依赖于窗函数g(t)。 STFT的反变换[7]为： (2.2) （2.1）式可从两方面进行解释[6,7]。在二维时-频平面上，如图2.1所示，垂直方向上的竖条表示在(时刻，在窗函数g(t)确定的窗口范围内所含有的所有频率分量；另一方面，从子带分析的角度来看，水平方向的横条表示在给定频率f处，用脉冲响应为g(t)的带通滤波器对所有时间的信号进行滤波。g(t)不但要求在时域是近似有限宽的，而且在频域也要求是近似有限宽的，如图2.2所示。 STFT中的窗函数g(t)一旦确定，它的时间窗大小和频率窗大小就确定了。时间窗大小和频率窗大小决定了g(t)的时间分辨率和频率分辨率。根据文献[7]，设g(t)的Fourier变换为G(f)，定义滤波器g(t)的带宽(f为： (2.3) 其中分母表示g(t)的能量。两个正弦信号，只有它们的频率差大于(f时，通过滤波器g(t)才能将它们区分出来，所以以g(t)为窗口的STFT的频率分辨率由(f决定。类似，时间的宽度(t定义为： (2.4) 其中分母同样表示g(t)的能量，两个脉冲信号只有它们在时间上相距大于(t时，通过滤波器G(f)才能将它们区分出来。 在(2.3),(2.4) 式中，假定g(t)和G(f)的中心点在t=0和f=0处，如图2.2所示 在STFT中，由于和的固定不变，在整个时-频平面上只能采用相同的频率、时间分辨率，这是STFT的不足。因为对于非平稳信号，也许某一小时间段上，是以高频信息为主，我们希望用小的时间窗进行分析，而对长时间段上的低频信号，希望采用大时间窗进行分析。因此，对于一个时变的非平稳信号，很难找到一个好的时间窗来适合于不同的时间段。小波变换的引入弥补了STFT的不足。小波变换采用了可变带宽的窗函数（滤波器），在低频端用窄带滤波器进行分析，而在高频端用宽带滤波器进行分析，这就是所谓的相对带宽固定的滤波器组（即恒Q特性）[6]。如图2.3 (b)所示。图2.3 (a)为STFT下的绝对带宽恒定的滤波器组。 2.2.2 连续小波变换(CWT: Continuous Wavelet Transform) 2.2.2.1 一维连续小波变换 设为平方可积函数，(L2(R), 若其Fouriera变换((()满足：