第7章_小波变换和多分辨率处理论述.ppt

7.3.3 连续小波变换 例7.9 一维连续小波变换 （a）小波函数（b）尺度化小波和傅里叶频谱关系 （c）CWT一部分（d）小波函数灰度图 * 7.4 快速小波变换 快速小波变换(FWT)是一种实现离散小波变换(DWT)的高效计算，该变换找到了相邻尺度DWT系数间的关系。它也称为Mallat人字形算法。 用2j对x进行尺度化，用k对它进行平移，令m=2k+n，得： (7.4.1) (7.4.2) * 7.4 快速小波变换 (7.4.3) * 7.4 快速小波变换 第7章 小波变换和多分辨率处理 (7.4.7) (7.4.8) (7.4.9) (7.4.10) 7.4 快速小波变换 图7.17 一个FWT分析滤波器族 注意图7.17中的滤波器族可以迭代产生多阶结构，用于计算两个以上连续尺度的DWT系数。 * 7.4 快速小波变换 图7.18 （a）一个两阶或两尺度FWT分析滤波器族，（b）它的频率分离特性 例如，图7.18(a)显示了一个用于计算变换的两个最高尺度系数的二阶滤波器族。注意，最高的尺度系数假定是函数自身的采样值。 * 7.4 快速小波变换 例7.10 计算一维小波变换 离散函数f(n)={1,4,-3,0}； (7.4.13) (7.4.14) * 7.4 快速小波变换 例7.10 计算一维小波变换 图7.19 使用哈尔尺度和小波向量计算序列{1,4，-3,0}的二尺堵快速小波变换 * 7.4 快速小波变换 从DWT/FWT的近似值和细节系数重建f(x)也存在一种高效的反变换，称为快速小波反变换(FWT-1)。它使用正变换中所用的尺度和小波向量以及第j级近似值和细节系数来生成第j+1级近似值系数。 注意到图7.17中FWT分析部分和图7.4(a)中两频段子带分析部分的相似性，可以立即得出要求的FWT-1的综合滤波器族。 * 7.4 快速小波变换 图7.20 FWT-1 的综合滤波器族 图7.20中的FWT-1的滤波器族执行下述计算： (7.4.15) * 7.4 快速小波变换 与FWT-1正变换类似，反变换滤波器族可以如图7.21所示进行迭代，为了计算FWT-1重建的最后两个尺度描绘了两尺度结构。该系数合并过程可以扩展到任意数目的尺度，从而保证函数f(x)的完美重建。 图7.21 一个两级或二尺度FWT-1综合滤波器组 * 7.4 快速小波变换 例7.11 计算一维快速小波反变换 图7.22 用哈尔尺度和小波向量计算序列 的两尺度快速小波反变换 * FWT和FFT之间的区别(1) 计算上的复杂性： 包括在长度为M=2J的序列的FWT计算中的数学运算次数是O(M)阶。也就是说，浮点乘法和加法(使用滤波器族)的次数与序列的长度存在线性关系。这与FFT算法比较是有利的，FFT需要O(MLogM)阶。 * FWT和FFT之间的区别(2) 变换的基函数： 傅里叶的基函数(即正弦函数)保证了FFT的存在，而FWT的存在取决于使用的小波尺度函数是否可用，以及尺度函数和相应的小波的正交性(或双正交性)。因此，式(7.3.12)的墨西哥草帽小波不能用于计算FWT，因为它没有相应的尺度函数。换句话说，不能为墨西哥草帽小波建立一个像图7.15中那样的滤波器族；它不满足FWT方法的基本假设。 * FWT和FFT之间的区别(3) 不可分割的关系： 如果试图同时在时域和频域内对函数进行分析，就会遇到如下问题：如果想要关于时域的有价值信息，就要忍受频域的含糊，反之亦然。 这是海森伯(Heisenberg)测不准原理在信息处理中的应用。为了用图示说明该原理，函数表达中用到的每个基函数都被概要地看成是时间—频率平面的一个块。该块也称为海森伯单元或海森伯盒，显示了基函数能量的集中区域。块不重叠是正交基函数的特点。 * 7.4 快速小波变换 图7.23 时间一频率片 （a）传统时域（b）FFT与FWT相关的基函数（c）中等高度矩形的水平条带表示FWT尺度 * 7.5 二维小波变换 一维变换很容易像图像那样扩展到二维函数。 乘积产生可分离的尺度函数： (7.5.1) (7.5.2) 可分离的“方向敏感的”小波，沿着不同方向的图像强度或灰度的变化： (7.5.3) (7.5.4) * 7.1.3 哈尔变换 2×2哈尔变换矩阵H4 (7.1.18) 它的基函数仅定义了2抽头完美重建滤波器组的分析滤波器h0(n)和h1(n)。 * 7.1.3 哈尔变换 例7.3 离散小波变换的哈尔函数 （a）用H2哈尔基函数的离散小波变换 （b）~