第二章小波转换.docVIP

第二章　小波轉換 第一節　小波轉換與小波壓縮 2.1.1　前言 近年來，小波壓縮（Wavelet coding）逐漸受到資料壓縮研究人員的重視，在語音處理、影像處理、電腦視覺等研究領域中，有相當成功的應用。在影像處理方面，傳統的影像壓縮都是以離散餘弦轉換（DCT）為基礎，例如 JPEG，就是以離散餘弦轉換來進行圖形資料的壓縮，近年來的研究都指出，以小波轉換為基礎的壓縮方法，會比以離散餘弦轉換為基礎的壓縮方法，要有更好的壓縮效果。因此，在影像處理的領域中，以小波壓縮取代離散餘弦轉換的壓縮，將是不可避免的趨勢。 小波轉換（wavelet transform）是來自於小波分析（wavelet analysis）的結果，而小波分析方法的提出可以追溯到 1910 年 Haar 提出的小波規范正交基。之後在 1984 年的時候，法國地球物理學家 J. Morlet 在分析地震波的局部性質的時候，發現傳統的傅利葉轉換，難以達到他的要求，因此他便將小波的概念引進信號分析中，對信號進行分解。隨後物理學家 A. Grossman 對 Morlet 這種對於信號由一個確定函數的伸縮、平移系 展開的可行性進行研究，為小波分析的形成開啟了先河。 在 1986 年，Y. Meyer 建構出具有一定衰減性的光滑函數 ，這個函數的二進制伸縮與平移系 構成 的規范正交基。1987 年時，Mallat 巧妙地將多解析度分析（multiresolution analysis）的想法引入了小波分析中，建構了小波函數的構造，並建構出小波轉換的方法，把信號加以分解與重建。1988 年 Daubechies 建構了具有正交性（orthonormal）以及緊支集（compactly supported）這兩種特性，並且只有在一個有限的區域是非零的小波，到此，小波分析的理論系統有了初步的建立。 2.1.2　小波轉換 儘管小波的理論基礎是如此的艱澀難懂，不過在應用上，小波轉換卻與分頻編碼（subband coding）有著極大的相似性，因此實作起來並不複雜。圖 2.1 是小波轉換的概念圖，我們可以看到整個小波轉換的架構分成兩個部分，一個是小波分解（wavelet analysis），另一個是小波合成（wavelet synthesis）。圖 2.1 的左半邊是小波分解的部分，小波分解首先要有一個原始數列的資料，這個原始數列是一個無窮數列。以影像壓縮為例，數列裡的每個元素的值，可以是影像中每個圖點的灰階值。有了這樣的一個原始數列之後，我們要將原始數列分別進行低頻分析濾波以及高頻分析濾波這兩個步驟。如果說我們將原始的影像，看成是由影像中具有一致性的資料以及具有高度變化性的資料，這兩種資料組合而成的話，那麼我們將原始數列經過低頻分析濾波的步驟之後，所產生的低頻數列，則將保留原始數列的一致性的資料，比如說人臉部特寫的影像中，臉部會有一大片區域的顏色值相近，或者是風景照中的背景天空的一大片藍色，就是原始資料中具有一致性的部分。而我們將原始數列經過高頻分析濾波的步驟之後，所產生的高頻數列，則將保留原始數列的高度變化性的資料，比如說在影像中物體的輪廓部分，邊界內外的顏色值相差甚大，或者是有許多顏色參雜在一起的區域，都是原始資料中具有高度變化性的部分。因此小波分解的步驟其實就是將原始資料中的一致性資料與高度變化性資料分解成兩筆獨立的資料。圖 2.1 的右半邊，是小波合成的部分，我們將低頻數列經過低頻合成濾波之後的數列，與高頻數列經過高頻合成濾波之後的數列，相加起來，就可以還原成原始的數列。 2.1.3　小波壓縮 根據統計結果發現，一般的影像，大部分相鄰的區域會有相似的顏色值，這意味著影像中一致性的資料佔大多數，而高度變化性的資料則佔少數，以量化的觀點來看，我們將原始的影像資料，經過小波分解得到低頻數列與高頻數列，高頻數列裡大部分的值都將非常接近 0，因此高頻數列具有相當大的壓縮空間。我們將圖 2.1 的小波分解與小波合成之間，加上了其他的壓縮與解壓縮的步驟，便成了圖 2.2 與圖 2.3 的樣子。圖 2.2 是小波分解加上壓縮的步驟，圖 2.3 是解壓縮加上小波合成的步驟，這樣子便構成了小波壓縮的架構。 這裡所講的壓縮與解壓縮的方法，已經有許多研究人員提出了許多不同的方法，其中比較有名的包括了零樹壓縮（Embedded Zerotree Wavelet）、架構樹集合分割壓縮（Set Partitioning in Hierarchical Trees）以及 EBCOT 壓縮（Embedded Block Coding with Optimized Truncation）。零樹壓縮以及架構樹集合分割壓縮這兩種壓縮的方法都是以空間方向樹（