最新小波变换基础
小波变换基础
第9章小波变换基础
9.1 小波变换的定义
给定一个基本函数?Skip Record If...?,令
?Skip Record If...?(9.1.1)
式中?Skip Record If...?均为常数,且?Skip Record If...?。显然,?Skip Record If...?是基本函数?Skip Record If...?先作移位再作伸缩以后得到的。若?Skip Record If...?不断地变化,我们可得到一族函数?Skip Record If...?。给定平方可积的信号?Skip Record If...?,即?Skip Record If...?,则?Skip Record If...?的小波变换(Wavelet Transform,WT)定义为
?Skip Record If...?
?Skip Record If...?(9.1.2)
式中?Skip Record If...?和?Skip Record If...?均是连续变量,因此该式又称为连续小波变换(CWT)。如无特别说明,式中及以后各式中的积分都是从?Skip Record If...?到?Skip Record If...?。信号?Skip Record If...?的小波变换?Skip Record If...?是?Skip Record If...?和?Skip Record If...?的函数,?Skip Record If...?是时移,?Skip Record If...?是尺度因子。?Skip Record If...?又称为基本小波,或母小波。?Skip Record If...?是母小波经移位和伸缩所产生的一族函数,我们称之为小波基函数,或简称小波基。这样,(9.1.2)式的?Skip Record If...?又可解释为信号?Skip Record If...?和一族小波基的内积。
母小波可以是实函数,也可以是复函数。若?Skip Record If...?是实信号,?Skip Record If...?也是实的,则?Skip Record If...?也是实的,反之,?Skip Record If...?为复函数。
在(9.1.1)式中,?Skip Record If...?的作用是确定对?Skip Record If...?分
析的时间位置,也即时间中心。尺度因子?Skip Record If...?的作用是把基本小波?Skip Record If...?作伸缩。我们在1.1节中已指出,由?Skip Record If...?变成?Skip Record If...?,当?Skip Record If...?时,若?Skip Record If...?越大,则
仅供学习与交流,如有侵权请联系网站删除谢谢283
仅供学习与交流,如有侵权请联系网站删除 谢谢283
?Skip Record If...?的时域支撑范围(即时域宽度)较之?Skip Record If...?变得越大,反之,当?Skip Record If...?时,?Skip Record If...?越小,则?Skip Record If...?的宽度越窄。这样,?Skip Record If...?和?Skip Record If...?联合越来确定了对?Skip Record If...?分析的中心位置及分析的时间宽度,如图9.1.1所示。
图9.1.1 基本小波的伸缩及参数?Skip Record If...?和?Skip
Record If...?对分析范围的控制
(a)基本小波,(b )?Skip Record If...?,?Skip Record If...? ,(c)
?Skip Record If...?不变,?Skip Record If...?, (d)分析范围
这样,(9.1.2)式的WT 可理解为用一族分析宽度不断变化的基函数对?Skip Record If...?作分析,由下一节的讨论可知,这一变化正好适应了我们对信号分析时在不同频率范围所需要不同的分辨率这一基本要求。
(9.1.1)式中的因子?Skip Record If...?是为了保证在不同的尺度?Skip Record If...?时,?Skip Record If...?始终能和母函数?Skip Record If...?有着相同的能量,即
?Skip Record If...?
)
(t 2=t
t
t
a
令?Skip Record If...?,则?Skip Record If...?,这样,上式的积分即等于?Skip Record If...?。
令?Skip Record If...?的傅里叶变换为?Skip Record If...?,?Skip Record If...?的傅里叶变换为?Skip Record If...?,由傅里叶变换的性质,?Skip Record If...?的傅里叶变换为:
?Skip Record If...? ?Skip Record If...? ?Skip Record If...?(9.1.3)由Parsevals定理,(9.1.2)式可重新表为:
?Skip Record If...?
?Skip Record If...?(9.1.4)
此式即为小波变换的频域表达式。
9.2 小波变换的特点
下面,我们从小波变换的恒Q性质、时域及频率分辨率以及和其它变换方法的对比来讨论小波变换的特点,以帮助我们对小波变换有更深入的理解。
比较(9.1.2)和(9.1.4)式对小波变换的两个定义可以看出,如果?Skip Record If...?在时域是有限支撑的,那么它和?Skip Record If...?作内积后将保证?Skip Record If...?在时域也是有限支撑的,从而实现我们所希望的时域定位功能,也即使?Skip Record If...?反映的是?Skip Record If...?在?Skip Record If...?附近的性质。同样,若?Skip Record If...?具有带通性质,即?Skip Record If...?围绕着中心频率是有限支撑的,那么?Skip Record If...?和?Skip Record If...?作内积后也将反映?Skip Record If...?在中心频率处的局部性质,从而实现好的频率定位性质。显然,这些性能正是我们所希望的。问题是如何找到这样的母小波?Skip Record If...?,使其在时域和频域都是有限支撑的。有关小波的种类及小波设计的问题,我们将在后续章节中详细讨论。
由1.3节可知,若?Skip Record If...?的时间中心是?Skip Record If...?,时宽是?Skip Record If...?,?Skip Record If...?的频率中心是?Skip Record If...?,带宽是?Skip Record If...?,那么?Skip Record If...?的时间中心仍是?Skip Record If...?,但时宽变成?Skip Record If...?,?Skip Record If...?的频谱?Skip Record If...?的频率中心变为?Skip Record If...?,带宽变成?Skip Record If...?。这样,?Skip Record If...?的时宽-带宽积仍是?Skip Record If...?,与?Skip Record If...?
仅供学习与交流,如有侵权请联系网站删除谢谢283
无关。这一方面说明小波变换的时-频关系也受到不定原理的制约,但另一方面,也即更主要的是揭示了小波变换的一个性质,也即恒Q 性质。定义
?Skip Record If...?=带宽/中心频率 (9.1.5) 为母小波?Skip Record If...?的品质因数,对?Skip Record If...?,其 带宽/中心频率=?Skip Record If...?
因此,不论?Skip Record If...?为何值?Skip Record If...?,?Skip Record If...?始终保持了和?Skip Record If...?具有性同的品质因数。恒Q 性质是小波变换的一个重要性质,也是区别于其它类型的变换且被广泛应用的一个重要原因。图9.2.1说明了?Skip Record If...?和?Skip Record If...?的带宽及中心频率随?Skip Record If...?变化的情况。
图9.2.1 ?Skip Record If...?随?Skip Record If...?变化的说明;(a)
?Skip Record If...?,(b) ?Skip Record If...?,(c) ?Skip Record If...?
将图9.1.1和图9.1.2结合起来,我们可看到小波变换在对信号分析时有如下特点:当?Skip Record If...?变小时,对?Skip Record If...?的时域观察范围变窄,但对?Skip Record If...?在频率观察的范围变宽,且观察的中心频率向高频处移动,如图9.2.1c 所示。反之,当?Skip Record If...?变大时,对?Skip Record If...?的时域观察范围变宽,频域的观察范围变窄,且分析的中心频率向低频处移动,如图9.2.1b 所示。将图9.1.1和9.2.1所反映的时-频关系结合在一起,我们可得到在不同尺度下小波变换所分析的时宽、带宽、时间中心和频率中心的关系,如图9.2.2所示。
?Skip ?
kip
?
?Skip Recor ?
p
2Ω0
Ω)2/1(=a )
1(=a /2
t ?
图9.2.2 a取不同值时小波变换对信号分析的时-频区间
由于小波变换的恒Q性质,因此在不同尺度下,图9.2.2中三个时、频分析区间(即三个矩形)的面积保持不变。由此我们看到,小波变换为我们提供了一个在时、频平面上可调的分析窗口。该分析窗口在高频端(图中?Skip Record If...?处)的频率分辨率不好(矩形窗的频率边变长),但时域的分辨率变好(矩形的时间边变短);反之,在低频端(图中?Skip Record If...?处),频率分辨率变好,而时域分辨率变差。但在不同的?Skip Record If...?值下,图9.2.2中分析窗的面积保持不变,也即时、频分辨率可以随分析任务的需要作出调整。
众所周知,信号中的高频成份往往对应时域中的快变成份,如陡峭的前沿、后沿、尖脉冲等。对这一类信号分析时则要求时域分辨率要好以适应快变成份间隔短的需要,对频域的分辨率则可以放宽,当然,时、频分析窗也应处在高频端的位置。与此相反,低频信号往往是信号中的慢变成份,对这类信号分析时一般希望频率的分辨率要好,而时间的分辨率可以放宽,同时分析的中心频率也应移到低频处。显然,小波变换的特点可以自动满足这些客观实际的需要。
总结上述小波变换的特点可知,当我们用较小的?Skip Record If...?对信号作高频分析时,我们实际上是用高频小波对信号作细致观察,当我们用较大的?Skip Record If...?对信号作低频分析时,实际上是用低频小波对信号作概貌观察。如上面所述,小波变换的这一特点即既符合对信号作实际分析时的规律,也符合人们的视觉特点。
现在我们来讨论一下小波变换和前面几章所讨论过的其它信号分析方法的区别。
我们知道,傅里叶变换的基函数是复正弦。这一基函数在频域有着最佳的定位功能(频域的?Skip Record If...?函数),但在时域所对应的范围是?Skip Record If...?~?Skip Record If...?,完全不具备定位功能。这是FT的一个严重的缺点。
人们希望用短时傅里叶变换来弥补FT的不足。重写(2.1.1)式,即
仅供学习与交流,如有侵权请联系网站删除谢谢283
?Skip Record If...?
?Skip Record If...? (9.2.6)
由于该式中只有窗函数的位移而无时间的伸缩,因此,位移量的大小不会改变复指数?Skip Record If...?的频率。同理,当复指数由?Skip Record If...?变成?Skip Record If...?(即频率发生变化)时,这一变化也不会影响窗函数?Skip Record If...?。这样,当复指数?Skip Record If...?的频率变化时,STFT 的基函数?Skip Record If...?的包络不会改变,改变的只是该包络下的频率成份。这样,当?Skip Record If...?由?Skip Record If...?
变化成?Skip Record If...?时,?Skip Record If...?对?Skip Record If...?分析的中心频率改变,但分析的频率范围不变,也即带宽不变。因此,STFT 不具备恒Q
性质,当然也不具备随着分辨率变化而自动调节分析带宽的能力,如图9.2.3
小波变换的基本原理
10.2小波变换的基本原理 地质雷达的电磁波信号和地震波信号都是非平稳随机时变信号,长期以来,因非平稳信号处理的理论不健全,只好将其作为平稳信号来处理,其处理结果当然不满意。近年来,随着科学技术的发展和进步,国内外学术界已将注意力转向非平稳随机信号分析与处理的研究上,其中非平稳随机信号的时频表示法是研究热点之一。在这一研究中,戈勃展开、小波变换、维格纳分布与广义双线性时频分布等理论发展起来,这些方法既可以处理平稳信号过程,也可以处理非平稳随机时变信号。 小波变换是上世纪80年代中后期逐渐发展起来的一种数学分析方法。1984年法国科学家J.M OLET在分析地震波的局部特性时首先使用了小波这一术语,并用小波变换对地震信号进行处理。小波术语的含义是指一组衰减震动的波形,其振幅正负相间变化,平均值为零,是具有一定的带宽和中心频率波组。小波变换是用伸缩和平移小波形成的小波基来分解(变换)或重构(反变换)时变信号的过程。不同的小波具有不同带宽和中心频率,同一小波集中的带宽与中心频率的比是不变的,小波变换是一系列的带通滤波响应。它的数学过程与傅立叶分析是相似的,只是在傅立叶分析中的基函数是单频的调和函数,而小波分析中的基函数是小波,是一可变带宽内调和函数的组合。 小波变换在时域和频域都具有很好的局部化性质,较好地解决了时域和频域分辨率的矛盾,对于信号的低频成分采用宽时窗,对高频成分采用窄时窗。因而,小波分析特别适合处理非平稳时变信号,在语音分析和图象处理中有广泛的应用,在地震、雷达资料处理中将有良好的应用前景。 下边就小波分析的基本原理、主要作用及在雷达资料处理中的应用三方面作以介绍。 10.2.1小波分析的基本原理 小波函数的数学表达
(完整版)小波原理课件
我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motion detection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Joseph Fourier 这个人提出的,他发现,这个basis不仅仅存在与vector space,还存在于funct ion space。这个function space本质上还是一个linear vector space,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vector space里,你有vector v可以写成vector basis的线性组合,那在function space里,function f(x)也可以写成对应function basis的线性组合,也有norm。你的vector basis可以是正交的,我的function basis也可以是正交的(比如sin(t)和sin(2t))。唯一不同的是,我的function basis是无穷尽的,因为我的function space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function basis是正交的,这就是有趣的地方了。为什么function basis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?function basis怎么求内积呢? 现在先复习一下vector正交的定义。我们说两个vector v,w如果正交的话,应符合:
MATLAB小波变换指令及其功能介绍(超级有用)解读
MATLAB小波变换指令及其功能介绍 1 一维小波变换的 Matlab 实现 (1) dwt函数 功能:一维离散小波变换 格式:[cA,cD]=dwt(X,'wname') [cA,cD]=dwt(X,Lo_D,Hi_D)别可以实现一维、二维和 N 维DFT 说明:[cA,cD]=dwt(X,'wname') 使用指定的小波基函数 'wname' 对信号X 进行分解,cA、cD 分别为近似分量和细节分量; [cA,cD]=dwt(X,Lo_D,Hi_D) 使用指定的滤波器组 Lo_D、Hi_D 对信 号进行分解。 (2) idwt 函数 功能:一维离散小波反变换 格式:X=idwt(cA,cD,'wname') X=idwt(cA,cD,Lo_R,Hi_R) X=idwt(cA,cD,'wname',L)函数 fft、fft2 和 fftn 分 X=idwt(cA,cD,Lo_R,Hi_R,L) 说明:X=idwt(cA,cD,'wname') 由近似分量 cA 和细节分量 cD 经 小波反变换重构原始信号 X 。 'wname' 为所选的小波函数 X=idwt(cA,cD,Lo_R,Hi_R) 用指定的重构滤波器 Lo_R 和 Hi_R 经小波反变换重构原始信号 X 。 X=idwt(cA,cD,'wname',L) 和 X=idwt(cA,cD,Lo_R,Hi_R,L) 指定返回信号 X 中心附近的 L 个点。 2 二维小波变换的 Matlab 实现 二维小波变换的函数别可以实现一维、二维和 N 维 DFT 函数名函数功能
--------------------------------------------------- dwt2 二维离散小波变换 wavedec2 二维信号的多层小波分解 idwt2 二维离散小波反变换 waverec2 二维信号的多层小波重构 wrcoef2 由多层小波分解重构某一层的分解信号 upcoef2 由多层小波分解重构近似分量或细节分量 detcoef2 提取二维信号小波分解的细节分量 appcoef2 提取二维信号小波分解的近似分量 upwlev2 二维小波分解的单层重构 dwtpet2 二维周期小波变换 idwtper2 二维周期小波反变换 ----------------------------------------------------------- (1) wcodemat 函数 功能:对数据矩阵进行伪彩色编码函数 fft、fft2 和 fftn 分 格式:Y=wcodemat(X,NB,OPT,ABSOL) Y=wcodemat(X,NB,OPT) Y=wcodemat(X,NB) Y=wcodemat(X) 说明:Y=wcodemat(X,NB,OPT,ABSOL) 返回数据矩阵 X 的编码矩阵 Y ;NB 伪编码的最大值,即编码范围为 0~NB,缺省值 NB=16; OPT 指定了编码的方式(缺省值为 'mat'),即:别可以实现 一维、二维和 N 维 DFT OPT='row' ,按行编码 OPT='col' ,按列编码