离散小波变换(Discrete Wavelet Transform)

最新推荐文章于 2025-07-14 20:31:50 发布

转载最新推荐文章于 2025-07-14 20:31:50 发布 · 3.9w 阅读

·

10

·

文章标签：

#离散小波变换 #DWT

杂乱同时被 2 个专栏收录

41 篇文章

订阅专栏

17 篇文章

订阅专栏

本文深入探讨了离散小波变换的概念、定义及其在数理分析和时频分析中的应用。通过具体实例展示了如何利用阶层架构进行离散信号的变换，并介绍了二维离散小波变换的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

离散小波变换(Discrete Wavelet Transform)

(来自维基百科）

离散小波变换（Discrete Wavelet Transform）在数值分析和时频分析中很有用。第一个离散小波变换由匈牙利数学家发明，离散小波变换顾名思义就是离散的输入以及离散的输出，但是这里并没有一个简单而明确的公式来表示输入及输出的关系，只能以阶层式架构来表示。

定义

首先我们定义一些需要用到的信号及滤波器。
x[n]：离散的输入信号，长度为N。
g[n]：low pass filter低通滤波器，可以将输入信号的高频部份滤掉而输出低频部份。
h[n]：high pass filter高通滤波器，与低通滤波器相反，滤掉低频部份而输出高频部份。
$\downarrow$ Q：downsampling filter降采样滤波器，如果以x[n]作为输入，则输出y[n]=x[Qn]。此处举例Q=2。

举例说明:

清楚规定以上符号之后，便可以利用阶层架构来介绍如何将一个离散信号作离散小波变换：

架构中的第1层(1st stage)

$x_{1,L}[n]=\sum_{k=0}^{K-1} x[2n-k]g[k]$

$x_{1,H}[n]=\sum_{k=0}^{K-1} x[2n-k]h[k]$

架构中的第2层(2nd stage)

$x_{2,L}[n]=\sum_{k=0}^{K-1} x_{1,L}[2n-k]g[k]$

$x_{2,H}[n]=\sum_{k=0}^{K-1} x_{1,L}[2n-k]h[k]$

可继续延伸

$\vdots$

$\vdots$

架构中的第α层(α ? th stage)

$x_{\alpha ,L}[n]=\sum_{k=0}^{K-1} x_{\alpha -1,L}[2n-k]g[k]$

$x_{\alpha ,H}[n]=\sum_{k=0}^{K-1} x_{\alpha -1,L}[2n-k]h[k]$

注意：若输入信号x[n]的长度是N，则第α层中的x_α,L[n]及x_α,H[n]的长度为 $\frac{N}{2^\alpha }$

2-D Discrete Wavelet Transform

2D DWT.jpg

此时的输入信号变成 x[m,n]，而转换过程变得更复杂，说明如下：

首先对n方向作高通、低通以及降频的处理

$v_{1,L}[m,n]=\sum_{k=0}^{K-1} x[m,2n-k]g[k]$

$v_{1,H}[m,n]=\sum_{k=0}^{K-1} x[m,2n-k]h[k]$

接着对 v_1,L[m,n]与 v_1,H[m,n]延著m方向作高低通及降频动作

$x_{1,LL}[m,n]=\sum_{k=0}^{K-1} v_{1,L}[2m-k,n]g[k]$

$x_{1,HL}[m,n]=\sum_{k=0}^{K-1} v_{1,L}[2m-k,n]h[k]$

$x_{1,LH}[m,n]=\sum_{k=0}^{K-1} v_{1,H}[2m-k,n]g[k]$

$x_{1,HH}[m,n]=\sum_{k=0}^{K-1} v_{1,H}[2m-k,n]h[k]$

经过(1)(2)两个步骤才算完成2-D DWT的一个stage。

实际范例

以下根据上述2-D DWT的步骤，对一张影像作二维离散小波变换(2D Discrete Wavelet Transform)

原始影像

2D DWT Original.png

2D DWT的结果

300px?

300px?

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。