- •Начальный курс по теории вейвлетов Введение
- •Лекция 1
- •0 Вводные замечания
- •1.1 Краткий экскурс в ряды Фурье. Предпосылки вейвлет-преобразования
- •1.1.1 Идея вейвлет-преобразования
- •1.1.2 Аппроксимирующая и детализирующая компоненты вейвлет-анализа и синтеза сигналов
- •1.2 Разложение по вейвлетам
- •1.3 Обратное вейвлет-преобразование
- •Лекция 2
- •2.1 Базисные функции вейвлет-преобразования
- •2.1.1 Определение вейвлета
- •2.1.2 Другие системы вейвлетов
- •2.1.3 Признаки вейвлета
- •2.2 Критерии выбора вейвлета
- •2.3 Примеры вейвлетобразующих функций
- •Лекция 3
- •3.1 Усреднение и детализация
- •3.2 Масштабирующие функции и вейвлет-функиии
- •3.3 Кратномасштабный анализ
- •3.4 Нормирование
- •3.5 Вейвлет-преобразование
3.4 Нормирование
В дальнейшем нам будет удобно работать с нормированными масштабирующими функциями и вейвлетами. Определим норму вектора в евклидовом пространстве следующим образом
Вектор и в евклидовом пространстве называется нормированным, если Нормированный вектор u может быть получен из любого ненулевого вектора путём деления вектора на его норму:
Таким образом, чтобы нормировать и , нам нужно определить их нормы:
Таким образом, для каждого и аналогично для каждого . Итак, для того, чтобы работать с нормированными масштабирующими функциями и вейвлетами, необходимо переопределить их. Для этой цели мы определим как:
a определим как
(3.16)
Будем называть вейвлеты, заданные равенством (3.16) (где определяется равенством (3.11)) нормированными вейвлетами Хаара.
3.5 Вейвлет-преобразование
Предположим, что мы имеем последовательность, состоящую из точек для некоторого целого n > 0.
Мы можем отождествить эту последовательность со следующей функцией из Vn:
(3.17)
Первым шагом вычисления вейвлет-преобразования последовательности будет разложение по альтернативному базису пространства вида (2.15), половину которого составляют вейвлеты:
(3.18)
Коэффициенты при базисных вейвлет-функциях составляют половину коэффициентов вейвлет-преобразования, поэтому мы сохраним эти значения. Следующим шагом процесса преобразования является применение такого же базисного преобразования к остальным членам равенства (3.18):
(3.19)
Таким образом, это элемент , и поэтому может быть разложен по альтернативному базису» состоящему из масштабирующих функций и вейвлетов
Прежде чем мы продолжим этот процесс, зададим один напрашивающийся вопрос: как мы получаем коэффициенты равенства (3.18) из коэффициентов равенства (3.17)? Для этого мы используем ортогональность. Напомним, что каждая ортогональна каждой так же как и всем , и, аналогично, каждый вейвлет ортогонален другим вейвлетам и всем масштабирующим функциям . Напомним также, что каждая и каждый являются нормированными в силу тождеств и . Чтобы воспользоваться этой ортогональностью и нормированностью, умножим обе части (3.18) на и проинтегрируем по от 0 до 1. В результате получим
. (3.20)
В силу ортогональности в правой части (3.20) остаётся только один член, а нормирование приводит к отсутствию коэффициента при . Теперь подставим правую часть равенства (3.17) вместо в (3.20). Например, при j = 0 левая часть равенства (2.20) будет равна
(3.21)
Комбинируя (3.20) и (3.21) при j = 0, получим
(3.22)
Квадратный корень в коэффициенте в (3.21) появляется за счёт нормирования. Если бы мы использовали ненормированные базисные функции, то мы бы получили двухточечное среднее значение. Остальные коэффициенты вычисляются аналогично. Таким образом,
(3.23)
Аналогично, используя свойства ортогональности и нормированности функций можно вычислить коэффициенты по следующей формуле
(3.24)
Ещё раз напомним, что квадратный корень в выражении для коэффициента (3.24) появляется в результате нормирования. Без нормирования мы бы имели только разность выражений.
Еще раз напомним, что квадратный корень в выражении для коэффициента (3.48) появляется в результате нормирования. Без нормирования мы бы имели только разность выражений, полученную в подразделе 3.3. Уравнения (3.47) и (3.48) удобно представить в виде одного матричного уравнения:
(3.25)
Матрица в (3.25) это квадратная матрица с 2n строками и 2 n столбцами. Определим
(3.26)
и
(3.27)
где матрицы размером 2n1 2n, и можно рассматривать как оператор усреднения и : оператор разности. Введем также векторную запись
где х это вектор-столбец с 2n элементами, а векторы-столбцы с 2n1 элементами. Тогда мы можем переписать (3.25) как
(3.28)
Матрица в левой части (3.28) это единая матрица 2n 2n, а вектор в правой части единый вектор-столбец 2n 1. На каждом шаге процесса вейвлет-преобразования мы сохраняем детализирующие коэффициенты и обрабатываем коэффициенты усреднения. В рассматриваемом случае вейвлет-преобразование будет иметь 2n компонентов. Половину из них мы получаем из уравнения (3.28) в качестве детализирующих коэффициентов в Сохраняем эти коэффициенты как половину вейвлет-преобразования. Следующий шаг вейвлет-преобразования состоит в применении к операций усреднения и вычитания на следующем, более низком уровне разрешения:
Здесь это 2n2 2n1 матрицы вида (3.26) и (3.27), а это векторы-столбцы размерности 2n2.
Чтобы построить часть вейвлет-преобразования, мы сохраним вместе с Продолжим этот процесс, применяя операции усреднения и вычитания к и сохраняя полученные детализирующие коэффициенты как часть вейвлет-преобразования. На заключительном шаге сохраним среднее значение которое является однокомпонентным вектором (т.е. скаляром) с единственным элементом Результирующее вейвлет-преобразо- вание, которое мы можем представить как единый вектор-столбец с 1 + 1 + 2 +...+ 2n1 = 2n элементами, будет иметь вид:
(3.29)
Пример использования обратного вейвлет-преобразования последовательности точек. Чтобы вейвлет-преобразование могло быть использовано в приложениях, таких, например, как сжатие изображений, оно должно быть обратимым. То есть, при заданном вейвлет-преобразовании вида (3.29), мы должны восстановить исходную последовательность из которой было получено преобразование. Фактически, в подразделе 3.1 было проделано это обратное преобразование. Сейчас проделаем аналогичные действия. Шаг вейвлет-преобразования, заключающийся в переходе от k уровня разрешения к выглядит следующим образом:
(3.30)
откуда мы получаем
(3.31)
Заметим (это понадобится для дальнейших ссылок), что (3.30) и (3.31) могут быть записаны в виде пары матрично-векторных уравнений:
(3.32)
для каждого k = 1, ..., n,
Из (3.31) мы, по известным выражениям для более низкого уровня разрешения и , можем легко найти выражения для более высокого уровня разрешения
Аналогично, для j = 0, ..., 2k1,
(3.33)
С точки зрения линейной алгебры мы разрешили уравнение (3.30) относительно вектора путем обращения матрицы левой части этого уравнения. Таким образом, мы выполнили следующую операцию:
(3.34)
Откуда мы знаем, что обратная матрица в (3.34) существует? Потому что мы находим ее в (3.33). В матричной форме это обращение выглядит как
(3.35)
Сравнение с (3.25) показывает, что эта обратная матрица является всего лишь транспонированной по отношению к матрице прямого преобразования. Фактически первые столбца матрицы в (3.35) в точности представляют собой транспонированную матрицу а последние столбца транспонированную матрицу Это удобное свойство возникает благодаря ортогональности и нормированности наших базисных функций масштаба и вейвлет-функций. Таким образом, мы можем записать обращение в (3.35) как:
где * обозначает транспонирование матрицы. Теперь мы можем переписать (3.34) в виде
(3.36)
Уравнение (3.36) дает практическую формулу для получения из и применяем к и к и складываем результаты. Сравнение с (3.32) показывает, что верно следующее:
Фактически можно напрямую доказать истинность следующего соотношения:
(3.37)
где это единичная матрица Выполняется также следующее соотношение:
(3.38)
Соотношения, аналогичные (3.37) и (3.38), используются при расчете низкочастотных и высокочастотных фильтров.