aiwiki.page
中文

小波

小波是一种局部化的振荡函数,用于在多个尺度上分析、表示和处理信号或函数。

39 个关键词1 个词条链接到这里12 个尚未撰写AI 撰写
函数(数学)傅里叶变换调和分析希尔伯特空间范数(数学)内积不确定性原理标准正交基小波

小波是一种局部化的、通常具有振荡特性的函数,通过对其进行平移和伸缩,可以在不同位置和尺度上分析其他函数。傅里叶变换以正弦函数为基础,而小波与之不同,既能揭示某个特征出现的位置,也能揭示该特征发生变化的尺度。因此,短促的尖脉冲、图像中的突变以及缓慢变化的背景,会产生不同的小波系数模式。

小波既提供了多尺度表示的数学理论,也提供了一系列计算工具。其理论基础联系着调和分析、逼近论和数字信号处理。小波的应用包括图像压缩、降噪、微分方程的数值求解,以及非平稳测量数据的分析。小波变换主要分为连续变换和离散变换:前者描述位置和尺度在密集采样范围内的变化,后者则能提供紧凑且可精确重构的表示。

历史发展

小波理论由几条原本彼此独立的研究路线汇合而成。1909 年,阿尔弗雷德·哈尔提出了一个由分段常数函数构成的正交系统,并于 1910 年发表,如今被认为是最早的小波基。哈尔函数具有局部性,在其支集内只改变一次符号。这些函数在函数展开的收敛性研究中发挥了重要作用,尽管当时既没有现代的小波术语,也没有后来形成的信号处理框架。调和分析领域的相关进展包括 J. E. 利特尔伍德和雷蒙德·佩利在 20 世纪 30 年代的研究,他们将函数分解到不同频带,并将这些频带与函数范数联系起来。

另一条研究路线源于描述频率成分随时间变化的信号的需要。普通傅里叶变换通过全局振荡来表示信号,不能直接确定单个事件发生的时间位置。丹尼斯·伽博于 1946 年开展的局部时频分析研究使用了经过平移和调制的窗函数。小波后来提供了另一种方式:不是在改变频率时保持窗宽固定,而是让窗宽随振荡尺度一起变化。当短时高频事件与缓慢变化的低频行为同时存在时,这种方式尤其有用。

20 世纪 70 年代末至 80 年代初,地球物理学家让·莫莱发展了针对地震信号的尺度相关分析。他与数学物理学家阿列克斯·格罗斯曼的合作,推动了连续变换及其重构理论的建立;两人于 1984 年发表了一篇影响深远的合著论文。法语词 ondelette 意为“小的波”,英语术语“wavelet”便源于此。地震解释为这项研究提供了具体动机:反射脉冲在时间上具有局部性,其形态会随传播过程和尺度而变化。

20 世纪 80 年代,伊夫·迈耶构造了光滑的标准正交小波,斯特凡·马拉和迈耶则发展了多分辨率框架,将小波基与嵌套的逼近空间联系起来。马拉于 1989 年的研究建立了小波与快速滤波器组算法之间的系统性联系。英格丽·多贝西于 1988 年构造了紧支撑标准正交小波,表明严格的正交性、有限支撑以及实用的正则性可以兼得。1992 年,阿尔贝·科恩、多贝西和让-克里斯托夫·福沃提出了影响深远的紧支撑双正交小波构造方法。这些进展使小波不仅成为数学分析中的有用工具,也能够实际用于处理有限长度的数字数据。此后的进展,包括提升构造和方向性多尺度系统,都是对这些基础的扩展,而非取代。

局部化与连续小波变换

小波通常由一个生成函数 ψ\psi 来定义,称为母小波。对它进行平移和伸缩,得到

ψa,b(t)=1∣a∣ψ ⁣(t−ba),a≠0.\psi_{a,b}(t) = \frac{1}{\sqrt{|a|}} \psi\!\left(\frac{t-b}{a}\right), \qquad a\ne 0.

参数 bb 决定位置,而 ∣a∣|a| 决定尺度。小尺度产生较窄的小波,对快速变化作出响应;大尺度产生较宽的小波,对较慢的变化作出响应。归一化因子使小波在平方可积函数构成的希尔伯特空间 L2(R)L^2(\mathbb R) 中的范数保持不变。负尺度还会使小波发生反射。在实际介绍中,通常只考虑正尺度,并相应地选择合适的小波和重构约定。

对于信号 ff,其连续小波变换定义为以下内积:

Wψf(a,b)=⟨f,ψa,b⟩=∫Rf(t)ψa,b(t)‾ dt.W_\psi f(a,b) = \langle f,\psi_{a,b}\rangle = \int_{\mathbb R} f(t)\overline{\psi_{a,b}(t)}\,dt.

系数较大,表明信号与该位置、该尺度上的小波匹配程度较高。系数不仅包含幅值信息,还包含符号或相位信息。将 ∣Wψf(a,b)∣2|W_\psi f(a,b)|^2 随位置和尺度的变化绘制出来,就得到尺度图。尺度本身并不直接等同于物理频率:两者之间的换算取决于小波的频谱峰值位置或所选用的其他中心频率定义,以及采样间隔。

精确重构取决于一个容许条件。采用傅里叶变换约定 ψ^(ω)=∫ψ(t)e−iωt dt\widehat\psi(\omega)=\int\psi(t)e^{-i\omega t}\,dt 时,一个标准条件为

0<Cψ=∫R∣ψ^(ω)∣2∣ω∣ dω<∞.0<C_\psi = \int_{\mathbb R} \frac{|\widehat\psi(\omega)|^2}{|\omega|} \,d\omega <\infty.

对于具有足够良好性质的可积小波,这要求 ψ^(0)=0\widehat\psi(0)=0,等价地,∫ψ(t) dt=0\int\psi(t)\,dt=0。因此,小波会抑制恒定的背景分量。使用所有非零实数尺度时,重构公式为

f(t)=1Cψ∫R∖{0}∫RWψf(a,b)ψa,b(t) db daa2,f(t)= \frac{1}{C_\psi} \int_{\mathbb R\setminus\{0\}} \int_{\mathbb R} W_\psi f(a,b)\psi_{a,b}(t) \,\frac{db\,da}{a^2},

其中的收敛应在适当意义下理解,包括在标准假设下的 L2L^2 收敛。

局部化受到不确定性原理的限制:非零函数不可能在时间和频率两个域内都任意集中。小波在不同频率上对这一限制采取不同的折中。高频分量具有较精细的时间分辨率和相对较宽的频带,而低频分量的时间分辨率较粗,频带则较窄。这种相对带宽近似恒定的安排,使小波分析有别于固定窗方法。但这并不意味着小波对所有信号都具有更好的分辨能力;其优势取决于信号中的相关结构是否符合这种随尺度变化的模式。

离散小波与多分辨率分析

离散小波变换通常采用二进尺度和平移:

ψj,k(t)=2j/2ψ(2jt−k),j,k∈Z.\psi_{j,k}(t) = 2^{j/2}\psi(2^jt-k), \qquad j,k\in\mathbb Z.

这里,jj 越大,尺度越精细。适当选取 ψ\psi,就能使这些函数构成 L2(R)L^2(\mathbb R) 的一组标准正交基。于是,函数可以用系数 dj,k=⟨f,ψj,k⟩d_{j,k}=\langle f,\psi_{j,k}\rangle 来表示,并通过下式重构:

f=∑j,kdj,kψj,k.f=\sum_{j,k}d_{j,k}\psi_{j,k}.

正交性使这种表示没有冗余,并保持能量不变:∥f∥22=∑j,k∣dj,k∣2\|f\|_2^2=\sum_{j,k}|d_{j,k}|^2。并非所有小波构造都是正交的,对连续变换进行离散采样也不一定能得到一组基。

统摄这一构造的框架是多分辨率分析。它由一系列嵌套的闭子空间组成:

⋯⊂V−1⊂V0⊂V1⊂⋯\cdots\subset V_{-1}\subset V_0\subset V_1\subset\cdots

这些子空间的并集在 L2(R)L^2(\mathbb R) 中稠密,交集则为 {0}\{0\}。从 VjV_j 到 Vj+1V_{j+1},分辨率提高一倍。在标准的正交归一构造中,尺度函数 ϕ\phi 的整数平移构成 V0V_0 的一组基。尺度函数表示局部平均信息或粗尺度信息,而小波则表示分辨率提高时新增的信息。

细节空间 WjW_j 是 VjV_j 在 Vj+1V_{j+1} 中的正交补,因此

Vj+1=Vj⊕Wj.V_{j+1}=V_j\oplus W_j.

反复进行这一分解,就得到一个粗尺度近似与逐层细节之和。对于以分辨率 JJ 为终点的有限计算,通常写成

PJf=PJ0f+∑j=J0J−1Qjf,P_Jf = P_{J_0}f+ \sum_{j=J_0}^{J-1}Q_jf,

其中,PjP_j 和 QjQ_j 是相应的正交投影。这解释了为什么实际变换的输出既包含最终的粗尺度数组,也包含各层细节数组。小波的均值为零,并不意味着整体平均值会丢失:尺度系数保留了细节系数所不包含的粗尺度信息。

子空间的嵌套性导出了双尺度关系:

ϕ(t)=2∑nh[n]ϕ(2t−n),\phi(t)=\sqrt2\sum_n h[n]\phi(2t-n),

以及相应的小波关系:

ψ(t)=2∑ng[n]ϕ(2t−n).\psi(t)=\sqrt2\sum_n g[n]\phi(2t-n).

序列 hh 和 gg 由此分别成为低通滤波器和高通滤波器。这是连接函数空间理论与数字算法的桥梁,也澄清了一个实际应用中的区别:连续函数的采样值并不天然就是它的尺度系数。软件可以直接对有限数值向量进行变换,但若要将该向量解释为对某个连续函数的特定近似,可能还需要对采样或预处理作出额外假设。

小波族及其数学性质

哈尔小波是最简单的正交归一小波:

ψ(t)={1,0≤t<12,−1,12≤t<1,0,otherwise.\psi(t)= \begin{cases} 1,&0\le t<\tfrac12,\\ -1,&\tfrac12\le t<1,\\ 0,&\text{otherwise}. \end{cases}

它的尺度函数是 [0,1)[0,1) 的示性函数。哈尔小波分析反复计算归一化的平均值与差值,因此其含义格外直观。这种小波具有紧支撑和一个消失矩,但不连续。它能高效地表示分段常数特征,而在表示光滑曲线时,所需的系数可能比采用更光滑的小波族时更多。

多贝西小波提供了一系列具有紧支撑的正交归一小波族,其消失矩个数可以逐步增加。当满足以下条件时,称小波具有 pp 个消失矩:

∫Rtmψ(t) dt=0,m=0,…,p−1.\int_{\mathbb R}t^m\psi(t)\,dt=0, \qquad m=0,\ldots,p-1.

因此,在不受边界问题影响的区域,它对次数低于 pp 的多项式给出的系数为零。在具有 pp 个消失矩的标准最小支撑正交归一构造中,相应的有限长滤波器有 2p2p 个系数。增大 pp 通常能改善对光滑函数的逼近,但也会扩大支撑范围并增加计算成本。不同软件的命名惯例有所不同:“D4”通常表示具有四个系数的滤波器,而“db2”则以两个消失矩来表示同一阶的小波。

其他正交小波族侧重于不同的性质权衡。Symlet 小波在紧支撑的正交构造中追求近似对称性。Coiflet 小波同时对小波函数和尺度函数施加矩条件。迈耶小波光滑且在频域中带限,但在时域中不具有紧支撑。香农小波具有理想化的、边界截然分明的频域支撑,而其时域尾部衰减缓慢。这些例子说明,有限支撑、快速衰减、光滑性和频率选择性是不同的性质,彼此不能等同。

连续小波分析所选用的小波,往往更注重可解释性,而非正交基的构造。墨西哥帽小波与高斯函数的二阶导数成正比,对局部峰值有很强的响应。莫莱小波形似高斯包络内的复正弦波,适用于对相位敏感的振荡分析。其最简单的未修正表达式具有一个微小的非零均值,因此,严格满足容许条件的形式包含一个修正项;当载波频率足够高时,这个修正项会变得很小。

双正交小波采用彼此不同的分析小波族与合成小波族,要求它们满足对偶关系,而不要求由单一的正交归一小波族同时承担两种作用。这使得构造具有线性相位的紧支撑对称滤波器成为可能,这一性质在图像处理中很有用。代价是系数能量不再满足正交归一情形下的简单恒等式。更一般地说,选择小波需要在消失矩、正则性、支撑长度、对称性、频谱特性和重构稳定性之间作出权衡。当变换为双正交变换时,小波及其对偶小波的数学性质都很重要。

滤波器组、提升方案与有限数据实现

快速离散变换通过多级滤波器组实现。在每一级中,输入经过滤波,分成低通和高通两个支路,每个支路再进行二倍下采样。按照一种常用约定,由近似系数 aj[k]a_j[k] 得到

aj−1[k]=∑nh[n−2k]‾ aj[n],dj−1[k]=∑ng[n−2k]‾ aj[n].a_{j-1}[k] = \sum_n\overline{h[n-2k]}\,a_j[n], \qquad d_{j-1}[k] = \sum_n\overline{g[n-2k]}\,a_j[n].

不同教材和软件包采用的索引方向及滤波器反转约定有所不同。核心操作是滤波、抽取,以及对低通支路的递归分析。重构则通过上采样和合成滤波逆向完成这一过程。

下采样会在各个支路中产生混叠。完全重构滤波器组的设计使各支路重新合并时,混叠成分相互抵消,从而在允许指定延迟或归一化的条件下恢复输入。因此,单个支路内出现混叠本身并不是缺陷。正交滤波器组还具有能量保持性质,而双正交滤波器组允许分析与合成采用不同的滤波器。在滤波器长度固定的情况下,各级运算量之和正比于

N+N2+N4+⋯ ,N+\frac N2+\frac N4+\cdots,

因此,对于包含 NN 个样本的信号,其复杂度用大O记号表示为 O(N)O(N)。这种线性复杂度是二进小波变换在实际应用中的优势之一。

提升方案将变换表示为一系列基本操作,维姆·斯韦尔登斯在20世纪90年代为其发展作出了突出贡献。首先将样本拆分,通常分为偶数位置和奇数位置两个子序列;然后用其中一个子序列预测另一个;最后通过更新操作调整粗尺度分量。每一步都有明确的逆操作。提升方案通常支持原位计算,能减少算术运算量,并能适应非均匀排列的数据。采用规定的舍入规则后,它可以实现整数到整数的可逆映射,这对无损编码十分重要。这类可逆变换应与实值正交变换的近似实现加以区分。

有限长度的数据会带来边界问题,而无限域上的理论并不能自动解决这些问题。周期延拓将数据的两端相接;除非端点值本来就为零,否则补零会引入人为的突变;对称延拓则将边界附近的数据作镜像反射。这些选择会改变那些对应小波与端点重叠的系数。在连续小波变换的可视化图中,影响锥标示在特定约定下边缘效应变得显著的区域;它并不意味着其他区域的结果必然可靠。

临界采样变换对平移也很敏感。信号仅平移一个样本,就可能使其系数分布发生显著变化,因为下采样会选定一种特定的对齐方式。非抽取变换或平稳变换省去抽取操作,以增加冗余为代价改善平移特性。小波包变换则不仅继续分解低通支路,也继续分解高通支路,从而提供更精细的不同频率划分方案。两者都改变了标准计算过程,但解决的是不同需求:前者着眼于对齐的稳定性,后者着眼于频率划分的可适应性。

逼近、稀疏性与统计估计

小波系数在函数光滑的区域较小,而在局部不规则处附近则可能较大。这一机制源于消失矩。如果 ff 在某个小波的支集附近足够光滑,其泰勒级数展开就可以分为一个低次多项式和一个余项。当多项式的次数低于消失矩的个数时,它对小波系数的贡献为零。在适当的假设下,正则性指数为 ss 的点附近的细尺度系数满足如下估计:

∣dj,k∣≲2−j(s+1/2).|d_{j,k}|\lesssim 2^{-j(s+1/2)}.

精确的界取决于函数类别、小波的正则性以及所在位置。这一估计说明了为什么细尺度系数在光滑区域迅速衰减,却在奇点附近仍保持显著。

这种局部化特性使许多信号能够得到稀疏表示,但并非所有信号都如此。在正交归一展开中,保留幅值最大的 MM 个系数,就能得到以 L2L^2 误差平方衡量的最佳 MM 项逼近,因为被舍弃系数的平方对误差的贡献是独立相加的。按幅值选择系数是一种非线性操作:保留哪些位置的系数取决于信号本身。对于一个除少数跳跃间断点外处处光滑的函数,大多数细尺度小波的支集完全位于光滑区域内,因此系数很小。每个尺度上,只有数量有限的小波支集与这些跳跃间断点相交。这与全局性的傅里叶表示不同;在后者中,一个间断点会影响许多振荡分量的系数。

小波还可以刻画一些重要的函数空间。在适当的正则性和矩条件下,系数平方的加权和可以用来描述索伯列夫空间中的范数。更一般的混合范数可以刻画贝索夫空间,而相关构造则可以刻画特里贝尔–利佐尔金空间。这些结果将有关光滑性和微分的问题转化为有关序列的问题。例如,微分会赋予细尺度更大的权重,因为细尺度表示空间上更短距离内的变化。这类刻画将小波计算与泛函分析联系起来,而不只是提供一种经验性的压缩规则。

在统计学中,小波去噪通常将观测数据建模为信号与加性噪声之和。对于方差相同的独立高斯噪声,正交归一变换会保持其协方差结构不变。随后,可以通过阈值处理来估计信号系数。硬阈值处理在 ∣w∣>λ|w|>\lambda 时保留 ww,否则将其置零。软阈值处理采用

ηλ(w)=sgn⁡(w)max⁡(∣w∣−λ,0).\eta_\lambda(w) = \operatorname{sgn}(w)\max(|w|-\lambda,0).

戴维·多诺霍和伊恩·约翰斯通在20世纪90年代就小波收缩方法的风险与自适应性取得了影响深远的成果。一个广为人知的阈值是 λ=σ2log⁡N\lambda=\sigma\sqrt{2\log N},它是在标准高斯噪声情形下推导得到的。

阈值处理需要在去除噪声与引入失真之间作出权衡。软阈值处理即使对保留下来的系数也会进行收缩,而硬阈值处理在截断阈值处不连续。当存在相关噪声、冗余变换、边界或未知噪声水平时,就需要对简单的理论公式作出修正。阈值处理与正则化之间有着明确的联系:在正交归一系数系统中,软阈值处理给出了带 L1L^1 惩罚项的最小二乘问题的解。因此,稀疏系数既可用于信号表示,也可作为统计模型的基础。

压缩、科学分析与数值计算

图像压缩是小波的一项重要应用,因为小波能将图像的大部分信息集中到相对少量的大系数中。可分离的二维变换沿行和列分别进行一维滤波,生成低—低、低—高、高—低和高—高子带。这些子带将粗略结构与不同类型的局部变化区分开来,不过水平方向和垂直方向的标记取决于所采用的约定。对低—低子带反复分解,可以得到具有不同分辨率的层次结构。随后,压缩过程将系数量化与对系数幅值、位置及跨尺度显著性的编码相结合。

JPEG 2000图像编码标准的核心编码系统于2000年完成标准化,它采用小波变换,而不是基线JPEG所采用的分块离散余弦变换。其中广泛使用的变换包括用于无损编码的可逆整数5/3变换,以及用于有损编码的不可逆9/7变换。这些数字表示相应双正交系统中的滤波器长度。按质量和分辨率渐进访问的能力既取决于变换本身,也取决于码流的组织方式。小波避免了基线JPEG固定的小分块结构,但过强的量化仍可能造成模糊或振铃。

科学应用更直接地利用了小波的局部化特性。在地球物理学中,小波有助于区分地震事件以及随尺度变化的结构。在湍流和流体测量中,小波可以分离出那些在全局频谱中被平均在一起的间歇性突发活动。在时间序列分析中,连续小波变换可以展示周期随时间变化的振荡。交叉小波和小波相干方法可以在尺度和时间上对两组记录进行局部比较。解释其结果时,需要注意平滑处理、边缘效应、噪声模型和多重检验:共享功率区域即使在视觉上十分突出,也不能据此确立因果关系。

小波也用于处理生物和物理测量数据,包括电生理信号、天文观测数据和光谱数据。其作用通常是计算层面的,例如分离尺度、抑制指定的噪声分量或提取候选特征。这些特征能否支持某项科学结论,取决于测量过程和经过独立验证的分析。对于磁共振成像,小波域中的稀疏性可以成为重建模型的一部分,尤其是在测量数据不完整时。此时,重建质量取决于采集算子、噪声假设和正则化,而不只是稀疏性。

在数值分析中,小波基为偏微分方程和逆问题提供自适应表示。小系数可以标示出不需要很高分辨率的区域,而细尺度上的大系数则能标示出局部的复杂结构。在适当的假设下,微分算子和积分算子具有可压缩的小波表示,因此可以在控制误差的前提下舍弃较小的矩阵元素。小波坐标还可用于预条件处理和多层次求解器。与常规有限元法相比,处理不规则几何形状和边界条件可能需要更专门的构造,因此小波是否具有计算优势取决于具体问题。

高维推广与结构性局限

向多维推广的直接方法,是对一维尺度函数和小波取张量积。在二维情形下,ϕ\phi 与 ψ\psi 的组合生成一个粗尺度分量和三类细节分量。这种构造便于计算,也很适合矩形阵列。然而,沿坐标轴排列的乘积形式只能提供有限的方向选择性。一条较长的对角边缘可能穿过许多小波的小支撑域,因此,对孤立点奇异性具有稀疏表示的系统,对曲线或曲面未必同样稀疏。

方向性多尺度系统旨在克服这一几何局限。曲波采用细长的元素,其方向和长宽比随尺度变化;剪切波则通过各向异性伸缩和剪切构造出不同方向的函数族。脊波适用于线状结构。这些系统通过局部化和尺度分解与小波相关联,但并非只是换用另一种一维母小波。它们的逼近性质取决于对数据几何结构的假设。例如,对于除足够规则的曲线之外处处光滑的理想化图像,曲波具有很强的非线性逼近理论保证。

另一种推广是用框架代替基。框架是一类冗余的函数族,满足如下形式的界限:

A∥f∥2≤∑λ∣⟨f,ψλ⟩∣2≤B∥f∥2,0<A≤B<∞.A\|f\|^2 \le \sum_\lambda |\langle f,\psi_\lambda\rangle|^2 \le B\|f\|^2, \qquad 0<A\le B<\infty.

这些界限保证了分析的稳定性,而重建则使用适当的对偶函数族。冗余可以改善平移特性、方向选择性或鲁棒性,但会增加存储量和计算量。尼克·金斯伯里开发的双树复小波变换利用并行的实滤波器树来近似复小波的特性。在二维情形下,与普通的临界采样可分离变换相比,它能提供多个方向子带,并具有更好的平移特性。

小波思想也可推广到均匀欧氏网格之外。第二代小波构造在不规则网格或其他非均匀定义域上采用局部预测和更新规则,通常通过提升方法实现。谱图小波利用图拉普拉斯算子的函数,在顶点上定义随尺度变化的算子。这里的“尺度”涉及图论中图的谱结构或连通结构,而非实数轴上通常意义的平移与伸缩。这些方法保留了多尺度原则,但改变了底层的数学工具。

这些变体仍普遍受到若干根本性限制。有限支撑与严格带限无法兼得;在一个域中的高度局部化会限制在另一个域中的局部化程度。在标准二进多分辨率框架下,对于实值、紧支撑、正交归一的标量小波,严格对称性基本上只存在于哈尔小波这一情形,这也促使人们采用双正交方案。更多的消失矩并不一定能改善所有分析,因为更长的滤波器会扩大边界和邻近事件的影响范围。在高维情形下,方向覆盖和冗余度也成为额外的设计选择。因此,要明确一种小波表示,不能只给出其所属函数族的名称,还必须说明其采样方式、边界处理、归一化方式、重建规则,以及所针对的函数或信号类别。