Вейвлет — это волнообразное колебание с амплитудой , которая начинается с нуля, увеличивается или уменьшается , а затем возвращается к нулю один или несколько раз. Вейвлеты называются «краткими колебаниями». Установлена таксономия вейвлетов, основанная на количестве и направлении их импульсов. Вейвлеты обладают особыми свойствами, которые делают их полезными для обработки сигналов .
Например, можно создать вейвлет с частотой средней до и короткой продолжительностью примерно в одну десятую секунды. Если этот вейвлет свернуть с сигналом, созданным при записи мелодии, то полученный сигнал будет полезен для определения того, когда в песне появилась средняя нота «до». Математически вейвлет коррелирует с сигналом, если часть сигнала аналогична. Корреляция лежит в основе многих практических вейвлет-приложений.
В качестве математического инструмента вейвлеты можно использовать для извлечения информации из многих видов данных, включая аудиосигналы и изображения. Для полного анализа данных необходимы наборы вейвлетов. «Дополнительные» вейвлеты разлагают сигнал без пропусков и перекрытий, так что процесс разложения математически обратим. Таким образом, наборы дополнительных вейвлетов полезны в алгоритмах сжатия/декомпрессии на основе вейвлетов , где желательно восстановить исходную информацию с минимальными потерями.
Формально это представление представляет собой представление в виде вейвлет-серии функции , интегрируемой с квадратом, относительно либо полного ортонормированного набора базисных функций , либо сверхполного набора или фрейма векторного пространства для гильбертова пространства функций, интегрируемых с квадратом. . Это достигается посредством согласованных государств .
В классической физике явление дифракции описывается принципом Гюйгенса-Френеля , который рассматривает каждую точку распространяющегося волнового фронта как совокупность отдельных сферических вейвлетов. [1] Характерная картина изгиба наиболее выражена, когда волна от когерентного источника (например, лазера) сталкивается с щелью/апертурой, размер которой сопоставим с ее длиной волны . Это происходит из-за сложения или интерференции различных точек волнового фронта (или, что то же самое, каждого вейвлета), которые проходят по путям разной длины к регистрирующей поверхности. Несколько близко расположенных отверстий (например, дифракционная решетка ) могут привести к образованию сложной картины различной интенсивности.
Слово «вейвлет» десятилетиями использовалось в цифровой обработке сигналов и разведочной геофизике. [2] Эквивалентное французское слово ondelette , означающее «маленькая волна», использовалось Морле и Гроссманном в начале 1980-х годов.
Теория вейвлетов применима к нескольким предметам. Все вейвлет-преобразования можно рассматривать как формы частотно-временного представления для непрерывных (аналоговых) сигналов и поэтому они связаны с гармоническим анализом . Дискретное вейвлет-преобразование (непрерывное во времени) дискретного ( выборочного) сигнала с использованием наборов фильтров дискретного времени диадической (октавной полосы) конфигурации представляет собой вейвлет-аппроксимацию этого сигнала. Коэффициенты такого набора фильтров называются коэффициентами сдвига и масштабирования в номенклатуре вейвлетов. Эти наборы фильтров могут содержать фильтры с конечной импульсной характеристикой (FIR) или с бесконечной импульсной характеристикой (IIR). Вейвлеты, образующие непрерывное вейвлет-преобразование (CWT), подчиняются принципу неопределенности анализа Фурье, соответствующей теории выборки: учитывая сигнал с некоторым событием в нем, нельзя одновременно назначить этому событию точную шкалу времени и частотной характеристики. Произведение неопределенностей шкалы времени и частотной характеристики имеет нижнюю границу. Таким образом, на скалограмме непрерывного вейвлет-преобразования этого сигнала такое событие отмечает целую область в плоскости шкалы времени, а не только одну точку. Кроме того, базы дискретных вейвлетов можно рассматривать в контексте других форм принципа неопределенности. [3] [4] [5] [6]
Вейвлет-преобразования в целом делятся на три класса: непрерывные, дискретные и на основе множественного разрешения.
В непрерывных вейвлет-преобразованиях данный сигнал конечной энергии проецируется на непрерывное семейство частотных диапазонов (или аналогичные подпространства функционального пространства L p L 2 ( R ) ). Например, сигнал может быть представлен в каждой полосе частот формы [ f , 2 f ] для всех положительных частот f > 0. Затем исходный сигнал может быть восстановлен путем подходящего интегрирования по всем результирующим частотным компонентам.
Полосы частот или подпространства (поддиапазоны) представляют собой масштабированные версии подпространства в масштабе 1. Это подпространство, в свою очередь, в большинстве ситуаций генерируется сдвигами одной производящей функции ψ в L 2 ( R ), материнском вейвлете . Для примера полосы частот масштаба один [1, 2] эта функция равна
Подпространство масштаба a или частотного диапазона [1/ a , 2/ a ] генерируется функциями (иногда называемыми дочерними вейвлетами )
Тогда проекция функции x на подпространство масштаба a имеет вид
Для анализа сигнала x можно собрать вейвлет-коэффициенты в масштабограмму сигнала.
См. список некоторых непрерывных вейвлетов .
Вычислительно невозможно проанализировать сигнал, используя все вейвлет-коэффициенты, поэтому можно задаться вопросом, достаточно ли выбрать дискретное подмножество верхней полуплоскости, чтобы иметь возможность восстановить сигнал из соответствующих вейвлет-коэффициентов. Одной из таких систем является аффинная система для некоторых действительных параметров a > 1, b > 0. Соответствующее дискретное подмножество полуплоскости состоит из всех точек ( a m , nb a m ) с m , n в Z . Соответствующие дочерние вейвлеты теперь задаются как
Достаточное условие восстановления любого сигнала x конечной энергии по формуле
В любом дискретном вейвлет-преобразовании существует только конечное число вейвлет-коэффициентов для каждой ограниченной прямоугольной области в верхней полуплоскости. Тем не менее, каждый коэффициент требует оценки интеграла. В особых ситуациях этой числовой сложности можно избежать, если масштабированные и сдвинутые вейвлеты образуют анализ с множественным разрешением . Это означает, что должна существовать вспомогательная функция , родительский вейвлет φ в L 2 ( R ), и что a является целым числом. Типичный выбор — a = 2 и b = 1. Самая известная пара родительских и материнских вейвлетов — это 4-отводный вейвлет Добеши . Обратите внимание, что не каждый ортонормированный дискретный вейвлет-базис может быть связан с анализом с множественным разрешением; например, вейвлет Журна не допускает анализа с несколькими разрешениями. [7]
Из вейвлетов матери и отца строятся подпространства
Отсюда требуется, чтобы последовательность
По аналогии с теоремой о выборке можно заключить, что пространство V m с расстоянием выборки 2 м более или менее покрывает полосу частот модулирующего сигнала от 0 до 1/2 м -1 . В качестве ортогонального дополнения W m примерно покрывает полосу [1/2 м -1 , 1/2 м ].
Из этих включений и отношений ортогональности, особенно , следует существование последовательностей и удовлетворяющих тождествам
Из многоразрешительного анализа выводится ортогональное разложение пространства L 2 как
Для обработки временных сигналов в реальном времени важно, чтобы вейвлет-фильтры не обращались к значениям сигналов из будущего, а также чтобы можно было получить минимальные временные задержки. Представления вейвлетов, зависящих от времени, были разработаны Сью и др. [8] и Линдебергом [9] , причем последний метод также включает в себя эффективно рекурсивную по времени реализацию.
Для практических приложений и по соображениям эффективности предпочитают непрерывно дифференцируемые функции с компактной поддержкой в качестве материнского (прототипного) вейвлета (функций). Однако для удовлетворения аналитических требований (в непрерывном WT) и в целом по теоретическим причинам вейвлет-функции выбираются из подпространства пространства. Это пространство измеримых по Лебегу функций, которые являются как абсолютно интегрируемыми , так и интегрируемыми с квадратом в том смысле, что
Находясь в этом пространстве, можно сформулировать условия нулевого среднего и единицы квадратичной нормы:
Чтобы ψ был вейвлетом для непрерывного вейвлет-преобразования (точные формулировки см. здесь), материнский вейвлет должен удовлетворять критерию допустимости (грубо говоря, своего рода полудифференцируемости), чтобы получить стабильно обратимое преобразование.
Для дискретного вейвлет-преобразования необходимо, по крайней мере, условие, что вейвлет-ряд является представлением тождества в пространстве L 2 ( R ) . Большинство конструкций дискретного WT используют мультиразрешающий анализ , который определяет вейвлет с помощью масштабирующей функции. Эта масштабирующая функция сама по себе является решением функционального уравнения.
В большинстве ситуаций полезно ограничить ψ непрерывной функцией с большим числом M исчезающих моментов, т.е. для всех целых m < M
Материнский вейвлет масштабируется (или расширяется) в коэффициент a и переводится (или сдвигается) в коэффициент b , что дает (согласно исходной формулировке Морле):
Для непрерывного WT пара ( a , b ) меняется во всей полуплоскости R + × R ; для дискретного WT эта пара меняется на его дискретном подмножестве, которое также называется аффинной группой .
Эти функции часто ошибочно называют базисными функциями (непрерывного) преобразования. Фактически, как и в случае с непрерывным преобразованием Фурье, в непрерывном вейвлет-преобразовании нет основы. Частотно-временная интерпретация использует немного другую формулировку (по Дельпрату).
Ограничение:
Вейвлет-преобразование часто сравнивают с преобразованием Фурье , в котором сигналы представляются как сумма синусоид. Фактически преобразование Фурье можно рассматривать как частный случай непрерывного вейвлет-преобразования с выбором материнского вейвлета . Основное различие в целом заключается в том, что вейвлеты локализованы как по времени, так и по частоте, тогда как стандартное преобразование Фурье локализовано только по частоте . Кратковременное преобразование Фурье (STFT) похоже на вейвлет-преобразование тем, что оно также локализовано по времени и частоте, но существуют проблемы с компромиссом между частотой и разрешением по времени.
В частности, предполагая прямоугольную область окна, можно думать о STFT как о преобразовании с немного другим ядром.
и квадрат спектральной опоры окна, действующего на частоте
Умножение на прямоугольное окно во временной области соответствует свертке с функцией в частотной области, что приводит к ложным артефактам звона для коротких/локализованных временных окон. С помощью преобразования Фурье с непрерывным временем, и эта свертка выполняется с дельта-функцией в пространстве Фурье, что приводит к истинному преобразованию Фурье сигнала . Оконной функцией может быть какой-либо другой аподизирующий фильтр , например, гауссов . Выбор оконной функции повлияет на ошибку аппроксимации относительно истинного преобразования Фурье.
Произведение временной полосы пропускания ячейки данного разрешения не может быть превышено с помощью STFT. Все базовые элементы STFT поддерживают единую спектральную и временную поддержку для всех временных сдвигов или смещений, тем самым достигая одинакового разрешения во времени для более низких и более высоких частот. Разрешение определяется исключительно шириной выборки.
Напротив, свойства мультиразрешения вейвлет-преобразования обеспечивают большую временную поддержку для более низких частот, сохраняя при этом короткую временную ширину для более высоких частот за счет масштабирующих свойств вейвлет-преобразования. Это свойство расширяет традиционный частотно-временной анализ до анализа в масштабе времени. [10]
Дискретное вейвлет-преобразование является менее сложным в вычислительном отношении и занимает время O( N ) по сравнению с O( N log N ) для быстрого преобразования Фурье . Это вычислительное преимущество не присуще преобразованию, а отражает выбор логарифмического деления частоты, в отличие от равноотстоящих друг от друга частотных делений БПФ (быстрого преобразования Фурье), которое использует те же базисные функции, что и ДПФ (дискретное преобразование Фурье). . [11] Также важно отметить, что эта сложность применима только тогда, когда размер фильтра не имеет отношения к размеру сигнала. Вейвлет без компактной поддержки , такой как вейвлет Шеннона , потребует O( N 2 ). (Например, логарифмическое преобразование Фурье также существует со сложностью O( N ), но исходный сигнал должен быть логарифмически дискретизирован во времени, что полезно только для определенных типов сигналов. [12] ).
Вейвлет (или семейство вейвлетов) можно определить различными способами:
Ортогональный вейвлет полностью определяется масштабирующим фильтром – фильтром нижних частот с конечной импульсной характеристикой (FIR) длиной 2 N и суммой 1. В биортогональных вейвлетах определены отдельные фильтры разложения и реконструкции.
Для анализа с использованием ортогональных вейвлетов фильтр верхних частот рассчитывается как квадратурный зеркальный фильтр нижних частот, а фильтры реконструкции являются временными обратными фильтрами разложения.
Вейвлеты Добеши и Симлета могут быть определены с помощью масштабирующего фильтра.
Вейвлеты определяются вейвлет-функцией ψ( t ) (т.е. материнским вейвлетом) и функцией масштабирования φ( t ) (также называемой родительским вейвлетом) во временной области.
Вейвлет-функция по сути представляет собой полосовой фильтр, масштабирование которого для каждого уровня уменьшает вдвое полосу пропускания. Это создает проблему: чтобы охватить весь спектр, потребуется бесконечное количество уровней. Функция масштабирования фильтрует самый низкий уровень преобразования и обеспечивает охват всего спектра. Подробное объяснение см. в [13] .
Для вейвлета с компактной поддержкой φ( t ) можно считать конечной по длине и эквивалентной масштабирующему фильтру g .
Вейвлеты Мейера можно определить с помощью функций масштабирования.
Вейвлет имеет только представление во временной области как вейвлет-функция ψ( t ).
Например, вейвлеты мексиканской шляпы могут быть определены с помощью вейвлет-функции. См. список нескольких непрерывных вейвлетов .
Развитие вейвлетов можно связать с несколькими отдельными направлениями мысли, начиная с работы Хаара в начале 20 века. Более поздняя работа Денниса Габора выявила атомы Габора (1946), которые устроены аналогично вейвлетам и применяются для аналогичных целей.
Заметный вклад в теорию вейвлетов с тех пор можно отнести к открытию Цвейгом непрерывного вейвлет-преобразования (CWT) в 1975 году (первоначально называемого кохлеарным преобразованием и открытого при изучении реакции уха на звук), [14] Пьера Гупийо, Формулировка Гроссмана и Морле того, что сейчас известно как CWT (1982), ранняя работа Яна-Олова Стрёмберга по дискретным вейвлетам (1983), набор неортогональных фильтров Ле Галля-Табатабай (LGT) с 5/3 отводами с линейная фаза (1988), [15] [16] [17] Ортогональные вейвлеты с компактной поддержкой Ингрид Добеши (1988), неортогональная структура множественного разрешения Маллата (1989), Биномиальная QMF Али Акансу (1990), Натали Частотно-временная интерпретация CWT Дельпратом (1991), гармоническое вейвлет-преобразование Ньюленда (1993) и разделение множеств в иерархических деревьях (SPIHT), разработанные Амиром Саидом совместно с Уильямом А. Перлманом в 1996 году. [18]
Стандарт JPEG 2000 разрабатывался с 1997 по 2000 год комитетом Объединенной группы экспертов по фотографии (JPEG) под председательством Тураджа Эбрахими (впоследствии президента JPEG). [19] В отличие от алгоритма DCT, используемого в исходном формате JPEG , JPEG 2000 вместо этого использует алгоритмы дискретного вейвлет-преобразования (DWT). Он использует вейвлет-преобразование CDF 9/7 (разработанное Ингрид Добеши в 1992 году) для алгоритма сжатия с потерями и набор фильтров дискретного времени Ле Галля-Табатабай (LGT) 5/3 (разработанный Дидье Ле Галлем и Али Дж. Табатабаи в 1988 году) за алгоритм сжатия без потерь . [20] Технология JPEG 2000 , включающая расширение Motion JPEG 2000 , была выбрана в качестве стандарта кодирования видео для цифрового кино в 2004 году. [21]
Вейвлет — это математическая функция, используемая для разделения заданной функции или сигнала непрерывного времени на различные компоненты масштаба. Обычно каждому компоненту шкалы можно назначить частотный диапазон. Затем каждый компонент масштаба можно изучить с разрешением, соответствующим его масштабу. Вейвлет-преобразование — это представление функции вейвлетами. Вейвлеты представляют собой масштабированные и преобразованные копии (известные как «дочерние вейвлеты») осциллирующей формы конечной длины или быстро затухающей формы (известной как «материнский вейвлет»). Вейвлет-преобразования имеют преимущества перед традиционными преобразованиями Фурье для представления функций, имеющих разрывы и острые пики, а также для точного деконструирования и восстановления конечных, непериодических и /или нестационарных сигналов .
Вейвлет-преобразования подразделяются на дискретные вейвлет-преобразования (DWT) и непрерывные вейвлет-преобразования (CWT). Обратите внимание, что и DWT, и CWT являются преобразованиями непрерывного времени (аналоговыми). Их можно использовать для представления непрерывных (аналоговых) сигналов. CWT работают со всеми возможными масштабами и трансляциями, тогда как DWT используют определенное подмножество масштабов и значений перевода или сетку представления.
Существует большое количество вейвлет-преобразований, каждое из которых подходит для разных приложений. Полный список см. в списке преобразований, связанных с вейвлетами, но наиболее распространенные из них перечислены ниже:
Существует ряд обобщенных преобразований, частным случаем которых является вейвлет-преобразование. Например, Йосеф Джозеф Сегман ввел масштаб в группу Гейзенберга , породив пространство непрерывного преобразования, которое является функцией времени, масштаба и частоты. CWT представляет собой двумерный срез полученного трехмерного объема в масштабе времени и частоте.
Другим примером обобщенного преобразования является преобразование лирплета , в котором CWT также является двумерным срезом преобразования лирплета.
Важная область применения обобщенных преобразований включает системы, в которых решающее значение имеет высокое разрешение по частоте. Например, темнопольные электронно-оптические преобразования, промежуточные между прямым и обратным пространством , широко используются при гармоническом анализе кластеризации атомов, т. е. при исследовании кристаллов и кристаллических дефектов . [22] Теперь, когда трансмиссионные электронные микроскопы способны предоставлять цифровые изображения с пикометрической информацией об атомной периодичности в наноструктурах всех видов, диапазон приложений распознавания образов [23] и деформации [24] / метрологии [25] для промежуточных преобразований с высоким частотным разрешением (например, кисти [26] и риджлеты [27] ) быстро растет.
Дробное вейвлет-преобразование (FRWT) представляет собой обобщение классического вейвлет-преобразования в областях дробного преобразования Фурье. Это преобразование способно одновременно предоставлять информацию во временной и дробной области и представлять сигналы в плоскости дробно-временной частоты. [28]
Обычно аппроксимация DWT используется для сжатия данных , если сигнал уже дискретизирован, а CWT — для анализа сигнала . [29] Таким образом, аппроксимация DWT обычно используется в инженерии и информатике, [30] и CWT в научных исследованиях. [31]
Как и некоторые другие преобразования, вейвлет-преобразования можно использовать для преобразования данных, а затем кодирования преобразованных данных, что приводит к эффективному сжатию. Например, JPEG 2000 — это стандарт сжатия изображений, использующий биортогональные вейвлеты. Это означает, что хотя кадр и переполнен, но это плотный кадр (см. типы кадров векторного пространства ), и для анализа и синтеза используются одни и те же функции кадра (кроме сопряжения в случае комплексных вейвлетов), т.е. , как при прямом, так и при обратном преобразовании. Подробнее см. вейвлет-сжатие .
Связанное использование — сглаживание/шумоподавление данных на основе порогового значения вейвлет-коэффициента, также называемого вейвлет-сжатием. Путем адаптивного определения порога вейвлет-коэффициентов, которые соответствуют нежелательным частотным компонентам, могут быть выполнены операции сглаживания и/или шумоподавления.
Вейвлет-преобразования также начинают использоваться в коммуникационных приложениях. Wavelet OFDM — это базовая схема модуляции, используемая в HD-PLC ( технология связи по линиям электропередачи , разработанная Panasonic ), а также в одном из дополнительных режимов, включенных в стандарт IEEE 1901 . Вейвлет OFDM может достигать более глубоких вырезов, чем традиционный FFT OFDM, а вейвлет OFDM не требует защитного интервала (который обычно представляет собой значительные накладные расходы в системах FFT OFDM). [32]
Часто сигналы можно представить в виде суммы синусоид. Однако рассмотрим прерывистый сигнал с резким скачком; этот сигнал все еще можно представить как сумму синусоид, но требуется бесконечное число, что является наблюдением, известным как феномен Гиббса . Таким образом, для этого требуется бесконечное число коэффициентов Фурье, что непрактично для многих приложений, таких как сжатие. Вейвлеты более полезны для описания этих сигналов с разрывами из-за их поведения, локализованного во времени (как преобразования Фурье, так и вейвлет-преобразования локализованы по частоте, но вейвлеты обладают дополнительным свойством локализации во времени). Из-за этого многие типы сигналов на практике могут быть неразреженными в области Фурье, но очень разреженными в области вейвлетов. Это особенно полезно при реконструкции сигналов, особенно в популярной в последнее время области измерения сжатых данных . (Обратите внимание, что кратковременное преобразование Фурье (STFT) также локализовано во времени и частоте, но часто возникают проблемы с компромиссом между разрешением и частотой. Вейвлеты являются лучшим представлением сигнала из-за анализа с множественным разрешением .)
Это объясняет, почему вейвлет-преобразования в настоящее время применяются для огромного количества приложений, часто заменяя обычное преобразование Фурье . Во многих областях физики произошел этот сдвиг парадигмы, включая молекулярную динамику , теорию хаоса , [33] расчеты ab initio , астрофизику , анализ данных переходных процессов гравитационных волн , [34] [35] локализацию матрицы плотности , сейсмологию , оптику , турбулентность и квантовую теорию . механика . Это изменение также произошло в обработке изображений , ЭЭГ , ЭМГ , [36] анализе ЭКГ , мозговых ритмах , анализе ДНК , анализе белков , климатологии , анализе сексуальной реакции человека, [37] общей обработке сигналов , распознавании речи , акустике, вибрационных сигналах, [38] компьютерная графика , мультифрактальный анализ и разреженное кодирование . В компьютерном зрении и обработке изображений понятие представления масштабного пространства и операторов производной Гаусса рассматривается как каноническое многомасштабное представление.
Предположим, мы измеряем шумный сигнал , где представляет сигнал и представляет шум. Предположим, что оно имеет разреженное представление в определенном вейвлет-базисе, и
Пусть вейвлет-преобразование будет , где – вейвлет-преобразование компонента сигнала, а – вейвлет-преобразование шумового компонента.
Большинство элементов имеют значение 0 или близкое к 0, и
Поскольку он ортогонален, проблема оценки сводится к восстановлению сигнала в гауссовском шуме . Из-за редкости один из методов заключается в применении модели гауссовой смеси для .
Предположим априорное значение , где – дисперсия «значимых» коэффициентов, а – дисперсия «незначимых» коэффициентов.
Тогда , называется коэффициентом усадки, который зависит от предыдущих отклонений и . При установке коэффициентов, которые падают ниже порога сжатия, на ноль, после применения обратного преобразования ожидаемо небольшое количество сигнала теряется из-за предположения о разреженности. Ожидается, что более крупные коэффициенты в первую очередь будут представлять сигнал из-за разреженности, и статистически ожидается, что очень небольшая часть сигнала, хотя и большая часть шума, будет представлена в таких коэффициентах с более низкой величиной... поэтому ожидается, что операция обнуления будет удалить большую часть шума и не так много сигнала. Обычно коэффициенты над порогом не изменяются в ходе этого процесса. Некоторые алгоритмы шумоподавления на основе вейвлетов также могут ослаблять более крупные коэффициенты на основе статистической оценки количества шума, которое, как ожидается, будет удалено в результате такого ослабления.
Наконец, примените обратное вейвлет-преобразование, чтобы получить
Агарвал и др. предложил усовершенствованные линейные [39] и нелинейные [40] методы на основе вейвлетов для построения и исследования климата как сложных сетей в разных временных масштабах. Климатические сети, построенные с использованием наборов данных ТПО в разных временных масштабах, показали, что многомасштабный анализ климатических процессов на основе вейвлетов обещает лучшее понимание динамики системы, которую можно упустить, если процессы анализируются только в одном временном масштабе [41].
Вейвлеты активно используются для решения широкого круга задач обработки изображений в различных областях науки и техники, например, шумоподавления изображений, реконструкции, анализа, анализа и обработки видео.
Методы вейвлет-обработки основаны на дискретном вейвлет-преобразовании с использованием одномерной цифровой фильтрации.