一、叙述小波分析理论发展的历史和研究现状
答：傅立叶变换能够将信号的时域和特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。这是因为信号的时域波形中不包含任何频域信息，而其傅立叶谱是信号的统计特性，从其表达式中也可以看出，它是整个时间域内的积分，没有局部化分析信号的功能，完全不具备时域信息，也就是说，对于傅立叶谱中的某一频率，不能够知道这个频率是在什么时候产生的。这样在信号分析中就面临一对最基本的矛盾——时域和频域的局部化矛盾。
在实际的信号处理过程中，尤其是对非常平稳信号的处理中，信号在任一时刻附近的频域特征很重要。如柴油机缸盖表明的振动信号就是由撞击或冲击产生的，是一瞬变信号，单从时域或频域上来分析是不够的。这就促使人们去寻找一种新方法，能将时域和频域结合起来描述观察信号的时频联合特征，构成信号的时频谱，这就是所谓的时频分析，亦称为时频局部化方法。
为了分析和处理非平稳信号，人们对傅立叶分析进行了推广乃至根本性的革命，提出并开发了一系列新的信号分析理论：短时傅立叶变换、时频分析、Gabor 变换、小波变换Randon-Wigner变换、分数阶傅立叶变换、线形调频小波变换、循环统计量理论和调幅—调频信号分析等。其中，短时傅立叶变换和小波变换也是因传统的傅立叶变换不能够满足信号处理的要求而产生的。
短时傅立叶变换分析的基本思想是：假定非平稳信号在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。但从本质上讲，短时傅立叶变换是一种单一分辨率的信号分析方法，因为它使用一个固定的短时窗函数，因而短时傅立叶变换在信号分析上还是存在着不可逾越的缺陷。
小波变换是一种信号的时间—尺度（时间—频率）分析方法，具有多分辨率分析（Multi-resolution）的特点，而且在时频两域都具有表征信号局部特征的能力，使一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率。在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合于探测正常信号中夹带的瞬态反常现象并展示其成分，所以被誉为分析信号的显微镜。
小波分析最早应用在地震数据压缩中, 以后在图像处理、故障诊断等方面取得了传统方法根本无法达到的效果. 现在小波分析已经渗透到了自然科学、应用
科学等方面, 小波分析已成为国际研究热点. 无论是傅里叶分析还是小波分析均以线性变换为基础, 按非线性傅立叶分析提出了非线性小波变换, 这种非线性小波变换处理非线性问题更为有效.
二、分析小波的基本定义
答：小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier 变换相比，小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier 变换的困难问题，成为继Fourier 变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。
小波分析方法是一种窗口大小（即窗口面积）固定但其形状可改变，时间窗和频率窗都可改变的时频局部化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率。正是这种特性，是小波变换具有对信号的自适应性。
小波分析被看成调和分析这一数学领域半个世纪以来的工作结晶，已经和必将广泛地应用于信号处理、图像处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、CT 成像、彩色复印、流体湍流、天体识别、机器视觉、机械故障诊断与监控、分形以及数字电视等科技领域。原则上讲，传统上使用傅立叶分析的地方，都可以用小波分析取代。小波分析优于傅立叶变换的地方是，它在时域和频域同时具有良好的局部化性质。
设()()R L t 2∈ψ（()R L 2表示平方可积的实数空间，即能量有限的信号空间），其傅立叶变换为()ωψ∧。()ωψ∧
满足允许条件（Admissible Condition ）： ()
∞<∧=?ωωωψψd R C 2
时，我们称()t ψ为一个基本小波或母小波（Mother Wavelet ）。将母函数()t ψ经伸缩和平移后，就可以得到一个小波序列。
对于连续的情况，小波序列为
??
? ??-=a b t a b a ψψ1
, 0;.≠∈a R b a 其中，a 为伸缩因子，b 为平移因子。
对于离散的情况，小波序列为
()k t j j k j -=--222/,ψψ Z k j ∈,
对于任意的函数()()R L t f 2∈的连续小波变换为
(
)()t d a b t t f a
f b a W R b a f ???
? ??-==-ψψ2/1,,, 其逆变换为 ()()????
? ??-=+dadb a b t b a W a C t f f R R t ψ,112 小波变换的时频窗口特性与短时傅立叶的时频窗口不一样。其窗口形状为两个矩
形[]????????? ???+±??? ?
??-±??+?-∧∧a a a b a b /,/,00ψωψωψψ，窗口中心为()a b /,0ω±，时窗宽和频窗宽分别为ψ?a 和a /∧?ψ。其中b 仅仅影响窗口在相平面时间轴上的
位置，而a 不仅影响窗口在频率轴上的位置，也影响窗口的形状。这样小波变换对不同的频率在时域上的取样步长是调节性的：在低频时小波变换的时间分辨率较差，而频率分辨率较高；在高频时小波变换的时间分辨率较高，而频率分辨率较低，这正符合低频信号变化缓慢而高频信号变换迅速的特点。这便是它优于经典的傅立叶变换与短时傅立叶变换的地方。从总体上来说，小波变换比短时傅立叶变换具有更好的时频窗口特性。
三、小波分析是傅立叶分析思想方法的发展与延拓，二者相辅相成，试对小波分析和傅立叶变换进行比较
答：小波分析是傅立叶分析思想的发展与延拓，它自产生以来，就一直与傅立叶分析密切相关，他的存在性证明，小波基的构造以及结果分析都依赖于傅立叶分析，二者是相辅相成的，两者主要的不同点：
1、傅立叶变换实质是把能量有限信号f(t)分解到以{exp(jωt)}为正交基的空间上去；小波变换的实质是把能量有限信号f(t)分解到W-j和V-j所构成的空间上去的。
2、傅立叶变换用到的基本函数只有sin(ωt),cos(ωt),exp(jωt)，具有唯一性；小波分析用到的函数（即小波函数）则具有多样性，同一个工程问题用不同的小波函数进行分析有时结果相差甚远。小波函数的选用是小波分析运用到实际中的一个难点问题（也是小波分析研究的一个热点问题），目前往往是通过经验或不断地试验（对结果进行对照分析）来选择小波函数。
3、在频域分析中，傅立叶变换具有良好的局部化能力，特别是对于那些频率成分比较简单的确定性信号，傅立叶变换很容易把信号表示成各频率成分的叠加和的形式，如sin(ω1t)+0.345sin(ω2t)+4.23cos(ω3t)，但在时域中傅立叶变换没有局部化能力，即无法从f(t)的傅立叶变换中看出f(t)在任一时间点附近的性态。事实上，F(w)dw是关于频率为w的谐波分量的振幅，在傅立叶展开式中，它是由f(t)的整体性态所决定的。
4、在小波分析中，尺度a的值越大相当于傅立叶变换中w的值越小。
5、在短时傅立叶变换中，变换系数S(ω，τ)主要依赖于信号在[τ-δ，τ+δ]片段中的情况，时间宽度是2δ（因为δ是由窗函数g(t)唯一确定的，所以2δ是一个定值）。在小波变换中，变换系数Wf（a,b）主要依赖于信号在[b-aΔφ，b+aΔφ）片断中的情况，时-间宽度是2aΔφ，该时间的宽度是随尺度a变化而变化的，所以小波变换具有时间局部分析能力。
6、若用信号通过滤波器来解释，小波变换与短时傅立叶变换不容之处
在于：对短时傅立叶变换来说，带通滤波器的带宽Δf 与中心频率f 无关；相反小波变换带通滤波器的带宽Δf 则正比于中心频率f 。
四、阐述多分辨分析的思想并给出MALLAT 算法的表达式
答：Meyer 于1986年创造性地构造出具有一定衰减性的光滑函数，其二进制伸缩与平移构成()R L 2的规范正交基，才使小波得到真正的发展。1988年S.Mallat 在构造正交小波基时提出了多分辨分析（Multi-Resolution Analysis ）的概念，从空间的概念上形象地说明了小波的多分辨率特性，将此之前的所有正交小波基的构造法统一起来，给出了正交小波的构造方法以及正交小波变化的快速算法，即Mallat 算法。Mallat 算法在小波分析中的地位相当于快速傅立叶变换算法在经典傅立叶分析中的地位。
定义：空间)(2R L 中的多分辨分析是指)(2R L 满足如下性质的一个空间序列{}Z j j V ∈：
（1）调一致性：1+?j j V V ，对任意Z j ∈
（2）渐进完全性：Φ=∈j Z j V I ，{}
)(2R L V U close j Z j =∈ （3）伸缩完全性：1)2()(+∈?∈j j V t f V t f
（4）平移不变性：j j j j j V k t V t Z k ∈-?∈∈?--)2()2(,2/2/φφ
（5）Riesz 基存在性：存在0)(V t ∈φ，使得{}
Z k k t j j ∈--|)2(2/φ构成j V 的Risez 基。关于Riesz 的具体说明如下：
若)(t φ是0V 的Risez 基，则存在常数A ，B ，且，使得：
{}{}2
222
22)(k k k c B k t c c A ≤-≤∑φ 对所有双无限可平方和序列{}k c ，即 {}∞<=∑∈222Z
k k k c c 成立。 满足上述个条件的函数空间集合成为一个多分辨分析，如果)(t φ生成一个多分辨分析，那么称)(t φ为一个尺度函数。
《小波分析》试题 适用范围：硕士研究生 时 间：2013年6月 一、名词解释（30分） 1、线性空间与线性子空间 解释：线性空间是一个在标量域（实或复）F 上的非空矢量集合V ；设V1是数域K 上的线性空间V 的一个非空子集合，且对V 已有的线性运算满足以下条件 （1） 如果x 、y V1，则x ＋y V1； （2） 如果x V1，k K ，则kx V1， 则称V1是V 的一个线∈∈∈∈∈性子空间或子空间。2、基与坐标 解释：在 n 维线性空间 V 中，n 个线性无关的向量，称为 V 的一组n 21...εεε，，，基；设是中任一向量，于是 线性相关，因此可以被基αn 21...εεε，，，线性表出：，其中系数 αεεε，，，，n 21...n 21...εεε，，，n 2111an ...a a εεεα+++=是被向量和基唯一确定的，这组数就称为在基下的坐标，an ...a a 11，，，αn 21...εεε，，，记为 （） 。an ...a a 11，，，3、内积 解释：内积也称为点积、点乘、数量积、标量积。，()T n x x x x ,...,,21= ，令，称为x 与y 的内积。 ()T n y y y y ,...,,21=[]n n y x y x y x y x +++=...,2211[]y x ,4、希尔伯特空间 解释：线性 完备的内积空间称为Hilbert 空间。线性（linearity ）：对任意 f ， g ∈H ，a ，b ∈R ，a*f+b*g 仍然∈H 。完备（completeness ）：空间中的任何柯西序列都收敛在该空间之内。内积（inner product ）：
摘要 近年来，对图像分割的研究一直是图像技术研究的焦点。图像分割是一种很重要的图像分析技术，它的目的是把图像分为具有各种特性的区域并把感兴趣的部分提取出来。它融合了多个学科的成果，并且成功应用于工业、农业、医学、军事等领域，得到了广泛的应用。 图像分割是一个经典的问题，实现方法有很多种，但是至今仍没有一种通用的解决方法。经过研究发现，区分真正的噪声和边缘是图像分割的难题之一，然而小波变换则可以解决这一问题，小波变换是一种时--频两域的分析工具。本文则基于小波变换对图像分割技术进行研究，主要介绍了小波阈值分割方法。文中通过直方图、建立模型等手段对这两种方法做出具体的讨论，并利用Matlab分别对两种方法进行仿真，并得到了有效的结果。根据仿真结果我们可以看出不同分割方法的不同分割效果，从而更好地理解这些方法。 关键词：图像分割；小波变换；阈值；
Abstract In recent years, the study of image segmentation has been the focus of imaging technology. Image segmentation is an important image analysis, its purpose is to take the various characteristics part out of the image. It combines the results of multiple disciplines, and successfully applied to such fields as industry, agriculture, medicine, military, and a wide range of applications. There are many ways to achieve image segmentation, but could not find a common solution. After the study found that the distinction between real noise and the edge of one of the difficult problem of image segmentation, wavelet transform can solve this problem, wavelet transform is a time - frequency domain analysis tools. In this paper, image segmentation technique based on wavelet transform to study the two wavelet segmentation method, the wavelet thresholding segmentation method. Histogram, the establishment of model and other means to make a specific discussion of these two approaches, and use the Matlab simulation, and the effective results of the two methods, respectively. According to the results of the simulation we can see the different segmentation results of different segmentation methods, in order to better understand these methods. Key words：Image; Wavelet transform; Threshold
1什么是小波函数？（或小波函数满足什么条件？） 答：设)()(2R L t ∈?,且其Fourier 变换)(ω? 满足可允许性（admissibility ）条件 +∞
一、叙述小波分析理论发展的历史和研究现状 答：傅立叶变换能够将信号的时域和特征和频域特征联系起来，能分别从信号的时域和频域观察，但不能把二者有机的结合起来。这是因为信号的时域波形中不包含任何频域信息，而其傅立叶谱是信号的统计特性，从其表达式中也可以看出，它是整个时间域内的积分，没有局部化分析信号的功能，完全不具备时域信息，也就是说，对于傅立叶谱中的某一频率，不能够知道这个频率是在什么时候产生的。这样在信号分析中就面临一对最基本的矛盾——时域和频域的局部化矛盾。 在实际的信号处理过程中，尤其是对非常平稳信号的处理中，信号在任一时刻附近的频域特征很重要。如柴油机缸盖表明的振动信号就是由撞击或冲击产生的，是一瞬变信号，单从时域或频域上来分析是不够的。这就促使人们去寻找一种新方法，能将时域和频域结合起来描述观察信号的时频联合特征，构成信号的时频谱，这就是所谓的时频分析，亦称为时频局部化方法。 为了分析和处理非平稳信号，人们对傅立叶分析进行了推广乃至根本性的革命，提出并开发了一系列新的信号分析理论：短时傅立叶变换、时频分析、Gabor 变换、小波变换Randon-Wigner变换、分数阶傅立叶变换、线形调频小波变换、循环统计量理论和调幅—调频信号分析等。其中，短时傅立叶变换和小波变换也是因传统的傅立叶变换不能够满足信号处理的要求而产生的。 短时傅立叶变换分析的基本思想是：假定非平稳信号在不同的有限时间宽度内是平稳信号，从而计算出各个不同时刻的功率谱。但从本质上讲，短时傅立叶变换是一种单一分辨率的信号分析方法，因为它使用一个固定的短时窗函数，因而短时傅立叶变换在信号分析上还是存在着不可逾越的缺陷。 小波变换是一种信号的时间—尺度（时间—频率）分析方法，具有多分辨
基于小波变换的人脸识别 近年来，小波变换在科技界备受重视，不仅形成了一个新的数学分支，而且被广泛地应用于模式识别、信号处理、语音识别与合成、图像处理、计算机视觉等工程技术领域。小波变换具有良好的时频域局部化特性，且其可通过对高频成分采取逐步精细的时域取样步长，从而达到聚焦对象任意细节的目的，这一特性被称为小波变换的“变聚焦”特性，小波变换也因此被人们冠以“数学显微镜”的美誉。 具体到人脸识别方面，小波变换能够将人脸图像分解成具有不同分辨率、频率特征以及不同方向特性的一系列子带信号，从而更好地实现不同分辨率的人脸图像特征提取。 4.1 小波变换的研究背景 法国数学家傅立叶于1807年提出了著名的傅立叶变换，第一次引入“频率”的概念。傅立叶变换用信号的频谱特性来研究和表示信号的时频特性，通过将复杂的时间信号转换到频率域中，使很多在时域中模糊不清的问题，在频域中一目了然。在早期的信号处理领域，傅立叶变换具有重要的影响和地位。定义信号(t)f 为在(-∞，+∞)内绝对可积的一个连续函数，则(t)f 的傅立叶变换定义如下： ()()dt e t f F t j ωω-? ∞ -∞ += (4-1) 傅立叶变换的逆变换为： ()()ωωπ ωd e F t f t j ? +∞ ∞ -= 21 (4-2) 从上面两个式子可以看出，式（4-1）通过无限的时间量来实现对单个频率
的频谱计算，该式表明()F ω这一频域过程的任一频率的值都是由整个时间域上的量所决定的。可见，式（4-1）和（4-2）只是同一能量信号的两种不同表现形式。 尽管傅立叶变换可以关联信号的时频特征，从而分别从时域和频域对信号进行分析，但却无法将两者有效地结合起来，因此傅立叶变换在信号的局部化分析方面存在严重不足。但在许多实际应用中，如地震信号分析、核医学图像信号分析等，研究者们往往需要了解某个局部时段上出现了哪个频率，或是某个频率出现在哪个时段上，即信号的时频局部化特征，傅立叶变换对于此类分析无能为力。 因此需要一种如下的数学工具：可以将信号的时域和频域结合起来构成信号的时频谱，描述和分析其时频联合特征，这就是所谓的时频局部化分析方法，即时频分析法。1964年，Gabor 等人在傅立叶变换的基础上引入了一个时间局部化“窗函数”g(t)，改进了傅立叶变换的不足，形成窗口化傅立叶变换，又称“Gabor 变换”。 定义“窗函数”(t)g 在有限的区间外恒等于零或很快地趋于零，用函数(t )g -τ乘以(t)f ，其效果等同于在t =τ附近打开一个窗口，即： ()()()dt e t g t f G t j f ωττω-+∞ ∞--=?, (4-3) 式（4-3）即为函数f(t)关于g(t)的Gabor 变换。由定义可知，信号(t)f 的Gabor 变换可以反映该信号在t =τ附近的频谱特性。其逆变换公式为： ()()()ττωτωπ ωd G t g e d t f f t j ,21 ? ?+∞ ∞ --- = (4-4) 可见()τω,f G 的确包含了信号(t)f 的全部信息，且Gabor 窗口位置可以随着 τ的变化而平移，符合信号时频局部化分析的要求。 虽然Gabor 变换一定程度上克服了傅立叶变换缺乏时频局部分析能力的不
绪 论 机械故障诊断技术作为一门新兴的科学，自从二十世纪六七十年代以来已经取得了突飞猛进的发展，尤其是计算机技术的应用，使其达到了智能化阶段。现在，机械故障诊断技术在工业生产中起着越来越重要的作用，生产实践已经证明开展故障诊断与状态预测技术研究具有重要的现实意义。 我国的故障诊断技术在理论研究方面，紧跟国外发展的脚步，在实践应用上还是基本落后于国外的发展。在我国，故障诊断的研究与生产实际联系不是很紧密，研究人员往往缺乏现场故障诊断的经验，研制的系统与实际情况相差甚远，往往是从高等院校和科研部门开始，再进行到个别行业，而国外的发展则是从现场发现问题进而反映到高等院校或科研部门，使得研究有的放矢[1]。 要求机械设备不出故障是不现实的，因为不存在绝对安全可靠的机械设备。因此，为了预防故障和减少损失，必须对设备的运行状态进行监测，及时发现设备的异常状况，并对其发展趋势进行跟踪：对己经形成的或正在形成的故障进行分析诊断，判断故障的部位和产生的原因，并及早采取有效的措施，这样才能做到防患于未然。因此，设各状态监测与故障诊断先进技术的研究对于保证复杂机械设备的安全运行具有重要意义。 关键词：小波分析，故障诊断，小波基选取，奇异性 基于小波分析的机械故障检测 小波奇异性理论用于机械故障检测的基本原理 信号的奇异性与小波变换的模极大值之间有如下的关系： 设)(x g 为一光滑函数，且满足条件0g(x) lim ,1x)dx ( g x ==∞→+∞ ∞-?，不妨设)(x g 为高斯函数，即σσπ2221)(x e x g -= ，令 d x,/x)( dg x)(=ψ由于?+∞ ∞-=0x)dx (ψ，因此，可取函数x)(ψ
小波分析复习题 1、简述傅里叶变换、短时傅里叶变换和以及小波变换之间的异同。 答：三者之间的异同见表 2、小波变换堪称“数学显微镜”，为什么？ 答：这主要因为小波变换具有以下特点： 1）具有多分辨率，也叫多尺度的特点，可以由粗及精地逐步观察信号； 2）也可以看成用基本频率特性为)(ωψ的带通滤波器在不同尺度a 下对信号作滤波； 如果)(t ?的傅里叶变换是)(ωψ，则)(a t ?的傅里叶变换为)(||a a ω ψ，因此这组滤波 器具有品质因数恒定，即相对带宽（带宽与中心频率之比）恒定的特点。a 越大相当于频率越低。 3）适当的选择基本小波，使)(t ?在时域上位有限支撑，)(ωψ在频域上也比较集中，便可以使WT 在时、频两域都具有表征信号局部特征能力，因此有利于检测信号的瞬态或奇异点。 4）如)(t x 的CWT 是),(τa WT x ，则)(λt x 的CWT 是),( λ τ λλa WT x ；0>λ 此定理表明：当信号)(t x 作某一倍数伸缩时，其小波变换将在τ,a 两轴上作同一比例的 伸缩，但是不发生失真变形。 基于上述特性，小波变换被誉为分析信号的数学显微镜。 3、在小波变换的应用过程中，小波函数的选取是其应用成功与否的关键所在，请列举一些选择原则。 答：选择原则列举如下：（也即需满足的一些条件和特性） 1）容许条件
当?∞ +∞-∞<=ωω ωψ?d c 2 ) (时才能由小波变换),(τa WT x 反演原函数)(t x ，?c 便是对 )(t ?提出的容许条件，若∞→?c ，)(t x 不存在，由容许条件可以推论出：能用作基本小 波)(t ?的函数至少必须满足0)(0==ωωψ，也就是说)(ωψ必须具有带通性质，且基本小波 )(t ?必须是正负交替的振荡波形，使得其平均值为零。 2）能量的比例性 小波变换幅度平方的积分和信号的能量成正比。 3）正规性条件 为了在频域上有较好局域性，要求),(τa WT x 随a 的减小而迅速减小。这就要求)(t ?的 前n 阶原点矩为0，且n 值越大越好。也就是要求? =0)(dt t t p ?，n p ~1:，且n 值越大越好， 此要求的相应频域表示是：)(ωψ在0=ω处有高阶零点，且阶次越高越好（一阶零点就是容许条件），即)()(01 ωψω ωψ+=n ，0)(00≠=ωωψ，n 越大越好。 4）重建核和重建核方程 重建核方程说明小波变换的冗余性，即在τ-a 半平面上各点小波变换的值是相关的。 重建核方程：τττττ?? ?∞ +∞ ∞-=0 00200),,,(),(),(a a K a WT a da a WT x x ； 重建核：><== ?)(),(1)()(1),,,(0000* 00t t c dt t t c a a K a a a a ττ? ττ??????ττ 4、连续小波变换的计算机快速算法较常用的有基于调频Z 变换和基于梅林变换两种，请用 框图分别简述之，并说明分别适合于什么情况下应用。 答： 1）基于调频Z 变换 ),(2a j a n j e A e W ππ--== 运算说明： a ．原始数据及初始化：原始数据是)(k ?（1~0-=N k ）和a 值，初始化计算包括 a j e A π-=和a n j e W π2-=。 --- 1)(2N k r )2(am N π 12~2--N N 对应于：1~0-=N r
基于小波变换的数字图像处理 摘要：本文先介绍了小波分析的基本理论，为图像处理模型的构建奠定了基础，在此基础上提出了小波分析在图像压缩，图像去噪，图像融合，图像增强等图像处理方面的应用,最后在MATLAB环境下进行仿真，验证了小波变化在图像处理方面的优势。 关键词：小波分析；图像压缩；图像去噪；图像融合；图像增强 引言 数字图像处理是利用计算机对科学研究和生产中出现的数字化可视化图像 信息进行处理，作为信息技术的一个重要领域受到了高度广泛的重视。数字化图像处理的今天，人们为图像建立数学模型并对图像特征给出各种描述，设计算子，优化处理等。迄今为止，研究数字图像处理应用中数学问题的理论越来越多，包括概率统计、调和分析、线性系统和偏微分方程等。 小波分析，作为一种新的数学分析工具，是泛函分析、傅立叶分析、样条分析、调和分析以及数值分析理论的完美结合，所以小波分析具有良好性质和实际应用背景，被广泛应用于计算机视觉、图像处理以及目标检测等领域，并在理论和方法上取得了重大进展，小波分析在图像处理及其相关领域所发挥的作用也越来越大。在传统的傅立叶分析中，信号完全是在频域展开的，不包含任何时频的信息，其丢弃的时域信息可能对某些应用同样非常重要，所以人们对傅立叶分析进行了推广，提出了很多能表征时域和频域信息的信号分析方法，如短时傅立叶变换，Gabor变换，时频分析，小波变换等。但短时傅立叶分析只能在一个分辨率上进行，所以对很多应用来说不够精确，存在很大的缺陷。而小波分析则克服了短时傅立叶变换在单分辨率上的缺陷，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整。 本文介绍了小波变换的基本理论，并介绍了一些常用的小波函数，然后研究了小波分析在图像处理中的应用，包括图像压缩，图像去噪，图像融合，图像增强等,本文重点在图像去噪，最后用Matlab进行了仿真[1]。
时间序列-小波分析 时间序列（Time Series ）是地学研究中经常遇到的问题。在时间序列研究中，时域和频域是常用的两种基本形式。其中，时域分析具有时间定位能力，但无法得到关于时间序列变化的更多信息；频域分析（如Fourier 变换）虽具有准确的频率定位功能，但仅适合平稳时间序列分析。然而，地学中许多现象（如河川径流、地震波、暴雨、洪水等）随时间的变化往往受到多种因素的综合影响，大都属于非平稳序列，它们不但具有趋势性、周期性等特征，还存在随机性、突变性以及“多时间尺度”结构，具有多层次演变规律。对于这类非平稳时间序列的研究，通常需要某一频段对应的时间信息，或某一时段的频域信息。显然，时域分析和频域分析对此均无能为力。 20世纪80年代初，由Morlet 提出的一种具有时-频多分辨功能的小波分析（Wavelet Analysis ）为更好的研究时间序列问题提供了可能，它能清晰的揭示出隐藏在时间序列中的多种变化周期，充分反映系统在不同时间尺度中的变化趋势，并能对系统未来发展趋势进行定性估计。 目前，小波分析理论已在信号处理、图像压缩、模式识别、数值分析和大气科学等众多的非线性科学领域内得到了广泛的应。在时间序列研究中，小波分析主要用于时间序列的消噪和滤波，信息量系数和分形维数的计算，突变点的监测和周期成分的识别以及多时间尺度的分析等。 一、小波分析基本原理 1. 小波函数 小波分析的基本思想是用一簇小波函数系来表示或逼近某一信号或函数。因此，小波函数是小波分析的关键，它是指具有震荡性、能够迅速衰减到零的一类函数，即小波函数)R (L )t (2∈ψ且满足： ? +∞ ∞ -=0dt )t (ψ （1） 式中，)t (ψ为基小波函数，它可通过尺度的伸缩和时间轴上的平移构成一簇函数系： )a b t ( a )t (2 /1b ,a -=-ψψ 其中，0a R,b a,≠∈ （2） 式中，)t (b ,a ψ为子小波；a 为尺度因子，反映小波的周期长度；b 为平移因子，反应时间上的平移。 需要说明的是，选择合适的基小波函数是进行小波分析的前提。在实际应用研究中，应针对具体情况选择所需的基小波函数；同一信号或时间序列，若选择不同的基小波函数，所得的结果往往会有所差异，有时甚至差异很大。目前，主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏，并由此选定该类研究所需的基小波函数。 2. 小波变换 若)t (b ,a ψ是由（2）式给出的子小波，对于给定的能量有限信号)R (L )t (f 2 ∈，其连续小波变换（Continue Wavelet Transform ，简写为CWT ）为： dt )a b t ( f (t)a )b ,a (W R 2 /1-f ? -=ψ （3） 式中，)b ,a (W f 为小波变换系数；f(t)为一个信号或平方可积函数；a 为伸缩尺度；b 平移参数； )a b x ( -ψ为)a b x (-ψ的复共轭函数。地学中观测到的时间序列数据大多是离散的，设函数)t k (f ?，
第一章图像边缘的定义 引言 在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于到较高层次的特征描述，图像识别。图像分割，图像增强以及图像压缩等的图像处理和分析中，从而可以对图像进行进一步的分析和理解。 由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。 经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。这些算子毫无例外地对噪声较为敏感。由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。于是发展了多尺度分析的边缘检测方法。小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。 小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。常用的小波算子有Marr 算子Canny算子和Mallat算子等。
§1.1信号边缘特征 人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。从以上这几点，可以总结出待识别的图像边缘点应具有下列特征即要素：具有较强的灰度突变，也就是与背景的对比度鲜明；边缘点之间可以形成有意义的线形关系，即相邻边缘点之间存在一种有序性；具有方向特征；在图像中的空间相对位置；边缘的类型，即边缘是脉冲型、阶跃型、斜坡型、屋脊型中哪一种。 §1.2图像边缘的定义 边缘检测是图像处理中的重要内容。而边缘是图像中最基本的特征，也是指周围像素灰度有变化的那些像素的集合。主要表现为图像局部特征的不连续性，也就是通常说的信号发生奇异变化的地方。奇异信号沿边缘走向的灰度变化剧烈，通常分为阶跃边缘和屋顶边缘两种类型。阶跃边缘在阶跃的两边的灰度值有明显的变化；屋顶边缘则位于灰度增加与减少的交界处。我们可以利用灰度的导数来刻画边缘点的变化，分别求阶跃边缘和屋顶边缘的一阶，二阶导数。如图可见，对于边缘点A，阶跃边缘的一阶导数在A点到最大值，二阶导数在A点过零点；屋顶边缘的一阶导数在A点过零点，二阶导数在A点有最大值。
题1：设{},j V j Z ∈是依尺度函数()x φ的多分辨率分析，101()0x x φ≤
11()3.k k h k p -=为高通分解滤波器,写出个双倍平移正交关系等式 题6：列出二维可分离小波的4个变换基。 题8：要得到“好”的小波，除要求滤波器0()h n 满足规范、双正交平移性、低通等最小条件外，还可以对0()h n 加消失矩条件来得到性能更优良的小波。 （1） 请写出小波函数()t ψ具有p 阶消失矩的定义条件： （2） 小波函数()t ψ具有p 阶消失矩，要求0()h n 满足等式： （3） 在长度为4的滤波器0()h n 设计中，将下面等式补充完整： 222200000000(0)(1)(2)(3)1 (0)(2)(1)(3)0 ,1 2h h h h h h h h n ?+++=???+==??? 规范性低通双平移正交阶消失矩
研究生课程考试答题纸 研究生学院 考核类型：A（）闭卷考试（80%）+平时成绩（20%）； B（）闭卷考试（50%）+ 课程论文（50%）； 一、以图示的方式详细说明连续小波变换（CWT）的运算过程，分析小波变换的内涵；并阐述如何从多分辨率（MRA）的角度构造正交小波基。（20分） 二、综述小波变换理论与工程应用方面的研究进展，不少于3000字。（25分） 三、运用MATLAB中的小波函数和小波工具箱，分别对taobao.wav语音信号在加噪之后的taobao_noise.wav信号进行降噪处理，要求列出程序、降噪结果及降
噪的理论依据。（25分） 四、平时成绩。（30分） 一、论述 1. 连续小波变换 将任意2 ()L R 空间中函数(t)f 在小波基下展开，称这种展开为函数(t)f 的连续小波变换(CWT), 其表达式为,T (,)(),()()()f a R t W a f t t f t dt a τττψψ-=<>=?，其中a 为尺度因子，表示与频率相关的伸缩，b 为时间平移因子。其中,()(),0,a t t a R a ττψτ-= >∈为窗口函数也是小波母函数。 任意函数在某一尺度a 、平移点τ上的小波变换系数，实质上表征的是在τ位置处，时 间段a t ?上包含在中心频率为 0a ω、带宽为a ω?频窗内的频率分量大小。随着尺度a 的变化，对应窗口中心频率0a ω及带宽为a ω?也发生变化。小波变换是一种便分辨率的时频联合分析方法，当分析低频信号时，其时间窗很大，而分析高频信号时，其时间窗减小。这恰恰符合实际问题中高频信号的持续时间短、低频信号持续时间长的自然规律。 尺度伸缩，对波形的尺度伸缩就是在时间轴上对信号进行压缩和伸展。在不同尺度下，
2005年研究生《小波理论及应用》复习题 1． 利用正交小波基建立的采样定理适合于：紧支集且有奇性（函数本身或其导数不连续）的函数（频谱无限的函数）。Shannon 采样定理适合于频谱有限的信号。 2． 信号的突变点在小波变换域常对于小波变换系数模极值点或过零点。并且信号奇异性大小同小波变换的极值随尺度的变化规律相对立。只有在适当尺度下各突变点引起的小波变化才能避免交迭干扰，可以用于信号的去噪、奇异性检测、图象也缘提取、数据压缩等。 3． 信号在一点的李氏指数表征了该点的奇异性大小，α越大，该点的光滑性越小，α越小，该点的奇异性越大。光滑点（可导）时，它的1≥α；如果是脉冲函数，1-=α；白噪声时0≤α。 4． 做出三级尺度下正交小波包变换的二进数图，小波包分解过程？说明小波基与小波包基的区别？ 5． 最优小波包基的概念：给定一个序列的代价函数，然后在小波包基中寻找使代价函数最小的基――最优基。 6． 双通道多采样率滤波器组的传递函数为： ()()()()()()()()()()()()()z X z G z G z H z H z X z G z G z H z H z Y z Y z Y -??????-++??????+=+=∧∧∧∧212121请根据此式给出理想重建条件： 为了消除映象()z X -引起的混迭：()()()()0=-+-∧ ∧z G z G z H z H
为了使()z Y 成为()z X 的延迟，要求：()()()()k CZ z G z G z H z H -∧∧=+ （C,K 为任一常数） 7． 正交镜像对称滤波器()()n h n g ,的()jw e G 与()jw e H 以2π=w 为轴左右对称。如果知道QMF 的()n h ，能否确定()()()n h n g n g ∧ ∧,,？ ()()()n h n g n 1-= ，()()()n g n h n 1--=∧ ， ()()()n h n g n 1-=∧ 8． 试列出几种常用的连续的小波基函数 Morlet 小波，Marr 小波，Difference of Gaussian （DOG ），紧支集样条小波 9． 试简述海森堡测不准原理，说明应用意义？ 10． 从连续小波变换到离散小波变换到离散小波框架－双正交小波变换－正交变换、紧支集正交小波变换，其最大的特点是追求变换系数的信息冗余小，含有的信息量越集中。 11． 解释紧支集、双正交、正交小波、紧支集正交小波、光滑性、奇异性。 12． 已知共轭正交滤波器组（CQF ）()n h 请列出()()()n g n h n g ∧ ∧,,。 ()()() ()()()()()()???????-=--=-=---=∧∧n h n N g n g n N h n h n N h n g n n 11 13． 共轭正交滤波器()()n g n h ,的()jw e G 与()jw e H 的关系与QMF 情况
1、小波变换在图像处理中有着广泛的应用，请简述其在图像压缩中的应用原理？ 答：一幅图像经过一次小波变换之后，概貌信息大多集中在低频部分，而其余部分只有微弱的细节信息。为此，如果只保留占总数数量1/4的低频部分，对其余三个部分的系数不存储或传输，在解压时，这三个子块的系数以0来代替，则就可以省略图像部分细节信息，而画面的效果跟原始图像差别不是很大。这样，就可以得到图像压缩的目的。 2、给出GPEG数据压缩的特点。 答：（1）一种有损基本编码系统，这个系统是以DCT为基础的并且足够应付大多数压缩方向应用。 （2）一种扩展的编码系统，这种系统面向的是更大规模的压缩，更高精确性或逐渐递增的重构应用系统。 （3）一种面向可逆压缩的无损独立编码系统。 3、设计雪花检测系统 答：1）获得彩色雪花图像。2）灰度雪花图像。3）图像的灰度拉伸，以增强对比度。4）阈值判断法二值化图像。5）图像的梯度锐化。6）对图像进行自定义模板中值滤波以去除噪声。7）用梯度算子对雪花区域的定位。8）利用hough变换截下雪花区域的图片。 9）雪花图片几何位置调整。 4、用图像处理的原理设计系统，分析木材的年轮结构。 答：1）获得彩色木材年轮图像。2）灰度木材年轮图像。3）灰度拉伸以增加对比度。4）阈值判定法二值化图像。5）图像的梯度锐化。6）对图像进行自定义模板中值滤波以去除噪声。7）用梯度算子对木材年轮圈进行定位。8）图片二值化。9）利用边界描述子对木材的年轮结构进行识别。 5、给出生猪的尺寸和形貌检测系统。 答：1）获得彩色生猪图像。2）灰度生猪图像。3）图像的灰度拉伸，以增强对比度。4）阈值判定法二值化图像。5）图像的梯度锐化。6）对图像进行自定义模板中值滤波以除去噪声。 7）用梯度算子对生猪区域的定位。8）利用hough变换截下生猪区域的图片。9）生猪图片几何位置调整。10）生猪图片二值化。11）利用边界描述子对生猪尺寸和形貌的识别。 第二种答案：（类似牌照检测系统） 1）第一步定位牌照 由图像采集部件采集生猪的外形图像并将图像存储在存储器中，其特征在于：数字处理器由存储器中读入并运行于生猪外形尺寸检测的动态检测软件、从存储器中依次读入两幅车辆外形图像数据、经过对生猪外形图像分析可得到生猪的高度，宽度和长度数据即生猪的外形尺寸。通过高通滤波，得到所有的边对边缘细化（但要保持连通关系），找出所有封闭的边缘，对封闭边缘求多边形逼近，在逼近后的所有四边形中，找出尺寸与牌照大小相同的四边形。生猪形貌被定位。 2）第二步识别 区域中的细化后的图形对象，计算傅里叶描述子，用预先定义好的决策函数，对描述子进行计算，判断到底是数字几。 6、常用的数字图像处理开发工具有哪些？各有什么特点？ 答：目前图像处理系统开发的主流工具为Visual C++(面向对象可视化集成工具)和MATLAB的图像处理工具箱（lmage processing tool box）。两种开发工具各有所长且有相互间的软件接口。 微软公司的VC++是一种具有高度综合性能的面向对象可视化集成工具，用它开发出来
第一章 1.1.1可以用f(x,y)来表示：（ABD） A、一幅2-D数字图像 B、一个在3-D空间中的客观景物的投影； C 2-D空间XY中的一个坐标的点的位置； D、在坐标点（X,Y）的某种性质F的数值。 提示：注意3个符号各自的意义 1.1.2、一幅数字图像是：(B) A、一个观测系统； B、一个有许多像素排列而成的实体； C、一个2-D数组中的元素 D、一个3-D空间的场景。 提示：考虑图像和数字图像的定义 1.2.2、已知如图1.2.2中的2个像素P和Q，下面说法正确的是：(C) A、2个像素P和Q直接的De距离比他们之间的D4距离和D8距离都短： B、2个像素p和q之间的D4距离为5； C、2个像素p和q之间的D8距离为5； D、2个像素p和q之间的De距离为5。 1.4.2、半调输出技术可以：(B) A、改善图像的空间分辨率； B、改善图像的幅度分辨率； C、利用抖动技术实现； D、消除虚假轮廓现象。 提示：半调输出技术牺牲空间分辨率以提高幅度分辨率 1.4.3、抖动技术可以(D) A、改善图像的空间分辨率； B、改善图像的幅度分辨率； C、利用半输出技术实现； D、消除虚假轮廓现象。 提示：抖动技术通过加入随即噪声，增加了图像的幅度输出值的个数 1.5.1、一幅256*256的图像，若灰度级数为16，则存储它所需的比特数是：(A) A、256K B、512K C、1M C、2M 提示：表达图像所需的比特数是图像的长乘宽再乘灰度级数对应的比特数。1.5.2、图像中虚假轮廓的出现就其本质而言是由于：(A)(平滑区域内灰度应缓慢变化，但当图像的灰度级数不够多时会产生阶跃) A、图像的灰度级数不够多造成的； B、图像的空间分辨率不够高造成； C、图像的灰度级数过多造成的 D、图像的空间分辨率过高造成。 提示：图像中的虚假轮廓最易在平滑区域内产生。 1.5.3、数字图像木刻画效果的出现是由于下列原因所产生的：（A） A、图像的幅度分辨率过小； B、图像的幅度分辨率过大； C、图像的空间分辨率过小； D、图像的空间分辨率过大；
第五章 小波变换基本原理 问题 ①小波变换如何实现时频分析？其频率轴刻度如何标定？ —尺度 ②小波发展史 ③小波变换与短时傅里叶变换比较 a ．适用领域不同 b.STFT 任意窗函数 WT （要容许性条件） ④小波相关概念，数值实现算法 多分辨率分析（哈尔小波为例） Daubechies 正交小波构造 MRA 的滤波器实现 ⑤小波的历史地位仍不如FT ，并不是万能的 5.1 连续小波变换 一．CWT 与时频分析 1.概念：? +∞ ∞ --ψ= dt a b t t S a b a CWT )( *)(1),( 2.小波变换与STFT 用于时频分析的区别 小波 构造？ 1910 Harr 小波 80年代初兴起 Meyer —小波解析形式 80年代末 Mallat 多分辨率分析—WT 无须尺度和小波函数—滤波器组实现 90年代初 Daubechies 正交小波变换 90年代中后期 Sweblews 第二代小波变换
3.WT 与STFT 对比举例（Fig 5–6, Fig 5–7） 二．WT 几个注意的问题 1.WT 与)(t ψ选择有关 — 应用信号分析还是信号复原 2.母小波)(t ψ必须满足容许性条件 ∞<ψ=? ∞ +∞ -ψdw w w C 2 )( ①隐含要求 )(,0)0(t ψ=ψ即具有带通特性 ②利用ψC 可推出反变换表达式 ??+∞∞-+∞ ∞-ψ -ψ= dadb a b t b a CWT a C t S )(),(11 )(2 3.CWT 高度冗余（与CSTFT 相似） 4.二进小波变换（对平移量b 和尺度进行离散化） )2(2)()(1 )(2 ,22,,n t t a b t a t n b a m m n m b a m m -ψ=ψ?-ψ= ??==--ψ dt t t S n CWT d n m m m n m )(*)()2,2(,,?+∞ ∞ ---ψ=?= 5.小波变换具有时移不变性 ) ,()() ,()(00b b a C W T b t S b a C W T t S -?-? 6.用小波重构信号 ∑ ∑∑∑+∞ -∞=+∞-∞ =+∞ -∞=+∞ -∞ =ψψ= m n m n n m n m n m n m t d t d t S )(?)(?)(,,,,正交小波 中心问题：如何构建对偶框架{} n m ,?ψ
2．计算下列分形维数： （1）康托尔集合（the Cantor set） l o g l o g2 0.631 l o g l o g3 s m D c =-=≈ （2）科赫曲线（Koch） log4 1.262 log3 s D=-≈ （3）谢尔平斯基（Sierpinski）地毯、垫片、海绵 地毯： log log8 1.893 log log3 f D β κ ==≈ 垫片: log log3 1.585 log log2 f D β κ ==≈ 海绵： log log20 2.763 log log3 f D β κ ==≈ （4）阿波罗尼斯垫圆： 解：不在此圆内部的点形成一个面积为零的集合，可以说它多于一条线但少于一个面，因此它的分形维数 （5）皮亚诺曲线： log ln9 2 1ln3 log() s N D β === 1．求按下列各图所示方法生成的分形图的分维 初始元： 生成元： （a）（b）（c） (a) log ln8 1.5 1ln4 log() s N D β ==≈ (b) log ln5 1.465 1ln3 log() s N D β ==≈ (c) log ln5 1.465 1ln3 log() s N D β ==≈
2、计算康托尔三分集相似维、Hausdorff 维 解：相似维：log ln 2 0.63111log()ln 3s N D β= =≈ Hausdorff 维：log log 20.631log log 3 f D βκ= =≈ 3、计算不规则分形盒维数（只计算右下端） ε=1/10 ()N ε=N(1/10) ()ln ln 54ln 54 1.732 1ln ln10ln 10B N D εε=- =-=≈