小波分析及其工程应用-紧支撑小波及Mallat算法实现

⼩波学习之⼀（单层⼀维离散⼩波变换DWT的Mallat算法C++和MATLAB实现）1 Mallat算法离散序列的Mallat算法分解公式如下：其中，H(n)、G(n)分别表⽰所选取的⼩波函数对应的低通和⾼通滤波器的抽头系数序列。

从Mallat算法的分解原理可知，分解后的序列就是原序列与滤波器序列的卷积再进⾏隔点抽取⽽来。

离散序列的Mallat算法重构公式如下：其中，h(n)、g(n)分别表⽰所选取的⼩波函数对应的低通和⾼通滤波器的抽头系数序列。

2 ⼩波变换实现过程(C/C++)2.1 ⼩波变换结果序列长度⼩波的Mallat算法分解后的序列长度由原序列长SoureLen和滤波器长FilterLen决定。

从Mallat算法的分解原理可知，分解后的序列就是原序列与滤波器序列的卷积再进⾏隔点抽取⽽来。

即分解抽取的结果长度为(SoureLen+FilterLen-1)/2。

2.2 获取滤波器组对于⼀些通⽤的⼩波函数，简单起见，可以通过Matlab的wfilters(‘wavename’)获取4个滤波器；特殊的⼩波函数需要⾃⾏构造获得。

下⾯以db1⼩波函数(Haar⼩波)为例，其变换与重构滤波器组的结果如下：//matlab输⼊获取命令>> [Lo_D,Hi_D,Lo_R,Hi_R] = wfilters('db1')//获取的结果Lo_D =0.7071 0.7071Hi_D =-0.7071 0.7071Lo_R =0.7071 0.7071Hi_R =0.7071 -0.70712.3 信号边界延拓在Mallat算法中，假定输⼊序列是⽆限长的，⽽实际应⽤中输⼊的信号是有限的采样序列，这就会出现信号边界处理问题。

对于边界信号的延拓⼀般有3种⽅法，即零延拓、对称延拓和周期延拓。

3种延拓⽅法⽐较情况如下：对于正交⼩波变换来说，前两种延拓⽅法实现起来⽐较简单，但重建时会产⽣边界效应，⽽且分解的层数越多，产⽣的边界效应越显著。

论述小波分析及其在信号处理中的应用小波分析是一种数学工具，用于在时域和频域中对信号进行分析。

它可以将信号分解成具有不同频率和时间尺度的小波函数，从而更好地捕捉信号的局部特征和变化。

小波分析在信号处理中有广泛的应用，以下是一些主要的应用领域：1. 信号压缩：小波分析可以提供一种有效的信号压缩方法。

通过对信号进行小波变换并根据重要性剪切或量化小波系数，可以实现高效的信号压缩，同时保留主要的信号特征。

2. 图像处理：小波分析在图像处理中有重要的应用。

通过对图像进行小波变换，可以将其分解成具有不同频率和时间尺度的小波系数，从而实现图像的去噪、边缘检测、纹理分析等。

3. 语音和音频处理：小波分析可以用于语音和音频信号的分析和处理。

通过小波变换，可以提取音频信号的频谱特征，实现音频的降噪、特征提取、语音识别等。

4. 生物医学信号处理：小波分析在生物医学信号处理中有广泛的应用。

例如，通过小波分析可以对脑电图（EEG）和心电图（ECG）等生物医学信号进行时频分析，以实现对心脑信号特征的提取和异常检测。

5. 数据压缩：小波分析在数据压缩中也有应用。

通过对数据进行小波变换，并且根据小波系数的重要性进行压缩，可以实现对大量数据的高效存储和传输。

6. 模式识别：小波分析可以用于模式识别和分类问题。

通过对数据进行小波变换，可以提取重要的特征并进行模式匹配和分类，用于图像识别、人脸识别等应用。

综上所述，小波分析在信号处理中有广泛的应用，可以用于信号压缩、图像处理、语音和音频处理、生物医学信号处理、数据压缩和模式识别等领域。

它提供了一种强大的工具，用于捕捉信号的局部特征和变化，从而推动了许多相关学科的发展。

f x L2 0,2 ， f x
其中

k
c e
k
ikx
ck
1 2

2
0
f x e ikx dx
然而， 被分析函数的性质并不能完整地由傅里叶系数来刻划， 这里有一个例子来说明[3]： 从任一个平方可和的函数 f ( x ) 出发，为了得到一个连续函数 g ( x) ，只需或者增大 f(x)的傅 里叶系数的模，或者保持它不变并适当地改变系数的位相。因此，不可能仅根据傅里叶系数 大小的阶就预知函数的性质（如大小、正则性） 。 傅里叶变换的定义：
小波基——Daubechies 基,，为小波的应用研究增添了催化剂。同年，Daubechies I.在美国主 办的小波专题讨论会上进行了次演讲, 引起了广大数学家、 物理学家甚至某些企业家的重视, 由此将小波的理论和实际应用推向了一个高潮。 2 、小波分析原理 “小波” 就是小的波形，所谓 “小”是指它具有衰减性, 如局部非零的; 而称之为 “波” 则是指它的波动性, 即振幅呈正负相间的城荡形式。小波分析（Wavelet Analysis）是一种具 有自适应性窗口函数可对信号进行时频两域局部化分析的方法。 小波分析是 Fourier 分析划时代发展的结果， 1822 年法国数学家傅里叶 (J. Fourier 1768-1830)发表的研究热传导理论的“热的力学分析” ，提出并证明了将周期函数展开为正 [1] 弦级数的原理，奠定了傅里叶级数理论的基础 。傅里叶级数理论研究的是把函数在三角函 数系下的展开， 使得对信号和系统的研究归结为对简单的三角函数的研究。 傅里叶级数与傅 里叶变换共同组成了平常所说的傅里叶分析。 傅里叶级数用于分析周期性的函数或分布， 理 论分析时经常假定周期是 2 ， 定义下式

第一篇：小波分析发展历史简述1910年，Haar提出了L2(R)中第一个小波规范正交基，即Haar正交基。

1936年，Littlewood和Paley对傅立叶级数建立了二进制频率分量分组理论，（即L-P理论：按二进制频率成分分组，其傅立叶变换的相位并不影响函数的大小和形状），这是多尺度分析思想的最早起源。

1952年～1962年，Calderon等人将L-P理论推广到高维，建立了奇异积分算子理论。

1965年，Calderon发现了著名的再生公式，给出了抛物型空间上H1的原子分解。

1974年，Coifman实现了对一维空间和高维空间的原子分解。

1976年，Peetre在用L-P理论对Besov空间进行统一描述的同时，给出了Besov空间的一组基。

1981年，Stromberg引入了Sobolev空间Hp的正交基，对Haar正交基进行了改造，证明了小波函数的存在性。

1981年，法国地球物理学家Morlet提出了小波的正式概念。

1985年，法国数学家Meyer提出了连续小波的容许性条件及其重构公式。

1984年～1988年，Meyer、Battle和Lemarie分别给出了具有快速衰减特性的小波基函数：Meyer小波、Battle-Lemarie样条小波。

1987年，Mallat将计算机视觉领域中的多尺度分析思想引入到小波分析中，提出了多分辨率分析的概念，统一了在此前的所有具体正交小波的构造，给出了构造正交小波基的一般方法，提出了快速小波变换（即Mallat算法）。

1988年，Daubechies基于多项式方式构造出具有有限支集的光滑正交小波基（即Daubechies基）。

Chui和中国学者王建忠基于样条函数构造出单正交小波函数，并提出了具有最优局部化性能的尺度函数和小波函数的一般性构造方法。

1988年，Daubechies在美国NSF/CBMS 主办的小波专题研讨会上进行了10次演讲，引起了广大数学家、物理学家、工程师以及企业家的重视，将小波理论发展与实际应用推向了一个高潮。