小波的几个术语及其常见的小波基介绍

常用小波基函数目前主要通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，并由此选定小波基。

根据不同的标准，小波函数具有不同的类型，标准通常有：1）小波函数和尺度函数的支撑长度。

2）对称性。

在图像处理中对于避免移相是非常有用的。

3）小波函数和尺度函数的消失矩阶数。

4）正则性。

对于信号或图像的重构以获得较好的平滑效果是非常有用的。

可以通过waveinfo函数获得工具箱中小波函数的主要性质。

小波函数和尺度函数可以通过wavefun函数计算，滤波器可以通过wfilters函数产生。

1、haar函数是小波分析中最早用到的一个具有紧支撑的正交小波基函数，同时也是最简单的一个函数。

2、morlet函数的尺度函数不存在，其本身不具有正交性。

3、墨西哥草帽函数在时域和频域有很好的局部化，不具有正交性。

4、Meyer小波的小波函数和尺度函数都是在频域中进行定义的，是具有紧支撑的正交小波。

5、Daubechies小波系，简称dbN，它的db1是haar小波，其他小波没有明确的表达式，dbN函数是紧支撑标准正交小波，它的出现使离散小波分析成为可能。

dbN大多不具有对称性，对于正交小波函数，不对称性是非常明显的。

正则性随着N的增加而增加。

6、Biorthogonal小波系，简称biorNr.Nd。

它主要应用在信号与图像的重构中，通常的用法是采用一个函数进行分解，用另外一个小波函数进行重构，可以解决分解与重构，对称性和重构的精确性成为一对矛盾的问题。

Nr为重构，Nd为分解。

7、Coiflet小波系，简称coifN，是由db构造的一个小波函数，具有比dbN更好的对称性。

从支撑长度的角度看，coifN具有和db3N、sym3N相同的支撑长度，从消失矩的数目来看，具有和db2N、sym2N相同的消失矩数目。

8、Symlets小波系，简称symN，是由db改进的一种函数，是金丝对称的。

小波分析的基本知识屠2001.8.2A.基本知识A1.小波(WAVELET)分类1.原始小波:(1).高斯gaus, (2).莫来特morlet, (3).墨西哥帽mexihat2.无限正则小波浪:(4).梅耶meyr (5).离散梅耶dmey3.正交和紧支集小波:(6).达比切斯dbN(Daubechies), (7).对称symN(symlets), (8).coifN4.双正交和紧支集小波: (9).双正交biorNr (10). 逆双正交rbioNr.Nd5.复小波: (11).复高斯cgauN (12)复莫来特 cmor Fb-Fc (13)复香农shan Fb-Fc(14).复频率B样条 fbspM Fb-Fc注1:db1小波也称哈尔Harr小波,也是原始小波注2.symlet小波是Daubechies小波的改进,由不对称改成近似对称注3.紧支集即函数在有限区域内不为零A2.小波函数和尺度(SCALE)函数1.小波函数(psi)--由高通滤波器确定,产生小波分解的细节 D(detail,)2.尺度函数(phi)--由低通正交镜象滤波器确定, 产生小波分解的逼近 A(approximation)A3.小波分解:S(SIGNAL)=A1+D1=(A2+D2)+D1=(A3+D3)+D2+D1=(A4+D4)+D3+D2+D1=...A4.小波包(WP=Wavelet Packet)分解:S=A1+D1=(AA2+DA2)+(AD2+DD2)=(AAA3+DAA3)+(ADA3+DDA3)+(ADA3+DDA3)+...A5.WAVEMENU: 开始图象用户界面GUI工具A6.WAVEDEMO: 小波工具箱演示B小波变换B1.一维连续小波变换:CWT coefs=cwt(S,scales,"wname')coefs=cwt(S,scales,'wname','plot')coefs=cwt(S,scales,'wname','plotmode')scales--正实数,如1:32,[64 32 16:-2:2],...COLORMENU,COLORBARB2.单级一维离散小波变换:DWT,UPCOEF[Ca1,Cd1]=dwt(x,'wname'), Ca1--逼近系数 Cd1--细节系数[Ca1,Cd1]=dwt(x,Lo_D,Hi_D)a1=upcoef('a',Ca1,'wname',1,L); a1--逼近 L--length(x)d1=upcoef('d',Cd1,'wname',1,L); d1--细节 L--length(x)B3.单级一维逆离散小波变换:IDWT, x=idwt(Ca1,Cd1,'wname')B4.多级一维离散小波分解:WAVEDEC,APPCOEF,DETCOEF,WRCOEF[C,L]=wavedec(x,N,'wname'),N--级(LEVEL)数 C--分解(DECOMPOSITION)矢量L--辅助操作(Bookkeeping)矢量B5.APPCOEF:提取一维小波逼近系数,A=appcoef(C,L,'wname',N)B6.DETCOEF:提取一维小波细节系数,A=detcoef(C,L,'wname',N)B7.WRCOEF:X=wrcoef('type',C,L,'wname',N).type=a,逼近;type=d,细节B8.WAVEREC(多级一维离散小波重构) 重构--RECONSTRUCTIONx=waverec(C,L,'wname')x=waverec(C,L,Lo_R,Hi_R)B9.WFILTERS--小波滤波器[Lo_D,Hi_D,Lo_R,Hi_R]=wfilters('wname'),'wname'=db,coif,sym,bior,rbioB10.DYADDOWN:二进(Dyadic)降采样 Y=dyaddown(x,EVENODD)EVENODD--even,y(k)=x(2k), --odd,y(k)=x(2k-1)B11. DYADUP:二进增采样(填零), y=dyadup(x,EVENODD)B12. WKEEP:保留矢量或矩阵的一部分C.小波包变换C1. WPDEC一维离散小波包分解:[T,D]=wpdec(x,N,'wname',E,P), T--树结构Tree structure, D--数据结构E-熵 Entropy E='shannon','threshold','norm','log energy','user'P-附加参数'threshold' 'sure':P=threshold(0<=P)'norm':P=power,1<=P<2)C2. WPREC一维离散小波包重构x=wprec(T,D) T--小波包树(TREE) N—节点(NODE)C3. WPCOEF小波包系数x=wpcoef(S,D,N)D.MALLAT算法(FWT)E.一维试验信号(b1(t): b2(t): )oislop(ramp+color noise):1=<t<=499,(t/500)+b2(t);500=<t<=1000,1+b2(t)2.freqbrk:1=<t<=500,sin(0.03t);501=<t<=1000,sin(0.3t)3. heavysin4.nelec(2000 电力消耗)5.leleccum(4320分(72小时)电力消耗6.linchirp(线性快扫)7.mfreqbrk8.mishmash 9.nearbrk(1~499,511~1500)10.noisbloc 11.noisbump12.noischir 13.noisdopp 噪声多普勒14.noismima 15.noispol: 在[1 1000]间 t^2-t+1+b1(t) 16.noissin:sin(0.03t)+b1(t) 17.qdchirp18.quachip19.scddvbrk:二阶导数不连续,t<0,exp(-4t^2);t>=0,exp(-t^2),t=[-0.5 0.5]20.sinfract 21.sinper8 22.sumlichr23.sumsin:sin(3t)+sin(0.3t)+sin(0.03t)24.trsin:1=<t<=500,((t-1)/500)+sin(0.3t);501=<t<=1000,((1000-t)/500)+sin(0.3t)25.vonkoch:分形,科克雪花26.warma:AR(3),b2(t)=-1.5*b2(t-1)-0.75*b2(t-2)-0.125*b2(t-3)+b1(t)+0.527.wcantor:分形,康托(三分取一)曲线28.whitnois:在[-0.5 0.5]间的均匀白噪声29.wnoislop:1=<t<=499,(3t/500)+b1(t);500=<t<=1000,3+b1(t)30.wntrsin:1=<t<=500,((t-1)/500)+sin(0.3t)+b1(t);501=<t<=1000,((1000-t)/500)+sin(0.3t)+b1(t)31.wstep:1=<t<=500,s=0;501=<t<=1000,s=20.32.cuspamax(1024):x=linspace(0,1.1024);y=exp(-128*((X-0.3).^2))-3*(abs(x-0.7).^0.433.brkintri:顶端折线三角34.wcantsym(2188):对称康托集disp('******)*************MALLAT算法示例***********************************************')x=[1.8 1.0 -1.0 -1.8];[Lo_D,Hi_D]=wfilters('db1','d');tmpo1=conv(x,Lo_D); [1.8 1.0 -1.0 -1.8]*[0.7071 0.7071]tmpo2=conv(x,Hi_D);Ca1=dyaddown(tmpo1);Cd1=dyaddown(tmpo2);disp('低通分解滤波器系数Lo_D 高通分解滤波器系数Hi_D');disp( [(Lo_D)' (Hi_D)'] ),disp('卷积conv(x,Lo_D 卷积conv(x,Hi_D)');disp( [(tmpo1)’ (tmpo2)’] ),disp('一级逼近系数Ca1 一级细节系数Cd1');disp( [(Ca1)’ (Cd1)’] ),% Ca1=1.9799 -1.9799 Cd1= 0.5657 0.5657[Lo_R,Hi_R]=wfilters('db1','r');disp('低通重构滤波器系数Lo_R=');disp(Lo_R),disp('高通重构滤波器系数Hi_R=');disp(Hi_R),tmp1=dyadup(Cd1);tmpo3=conv(tmp1,Hi_R);d1=wkeep(tmpo3,4);tmp2=dyadup(Ca1);tmpo4=conv(tmp2,Lo_R);a1=wkeep(tmpo4,4);disp( '一级逼近a1 一级细节d1 ');DISP( [(a1)’ (d1)’] ),% 一级逼近a1= 1.4000 1.4000 -1.4000 -1.4000% 一级细节d1= 0.4000 -0.4000 0.4000 -0.4000figure(1),a0=a1+d1;subplot(521),bar(x,0.1),title('原始波形x=[1.8 1.0 -1.0 -1.8]'), grid,axis([0 5 -2 2]),subplot(522),bar(a0,0.1),title('分解后重构波形s=a1+d1'),grid,axis([0 5 -2 2])subplot(523),bar(Ca1,0.1),title(' 逼近系数Ca1=[1.98 -1.98]'),grid,axis([0 5 -2 2])subplot(524),bar(Cd1,0.1),title(' 细节系数Cd1=[0.566 0.566]'),grid,axis([0 5 0 1])subplot(525),bar(a1,0.1),title(' 一级逼近a1=[1.4 1.4 -1.4 -1.4]'),grid,axis([0 5 -2 2])subplot(526),bar(d1,0.1),title(' 一级细节d1=[0.4 -0.4 0.4 -0.4]'),grid,axis([0 5 -1 1])subplot(527),bar(Lo_D,0.1),title('低通分解滤波器系数Lo_D'),grid,axis([0 5 0 1])subplot(528),bar(Hi_D,0.1),title('高通分解滤波器系数Hi_D'),grid,axis([0 5 -1 1])subplot(5,2,9),bar(Lo_R,0.1), title('低通重构滤波器系数Lo_R'),grid,axis([0 5 0 1])subplot(5,2,10),bar(Hi_R,0.1),title('高通重构滤波器系数Hi_R'),grid,axis([0 5 -1 1])%******以上为MALLAT算法原理,实际上用简单命令DWT,UPCOEF计算如下************************** x=[1.8 1.0 -1.0 -1.8];length(x);[Ca1,Cd1]=dwt(x,'db1');a1=upcoef('a',Ca1,'db1',1,4);d1=upcoef('d',Cd1,'db1',1,4);x1=a1+d1;a0=idwt(Ca1,Cd1,'db1',4);------------------------------------------------------------------------------------ x=[1.8 -1.8 1.8 -1.8];x=[1.8 1.0 -1.0 -1.8];[Lo_D,Hi_D]=wfilters('db40','d');tmpo1=conv(x,Lo_D);tmpo2=conv(x,Hi_D);Ca1=dyaddown(tmpo1);Cd1=dyaddown(tmpo2);disp('低通分解滤波器系数Lo_D 高通分解滤波器系数Hi_D');disp( [(Lo_D)'(Hi_D)'] )disp('卷积conv(x,Lo_D)');disp(tmpo1),disp('卷积conv(x,Hi_D)');disp(tmpo2),disp('一级逼近系数Ca1=');disp(Ca1),disp('一级细节系数Cd1=');disp(Cd1),[Lo_R,Hi_R]=wfilters('db40','r');disp('低通重构滤波器系数Lo_R=');disp(Lo_R),disp('高通重构滤波器系数Hi_R=');disp(Hi_R),tmp1=dyadup(Cd1);tmpo3=conv(tmp1,Hi_R);d1=wkeep(tmpo3,4);tmp2=dyadup(Ca1);tmpo4=conv(tmp2,Lo_R);a1=wkeep(tmpo4,4);disp('一级逼近a1');disp(a1),disp('一级细节d1');disp(d1),figure(2),a0=a1+d1;subplot(521),bar(x,0.1),title('原始波形x=[1.8 1.0 -1.0 -1.8]'),subplot(521),bar(x,0.1),title('原始波形x=[1.8 -1.8 1.8 -1.8]'),grid,axis([0 5 -2 2]),subplot(522),bar(a0,0.1),title('分解后重构波形s=a1+d1'),grid,axis([0 5 -2 2]) subplot(523),bar(Ca1,0.1),title(' 逼近系数Ca1'),grid,axlimdlg, axis([0 5 -2 2]) subplot(524),bar(Cd1,0.1),title(' 细节系数Cd1'),grid,axlimdlg, axis([0 5 0 1])subplot(525),bar(a1,0.1),title(' 一级逼近a1=[1.296,0.911,-0.6502,-1.5585]'),subplot(525),bar(a1,0.1),title(' 一级逼近a1=[ ]'), axlimdlg,grid, axis([0 5 -2 2])subplot(526),bar(d1,0.1),title(' 一级细节d1=[0.504,0.089,-0.3498,-0.2415'), subplot(526),bar(d1,0.1),title(' 一级细节d1=[ ]'),axlimdlg,grid, axis([0 5 -1 1])subplot(527),bar(Lo_D,0.1),title('低通分解滤波器系数Lo_D'),grid, axis([0 5 0 1]) subplot(528),bar(Hi_D,0.1),title('高通分解滤波器系数Hi_D'),grid, axis([0 5 -1 1]) subplot(5,2,9),bar(Lo_R,0.1), title('低通重构滤波器系数Lo_R'),grid, axis([0 5 0 1]), axlimdlg,subplot(5,2,10),bar(Hi_R,0.1),title('高通重构滤波器系数Hi_R'),grid, axis([0 5 -1 1]) axlimdlg,k=[1.8 1.0 -1.0 -1.8];s=[1.296 0.911 -0.6502 -1.5585];t=[0.504 0.089 -0.3498 -0.2415];ss=abs(fft(s,21));tt=abs(fft(t,21));kk=abs(fft(k,21));subplot(311),plot(kk),grid,axlimdlg,subplot(312),plot(ss),grid,axlimdlg,subplot(313),plot(tt),grid,axlimdlg,k1=[1.8 1.0 -1.0 -1.8];s1=[1.4 1.4 -1.4 -1.4];t1=[0.4 -0.4 0.4 -0.4];k2=[1.8 1.0 -1.0 -1.8];s2=[1.296 0.911 -0.6502 -1.5585];t2=[0.504 0.089 -0.3498 -0.2415];S1=abs(fft(s1,21));T1=abs(fft(t1,21));K1=abs(fft(k1,21));S2=abs(fft(s2,21));T2=abs(fft(t2,21));K2=abs(fft(k2,21));subplot(321),plot(K1),grid,axis([1 11 0 6]),title('Harr')subplot(323),plot(S1),grid,axis([1 11 0 6]),title('Harr')subplot(325),plot(T1),grid,axis([1 11 0 2]),title('Harr')subplot(322),plot(K2),grid,axis([1 11 0 6]),title('db40')subplot(324),plot(S2),grid,axis([1 11 0 6]),title('db40')subplot(326),plot(T2),grid,axis([1 11 0 2]),title('db40')disp('**********MALLAT算法可用简单命令DWT,UPCOEF重算如下*******************')x=[1.8 1.0 -1.0 -1.8];length(x); =4[Ca1,Cd1]=dwt(x,'db1');a1=upcoef('a',Ca1,'db1',1,4);d1=upcoef('d',Cd1,'db1',1,4);disp('一级逼近系数Ca1=');disp(Ca1), disp('一级细节系数Cd1=');disp(Cd1),disp('一级逼近a1=');disp(a1), disp('一级细节d1=');disp(d1),x1=a1+d1;a0=idwt(Ca1,Cd1,'db1',4);figure(1),subplot(321),bar(x,0.1),title('x=a1+d1=[1.8 1.0 -1.0 -1.8]'),grid,axis([0 5 -2 2]),subplot(322),bar(a0,0.1),title('a0=idwt=x'),grid,axis([0 5 -2 2])subplot(323),bar(Ca1,0.1),title(' 逼近系数Ca1=[1.98 -1.98]'),grid,axis([0 5 -2 2])subplot(324),bar(Cd1,0.1),title(' 细节系数Cd1=[0.566 0.566]'),grid,axis([0 5 0 1]) subplot(325),bar(a1,0.1),title(' 一级逼近a1=[1.4 1.4 -1.4 -1.4]'),grid,axis([0 5 -1.5 1.5])subplot(326),bar(d1,0.1),title(' 一级细节d1=[0.4 -0.4 0.4 -0.4]'),grid,axis([0 5 -1 1])pausedisp(' *******************************************************************'), disp(' * *'), disp(' * *'), disp(' * 低通滤波器减低通滤波器等于带通滤波器 *'), disp(' * *'), disp(' *******************************************************************'), pause,f=-10:0.01:10;t=-50:1/20:50;y1=cos(2*pi*100*f);y2=cos(2*pi*100*t);y1(1:50)=zeros(1,50);y1(1952:2001)=zeros(1,50);y2(1:250)=zeros(1,250);y2(1752:2001)=zeros(1,250);yy=y1-y2;u=cos(2*pi*7*t);v=sinc(t);r=u.*v;U=fft(u);V=fft(v);R=fft(r);x1=real(ifft(y1));x2=real(ifft(y2));xx=real(ifft(yy));figure(2),subplot(331),plot(f,y1),axis([-12,12,0,1.1]),...title('低通(尺度) Y1(f),Fc=9.5Hz.'),subplot(332),plot(f,y2),axis([-12,12,0,1.1]),...title('低通(尺度) Y2(f),Fc=7.5Hz.'),subplot(333),plot(f,yy),axis([-12,12,0,1.1]),...title('带通(小波) YY(f),BW=2Hz.'),subplot(334),plot(t,ifftshift(x1)),axis([-5 5 -0.1 1.0]),...title('X1(t)=IFFT(Y1)'),xlabel('t(s)'),...subplot(335),plot(t,ifftshift(x2)),axis([-5 5 -0.3 0.8]),...title('X2(t)=IFFT(Y2)'),xlabel('t(s)'),subplot(336),plot(t,ifftshift(xx)),axis([-5 5 -0.1 0.16]),...title('X3(t)=IFFT(YY)'),xlabel('t(s)'),pausedisp(' ******************************************************************'), disp(' * *'), disp(' * 调制引起频移,低通变成带通 *'), disp(' * *'), disp(' ******************************************************************'), pause, figure(3),subplot(331),plot(t,u),axis([-2 2 -1.1 1.1]),title('u=cos(2pi*7t),t=-50~50'),subplot(332),plot(t,v),axis([-4 4 -0.3 1.1]),title('v=sinc(t),t=-50~50')subplot(333),plot(t,r),axis([-4 4 -0.9 1.1]),title('r=uv,t=-50~50')subplot(334),plot(f,abs(U)),axis([-5 5 0 900]),title('FFT(u),F=3Hz'),xlabel('Hz') subplot(335),plot(f,fftshift(abs(V))),axis([-5 5 0 23]),...title('V=FFT(v)),低通:Fc=0.5Hz'),xlabel('Hz')subplot(336),plot(f,abs(R)),axis([-5 5 0 11]),title('FFT(r),带通:BW=1Hz'),...xlabel('Hz'),pause,********************************************************************************* t1=-10:0.02:10;f1=0:0.05:50;ta=-20:0.02:20;tb=0:0.02:40;f1=0:1/40:50;x1=cos(2*pi*50*t1);x2=cos(2*pi*50*[0:0.02:20]);x3=cos(2*pi*50*[20:0.02:40]);xa=[zeros(1,500) x1 zeros(1,500)];xb=[x2 zeros(1,1000)];xc=[zeros(1,1000) x3]; fxa=fft(xa);fxb=fft(xb);fxc=fft(xc);subplot(531),plot(ta,xa),axis([-20 20 0 1.1]),title(''),subplot(532),plot(tb,xb),axis([0 40 0 1.1]),title(''),subplot(533),plot(tb,xc),axis([0 40 0 1.1]),title(''),subplot(534),plot(f1,abs(fxa)),grid,axlimdlg,title(''),subplot(535),plot(f1,abs(fxb)),grid,axlimdlg,title(''),subplot(536),plot(f1,abs(fxc)),grid,axlimdlg,title(''),subplot(537),plot(f1,angle(fxa)),grid,axlimdlg,title(''),subplot(538),plot(f1,angle(fxb)),grid,axlimdlg,title(''),subplot(539),plot(f1,angle(fxc)),grid,axlimdlg,title(''),subplot(5,3,10),plot(f1,unwrap(angle(fxa))),grid,axlimdlg,title(''),subplot(5,3,11),plot(f1,unwrap(angle(fxb))),grid,axlimdlg,title(''),subplot(5,3,12),plot(f1,unwrap(angle(fxc))),grid,axlimdlg,title(''),disp('**************************END***********************************'),。

小波的几个术语及常见的小波基介绍Company number：【WTUT-WT88Y-W8BBGB-BWYTT-19998】小波的几个术语及常见的小波基介绍本篇是这段时间学习小波变换的一个收尾，了解一下常见的小波函数，混个脸熟，知道一下常见的几个术语，有个印象即可，这里就当是先作一个备忘录，以后若有需要再深入研究。

一、小波基选择标准小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。

现实中到底选择使用哪一种小波的标准一般有以下几点：1、支撑长度小波函数Ψ(t)、Ψ(ω)、尺度函数φ(t)和φ(ω)的支撑区间，是当时间或频率趋向于无穷大时，Ψ(t)、Ψ(ω)、φ(t)和φ(ω)从一个有限值收敛到0的长度。

支撑长度越长，一般需要耗费更多的计算时间，且产生更多高幅值的小波系数。

大部分应用选择支撑长度为5~9之间的小波，因为支撑长度太长会产生边界问题，支撑长度太短消失矩太低，不利于信号能量的集中。

这里常常见到“紧支撑”的概念，通俗来讲，对于函数f(x)，如果自变量x在0附近的取值范围内，f(x)能取到值；而在此之外，f(x)取值为0，那么这个函数f(x)就是紧支撑函数，而这个0附近的取值范围就叫做紧支撑集。

总结为一句话就是“除在一个很小的区域外，函数为零，即函数有速降性”。

2、对称性具有对称性的小波，在图像处理中可以很有效地避免相位畸变，因为该小波对应的滤波器具有线性相位的特点。

3、消失矩在实际中，对基本小波往往不仅要求满足容许条件，对还要施加所谓的消失矩（Vanishing Moments）条件，使尽量多的小波系数为零或者产生尽量少的非零小波系数，这样有利于数据压缩和消除噪声。

消失矩越大，就使更多的小波系数为零。

但在一般情况下，消失矩越高，支撑长度也越长。

所以在支撑长度和消失矩上，我们必须要折衷处理。

小波的消失矩的定义为，若其中，Ψ(t)为基本小波，0<=p<N。

则称小波函数具有N阶消失矩。

小波的几个术语及常见的小波基介绍本篇是这段时间学习小波变换的一个收尾，了解一下常见的小波函数，混个脸熟，知道一下常见的几个术语，有个印象即可，这里就当是先作一个备忘录，以后若有需要再深入研究。

一、小波基选择标准小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。

现实中到底选择使用哪一种小波的标准一般有以下几点：1、支撑长度小波函数Ψ(t)、Ψ(ω)、尺度函数φ(t)和φ(ω)的支撑区间，是当时间或频率趋向于无穷大时，Ψ(t)、Ψ(ω)、φ(t)和φ(ω)从一个有限值收敛到0的长度。

支撑长度越长，一般需要耗费更多的计算时间，且产生更多高幅值的小波系数。

大部分应用选择支撑长度为5~9之间的小波，因为支撑长度太长会产生边界问题，支撑长度太短消失矩太低，不利于信号能量的集中。

这里常常见到“紧支撑”的概念，通俗来讲，对于函数f(x)，如果自变量x在0附近的取值范围内，f(x)能取到值；而在此之外，f(x)取值为0，那么这个函数f(x)就是紧支撑函数，而这个0附近的取值范围就叫做紧支撑集。

总结为一句话就是“除在一个很小的区域外，函数为零，即函数有速降性”。

2、对称性具有对称性的小波，在图像处理中可以很有效地避免相位畸变，因为该小波对应的滤波器具有线性相位的特点。

3、消失矩在实际中，对基本小波往往不仅要求满足容许条件，对还要施加所谓的消失矩（Vanishing Moments）条件，使尽量多的小波系数为零或者产生尽量少的非零小波系数，这样有利于数据压缩和消除噪声。

消失矩越大，就使更多的小波系数为零。

但在一般情况下，消失矩越高，支撑长度也越长。

所以在支撑长度和消失矩上，我们必须要折衷处理。

小波的消失矩的定义为，若其中，Ψ(t)为基本小波，0<=p<N。

则称小波函数具有N阶消失矩。

从上式还可以得出，同任意n-1阶多项式正交。

在频域内表示就是Ψ(ω)在ω=0处有高阶零点（一阶零点就是容许条件）。

与标准的傅里叶变换相比，小波分析中使用到的小波函数具有不唯一性，即小波函数 具有多样性。

小波分析在工程应用中，一个十分重要的问题就是最优小波基的选择问题，因为用不同的小波基分析同一个问题会产生不同的结果。

目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，由此决定小波基。

常用小波基有Haar 小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet 小波、Meyer 小波等。

Haar 小波Haar 函数是小波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简单的一个小波函数，它是支撑域在[0,1]∈t 范围内的单个矩形波。

Haar函数的定义如下：1021121(t)-10t t ≤≤≤≤ψ=⎧⎪⎨⎪⎩其他Haar 小波在时域上是不连续的，所以作为基本小波性能不是特别好。

但它也有自己的优点:1. 计算简单。

2.(t)ψ不但与j (t)[j z]2ψ∈正交，而且与自己的整数位移正交，因此，在2j a=的多分辨率系统中，Haar 小波构成一组最简单的正交归一的小波族。

()t ψ的傅里叶变换是：2/24=sin ()j e aψ-ΩΩΩΩ（）jDaubechies(dbN)小波Daubechies 小波是世界著名的小波分析学者Inrid ·Daubechies 构造的小波函数，简写为dbN ，N 是小波的阶数。

小波(t)ψ和尺度函数(t)φ中的支撑区为12-N ，(t)ψ的消失矩为N 。

除1=N （Harr 小波）外，dbN 不具有对称性（即非线性相位）。

除1=N（Harr 小波）外，dbN 没有明确的表达式，但转换函数h 的平方模是明确的:令kN k kN kyp C∑-=+=11-(y)，其中C kN k+1-为二项式的系数，则有)2)p(sin2(cos)(2220ωωω=m其中：e h jk N k kωω-12021)(m ∑-==Daubechies 小波具有以下特点：1. 在时域是有限支撑的，即(t)ψ长度有限。

小波的几个术语及常见的小波基介绍本篇是这段时间学习小波变换的一个收尾,了解一下常见的小波函数,混个脸熟,知道一下常见的几个术语,有个印象即可,这里就当是先作一个备忘录,以后若有需要再深入研究;一、小波基选择标准小波变换不同于傅里叶变换,根据小波母函数的不同,小波变换的结果也不尽相同;现实中到底选择使用哪一种小波的标准一般有以下几点：1、支撑长度小波函数Ψt、Ψω、尺度函数φt和φω的支撑区间,是当时间或频率趋向于无穷大时,Ψt、Ψω、φt和φω从一个有限值收敛到0的长度;支撑长度越长,一般需要耗费更多的计算时间,且产生更多高幅值的小波系数;大部分应用选择支撑长度为5~9之间的小波,因为支撑长度太长会产生边界问题,支撑长度太短消失矩太低,不利于信号能量的集中;这里常常见到“紧支撑”的概念,通俗来讲,对于函数fx,如果自变量x在0附近的取值范围内,fx能取到值；而在此之外,fx取值为0,那么这个函数fx就是紧支撑函数,而这个0附近的取值范围就叫做紧支撑集;总结为一句话就是“除在一个很小的区域外,函数为零,即函数有速降性”;2、对称性具有对称性的小波,在图像处理中可以很有效地避免相位畸变,因为该小波对应的滤波器具有线性相位的特点;3、消失矩在实际中,对基本小波往往不仅要求满足容许条件,对还要施加所谓的消失矩Vanishing Moments条件,使尽量多的小波系数为零或者产生尽量少的非零小波系数,这样有利于数据压缩和消除噪声;消失矩越大,就使更多的小波系数为零;但在一般情况下,消失矩越高,支撑长度也越长;所以在支撑长度和消失矩上,我们必须要折衷处理;小波的消失矩的定义为,若其中,Ψt为基本小波,0<=p<N;则称小波函数具有N阶消失矩;从上式还可以得出,同任意n-1阶多项式正交;在频域内表示就是Ψω在ω=0处有高阶零点一阶零点就是容许条件;4、正则性在量化或者舍入小波系数时,为了减小重构误差对人眼的影响,我们必须尽量增大小波的光滑性或者连续可微性;因为人眼对“不规则”irregular误差比“平滑”误差更加敏感;换句话说,我们需要强加“正则性”regularity条件;也就是说正则性好的小波,能在信号或图像的重构中获得较好的平滑效果,减小量化或舍入误差的视觉影响;但在一般情况下,正则性好,支撑长度就长,计算时间也就越大;因此正则性和支撑长度上,我们也要有所权衡;消失矩和正则性之间有很大关系,对很多重要的小波比如,样条小波,Daubechies小波等来说,随着消失矩的增加,小波的正则性变大,但是,并不能说随着小波消失矩的增加,小波的正则性一定增加,有的反而变小;5、相似性选择和信号波形相似的小波,这对于压缩和消噪是有参考价值的;二、常见的小波基以下列出的15种小波基是Matlab中支持的15种;1、Haar小波Haar,一般音译为“哈尔”;Haar函数是小波分析中最早用到的一个具有紧支撑的正交小波函数,也是最简单的一个小波函数,它是支撑域在t∈0,1范围内的单个矩形波;Haar小波在时域上是不连续的,所以作为基本小波性能不是特别好;在Matlab中输入命令waveinfo'haar'可得到如下信息：General characteristics: Compactlysupportedwavelet, the oldest and the simplestwavelet.scaling function phi = 1 on 0 1 and 0otherwise.wavelet function psi = 1 on 0 , = -1on 1 and 0 otherwise.Family HaarShort name haarExamples haar is the same as db1Orthogonal yesBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 1Filters length 2Regularity haar is not continuousSymmetry yesNumber of vanishingmoments for psi 12、Daubechiesdb N小波紧支集正交小波Daubechies,一般音译为“多贝西”;Daubechies小波是由世界着明的小波分析学者Ingrid Daubechies一般音译为英格丽·多贝西构造的小波函数,我们一般简写成dbN,N是小波的阶数;小波函数Ψt和尺度函数φt中的支撑区为2N-1,Ψt的消失矩为N;dbN小波具有较好的正则性,即该小波作为稀疏基所引入的光滑误差不容易被察觉,使得信号重构过程比较光滑;dbN小波的特点是随着阶次序列N的增大消失矩阶数越大,其中消失矩越高光滑性就越好,频域的局部化能力就越强,频带的划分效果越好,但是会使时域紧支撑性减弱,同时计算量大大增加,实时性变差;另外,除N=1外,dbN小波不具有对称性即非线性相位,即在对信号进行分析和重构时会产生一定的相位失真;dbN没有明确的表达式除了N=1外,N=1时即为Haar小波;在Matlab中输入命令waveinfo'db'可得到如下信息：General characteristics: Compactlysupportedwavelets with extremal phase and highestnumber of vanishing moments for a givensupport width. Associated scaling filtersareminimum-phase filters.Family DaubechiesShort name dbOrder N N strictly positive integerExamples db1 or haar, db4, db15Orthogonal yesBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 2N-1Filters length 2NRegularity about N for large NSymmetry far fromNumber of vanishingmoments for psi N3、Symletsym N小波近似对称的紧支集正交小波Symlet小波函数是IngridDaubechies提出的近似对称的小波函数,它是对db函数的一种改进;Symlet小波系通常表示为symN N=2,3,…,8;sym N小波的支撑范围为2N-1,消失矩为N,同时也具备较好的正则性;该小波与dbN小波相比,在连续性、支集长度、滤波器长度等方面与dbN小波一致,但symN小波具有更好的对称性,即一定程度上能够减少对信号进行分析和重构时的相位失真;在Matlab中输入命令waveinfo'sym'可得到如下信息：General characteristics: Compactlysupported wavelets withleast asymmetry and highest number ofvanishing momentsfor a given support width.Associated scaling filters are nearlinear-phase filters.Family SymletsShort name symOrder N N = 2, 3, ...Examples sym2, sym8Orthogonal yesBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 2N-1Filters length 2NRegularitySymmetry near fromNumber of vanishingmoments for psi N4、Coifletcoif N小波根据的要求,Daubechies构造了Coiflet小波,它具有coifNN=1,2,3,4,5这一系列;Coiflet的小波函数Ψt的2N阶矩为零,尺度函数φt的2N-1阶矩为零;Ψt和φt的支撑长度为6N-1;Coiflet 的Ψt和φt具有比dbN更好的对称性;在Matlab中输入命令waveinfo'coif'可得到如下信息：General characteristics: Compactlysupportedwavelets with highest number of vanishingmoments for both phi and psi for a givensupport width.Family CoifletsShort name coifOrder N N = 1, 2, ..., 5Examples coif2, coif4Orthogonal yesBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 6N-1Filters length 6NRegularitySymmetry near fromNumber of vanishingmoments for psi 2NNumber of vanishingmoments for phi 2N-15、Biorthogonal小波为了解决对称性和精确信号重构的不相容性,引入了双正交小波,称为对偶的两个小波分别用于信号的分解和重构;双正交小波解决了线性相位和正交性要求的矛盾;由于它有线性相位特性,所以主要应用在信号与图像的重构中;通常的用法是采用一个函数进行分解,用另外一个小波函娄进行重构;双正交小波与正交小波的区别在于正交小波满足<Ψj,k,Ψl,m>=δj,kδl,m,也就是对小波函数的伸缩和平移构成的基函数完全正交,而双正交小波满足的正交性为<Ψj,k,Ψl,m>=δj,k,也就是对不同尺度伸缩下的小波函数之间有正交性,而同尺度之间通过平移得到的小波函数系之间没有正交性,所以用于分解与重构的小波不是同一个函数,相应的滤波器也不能由同一个小波生成;该小波虽然不是正交小波,但却是双正交小波,具备正则性,同时也是紧支撑的,其重构支撑范围为2Nr+1,分解支撑范围为2Nd+1;小波的主要特征表现在具有线性相位特性;一般来说为了获得线性相位,需要降低对于正交性的局限,为此该双正交小波降低了对于正交性的要求,保留了正交小波的一部分正交性,使小波攻得了线性相位和较短支集的特性;在Matlab中输入命令waveinfo'bior'可得到如下信息：General characteristics: Compactly supportedbiorthogonal spline wavelets for whichsymmetry and exact reconstruction are possiblewithFIR filters in orthogonal case it isimpossible except for Haar.FamilyBiorthogonalShortname biorOrderNr,Nd Nr = 1 , Nd = 1, 3, 5r forreconstruction Nr = 2 , Nd = 2, 4, 6,8d fordecomposition Nr = 3 , Nd = 1, 3, 5,7, 9Nr = 4 , Nd = 4Nr = 5 , Nd = 5Nr = 6 , Nd = 8Examples ,Orthogonal noBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 2Nr+1 forrec., 2Nd+1 for dec. Filters lengthmax2Nr,2Nd+2 but essentially ld lreffective length effective lengthof Lo_D of Hi_D2 26 210 25 39 313 317 34 48 412 416 420 4bior 9 79 1117 11Regularity forpsirec. Nr-1 and Nr-2 at theknotsSymmetry yesNumberof vanishingmoments for psi dec. NrRemark: bior , and are such that reconstruction and decomposition functions and filters are close in value. 6、ReverseBior小波由Biorthogonal而来,因此两者形式很类似;在Matlab中输入命令waveinfo'bior'可得到如下信息：General characteristics: Compactly supported biorthogonal spline wavelets for whichsymmetry and exact reconstruction are possiblewithFIR filters in orthogonal case it isimpossible except for Haar.FamilyBiorthogonalShortname rbioOrderNd,Nr Nd = 1 , Nr = 1, 3, 5r forreconstruction Nd = 2 , Nr = 2, 4, 6,8d fordecomposition Nd = 3 , Nr = 1, 3, 5,7, 9 Nd = 4 , Nr = 4Nd = 5 , Nr = 5Nd = 6 , Nr = 8Examples ,Orthogonal noBiorthogonal yesCompact support yesDWT possibleCWT possibleSupport width 2Nd+1 forrec., 2Nr+1 for dec. Filters lengthmax2Nd,2Nr+2 but essentially lr ldeffective length effective lengthof Hi_D of Lo_D2 26 210 25 39 313 317 34 48 412 416 420 49 79 1117 11Regularity forpsirec. Nd-1 and Nd-2 at theknotsSymmetry yesNumberof vanishingmoments for psi dec. NdRemark: rbio , and are such that reconstruction anddecomposition functions and filters are close in value.7、Meyer小波Meyer小波的小波函数和尺度函数都是在频率域中进行定义的,它不是紧支撑的,但它的收敛速度很快;在Matlab中输入命令waveinfo'meyr'可得到如下信息：General characteristics: Infinitely regular orthogonal wavelet.Family MeyerShortname meyrOrthogonal yesBiorthogonal yesCompact support noDWT possiblebut without FWTFIR based approximation provides FWTCWT possibleSupport width infiniteEffective support -8 8Regularityindefinitely derivableSymmetry yes8、Dmeyer小波Dmeyer即离散的Meyer小波,它是Meyer小波基于FIR的近似,用于快速离散小波变换的计算;在Matlab中输入命令waveinfo'dmey'可得到如下信息：Definition: FIR based approximation of theMeyer Wavelet.Family DMeyerShort name dmeyOrthogonal yesBiorthogonal yesCompact support yesDWT possibleCWT possible9、Gaussian小波Gaussian小波是高斯密度函数的微分形式,它是一种非正交与非双正交的小波,没有尺度函数;在Matlab中输入命令waveinfo'gaus'可得到如下信息：Definition: derivatives of the Gaussianprobability density function.gausx,n = Cn diffexp-x^2,n wherediff denotesthe symbolic derivative and where Cn issuch thatthe 2-norm of gausx,n = 1.Family GaussianShort name gausWavelet name gaus"n"Orthogonal noBiorthogonal noCompact support noDWTnoSupport width infiniteEffective support -5 5Symmetry yesn even ==> Symmetryn odd ==> Anti-Symmetry10、MexicanHatmexh小波Mexican Hat函数为Gauss函数的二阶导数;因数它的形状像墨西哥帽的截面,所以我们称这个函数为墨西哥草帽函数;它在时域和频率都有很好的局部化,但不存在尺度函数,所以此小波函数不具有正交性;在Matlab中输入命令waveinfo'mexh'可得到如下信息：Definition: second derivative of theGaussianprobability density functionmexhx = c exp-x^2/2 1-x^2where c = 2/sqrt3pi^{1/4}Family Mexican hatShort name mexhOrthogonalnoBiorthogonal noCompact support noDWT noSupport width infiniteEffective support -5 5Symmetry yes11、Morlet小波Morlet小波是高斯包络下的单频率正弦函数,没有尺度函数,是非正交分解;在Matlab中输入命令waveinfo'morl'可得到如下信息：Definition:morlx = exp-x^2/2 cos5xFamily MorletShort name morlOrthogonal noBiorthogonal noCompact support noDWT noCWT possibleSupport width infiniteEffective support -4 4Symmetry yes12、ComplexGaussian小波属于一类复小波,没有尺度函数;在Matlab中输入命令waveinfo'cgau'可得到如下信息：Definition: derivatives of the complexGaussianfunctioncgaux = Cn diffexp-ixexp-x^2,nwhere diff denotesthe symbolic derivative and where Cn is aconstantFamily Complex GaussianShort name cgauWavelet name cgau"n"Orthogonal noBiorthogonal noCompact support noDWT noComplex CWT possibleSupport width infiniteSymmetry yesn even ==> Symmetryn odd ==> Anti-Symmetry13、ComplexShannon Wavelets：shan在Matlab中输入命令waveinfo'shan'可得到如下信息：Definition: a complex Shannon wavelet isshanx =Fb^{}sincFbxexp2ipiFcxdepending on two parameters:Fb is a bandwidth parameterFc is a wavelet center frequencyThe condition Fc > Fb/2 is sufficient toensure thatzero is not in the frequency supportinterval.Family Complex ShannonShort name shanWavelet name shan"Fb"-"Fc"Orthogonal noBiorthogonal noCompact support noDWT nocomplex CWT possibleSupport width infinite14、ComplexFrequency B-Spline Wavelets 复高斯B样条小波样条函数splinefunction指一类分段片光滑、并且在各段交接处也有一定光滑性的函数,简称样条;在Matlab中输入命令waveinfo'fbsp'可得到如下信息：Definition: a complex Frequency B-Splinewavelet isfbspx = Fb^{}sincFbx/M^Mexp2ipiFcxdepending on three parameters:M is an integer order parameter>=1Fb is a bandwidth parameterFc is a wavelet center frequencyFor M = 1, the condition Fc > Fb/2 issufficient to ensurethat zero is not in the frequency supportinterval.Family Complex Frequency B-SplineShort name fbspWavelet namefbsp"M"-"Fb"-"Fc"Orthogonal noBiorthogonal noCompact support noDWT nocomplex CWT possibleSupport width infinite15、ComplexMorlet小波Morlet小波是一种单频复正弦调制高斯波,也是最常用的复值小波该小波,在时频两域均具有良好的分辨率,将此小波加以改造特别适用于地震资料的分析;在Matlab中输入命令waveinfo'cmor'可得到如下信息：Definition: a complex Morlet wavelet is cmorx =piFb^{}exp2ipiFcxexp-x^2/Fb depending on two parameters:Fb is a bandwidth parameterFc is a wavelet center frequency Family Complex MorletShort name cmorWavelet name cmor"Fb"-"Fc" Orthogonal noBiorthogonal noCompact support noDWT nocomplex CWT possibleSupport width infinite。

不同小波基函数的选择对信号处理结果的影响分析信号处理是一门重要的学科，广泛应用于各个领域。

在信号处理中，小波变换是一种常用的数学工具，用于分析和处理信号的时频特性。

小波基函数的选择对信号处理结果具有重要影响，本文将对此进行分析。

一、小波基函数的概念与分类小波基函数是小波变换的基础，它是一组具有局部性质的函数。

常见的小波基函数有哈尔小波、Daubechies小波、Symlet小波、Coiflet小波等。

这些小波基函数具有不同的特性，适用于不同类型的信号处理任务。

二、小波基函数的选择原则在选择小波基函数时，需要考虑以下几个原则：1. 时频局部性：小波基函数应具有良好的时频局部性，即在时域和频域上都能够较好地集中信号的能量，以实现精确的时频分析。

2. 平滑性：小波基函数应具有一定的平滑性，以减少高频噪声对信号处理结果的影响。

3. 尺度变换性：小波基函数应具有尺度变换性，即能够通过改变尺度对信号进行多尺度分析，以获取不同尺度下的信号特征。

4. 稀疏性：小波基函数应具有稀疏性，即能够用较少的系数表示信号，以减少计算复杂度和存储空间。

三、不同小波基函数的影响分析1. 哈尔小波：哈尔小波是最简单的小波基函数，具有良好的时频局部性和平滑性。

它适用于对信号进行初步的时频分析，但在处理非平稳信号时可能会出现较大的误差。

2. Daubechies小波：Daubechies小波是一类具有紧支集的小波基函数，具有较好的时频局部性和平滑性。

它适用于对信号进行精确的时频分析，尤其适用于处理平稳信号。

3. Symlet小波：Symlet小波是一类具有对称性的小波基函数，它在时域和频域上都具有较好的局部性质。

Symlet小波适用于对信号进行多尺度分析，尤其适用于处理具有较高频率成分的信号。

4. Coiflet小波：Coiflet小波是一类具有紧支集和对称性的小波基函数，它在时域上具有较好的平滑性，适用于对信号进行平滑处理。

Coiflet小波也适用于对信号进行多尺度分析。

小波变换是一种信号分析技术，可以将信号分解为不同尺度和频率的成分。

不同小波基函数可以用于对初始信号进行小波变换，每种小波基函数都具有不同的特性和适用场景。

下面是一些常见的小波基函数和它们的特点：
Haar小波基：是最简单的小波基函数之一，适用于处理突变信号，对于突变边缘的定位能力较好。

Daubechies小波基：Daubechies小波基是最常用的小波基之一，具有紧凑的支持区域和良好的频率局部化特性，可用于平滑和压缩信号。

Symlet小波基：Symlet小波基是Daubechies小波基的对称扩展，适用于平稳和非平稳信号的分析。

Coiflet小波基：Coiflet小波基在高频区域具有更好的逼近性能，适用于信号的边缘检测和平滑处理。

Morlet小波基：Morlet小波基是一种连续小波变换的基函数，常用于时频分析，特别是在处理频谱分析和信号中的瞬态特征方面。

对于给定的初始信号，可以选择适合的小波基函数进行小波变换。

不同的小波基函数在时域和频域上具有不同的性质和适用范围，因此在选择小波基函数时需要考虑信号的特点和分析目的。

小波变换和傅里叶变换一、小波变换的基本概念及原理小波变换是一种时频分析方法，它将信号分解成不同尺度和频率的小波基函数，从而能够更好地描述信号的局部特征。

小波变换与傅里叶变换相比，具有更好的时域局部性和多分辨率特性。

1. 小波基函数小波基函数是一组紧凑支撑的函数，可以用于表示任意信号。

常见的小波基函数包括哈尔、Daubechies、Symlet等。

2. 小波分解小波分解是指将信号分解成不同尺度和频率的小波基函数。

通常采用离散小波变换（DWT）实现。

3. 小波重构小波重构是指将经过小波分解后得到的系数重新合成成原始信号。

通常采用离散小波逆变换（IDWT）实现。

二、傅里叶变换的基本概念及原理傅里叶变换是一种将时域信号转化为频域信号的方法，能够揭示出信号中各个频率成分所占比例，从而能够更好地描述信号在频域上的特征。

1. 傅里叶级数傅里叶级数是指将周期信号分解成一组正弦、余弦函数的线性组合，通常采用复数形式表示。

2. 傅里叶变换傅里叶变换是指将非周期信号分解成一组连续的正弦、余弦函数的线性组合，通常采用积分形式表示。

3. 傅里叶逆变换傅里叶逆变换是指将经过傅里叶变换后得到的频域信号重新合成成原始信号，通常采用积分形式表示。

三、小波变换与傅里叶变换的比较小波变换和傅里叶变换都是将信号从时域转化为频域的方法，但两者有着明显的区别。

1. 时域局部性小波变换具有更好的时域局部性，即小波基函数在时间上具有紧凑支撑。

而傅里叶基函数则是在整个时间轴上存在。

2. 多分辨率特性小波变换具有多分辨率特性，可以将信号分解成不同尺度和频率的小波基函数。

而傅里叶变换则只能得到整体频谱信息。

3. 计算复杂度小波变换的计算复杂度比傅里叶变换低，因为小波基函数具有局部性质，可以在不同尺度上分别计算。

而傅里叶变换则需要对整个信号进行计算。

4. 应用领域小波变换主要应用于信号的时频分析、图像处理等领域。

而傅里叶变换则主要应用于通信、音频处理等领域。

与标准的傅里叶变换相比，小波分析中使用到的小波函数具有不唯一性，即小波函数 具有多样性。

小波分析在工程应用中，一个十分重要的问题就是最优小波基的选择问题，因为用不同的小波基分析同一个问题会产生不同的结果。

目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，由此决定小波基。

常用小波基有Haar 小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet 小波、Meyer 小波等。

Haar 小波Haar 函数是小波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简单的一个小波函数，它是支撑域在[0,1]∈t 范围内的单个矩形波。

Haar函数的定义如下：1021121(t)-10t t ≤≤≤≤ψ=⎧⎪⎨⎪⎩其他Haar 小波在时域上是不连续的，所以作为基本小波性能不是特别好。

但它也有自己的优点:1. 计算简单。

2.(t)ψ不但与j (t)[j z]2ψ∈正交，而且与自己的整数位移正交，因此，在2j a=的多分辨率系统中，Haar 小波构成一组最简单的正交归一的小波族。

()t ψ的傅里叶变换是：2/24=sin ()j e aψ-ΩΩΩΩ（）jDaubechies(dbN)小波Daubechies 小波是世界著名的小波分析学者Inrid ·Daubechies 构造的小波函数，简写为dbN ，N 是小波的阶数。

小波(t)ψ和尺度函数(t)φ中的支撑区为12-N ，(t)ψ的消失矩为N 。

除1=N （Harr 小波）外，dbN 不具有对称性（即非线性相位）。

除1=N（Harr 小波）外，dbN 没有明确的表达式，但转换函数h 的平方模是明确的:令kN k kN kyp C∑-=+=11-(y)，其中C kN k+1-为二项式的系数，则有)2)p(sin2(cos)(2220ωωω=m其中：e h jk N k kωω-12021)(m ∑-==Daubechies 小波具有以下特点：1. 在时域是有限支撑的，即(t)ψ长度有限。

本篇是这段时间学习小波变换的一个收尾，了解一下常见的小波函数，混个这里就当是先作一个备忘录，以后若有需脸熟，知道一下常见的几个术语，有个印象即可，要再深入研究。

一、小波基选择标准小波变换不同于傅里叶变换，根据小波母函数的不同，小波变换的结果也不尽相同。

现实中到底选择使用哪一种小波的标准一般有以下几点：1、支撑长度小波函数Ψ(t)、Ψ(ω)、尺度函数φ(t)和φ(ω)的支撑区间，是当时间或频率趋向于无穷大时，Ψ(t)、Ψ(ω)、φ(t)和φ(ω)从一个有限值收敛到0的长度。

支撑长度越长，一般需要耗费更多的计算时间，且产生更多高幅值的小波系数。

大部分应用选择支撑长度为5~9之间的小波，因为支撑长度太长会产生边界问题，支撑长度太短消失矩太低，不利于信号能量的集中。

这里常常见到“紧支撑”的概念，通俗来讲，对于函数f(x)，如果自变量x在0附近的取值范围内，f(x)能取到值；而在此之外，f(x)取值为0，那么这个函数f(x)就是紧支撑函数，而这个0附近的取值范围就叫做紧支撑集。

总结为一句话就是“除在一个很小的区域外，函数为零，即函数有速降性”。

2、对称性具有对称性的小波，在图像处理中可以很有效地避免相位畸变，因为该小波对应的滤波器具有线性相位的特点。

3、消失矩在实际中，对基本小波往往不仅要求满足容许条件，对还要施加所谓的消失矩（Vanishing Moments）条件，使尽量多的小波系数为零或者产生尽量少的非零小波系数，这样有利于数据压缩和消除噪声。

消失矩越大，就使更多的小波系数为零。

但在一般情况下，消失矩越高，支撑长度也越长。

所以在支撑长度和消失矩上，我们必须要折衷处理。

小波的消失矩的定义为，若其中，Ψ(t)为基本小波，0<=p<N。

则称小波函数具有N阶消失矩。

从上式还可以得出，同任意n-1阶多项式正交。

在频域内表示就是Ψ(ω)在ω=0处有高阶零点（一阶零点就是容许条件）。

4、正则性在量化或者舍入小波系数时，为了减小重构误差对人眼的影响，我们必须尽量增大小波的光滑性或者连续可微性。

与标准的傅里叶变换相比，小波分析中使用到的小波函数具有不唯一性，即小波函数具有多样性。

小波分析在工程应用中，一个十分重要的问题就是最优小波基的选择问题，因为用不同的小波基分析同一个问题会产生不同的结果。

目前我们主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，由此决定小波基。

常用小波基有Haar 小波、Daubechies(dbN)小波、MexicanHat(mexh)小波、Morlet 小波、Meyer 小波等。

Haar 小波Haar 函数是小波分析中最早用到的一个具有紧支撑的正交小波函数，也是最简单的一个小波函数，它是支撑域在[0,1]∈t 范围内的单个矩形波。

Haar 函数的定义如下：Haar 小波在时域上是不连续的，所以作为基本小波性能不是特别好。

但它也有自己的优点:1. 计算简单。

2. (t)ψ不但与j (t)[j z]2ψ∈正交，而且与自己的整数位移正交，因此，在2j a =的多分辨率系统中，Haar小波构成一组最简单的正交归一的小波族。

()t ψ的傅里叶变换是：Haar 小波的时域和频域波形Daubechies(dbN)小波Daubechies 小波是世界着名的小波分析学者Inrid ·Daubechies 构造的小波函数，简写为dbN ，N 是小波的阶数。

小波(t)ψ和尺度函数(t)φ中的支撑区为12-N ，(t)ψ的消失矩为N 。

除1=N （Harr 小波）外，dbN 不具有对称性（即非线性相位）。

除1=N （Harr 小波）外，dbN 没有明确的表达式，但转换函数h 的平方模是明确的:令k N k k N k y p C ∑-=+=101-(y)，其中C k N k +1-为二项式的系数，则有其中：Daubechies 小波具有以下特点：1. 在时域是有限支撑的，即(t)ψ长度有限。

2. 在频域)(ωψ在=0ω处有N 阶零点。

3. (t)ψ和它的整数位移正交归一，即⎰=δψψkk)dt -(t (t)。

小波的几个术语及常见的小波基介绍小波分析是一种数学工具，用于在信号和图像处理中分析和处理数据。

小波是由时间和频率两个维度组成的，因此可以提供更加详细和全面的数据描述。

在小波分析中，有一些重要的术语和常见的小波基，下面将进行详细介绍。

几个术语：1. 小波函数（Wavelet Function）：小波函数是指满足特定条件的函数，用于构造小波分析。

小波函数可以通过伸缩（Scaling）和平移（Translation）操作得到不同频率和时间的小波基函数。

2. 尺度（Scale）：尺度是用来调整小波函数的大小，尺度越大，小波函数的时间范围越大，频率范围越低。

尺度通过尺度变换（Scaling Function）来进行调整。

3. 位移（Translation）：位移是用来调整小波函数的位置，位移参数决定了小波函数在时间轴上的位置。

位移通过位移变换（Translation Function）来进行调整。

4. 连续小波变换（Continuous Wavelet Transform，CWT）：连续小波变换是指将信号与小波函数进行卷积运算，得到一系列的小波系数。

这种变换能够提供信号在不同尺度和位置上的频率信息。

5. 离散小波变换（Discrete Wavelet Transform，DWT）：离散小波变换是指将信号通过一系列的滤波和下采样操作，得到一组小波系数。

这种变换可以实现高效的小波分析，并且能够提供信号在不同尺度上的频率信息。

常见的小波基：1. Haar小波：Haar小波是最简单的小波基函数，它只有两个系数，分别为±1、Haar小波具有边缘保持性质（Edge Preserving），能够有效提取信号的边缘信息。

2. Daubechies小波：Daubechies小波是一类广泛使用的小波基函数，由Ingrid Daubechies提出。

它的设计基于幂等滤波器（Idempotent Filter），可以提供精确的尺度变换和频率分析。

掌握小波变换的关键概念与术语小波变换是一种用于信号分析和处理的重要工具，它在多个领域中都有广泛的应用。

掌握小波变换的关键概念与术语对于理解和应用这一技术至关重要。

一、小波变换的基本概念小波变换是一种将信号分解成不同频率的成分的方法。

与傅里叶变换相比，小波变换具有更好的时频局部性质，能够更准确地描述信号的瞬时特征。

1. 小波函数小波函数是小波变换的基础，它是一种特殊的函数形式，具有有限的持续时间和频率。

常见的小波函数有Morlet小波、Daubechies小波等。

不同的小波函数适用于不同类型的信号分析。

2. 尺度与平移在小波变换中，尺度(scale)和平移(shift)是两个重要的概念。

尺度表示小波函数的频率特性，而平移表示小波函数在时间上的移动。

通过改变尺度和平移，可以对信号进行多尺度分析，从而揭示信号的不同频率成分。

3. 连续小波变换与离散小波变换连续小波变换(CWT)是指对信号在连续尺度上进行小波变换。

离散小波变换(DWT)是指对信号在离散尺度上进行小波变换。

离散小波变换具有计算效率高、存储空间小等优点，因此在实际应用中更为常用。

二、小波分析的关键术语小波分析是指利用小波变换对信号进行分析的过程，其中涉及到一些关键的术语。

1. 尺度图(scaleogram)尺度图是用来表示小波分析结果的一种图形表示方法。

在尺度图中，横轴表示时间，纵轴表示尺度，图像的颜色或亮度表示信号的能量或幅度。

通过观察尺度图，可以直观地了解信号的频率分布和时频特性。

2. 尺度系数(scale coefficient)尺度系数是小波分析中得到的一组数字，表示信号在不同尺度上的能量或幅度。

尺度系数可以用来分析信号的频率成分和时域特征。

3. 尺度函数(scale function)尺度函数是用来描述小波函数在不同尺度上的形态变化的函数。

通过尺度函数，可以将信号在不同尺度上进行分解和重构。

三、小波变换的应用领域小波变换作为一种强大的信号处理工具，在多个领域中都有广泛的应用。