從傅立葉變換到小波變換的分析 學習筆記
感謝前輩的分析和總結
小波，一個神奇的波，可長可短可胖可瘦（伸縮平移），當去學習小波的時候，第一個首先要做的就是回顧傅立葉變換（又回來了，唉），因為他們都是頻率變換的方法，而傅立葉變換是最入門的，也是最先了解的，通過傅立葉變換，瞭解缺點，改進，慢慢的就成了小波變換。主要的關鍵的方向是傅立葉變換、短時傅立葉變換，小波變換等，第二代小波的什麼的就不說了，太多了沒太多意義。當然，其中會看到很多的名詞，例如，內積，基，歸一化正交，投影，Hilbert空間，多解析度，父小波，母小波，這些不同的名詞也是學習小波路上的標誌牌，所以在剛學習小波變換的時候，看著三個方向和標誌牌，可以順利的走下去，當然路上的美景要自己去欣賞（這裡的美景就是定義和推導了）。因為內容太多，不是很重要的地方我都註釋為（查定義）一堆文字的就是理論（可以大體一看不用立刻就懂），同時最下面也給了幾個網址輔助學習。
一、基
傅立葉變換和小波變換，都會聽到分解和重構，其中這個就是根本，因為他們的變化都是將訊號看成由若干個東西組成的，而且這些東西能夠處理還原成比原來更好的訊號。那怎麼分解呢？那就需要一個分解的量，也就是常說的基，基的瞭解可以類比向量，向量空間的一個向量可以分解在x，y方向，同時在各個方向定義單位向量e1、e2，這樣任意一個向量都可以表示為a=xe1+ye2，這個是二維空間的基，
而對於傅立葉變換的基是不同頻率的正弦曲線，所以傅立葉變換是把訊號波分解成不同頻率的正弦波的疊加和，而對於小波變換就是把一個訊號分解成一系列的小波，這裡時候，也許就會問，小波變換的小波是什麼啊，定義中就是告訴我們小波，因為這個小波實在是太多，一個是種類多，還有就是同一種小波還可以尺度變換，但是小波在整個時間範圍的幅度平均值是0，具有有限的持續時間和突變的頻率和振幅，可以是不規則，也可以是不對稱,很明顯正弦波就不是小波，什麼的是呢，看下面幾個圖就是
當有了基，以後有什麼用呢?
下面看一個傅立葉變換的例項：
對於一個訊號的表示式為x=sin(2*pi*t)+0.5*sin(2*pi*5*t);
這裡可以看到是他的基就是sin函式，頻率是1和5，下面看看圖形的表示，是不是感受了到了頻域變換給人的一目瞭然。
基具有非冗餘性，即使基不是正交的，有相關性，但若去掉其中任何一個，則不成為基，這一點也叫完備性；基的表示有唯一性，即給定一族基對一個函式的表達是唯一的；一般情況下基非正交，也稱為為exact frame（Resize basis），這個時候要表示訊號可以將基正交化成唯一的正交基（對偶為其自身）；也可以求其對偶框架（dual frame），其對應了小波變換中的雙正交情形！訊號可以依框架分解，然後用對偶框架重構。若在基集裡新增一些新的向量，並隨意調整空間位置，則有可能成為框架。把函式與基或框架作內積，也可以說成是一種函式空間到係數空間的變換。若某種變換後的能量（內積的平方和度量）仍然有一個大於0的上下界，才可以成為框架，由於框架的冗餘性，所以係數的表達也不具有唯一性。若上下界相等，則為緊框架，且界表示冗餘度。若上下界相等為且為1，稱為pasval identity frame，此時不一定為正交基（想象把一組正交基中某一個拆成兩個同方向的基之和，則pasval identity仍然成立），此時若加上基的長度均為一的條件，則框架退化為正交基。可能你會問我們用基來表示訊號就行了啊，為什麼還要框架呢？其實很多訊號表示方法不能構成基，卻能構成框架，如短時傅立葉變換中如要求窗函式滿足基條件，則可推出該函式有很差的時頻區域性化性質（事實上退化為了傅立葉變換。
二、內積
在Hilbert空間(查定義)裡看到這個東西，用來刻畫兩個向量的夾角，當內積為0時，兩個向量正交，若g為Hilbert空間裡的正交基的時候，內積為f向基上的正交投影；（Hilbert空間是一個很直觀的空間，我一直都理解為歐氏空間去理解定義在其上的東西，L^2（平方可積，查定義）和l^2同樣為Hilbert空間。
下面這個公式是基本，經過變形後會用在推導中：
如果兩個向量的內積為0 ，就說他們是正交的。
如果一個向量序列相互對偶正交，並且長度都為1，那麼就說他們是正交歸一化的。
對於
L2（R）上任意一個函式f（t）都可以由L2(R)上的一個規範正交基gi(t)進行線性組合表示出來
三、傅立葉的缺點
先列舉出來缺點，然後再說明：
（1） Fourier分析不能刻畫時間域上訊號的區域性特性
（2） Fourier分析對突變和非平穩訊號的效果不好，沒有時頻分析
傅立葉變換傅立葉變換將函式投影到三角波上，將函式分解成了不同頻率的三角波，這不能不說是一個偉大的發現，但是在大量的應用中，傅立葉變換的侷限性卻日趨明顯，事實上在光滑平穩訊號的表示中，傅立葉基已經達到了近似最優表示，但是日常生活中的訊號卻並不是一直光滑的，而且奇異是平凡的，傅立葉在奇異點的表現就著實讓人不爽，從對方波的傅立葉逼近就可以看出來，用了大量不同頻率的三角波去逼近其係數衰減程度相當緩慢，而且會產生Gibbs效應。其內在的原因是其基為全域性性基，沒有區域性化能力，以至區域性一個小小的擺動也會影響全域性的係數。實際應用中很需要時頻區域性化，傅立葉顯然缺乏此能力了。即使如此，由於其鮮明的物理意義和快速計算，在很多場合仍然應用廣泛。傅立葉變換在從連續到離散的情形是值得借鑑與學習的，大家都知道，時間週期對應頻域離散，時間離散對應頻域週期，時間離散週期對應頻域離散 週期，DFT其實是將離散訊號做週期延拓然後做傅立葉變換再擷取一個週期，反變換同樣如此，所以DFT用的是塊基的概念，這樣如果訊號兩端的訊號連線後不再光滑（即使兩邊都光滑），同樣會在邊界上產生大幅值係數（邊界效應），延伸到影象中就是塊效應。當對訊號做對稱週期延拓後再做傅立葉變換得到的正弦係數全部為0，也就是任何對稱函式可以寫成餘弦的線性組合，同樣按照離散的思路構造得到的是離散塊餘弦基，即DCT變換，雖然DCT可以通過對稱後周期延拓再變換減少了邊界效應（兩邊訊號接上了，但不一定平滑），但任不能消除塊效應，尤其是影象變換中人為將影象分成8*8處理後塊效應更加明顯。但是DCT很好的能量聚集效應讓人驚奇，加之快速計算方法使它替代DFT成為影象的壓縮的標準了很長時間（JPEG）。
上面一堆文字也許看的有點蒙，還是用圖來說明
第一個就是傅立葉變換是整個時域，所以沒有區域性特徵，這個也是他的基函式決定的看圖，同時如果在時域張有了突變，那麼在頻域就需要大量的三角波去擬合，這也是傅立葉變換性質決定的。
第二個就是面對非平穩訊號，傅立葉變換可以看到由哪些頻域組成，但是不知道各成分對應的時刻是什麼，也就是沒有時頻分析，看不出來訊號頻域隨著時間變換的情況，反過來說就是，一個的頻圖對應好幾個時域圖，不知道是哪個，這個在實際應用中就不好了，看圖
做FFT後，我們發現這三個時域上有巨大差異的訊號，頻譜（幅值譜）卻非常一致。尤其是下邊兩個非平穩訊號，我們從頻譜上無法區分它們，因為它們包含的四個頻率的訊號的成分確實是一樣的，只是出現的先後順序不同。
可見，傅立葉變換處理非平穩訊號有天生缺陷。它只能獲取一段訊號總體上包含哪些頻率的成分，但是對各成分出現的時刻並無所知。因此時域相差很大的兩個訊號，可能頻譜圖一樣。
然而平穩訊號大多是人為製造出來的，自然界的大量訊號幾乎都是非平穩的，所以在比如生物醫學訊號分析等領域的論文中，基本看不到單純傅立葉變換這樣naive的方法。
上圖所示的是一個正常人的事件相關電位。對於這樣的非平穩訊號，只知道包含哪些頻率成分是不夠的，我們還想知道各個成分出現的時間。知道訊號頻率隨時間變化的情況，各個時刻的瞬時頻率及其幅值——這也就是時頻分析。
四、短時傅立葉變換（Short-time Fourier Transform,STFT）
有了缺點就要改進了，這裡就出來了短時傅立葉變換，也叫加窗傅立葉變換，顧名思義，就是因為傅立葉變換的時域太長了，所以要弄短一點，這樣就有了區域性性。
定義：把整個時域過程分解成無數個等長的小過程，每個小過程近似平穩，再傅立葉變換，就知道在哪個時間點上出現了什麼頻率了。”這就是短時傅立葉變換。下面就是示意圖
時域上分成一段一段做FFT，不就知道頻率成分隨著時間的變化情況了嗎！
可能理解這一點最好的方式是舉例子。首先，因為我們的變換是對時間和頻率的函式（不像傅立葉變換，僅僅是對頻率的函式），它是二維的（如果加上幅度則是三維）。以下圖所示的非平穩訊號為例：
在這個訊號中，在不同時刻有四個頻率分量。0-250ms內訊號的頻率為300Hz，其餘每個250ms的間隔的訊號頻率分別為200Hz，100Hz和50Hz。很明顯，這是一個非平穩訊號，讓我們看一看它的短時傅立葉變換：用這樣的方法，可以得到一個訊號的時頻圖了：
圖上既能看到10Hz, 25 Hz, 50 Hz, 100 Hz四個頻域成分，還能看到出現的時間。兩排峰是對稱的，所以大家只用看一排就行了。
看著貌似解決了問題，好像有了區域性性，但是這個名字叫做加窗傅立葉變換，那麼這個窗要多大了呢？
窗太窄，窗內的訊號太短，會導致頻率分析不夠精準，頻率解析度差。
窗太寬，時域上又不夠精細，時間解析度低。
（這裡插一句，這個道理可以用海森堡不確定性原理來解釋。類似於我們不能同時獲取一個粒子的動量和位置，我們也不能同時獲取訊號絕對精準的時刻和頻率。這也是一對不可兼得的矛盾體。我們不知道在某個瞬間哪個頻率分量存在，我們知道的只能是在一個時間段內某個頻帶的分量存在。所以絕對意義的瞬時頻率是不存在的。）
上圖對同一個訊號（4個頻率成分）採用不同寬度的窗做STFT，結果如右圖。用窄窗，時頻圖在時間軸上解析度很高，幾個峰基本成矩形，而用寬窗則變成了綿延的矮山。但是頻率軸上，窄窗明顯不如下邊兩個寬窗精確。
所以窄視窗時間解析度高、頻率解析度低，寬視窗時間解析度低、頻率解析度高。
對於時變的非穩態訊號，高頻適合小視窗，低頻適合大視窗。然而STFT的視窗是固定的，在一次STFT中寬度不會變化，所以STFT還是無法滿足非穩態訊號變化的頻率的需求。
五、小波變換
真是千呼萬喚才出來了，終於看見小波了啊。
這裡先引入小波，回顧一下基，然後再看看小波的優點，其實就是上面傅立葉缺點的解決。
對於加窗傅立葉變換讓人頭疼的就是視窗的大小問題，如果我們讓視窗的大小可以改變，不就完美了嗎？答案是肯定的，小波就是基於這個思路，但是不同的是。STFT是給訊號加窗，分段做FFT；而小波變換並沒有採用窗的思想，更沒有做傅立葉變換。小波直接把傅立葉變換的基給換了——將無限長的三角函式基換成了有限長的會衰減的小波基。這樣不僅能夠獲取頻率，還可以定位到時間了~
這裡就又回到了最開始的基了。
這個基函式會伸縮、會平移（其實是兩個正交基的分解）。縮得窄，對應高頻；伸得寬，對應低頻。然後這個基函式不斷和訊號做相乘。某一個尺度（寬窄）下乘出來的結果，就可以理解成訊號所包含的當前尺度對應頻率成分有多少。於是，基函式會在某些尺度下，與訊號相乘得到一個很大的值，因為此時二者有一種重合關係。那麼我們就知道訊號包含該頻率的成分的多少。如前邊所說，小波做的改變就在於，將無限長的三角函式基換成了有限長的會衰減的小波基。效果如下圖
現在來看一下小波公式
從公式可以看出，不同於傅立葉變換，變數只有頻率ω，小波變換有兩個變數：尺度a（scale）和平移量 τ（translation）。尺度a控制小波函式的伸縮，平移量 τ控制小波函式的平移。尺度就對應於頻率（反比），平移量 τ就對應於時間。如下圖
當伸縮、平移到這麼一種重合情況時，也會相乘得到一個大的值。這時候和傅立葉變換不同的是，這不僅可以知道訊號有這樣頻率的成分，而且知道它在時域上存在的具體位置。
而當我們在每個尺度下都平移著和訊號乘過一遍後，我們就知道訊號在每個位置都包含哪些頻率成分。
看到了嗎？有了小波，我們從此再也不害怕非穩定訊號啦！從此可以做時頻分析啦！
（1） 解決了區域性性
（2）解決時頻分析
做傅立葉變換隻能得到一個頻譜，做小波變換卻可以得到一個時頻譜！
時域訊號 傅立葉變換結果 小波變換結果
六、小波的深入
上面那麼多，也就是走進小波的大門，具體的我們還要學習子空間、多解析度，母小波的變換，如何去構造想要的小波函式，然後還有離散小波變換，正交小波變換，二維小波變換，小波包的應用（這裡沒有介紹可以自己看資料）。好像還有很多要學習的。
這裡先深入一下，父小波和母小波，多解析度分析，瞭解一下伸縮和平移。
任何小波變換的基函式，其實就是對母小波和父小波縮放和平移的集合。首先要看的就是多解析度分析。
每個小波變換都會有一個mother wavelet，我們稱之為母小波，同時還有一個father wavelet，就是scaling function。而該小波的basis函式其實就是對這個母小波和父小波縮放和平移形成的。縮放倍數都是2的級數，平移的大小和當前其縮放的程度有關。
還講到，小波系統有很多種，不同的母小波，衍生的小波基就完全不同。小波展開的近似形式是這樣：
其中的就是小波級數，這些級數的組合就形成了小波變換中的基basis。和傅立葉級數有一點不同的是，小波級數通常是orthonormal basis，也就是說，它們不僅兩兩正交，還歸一化了。
我們還講了一般小波變換的三個特點，就是小波級數是二維的，能定位時域和頻域，計算很快。但我們並沒有深入講解，比如，如何理解這個二維？它是如何同時定位頻域和時域的？
在這一篇文章裡，我們就來討論一下這些特性背後的原理。
首先，我們一直都在講小波展開的近似形式。那什麼是完整形式呢？之前講到，小波basis的形成，是基於基本的小波函式，也就是母小波來做縮放和平移的。但是，母小波並非唯一的原始基。在構建小波基函式集合的時候，通常還要用到一個函式叫尺度函式，scaling function，人們通常都稱其為父小波。它和母小波一樣，也是歸一化了，而且它還需要滿足一個性質，就是它和對自己本身週期平移的函式兩兩正交：
另外，為了方便處理，父小波和母小波也需要是正交的。可以說，完整的小波展開就是由母小波和父小波共同定義的。
其中ψ(t)是母小波，
假設我們有這樣一個訊號：
該訊號長度為8，是離散的一維訊號。我們要考慮的，就是如何用小波將其展開。為了方便講解，我們考慮最簡單的一種小波，哈爾小波。下面是它的一種母小波：
那如何構建基於這個母小波的基呢？剛才提到了，要縮放，要平移。我們先試試縮放，那就是ψ(2n)：
但這樣的話，它與自己的內積就不是1了，不符合小波基orthonormal的要求，所以我們要在前面加一個係數根號二，這樣我們就得到了另一個哈爾小波的basis function：
同理，我們可以一直這樣推廣下去做scale，得到4n，8n，…….下的basis function。當然在這個例子裡，我們訊號長度就是8，所以做到4n就夠了。但推廣來說，就是這種scaling對母小波的作用為
平移的話也很簡單，我們可以對母小波進行平移，也可以對scale之後的basis function進行平移。比如對上一幅圖中的basis function進行平移，就成了
看得出來，平移後的basis function和母小波以及僅僅scale過的小波，都是正交的，附合小波basis的特點。如果我們用ψ(n)來表示這個mother wavelet，那麼這些orthonormal basis函式可以寫成：
這裡的k是可以看成時域的引數，因為它控制著小波基時域的轉移，而j是頻域的引數，因為它決定了小波基的頻率特性。看到這裡，你應該會感覺很熟悉，因為這裡的平移和變換本質和剛才對scaling function的平移變換是一模一樣的。
這樣，我們就有了針對此訊號space的哈爾小波basis組合：
可以看出，我們用到了三層頻率尺度的小波函式，每往下一層，小波的數量都是上面一層的兩倍。在圖中，每一個小波基函式的表達形式都寫在了波形的下面。
等等，你可能已經發現了，有問題。這裡為什麼多了個沒有函式表示式的波形呢？這貨明顯不是wavelet function阿。沒錯，它是之前提到的scaling function，也就是父小波。然後你可能就會問，為啥這個憑空插了一個scaling function出來呢？明明目標訊號已經可以用純的小波基組合表示了。是，確實是，就算不包括scaling function，這些小波函式本身也組成了正交歸一基，但如果僅限於此的話，小波變換也就沒那麼神奇的功效了。引入這個scaling function，才能引入我們提到的多解析度分析的理論，而小波變換的強大，就體現在這個多解析度上。那在這裡，我們怎麼用這個多解析度呢？這個哈爾小波basis組合是怎麼通過多解析度推匯出來的呢？
話說在數學定義中，有一種空間叫Lebesgue空間，對於訊號處理非常重要，可以用L^p(R)表示，指的是由p次可積函式所組成的函式空間。我們在小波變換中要研究的訊號都是屬於L^2(R)空間的，這個空間是R上的所有處處平方可積的可測函式的集合，這樣就等於對訊號提出了一個限制，就是訊號能量必須是有限的，否則它就不可積了。小波變換的定義都是基於但不限於L^2(R)中的訊號的。這玩意的特性要具體解釋起來太數學了，牽涉到太多泛函知識，我就不在這裡詳述了。而且老實說我也沒能力完全講清楚，畢竟不是學這個的，有興趣可以參考wiki。總之你記住，小波變換研究中所使用的訊號基本都是平方可積的訊號，但其應用不限於這種訊號，就行了。
對L^2(R)空間做MRA是在幹嘛呢？就是說，在L^2(R)空間中，我們可以找出一個巢狀的空間序列，並有下列性質：
我來簡單解釋一下這些性質。這個V_j都是L^2(R)空間中的子空間，然後他們是由小到大的，交集是{0}，因為這是最小的子空間，並集就是L空間。是不是有點難以理解？沒關係，看看下面這個圖就清楚了：
這個圖是圈圈套圈圈，最裡面的圈是V0，之後分別是V1，V2，V3，V4 。那他們有趣的性質就是，假如有一個函式f(t)他屬於一個某空間，那你將其在時域上平移，它還是屬於這個空間。但如果你對它頻域的放大或縮小，它就會相應移到下一個或者上一個空間了。
同時我們還知道，你要形容每一個空間的話，都需要有對應的orthonormal basis，這是必然的，那對於V0來講，它的orthonormal basis就是
這一系列函式是什麼呢？是的時域變換，而且我們剛才也說了，時域上平移，是不會跳出這個空間的。這樣，我們就可以說，由這一系列basis所定義的L^2(R)子空間V0被這些basis所span，表示成：
k從負無窮到正無窮。上面的bar表示這是一個閉包空間，也就是說
這樣，我們就定義了基本的V0這個子空間。剛才說了，這個子空間的基都是對的整數時域變換，這裡我們稱為scalingfunction，所以換個說法，就是說這裡整個子空間V0，由scalingfunction和其時域變換的兄弟們span。
當然，如果這個scaling function只是用來代表一個子空間的，那它的地位也就不會這麼重要了。剛才我們提到，這個巢狀空間序列有一個性質，
我們有
這也就意味著，對於任何屬於V_j空間的函式f(t)，都可以表示為：
到這裡，我們就明白這些個子空間和那個憑空冒出來的scaling function的作用了。scaling的構建這些不同的子空間的基礎，當j越大的時候，每一次你對頻率變換後的scaling function所做的時域上的整數平移幅度會越小，這樣在這個j子空間裡面得到的f(t)表示粒度會很細，細節展現很多。反之亦然。通俗點說，就是對scaling function的變換平移給你不同的子空間，而不同的子空間給你不同的解析度，這樣你就可以用不同的解析度去看目標訊號。
下面就是時候看看什麼是MRA equation了，這是更加有趣，也是更加核心的地方。通過剛才的講解，V0屬於V1，那scaling function是在V0中的，自然也在V1中了。我們把他寫成V1的基的線性組合，那就是
其中的h(n)是scaling function的係數，也叫做scaling filter或者scaling vector，可以是實數，也可以是虛數。根號2是為了維持norm為1的。看，在這個公式裡，我們就把屬於V0的函式用V1的基表示出來了。同理，我們可以迴圈如此，把屬於V0的
好，稍微總結一下。到現在，已經講了關於scaling function的基本理論知識，知道了訊號空間可以分為不同精細度的子空間，這些子空間的basis集合就是scaling function或者頻率變換之後的scaling function，如下圖所示：
上圖就是四個子空間的basis集合的展覽。通過前面的討論，我們還知道，一開始的scalingfunction可以通過更精細的子空間的scaling function（它們都是對應子空間的basis）來構建。比如
對於更加finer的scale：
依此類推。實際上，對於任何scale和translate過的scaling function，都可以用更加精細的scale層面上的scaling function構建出來。
然後，我們有各種scale下的scaling function了，該看看它們分別所對應的巢狀的空間序列了。先看看V0，自然就是以基本的scaling function為基礎去span出來的：
這個不新鮮，剛才就講過了。這個子空間代表什麼樣的訊號？常量訊號。道理很簡單，這個scaling function在整個訊號長度上，沒有任何變化。繼續往下看：
這個相比V0更加finer的子空間，代表著這樣一種訊號，它從1-4是常量，從5-8是另一個常量。同理我們有：
V2代表的訊號，是分別在1，2; 3，4; 5，6; 7，8上有相同值的訊號。那麼V3呢？則表示任何訊號，因為對於V3來講，任何一個時間刻度上的值都可以不一樣。而且現在，我們也可以通過上面的一些scaling functions的波形驗證了之前提到的多解析度分析中的一個核心性質，那就是：
我們之前講了一堆多解析度的理論，但直到現在，通過這些圖形化的分析，我們可能才會真正理解它。那好，既然我們有一個現成的訊號，那就來看看，對這個訊號作多解析度分析是啥樣子的：
你看，在不同的子空間，對於同一個訊號就有不同的詮釋。詮釋最好的當然是V3，完全不損失細節。這就是多解析度的意義。我們可以有巢狀的，由scalingfunction演變的basis function集合，每一個集合都提供對原始訊號的某種近似，解析度越高，近似越精確。
說到這裡，可能你對scaling function以及多解析度分析已經比較理解了。但是，我們還沒有涉及到它們在小波變換中的具體應用，也就是還沒有回答剛才那個問題：憑空插了一個scaling function到小波basis組合中幹嘛。也就是說，我們希望理解scaling function是怎麼和小波函式結合的呢，多解析度能給小波變換帶來什麼樣的好處呢。這其實就是是小波變換中的核心知識。理解了這個，後面的小波變換就是純數學計算了。
好，我們已經知道，對於子空間V0，basis是scalingfunction：
看出什麼規律了麼？多看幾次這三個圖，你會驚訝地發現，在V0中的scaling function和wavelet function的組合，其實就是V1中的basis！繼續這樣推導，V1本來的的basis是：
他們的組合，本質上也就是V2的basis（參考圖2）。你繼續推導下去，會得到同樣的結論：在scale j的wavelet function，可以被用來將Vj的basis擴充套件到V(j+1)中去！這是一個非常非常關鍵的性質，因為這代表著，對任何一個子空間Vj，我們現在有兩種方法去得到它的orthonormal basis：
1. 一種就是它本來的basis
2. 第二種就是它上一個子空間的basis
第二種選擇能給我們帶來額外的好處，那就是我們可以迴圈不斷地用上一級子空間的scaling function以及wavelet function的組合來作為當前子空間的基。換句話說，如果針對V3這個子空間，它實際上就有四種不同的，但是等價的orthonormal basis：
1. 本級(V3)的scalingfunction basis set
2. 上一級(V2)的scalingfunction + wavelet function;
3 . 上上一級(V1)的scalingfunction + 上上一級(V1)的waveletfunction + 上一級(V2)的waveletfunction;
4. 上上上一級(V0)的scalingfunction + 上上上一級(V0)的waveletfunction + 上上一級(V1)的waveletfunction + 上一級(V2)的waveletfunction
好，看看最後一種選取方式，有沒有感到眼熟？對了，它就是我們之前提到的“針對此訊號space的哈爾小波basis組合”，參見圖1。現在我們知道了，這個scalingfunction不是憑空插進去的，而是通過不斷的巢狀迭代出來的：
那為什麼我們最後選定的是這種選取方式呢？實際上，剛才介紹的這個性質已經告訴我們，對於任何的scale j0，我們都可以給我們的signal space找到一組orthonormal basis，這個basis是通過組合scale j0上的scaling function以及所有在scale j，j>=j0上的wavelets得到的。這樣，基於這個orthonormal basis，
所有訊號空間中的訊號都可以寫成組成這個basis的functions的線性組合：
對應的係數的計算和平常一樣：
這，就是最終的，也是最核心的，小波變換形式。不管是訊號壓縮，濾波，還是別的方式處理，只要是用小波變換，都逃不出這個基礎流程：
1. 選取合適的wavelet function和scaling function，從已有的訊號中，反算出係數c和d。
2. 對係數做對應處理
3. 從處理後的係數中重新構建訊號。
這裡的係數處理是區別你的應用的重點。比如影象或者視訊壓縮，就希望選取能將能量聚集到很小一部分系數中的小波，然後拋棄那些能量很小的小波係數，只保留少數的這些大頭係數，再反變換回去。這樣的話，影象訊號的能量並沒有怎麼丟失，影象體積卻大大減小了。
還有一個沒有解釋的問題是，為什麼要強調尺度函式和小波函式組成一個orthonormal basis呢？計算方便是一方面，還有一個原因是，如果他們滿足這個性質，就滿足瑞利能量定理，也就是說，訊號的能量，可以完全用每個頻域裡面的展開部分的能量，也就是他們的展開係數表示：
到這裡，我們對小波變換的形式就講完了。雖然是用的最簡單的哈爾小波為例子，但舉一反三即可。我們著重介紹了多解析度分析以及它給小波變換帶來的殺手鐗：時域頻域同時定位。結束之前，再多說幾句小波變換的意義。我們拿剛才例子中V3子空間的第二種可選擇的orthonormal basis作為例子：
左邊這四個basis組成元素，也就是scaling functions，的係數，表徵的是訊號的local平均（想想它們和訊號的內積形式），而右邊的這四個basis組成元素，也就是wavelet functions，的係數則表徵了在local平均中丟失的訊號細節。得益於此，多解析度分析能夠對訊號在越來越寬的區域上取平均，等同於做低通濾波，而且，它還能保留因為平均而損失的訊號細節，等同於做高通濾波！這樣，我們終於可以解釋了wavelet function和scaling function背後的物理意義了：wavelet function等同於對訊號做高通濾波保留變化細節，而scalingfunction等同於對訊號做低通濾波保留平滑的shape！
對小波變換的基礎知識，我們就講到這裡。需要注意的是，這只是小波變換最基本最基本的知識，但也是最核心的知識。看完這裡其實就是回到了最開始的介紹：小波變換是把訊號分解成一系列的小波（經過原始小波伸縮和平移得到的），這裡就告訴了我們伸縮和平移
七、小波的應用
小波是多解析度理論的分析基礎。而多解析度理論與多種解析度下的訊號表示和分析有關，其優勢很明顯--某種解析度下無法發現的特性在另一個解析度下將很容易被發現。從多解析度的角度來審視小波變換，雖然解釋小波變換的方式有很多，但這種方式能簡化數學和物理的解釋過程。
對於小波的應用很多，我學習的的方向主要是影象處理，所以這裡用影象的應用來舉例。對於影象，要知道量化級數決定了影象的解析度，量化級數越高，影象越是清晰，影象的解析度就高。
例一，哈爾小波影象分解
例二， 小波去噪平滑
例三， 小波的邊緣檢測
小波的知識還有很多，可以再繼續看書學習，希望看到這個文章，可以對小波入門的同學有一定的幫助，下面給出幾個不錯的網站可以輔助學習