基于小波变换的图像压缩方法
小波分析考试题(附答案)
《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 ）：
小波变换与傅里叶变换的对比异同
小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi 标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢？b取多少才合适呢？于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不?,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件?后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件???,就是? 傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用（例如在信号处理中，傅里叶变换的典型用途是将信号分解成幅值分量和频率分量）。 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。 傅里叶变换是一种解决问题的方法，一种工具，一种看待问题的角度。理解的关键是：一个连续的信号可以看作是一个个小信号的叠加，从时域叠加与从频域叠加都可以组成原来的信号，将信号这么分解后有助于处理。 我们原来对一个信号其实是从时间的角度去理解的，不知不觉中，其实是按照时间把信号进行分割，每一部分只是一个时间点对应一个信号值，一个信号是一组这样的分量的叠加。傅里叶变换后，其实还是个叠加问题，只不过是从频率的角度去叠加，只不过每个小信号是一个时间域上覆盖整个区间的信号，但他确有固定的周期，或者说，给了一个周期，我们就能画出一个整个区间上的分信号，那么给定一组周期值（或频率值），我们就可以画出其对应的曲线，就像给出时域上每一点的信号值一样，不过如果信号是周期的话，频域的更简单，只需要几个甚至一个就可以了，时域则需要整个时间轴上每一点都映射出一个函数值。 傅里叶变换就是将一个信号的时域表示形式映射到一个频域表示形式；逆傅里叶变换恰好相反。这都是一个信号的不同表示形式。它的公式会用就可以，当然把证明看懂了更好。 对一个信号做傅里叶变换，可以得到其频域特性，包括幅度和相位两个方面。幅度是表示这个频率分量的大小，那么相位呢，它有什么物理意义频域的相位与时域的相位有关系吗信号前一段的相位（频域）与后一段的相位的变化是否与信号的频率成正比关系。 傅里叶变换就是把一个信号，分解成无数的正弦波（或者余弦波）信号。也就是说，用无数的正弦波，可以合成任何你所需要的信号。 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 +∞ 研究基于小波变换的图像压缩 摘要 图像压缩的关键技术是图像数据转换,转换后的数据进行数据量化和数据熵编码。基于小波变换的图像压缩是一种常见的图像压缩方法,本篇论文使用小波变换、多分辨率分析及不同规模的量化和编码实现图像压缩。在相同的条件下,本文采用两种不同的方法,第一种方法保留低频和放弃高频,第二种方法是阈值方法来实现图像压缩。 关键词：关键词——小波变换；小波图像系数；量化；编码 1.引言 图像压缩是指损失一部分比特率的技术或无损还原原始图像信息。在信息理论中,它的有效性，源编码的问题,即通过移除冗余即不必要的信息来实现这一目标。压缩的图像信息有两个方法，模拟和数字,因为数字压缩方法有大幅减少比特数量的优势,绝大多数的系统使用数字压缩方法。信号分析及处理的常用方法是傅里叶变换(FT),而且最广泛的分析工具应用于图像处理,但由于傅里叶变换不能满足局部的时间域和频率域的特点,小波变换具有傅立叶变换没有的两个特征,同时小波变换系数相同的空间位置描述在不同的尺度上有相似性,使得小波变换能进行量化编码。近年来,使用基于小波变换的图像压缩已取得了很大的进步,也变换算法充分利用小波系数的特性。 2.图像压缩编码的基本原理 图像编码研究侧重于如何压缩图像数据信息,允许一定程度的失真条件下的还原图像(包括主观视觉效果),称为图像压缩编码。然后使图像信号的信号源通过系统PCM编码器由线性PCM编码,压缩编码器压缩图像数据,然后摆脱码字的冗余数据。图像压缩编码的基本原理是图1。 图1 图像压缩编码的基本框图 因此,图像编码是使用统计特性的固有效果和视觉特征,从原始图像中提取有效信息，信息压缩编码和删除一些无用的冗余信息,从而允许高效传输的数字图像或数字存储。图像恢复时,恢复图像的不完全与原始图像相同,保留有效信息的图像。 3.小波分析的基本理论 小波变换具有良好的定位时间和频域的特征,充分利用非均匀分布的分辨率,对于高频信号,使用时域的小时间窗口,进行低频信号分析,使用一个大的时间窗口。这正值一个时频分布特征,高频信号持续很长时间，不易衰减,低频信号持续很长时间,正好适合图像处理。 4. 基于小波的图像压缩变换 小波变换用于图像压缩的基本思想,小波变换用于图像压缩:首先选择小波对原始图像进行小波变换,得到了一系列小波系数,然后对这些系数量化和编码。使用某些特征相同的相邻元素之间的子频带的小波系数和量化小波系数实现图像数据压缩的目的。二维图像信号多分辨率分析和Matlab算法是关键,需要引入二维多分辨率分析和Matlab算法。二维可分离的多分辨率分析和Matlab算法可以很容易地由一维离散小波变换得到。图3 Matlab分别为二维分解图和重建算法图。 图2二维Matlab分解图 从头到尾彻底理解傅里叶变换算法、上 从头到尾彻底理解傅里叶变换算法、上 前言 第一部分、DFT 第一章、傅立叶变换的由来 第二章、实数形式离散傅立叶变换（Real DFT） 从头到尾彻底理解傅里叶变换算法、下 第三章、复数 第四章、复数形式离散傅立叶变换 前言： “关于傅立叶变换，无论是书本还是在网上可以很容易找到关于傅立叶变换的描述，但是大都是些故弄玄虚的文章，太过抽象，尽是一些让人看了就望而生畏的公式的罗列，让人很难能够从感性上得到理解”---dznlong， 那么，到底什么是傅里叶变换算法列?傅里叶变换所涉及到的公式具体有多复杂列? 傅里叶变换（Fourier transform）是一种线性的积分变换。因其基本思想首先由法国学者傅里叶系统地提出，所以以其名字来命名以示纪念。 哦，傅里叶变换原来就是一种变换而已，只是这种变换是从时间转换为频率的变化。这下，你就知道了，傅里叶就是一种变换，一种什么变换列?就是一种从时间到频率的变化或其相互转化。 ok，咱们再来总体了解下傅里叶变换，让各位对其有个总体大概的印象，也顺便看看傅里叶变换所涉及到的公式，究竟有多复杂： 以下就是傅里叶变换的4种变体（摘自，维基百科） 连续傅里叶变换 一般情况下，若“傅里叶变换”一词不加任何限定语，则指的是“连续傅里叶变换”。连续傅里叶变换将平方可积的函数f（t）表示成复指数函数的积分或级数形式。 这是将频率域的函数F(ω)表示为时间域的函数f（t）的积分形式。 连续傅里叶变换的逆变换(inverse Fourier transform)为： 即将时间域的函数f（t）表示为频率域的函数F(ω)的积分。 一般可称函数f（t）为原函数，而称函数F(ω)为傅里叶变换的像函数，原函数和像函数构成一个傅里叶变换对（transform pair）。 除此之外，还有其它型式的变换对，以下两种型式亦常被使用。在通信或是信号处理方面，常以来代换，而形成新的变换对: 或者是因系数重分配而得到新的变换对： 一种对连续傅里叶变换的推广称为分数傅里叶变换（Fractional Fourier Transform）。分数傅里叶变换(fractional Fourier transform,FRFT)指的就是傅里叶变换(Fourier transform,FT)的广义化。 分数傅里叶变换的物理意义即做傅里叶变换a 次，其中a 不一定要为整数；而做了分数傅里叶变换之后，信号或输入函数便会出现在介于时域(time domain)与频域(frequency domain)之间的分数域(fractional domain)。 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 基于小波变换的图像压缩算法研究 袁林张国峰戴树岭 (北京航空航天大学先进仿真技术实验室北京 100083 摘要小波变换是一种对信号的时间 -尺度 (时间 -频率进行分析的方法,它具有多分辨率分析的特点,而且在时频两域都具有表征信号局部特征的能力。本文对基于小波变换的图像数据压缩编码方法进行研究, 首先利用小波变换对图像进行多分辨率分解, 然后对分解后的图像数据进行小波零数编码和自适应算术编码,从而实现图像压缩的目的。 关键词虚拟现实小波变换图像压缩零数编码算术编码 1 引言 在分布式虚拟环境中,随着应用的日益广泛和系统结构的日渐复杂,将有大量的图像、语音等多媒体的数据需要在网络上传输。在带宽资源有限的情况下传输这些多媒体数据时,需要对这些数据进行有效的压缩和解压,以达到快速传输的效果。因此,在虚拟现实系统中进行有关多媒体数据压缩的研究是非常有应用价值的。 近几年,小波变换作为一种新兴的信息处理方法,已经受到广泛重视。具有“数学显微镜”之称的小波变换同时在时域和频域具有分辨率。对高频分量用逐渐精细的时域或空域步长,可以聚焦到分析对象的任意细节,对于剧烈变换的边缘,比常规的傅立叶变换具有更好的适应性。由于小波变换的优良特性与 Mallat 算法的简便易行,使得小波变换图像编码压缩成为图像压缩领域的一个主要研究方向。 2小波变换 [1] 与多分辨率分析 小波变换就是将信号在一个函数族上作分解,该函数族是由一个独立的函数 (小波母函数(t Ψ 经过平移和伸缩而得到的,如式 2-1所: (|| (2/1a b t a t ?Ψ=Ψ? 0, , ≠∈a R b a (2-1 其中,分别为伸缩和平移尺度, (t Ψ的傅立叶变换必须满足容许性条件 : ∞<Ψ=∫ ΨωωωC R 2| (| (2-2 此式隐含了0 (=Ψ∫dt t R ,表明小波具有正负交替的波动性。 图像的多分辨率分析 (MultiResolution analysis采用不同分辨率下处理图像中不同信息的方法, 将图像在各种分辨率下的细节提取出来, 得到一个拥有不同分辨率的图像细节序列再进行分析处理。与 DCT 变换不适合于带宽较宽 (拥有较多边缘轮廓信息的图像信号不同,小波变换是一种不受带宽约束的图像处理方法,即小波变换多分辨率的变换特性提供了利用人眼视觉特性的良好机制,从而使小波变换后图像数据能够保持原图像在各种分辨率下的精细结构。 2.1快速小波变换算法 (Mallat算法 [2] Mallat 首先将多分辨率分析用于图像数据的压缩,他给出了信号分解与合成的快速算法,该算法在小波分析中的地位相当于 FFT 算法在傅立叶分析中的地位。Mallat 算法将数学领域的小波方法、计算机视觉中的多分辨率方法和信号处理中的子带滤波方法完美的统一起来,它的出现使小波分析方法在信号处理领域真正得以实用化。根据多分辨率分析理论,可得出快速分解算法表达式: ((∑∑???=?=m m j k j m m j k j c k m g d c k m h c , 1, , 1, 22 (2-3 其快速重构算法的表达式为 : ∑∑?+?=?k 详解傅里叶变换与小波变化 希望能简单介绍一下小波变换，它和傅立叶变换的比较，以及它在移动平台做motion detection的应用。如果不做特殊说明，均以离散小波为例子。考虑到我以前看中文资料的痛苦程度，我会尽量用简单，但是直观的方式去介绍。有些必要的公式是不能少的，但我尽量少用公式，多用图。另外，我不是一个好的翻译者，所以对于某些实在翻译不清楚的术语，我就会直接用英语。我并不claim我会把整个小波变换讲清楚，这是不可能的事，我只能尽力去围绕要点展开，比如小波变换相对傅立叶变换的好处，这些好处的原因是什么，小波变换的几个根本性质是什么，背后的推导是什么。我希望达到的目的就是一个小波变换的初学者在看完这个系列之后，就能用matlab或者别的工具对信号做小波变换的基本分析并且知道这个分析大概是怎么回事。 要讲小波变换，我们必须了解傅立叶变换。要了解傅立叶变换，我们先要弄清楚什么是”变换“。很多处理，不管是压缩也好，滤波也好，图形处理也好，本质都是变换。变换的是什么东西呢？是基，也就是basis。如果你暂时有些遗忘了basis的定义，那么简单说，在线性代 数里，basis是指空间里一系列线性独立的向量，而这个空间里的任何其他向量，都可以由这些个向量的线性组合来表示。那basis在变换里面啥用呢？比如说吧，傅立叶展开的本质，就是把一个空间中的信号用该空间的某个basis的线性组合表示出来，要这样表示的原因，是因为傅立叶变换的本质，是。小波变换自然也不例外的和basis有关了。再比如你用Photoshop去处理图像，里面的图像拉伸，反转，等等一系列操作，都是和basis的改变有关。 既然这些变换都是在搞基，那我们自然就容易想到，这个basis的选取非常重要，因为basis的特点决定了具体的计算过程。一个空间中可能有很多种形式的basis，什么样的basis比较好，很大程度上取决于这个basis服务于什么应用。比如如果我们希望选取有利于压缩的话，那么就希望这个basis能用其中很少的向量来最大程度地表示信号，这样即使把别的向量给砍了，信号也不会损失很多。而如果是图形处理中常见的线性变换，最省计算量的完美basis就是eigenvector basis了，因为此时变换矩阵T对它们的作用等同于对角矩阵(Tv_n= av_n，a是eigenvalue)。总的来说，抛开具体的应用不谈，所有的basis，我们都希望它们有一个共同的特点，那就是，容易计算，用最简单的方式呈现最多的信号特性。 好，现在我们对变换有了基本的认识，知道他们其实就是在搞基。当然，搞基也是分形式的，不同的变换，搞基的妙处各有不同。接下来先看看，傅立叶变换是在干嘛。 傅里叶变换性质证明 Company number：【0089WT-8898YT-W8CCB-BUUT-202108】 傅里叶变换的性质 2.6.1线性 若信号和的傅里叶变换分别为和， 则对于任意的常数a和b，有 将其推广，若,则 其中为常数，n为正整数。 由傅里叶变换的定义式很容易证明线性性质. 显然傅里叶变换也是一种线性运算，在第一章我们已经知道了，线性有两个含义：均匀性和叠加性。均匀性表明，若信号乘以常数a，则信号的傅里叶变换也乘以相同的常数a，即 叠加性表明，几个信号之和的傅里叶变换等于各个信号的傅里叶变换之和 ? 2.6.2 反褶与共轭性 设f(t)的傅里叶变换为，下面我们来讨论信号反褶、共轭以及既反褶又共轭后，新信号的傅里叶变换。 （1）反褶 f(-t)是f(t)的反褶，其傅里叶变换为 （2）共轭 （3）既反褶又共轭 本性质还可利用前两条性质来证明： 设g(t)=f(-t)，h(t)=g*(t)，则 在上面三条性质的证明中，并没有特别指明f(t)是实函数还是复函数，因此,无论f(t)为实信号还是复信号，其傅里叶变换都满足下面三条性质2.6.3 奇偶虚实性 已知f(t)的傅里叶变换为。在一般情况下，是复函数，因此可以把它表示成模与相位或者实部与虚部两部分，即 ? 根据定义，上式还可以写成 下面根据f(t)的虚实性来讨论F()的虚实性。 (1) f(t)为实函数对比式(2-33)与(2-34)，由FT的唯一性可得 （）f(t)是实的偶函数，即f(t)=f(-t) X()的积分项是奇函数，而奇函数在对称区间内的积分为零，故 这时X()=0，于是 可见，若f(t)是实偶函数，则F()也是实偶函数，即 左边反褶，右边共轭 （）f(t)是实的奇函数，即-f(t)=f(-t) R()的积分项是奇函数，而奇函数在对称区间内的积分为零，故 这时R()=0，于是 可见，若f(t)是实奇函数，则F()是虚奇函数，即 左边反褶，右边共轭 有了上面这两条性质，下面我们来看看一般实信号（即可能既不是偶信号，又不是奇信号，反正不清楚，或者说是没有必要关心信号的奇偶特性）的FT频谱特点。 2.6.4对称性 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 小波变换及其在图像压缩中的作用 南京信息工程大学 电子与信息工程学院 张志华 20091334030 摘 要:主要分析了基于小波变换的图像分解和图像压缩的技术,并运用Matlab 软件对图像进行分解,然后提取其中与原图像近似的低频信息,达到对图像进行压缩的目的. 分别作第一层分解和第二层分解,并比较图像压缩的效果. 关键词:小波变换;多分辨分析;图像分解;图像压缩 小波变换的理论是近年来兴起的新的数学分支,素有“数学显微镜”的美称. 它是继1822 年傅立叶提出傅立叶变换之后又一里程碑式的领域,解决了很多傅立叶变换不能解决的困难问题. 小波变换可以使得信号的低频长时特性和高频短时特性同时得到处理,具有良好的局部化性质,能有效地克服傅氏变换在处理非平稳复杂信号时存在的局限性,具有极强的自适应性,因此在图像处理中具有极好应用价值. 本文主要分析了基于小波变换的图像分解和图像压缩技术,并运用Matlab 软件对图像进行分解,然后提取其中与原图像近似的低频信息,达到对图像进行压缩的目的. 分别作第一层分解和第二层分解,并比较图像压缩的效果. 先引入文中的有关基本理论. 1 基本理论 小波是指函数空间2()L R ) 中满足下述条件的一个函数或者信号()x ψ 3 () R x C d ψψωω = <∞? , 这里, 3R = R - { 0} 表示非零实数全体. 对于任意的函数或者信号f ( x) ,其小波变换定义为 (,)1(,)()()()f a b R R x b w a b f x x dx f x dx a a ??-?? = = ?? ?? ? ? , 因此,对任意的函数f ( x) ,它的小波变换是一个二元函数. 另所谓多分辨分析是指设{ Vj ; j ∈Z} 是2()L R 上的一列闭子空间,其中的一个函数,如果它们满足如下五个条件,即 (1) 单调性:Vj < Vj + 1 , P j ∈Z ; (2) 惟一性: {}0j j z I V ∈= ; (3) 稠密性: 2 ()j Y R V L = ; 小波变换与傅里叶变换 的对比异同 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】 小波变换与傅里叶变换的对比、异同 一、基的概念 两者都是基，信号都可以分成无穷多个他们的和（叠加）。而展开系数就是基与信号之间的内积，更通俗的说是投影。展开系数大的，说明信号和基是足够相似的。这也就是相似性检测的思想。但我们必须明确的是，傅里叶是0-2pi标准正交基，而小波是-inf到inf之间的基。因此，小波在实轴上是紧的。而傅里叶的基（正弦或余弦），与此相反。而小波能不能成为Reisz基，或标准稳定的正交基，还有其它的限制条件。此外，两者相似的还有就是PARSEVAL 定理。（时频能量守恒）。 二、离散化的处理 傅里叶变换，是一种数学的精妙描述。但计算机实现，却是一步步把时域和频域离散化而来的。第一步，时域离散化，我们得到离散时间傅里叶变换（DTFT），频谱被周期化；第二步，再将频域离散化，我们得到离散周期傅里叶级数（DFS），时域进一步被周期化。第三步，考虑到周期离散化的时域和频域，我们只取一个周期研究，也就是众所周知的离散傅里叶变换（DFT）。这里说一句，DFT是没有物理意义的，它只是我们研究的需要。借此，计算机的处理才成为可能。所有满足容许性条件（从-INF到+INF积分为零）的函数，都可以成为小波。小波作为尺度膨胀和空间移位的一组函数也就诞生了。但连续取值的尺度因子和平移因子，在时域计算量和频域的混叠来说，都是极为不便的。用更为专业的俗语，叫再生核。也就是，对于任何一个尺度a和平移因子b的小波，和原信号内积，所得到的小波系数，都可以表示成，在a，b附近生成的小波，投影后小波系数的线性组合。这就叫冗余性。这时的连续小波是与正交基毫无关系的东西，它顶多也只能作为一种积分变换或基。但它的显微镜特点和相似性检测能力，已经显现出来了。为了进一步更好的将连续小波变换离散化，以下步骤是一种有效方法。第一步，尺度离散化。一般只将a二进离散化，此时b 是任意的。这样小波被称为二进小波。第二步，离散b。怎么离散化呢b取多少才合适呢于是，叫小波采样定理的东西，就这样诞生了。也就是小波平移的最小距离（采样间隔），应该大于二倍小波基的最高频率（好像类似，记不清了）。所以b取尺度的整数倍就行了。也就是越胖的小波，对应频谱越窄，平移量应该越大，采样间隔越大。当然，第一二两步的频域理解，即在满足频域窗口中心是3倍的频域窗口半径的前提下，频域就在统计上是完美二分的。（但很多小波满足不了这个条件，而且频域窗口能量不,所以只是近似二分的).这时的小波变换,称为离散二进小波变换.第三步,引入稳定性条件.也就是经过变换后信号能量和原信号能量有什么不等式关系.满足稳定性条件后,也就是一个小波框架产生了可能.他是数值稳定性的保证.一个稍弱的稳定条件,就是 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 实验五小波变换在图像压缩中应用 一、实验内容 利用MATLAB小波工具箱，基于小波变换进行图像压缩处理。 二、实验目的及说明 所谓图像压缩就是去掉各种冗余，保留重要的信息。图像压缩的过程常称为编码，而图像的恢复则称为解码。图像数据之所以能够进行压缩，其数学机理有以下两点： （1）原始图像数据往往存在各种信息的冗余（如空间冗余、视觉冗余和结果冗余等），数据之间存在相关性，邻近像素的灰度（将其看成随机变量）往往是高度相关的。 （2）在多媒体应用领域中，人眼作为图像信息的接收端，其视觉对边缘的急剧变化敏感，以及人眼存在对图像的亮度信息敏感，而对颜色分辨率弱等，因此在高压缩比的情况下，解压缩后的图像信号仍有满意的主观质量。三、实验原理 小波压缩沿袭了变换编码的基本思想，即去相关性。小波变换、量化和熵编码等是构成小波编码的三个主要部分。其基本原理：将原始图像经小波变换后，转换成小波域上的小波系数，然后对小波系数进行量化编码。采用二维小波变换快速算法，小波变换就是以原始图像为基础，不断将上一级图像分为四个子带的过程。每次分解得到的四个子带图像，分别代表频率平面上不同的区域，他们分别含有上一级图像中的低频信息和垂直、水平及对角线方向的边缘信息，如下图所示： LL为低频子带，HL、LH、HH为高频子带 图像进行小波变换后，并没有实现压缩，是对图像的能量进行了重新分配。 四、核心函数介绍 Wavedec2()函数：多尺度二维小波分解 appcoef2()函数：提取二维小波分解低频系数wcodemat()函数：对矩阵进行量化编码 五、实验结果 实验结果： 表5-1 压缩图像的尺寸和字节数 压缩的图像结果显示： 原图像： 第一次压缩后的图像： 傅里叶级数及变换的本质解释和形象阐述 ——老师不会这么讲，书上也不会讲很多人学信号与系统、数字信号处理学了几年，关于傅里叶级数和傅里叶变换可能还是一知半解，只能套用公式，根本不理解为什么要这么算，也就是有什么实际含义——可以说，几乎所有信号与系统里面的数学公式都是有实实在在的物理含义的！那么，什么是傅里叶变换，它是怎样一种变换，具体有怎么变换，有没有确切一点或者形象一点的物理解释呢？下面笔者将尝试将自己的理解比较本质和形象地讲出来，形式是思考探讨渐进的模式，也就是我自己的思考过程，希望对大家有所帮助。 首先，要知道傅里叶变换是一种变换，准确点说是投影。傅里叶变换的投影问题，一直想不明白那一系列的正交函数集，到底是什么样一个函数集合，或者说是怎么样的一个空间。所谓三角傅里叶级数当成谐波分析的时候很好理解——同一个时间轴，也就是说同一个维度的分解和叠加，肯定没错，也很实用。但是要是从投影（或者说变换）的角度来说，怎么解释呢？这一系列正弦余弦的函数，在一个区间内，是一个完备的正交函数集，每一个函数所带的系数（或者叫权重），就是原函数在这个函数的方向上的一个投影（说方向不准确，但找不到其他的词）。那么，原函数到底是一个什么样的函数，和各正交基函数又是怎样的一种关系呢？这个投影又是怎么投的呢？三维或者二维空间，一个矢量在各正交基的投影很好理解，那么，傅里 叶变换的正交基函数，也是这样一种相互垂直的关系么？？？投影也是取余弦值么？ 这可以很容易地想清，我们只用余弦或者只用正弦就可以，如cos(2pi*nf0)系列，显然每两个函数图像之间不可能是垂直关系，相反可以看出这是在同一个维度里面的！所以上面两个答案是否定的。 那么，到底是怎么正交、怎么投影的呢。出现这个问题，是因为开始看书的时候我看得太粗心太浅显，没有认真透彻地理解函数正交的含义，没想到那才是最重要最根本的，从那里面再深刻理解一下，问题就迎刃而解。 函数正交和矢量正交完全不一样，是两个概念。函数正交是两个函数，一个不变另一个取共轭值然后逐点相乘再求积分的结果，积分就涉及到一个区间，这也很重要。如果满足：当这两个函数不同时，积分值为0；当两函数相同，积分值不为0。那么这两个函数在这个区间上正交。现在再回过头去看正弦或者余弦函数序列，在各个周期内，都满足上述条件，在正弦和余弦函数之间同样满足，所以这些函数是正交的。至于完备，很明显看出，不去证明了。 第一个问题解决了，现在看怎么去投影了。为更易于理解，我们取指数傅里叶变换为例。众所周知exp(jwt)表示的是一个圆周，我们用来作傅里叶变换的因子，正是这个形式（exp(-jwt)），这里我们还要理解一下傅里叶变换和傅里叶级数的区别，前者求的是复指数傅里叶级数的系数，即每个正交函数的系数（权重），复指数傅里叶级数的正交函数集正是exp(jwt)，所以求系数刚好乘以一个共轭傅里叶变换拉普拉斯变换的物理解释及区别
近代数学 小波 简答题+答案
小波变换的图像压缩
(完整版)从头到尾彻底理解傅里叶变换算法
小波分析考试题及答案
基于小波变换的图像压缩算法研究.
详解傅里叶变换与小波变换
傅里叶变换性质证明
小波分析基础及应用期末习题
小波变换及其在图像压缩中的作用
小波变换与傅里叶变换的对比异同
博士复试题目+答案
实验五 基于小波变换的图像压缩
傅里叶级数及变换的本质解释和形象阐述