第七章频域处理7.7小波变换简介7.7.1小波变换的背景介绍图像金字塔第七章频域处理第七章频域处理用哈尔基函数的离散小波变换第七章频域处理7.7.2传统的傅立叶变换(FT):提供了有关频率域的信息,但有关时间(空间)的局部化信息却基本丢失。小波变换(WT):提供局部分析与细化的能力,可聚焦到分析对象的任意细节————“数学显微镜“。第七章频域处理1.连续小波变换(ContinuousWaveletTransform,CWT)小波分析就是把一个信号分解为将母小波经过缩放和平移之后的一系列小波,因此小波是小波变换的基函数。小波变换可以理解为用经过缩放和平移的一系列小波函数代替傅立叶变换的正弦波和余弦波进行傅立叶变换的结果。第七章频域处理波和小波-波与小波之间的差异上部两条曲线是频率不同的余弦波,持续宽度相同。底下的两条是沿着轴向频率和位置都不相同的小波。最古老又最简单的小波-Haar小波,它的基向量都是由一个函数通过平移和伸缩来产生的。第七章频域处理生动的例子:小波和音乐乐谱可以看作描绘了一个二维的时频空间。频率(音高)从层次的底部向上增加,而时间(以节拍来测度)则向右发展。乐章中每一个音符都对应于一个将出现在这首歌的演出记录中的小波分量(音调猝发)。每一个小波持续宽度都由音符(为四分之一音符、半音符等)的类型来编码。分析一次所记录下的音乐演出并写出相应的乐谱,那么可以说我们得到一种小波变换。同样,音乐家一首歌的演奏录音就可看作是一种小波逆变换,因为它是用时频表示来重构信号的。第七章频域处理连续小波变换的定义:dttpositionscaletfpositionscaleC),,()(),(该式表示小波变换是信号f(x)与被缩放和平移的小波函数ψ()之积在信号存在的整个期间里求和的结果。CWT的变换结果是许多小波系数C,这些系数是缩放因子(scale)和平移(positon)的函数。第七章频域处理基本小波函数ψ()的缩放和平移操作含义如下:(1)缩放——压缩或伸展基本小波,缩放系数越小,则小波越窄,如图所示。小波的缩放操作OOOf(t)f(t)f(t)tttf(t)=(t);scale=1f(t)=(2t);scale=0.5f(t)=(4t);scale=0.25第七章频域处理(2)平移——小波的延迟或超前。在数学上,函数f(t)延迟k的表达式为f(t-k),如图所示。(a)小波函数ψ(t);(b)位移后的小波函数ψ(t-k)Ot(t)Ot(t-k)(a)(b)第七章频域处理CWT计算的主要步骤:(1)取一个小波,将其与原始信号的开始一节进行比较。(2)计算数值C,C表示小波与所取一节信号的相似程度,计算结果取决于所选小波的形状。(3)向右移动小波,重复(1)和(2),直至覆盖整个信号。(4)伸展小波,重复(1)至(3)。(5)对于所有缩放,重复(1)至(4)。第七章频域处理计算系数值C原始信号小波信号C=0.0102第七章频域处理计算平移后系数值C原始信号小波信号第七章频域处理计算尺度后系数值C原始信号小波信号C=0.2247第七章频域处理小波的缩放因子与信号频率之间的关系是:缩放因子scale越小,表示小波越窄,度量的是信号的细节变化,表示信号频率越高;缩放因子scale越大,表示小波越宽,度量的是信号的粗糙程度,表示信号频率越低。第七章频域处理2.离散小波变换(DiscreteWaveletTransform,DWT)如果缩放因子和平移参数都选择为2j(j0且为整数)的倍数,即只选择部分缩放因子和平移参数来进行计算,会使分析的数据量大大减少。使用这样的缩放因子和平移参数的小波变换称为双尺度小波变换(DyadicWaveletTransform),它是离散小波变换(DiscreteWaveletTransform,DWT)的一种形式。通常离散小波变换就是指双尺度小波变换。第七章频域处理离散小波变换的有效方法是使用滤波器,该方法是Mallat于1988年提出的,称为Mallat算法。S表示原始的输入信号,通过两个互补的滤波器组,其中一个滤波器为低通滤波器,通过该滤波器可得到信号的近似值A(Approximations),另一个为高通滤波器,通过该滤波器可得到信号的细节值D(Detail)。第七章频域处理小波分解示意图SAD滤波器组低通高通在小波分析中,近似值是大的缩放因子计算的系数,表示信号的低频分量,而细节值是小的缩放因子计算的系数,表示信号的高频分量。第七章频域处理小波分解树(WaveletDecompositionTree)cA3cD3cA2cD2SLo_DHi_DA1D1Lo_DHi_DA2D2Lo_DHi_DA3D3Lo_D:低通滤波器;Hi_D:高通滤波器(a)ScA1cD1(b)(c)ScA1cD1cA2cD2cA3cD3第七章频域处理小波分解下采样示意图SDA1000个采样点1000个采样点1000个采样点ScDcA1000个采样点约500个DWT系数约500个DWT系数第七章频域处理3.小波重构(WaveletReconstruction)将信号的小波分解的分量进行处理后,一般还要根据需要把信号恢复出来,也就是利用信号的小波分解的系数还原出原始信号,这一过程称为小波重构(WaveletReconstruction)或叫做小波合成(WaveletSynthesis)。这一合成过程的数学运算叫做逆离散小波变换(InverseDiscreteWaveletTransform,IDWT)。第七章频域处理小波重构算法示意图SH′L′H′L′第七章频域处理1)由小波分解的近似系数和细节系数可以重构出原始信号。同样,可由近似系数和细节系数分别重构出信号的近似值或细节值,这时只要近似系数或细节系数置为零即可。A1H′L′1000个样点0约500个0cA1约500个近似分量(a)D1H′L′1000个样点(b)约500个0约500个近似分量0cD1(a)重构近似信号;(b)重构细节信号第七章频域处理2)重构出信号的近似值A1与细节值D1之后,则原信号可用A1+D1=S重构出来。对应于信号的多层小波分解,小波的多层重构如图所示。重构过程为:A3+D3=A2;A2+D2=A1;A1+D1=S。信号重构中,滤波器的选择非常重要,关系到能否重构出满意的原始信号。低通分解滤波器(L)和高通分解滤波器(H)及重构滤波器组(L′和H′)构成一个系统,这个系统称为正交镜像滤波器(QuadratureMirrorFilters,QMF)系统。第七章频域处理多层小波重构示意图A3D3A2D2SA1D1第七章频域处理多层小波分解和重构示意图S1000HL500250250DWT……小波系数S1000L′IDWTH′H′L′LH′第七章频域处理4.小波包分析(WaveletPacket)而小波包分析的细节与近似部分一样,也可以分解,对于N层分解,它产生2N个不同的途径。AAA3DAA3AA2SA1ADA3DDA3DA2AAD3DAD3AD2D1ADD3DDD3DD2小波包分解示意图第七章频域处理小波包分解也可得到一个分解树,称其为小波包分解树(WaveletPacketDecompositionTree),这种树是一个完整的二叉树。小波包分解方法是小波分解的一般化,可为信号分析提供更丰富和更详细的信息。信号S可表示为AA2+ADA3+DDA3+D1等。第七章频域处理5.二维离散小波变换是一维离散小波变换的推广,其实质上是将二维信号在不同尺度上的分解,得到原始信号的近似值和细节值。由于信号是二维的,因此分解也是二维的。分解的结果为:cA、水平细节分量cH、垂直细节分量cV和对角细节分量cD。第七章频域处理A(近似值)H(垂直细节)V(垂直细节)D(垂直细节)(a)A2H1V1D1(b)H2V2D2(c)第七章频域处理(a)二维DWT;(b)二维IDWT(b)Lo_R2↑1Lo_R1↑2Hi_R1↑2行列列cAj+1cHj+1Hi_R2↑1Lo_R1↑2Hi_R1↑2行列列cVj+1cDj+1cAjwkeepaLo_D2↓1Lo_D1↓2Hi_D1↓2行列列cAj+1cHj+1Hi_D2↓1Lo_D1↓2Hi_D1↓2行列列cVj+1cDj+1cAj()第七章频域处理7.7.3离散小波变换在图像处理中的应用简介对静态二维数字图像,可先对其进行若干次二维DWT变换,将图像信息分解为高频成分H、V和D和低频成分A。对低频部分A,由于它对压缩的结果影响很大,因此可采用无损编码方法,如Huffman等;对H、V和D部分,可对不同的层次采用不同策略的向量量化编码方法,这样便可大大减少数据量,而图像的解码过程刚好相反。整个编码、解码流程如图所示。第七章频域处理图像压缩编码、解码流程二维小波变换原始图像信号向量量化编码Huffman编码或DPCM编码信号传输通道向量量化解码Huffman解码或DPCM解码二维逆小波变换重构图像信号第七章频域处理第七章频域处理本次授课结束谢谢!