搜索
小波变换的应用前景首先介绍下什么是小波变换，小波变换是近年来在图象处理中受到十分重视的新技术，面向图象压缩、特征检测以及纹理分析的许多新方法，如多分辨率分析、时频域分析、金字塔算法等，都最终归于小波变换（wavelettransforms）的范畴中。线性系统理论中的傅立叶变换是以在两个方向上都无限伸展的正弦曲线波作为正交基函数的。对于瞬态信号或高度局部化的信号（例如边缘），由于这些成分并不类似于任何一个傅立叶基函数，它们的变换系数（频谱）不是紧凑的，频谱上呈现出一幅相当混乱的构成。这种情况下，傅立叶变换是通过复杂的安排，以抵消一些正弦波的方式构造出在大部分区间都为零的函数而实现的。为了克服上述缺陷，使用有限宽度基函数的变换方法逐步发展起来了。这些基函数不仅在频率上而且在位置上是变化的，它们是有限宽度的波并被称为小波（wavelet）。基于它们的变换就是小波变换。传统的信号理论，是建立在Fourier分析基础上的，而Fourier变换作为一种全局性的变化，其有一定的局限性。在实际应用中人们开始对Fourier变换进行各种改进，小波分析由此产生了。小波分析是一种新兴的数学分支，它是泛函数、Fourier分析、调和分析、数值分析的最完美的结晶；在应用领域，特别是在信号处理、图像处理、语音处理以及众多非线性科学领域，它被认为是继Fourier分析之后的又一有效的时频分析方法。小波变换与Fourier变换相比，是一个时间和频域的局域变换因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（MultiscaleAnalysis），解决了Fourier变换不能解决的许多困难问题。并且，小波变换是由法国从事石油信号处理的工程师J.Morlet在1974年首先提出的，通过物理的直观和信号处理的实际需要经验的建立了反演公式，当时未能得到数学家的认可。正如1807年法国的热学工程师J.B.J.Fourier提出任一函数都能展开成三角函数的无穷级数的创新概念未能得到认可一样。幸运的是，早在七十年代，A.Calderon表示定理的发现、Hardy空间的原子分解和无条件基的深入研究为小波变换的诞生做了理论上的准备，而且J.O.Stromberg还构造了历史上非常类似于现在的小波基；1986年著名数学家Y.Meyer偶然构造出一个真正的小波基，并与S.Mallat合作建立了构造小波基的统一方法--多尺度分析之后，小波分析才开始蓬勃发展起来，其中比利时女数学家I.Daubechies撰写的《小波十讲（TenLecturesonWavelets）》对小波的普及起了重要的推动作用。与Fourier变换、视窗Fourier变换（Gabor变换）相比，具有良好的时频局部化特性能，因而能有效的从信号中提取资讯，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（MultiscaleAnalysis），解决了Fourier变换不能解决的许多困难问题，因而小波变化被誉为“数学显微镜”，它是调和分析发展史上里程碑式的进展。与Fourier变换相比，小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。小波变换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘探等多个学科。数学家认为，小波分析是一个新的数学分支，它是泛函分析、Fourier分析、样调分析、数值分析的完美结晶；信号和信息处理专家认为，小波分析是时间—尺度分析和多分辨分析的一种新技术，它在信号分析、语音合成、图像识别、计算机视觉、数据压缩、地震勘探、大气与海洋波分析等方面的研究都取得了有科学意义和应用价值的成果。信号分析的主要目的是寻找一种简单有效的信号变换方法，使信号所包含的重要信息能显现出来。小波分析属于信号时频分析的一种，在小波分析出现之前，傅立叶变换是信号处理领域应用最广泛、效果最好的一种分析手段傅立叶变换是时域到频域互相转化的工具，从物理意义上讲，傅立叶变换的实质是把这个波形分解成不同频率的正弦波的叠加和。正是傅立叶变换的这种重要的物理意义，决定了傅立叶变换在信号分析和信号处理中的独特地位。傅立叶变换用在两个方向上都无限伸展的正弦曲线波作为正交基函数，把周期函数展成傅立叶级数，把非周期函数展成傅立叶积分，利用傅立叶变换对函数作频谱分析，反映了整个信号的时间频谱特性，较好地揭示了平稳信号的特征。小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的时间一频率窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，因此，小波变换在许多领域都得到了成功的应用，特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。从此，小波变换越来越引进人们的重视，其应用领域来越来越广泛。并且能再将来取得更大的突破。是与小波分析的理论研究紧密地结合在一起的。现在，它已经在科技信息产业领域取得了令人瞩目的成就。电子信息技术是六大高新技术中重要的一个领域，它的重要方面是图象和信号处理。现今，信号处理已经成为当代科学技术工作的重要部分，信号处理的目的就是：准确的分析、诊断、编码压缩和量化、快速传递或存储、精确地重构(或恢复)。从数学地角度来看，信号与图象处理可以统一看作是信号处理(图象可以看作是二维信号)，在小波分析的许多分析的许多应用中，都可以归结为信号处理问题。现在，对于其性质随时间是稳定不变的信号（平稳随机过程），处理的理想工具仍然是傅立叶分析。但是在实际应用中的绝大多数信号是非稳定的（非平稳随机过程），而特别适用于非稳定信号的工具就是小波分析。事实上小波分析的应用领域十分广泛，它包括：数学领域的许多学科；信号分析、图象处理；量子力学、理论物理；军事电子对抗与武器的智能化；计算机分类与识别；音乐与语言的人工合成；医学成像与诊断；地震勘探数据处理；大型机械的故障诊断等方面；例如，在数学方面，它已用于数值分析、构造快速数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪声、压缩、传递等。在图象处理方面的图象压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高分辨率等。(1)小波分析用于信号与图象压缩是小波分析应用的一个重要方面。它的特点是压缩比高，压缩速度快，压缩后能保持信号与图象的特征不变，且在传递中可以抗干扰。基于小波分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，小波变换零树压缩，小波变换向量压缩等。(2)小波在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。(3)在工程技术等方面的应用。包括计算机视觉、计算机图形学、曲线设计、湍流、远程宇宙的研究与生物医学方面。从图像处理的角度看，小波变换存在以下几个优点：(1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述)(2)小波变换通过选取合适的滤波器，可以极大的减小或去除所提取得不同特征之间的相关性(3)小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口)(4)小波变换实现上有快速算法(Mallat小波分解算法)小波分析是傅立叶分析思想方法的发展与延拓。它的存在证明，小波基的构造以及结果分析都依赖傅立叶分析，二者是相辅相成的。以为小波分析能处理所有问题、能代替傅立叶分析的想法是不妥的。但小波分析又不同于傅立叶分析，它所带来的局部化革命和多尺度分析的思想，已对许多学科产生多方面的影响，无论是古老的自然科学，还是新兴的高技术应用科学都受到小波分析的强烈冲击。小波分析是调和分析这一数学领域半个世纪以来的[工作结晶，已经和必将广泛地应用于信号处理、图像、处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、cr成像、彩色复印、流体湍流、天体识别、机器视觉、机械故障诊断与监控、分形以及数字电视等科技领域。原则上讲，传统上使用傅立叶分析的地方，都可以使用小波分析，小波分析在超越傅立叶分析的同时与傅立叶分析相互补充，螺旋式向前发展。小波分析用于数据或图像的压缩，目前绝大多数是对静止图像进行研究的。面向网络的活动图像压缩，长期以来主要是采用离散余弦变换加运动补偿(Mc)作为编码技术，然而，该方法存在两个主要的问题：方块效应和蚊式噪声。利用小波分析的多尺度分析不但可以克服上述问题，而且可首先得到粗尺度上图像的轮廓，然后决定是否需要究面向网络的低速率图像压缩的小波分析并行算法，具有较高探索性和新颖性，同时也具有较高的应用价值和广泛的应用前景对于小波变换的学习我占时还处于初步阶段，只是对其有了一个初步的了解，在很多学习工作的应用上还没有用到，可通过对小波变换的学习，使我对用小波分析来解决一些问题有了很大的憧憬，相信在通过一段时间的加深学习后能够很好的用运这门学科的知识来解决问题。不过感觉小波分析的应用范围虽然很大很广，但是真正取得极佳应用效果的领域并不多，人们正在挖掘有前景的应用领域，相信在不久将来其能够得到很好的运用。参考文献：[1]张雷，邹家禄等．变采样率滤波的硬件离散小波变换．东南大学学报．2000[2]崔锦泰．小波分析导论．西安：西安交通大学出版社，1994[3]MallatS．Atheoryofmultiresolutionsignaldecomposition：thewaveletrepresentation．IEEETransPatternAnalMachineIntell，1989，11：674-693[4]M．Antonini．eta1．Imagecodingusingvectorquantizationinthewavelettransformdomain．1EEEProc，ICASSE1990：2297～2300[5]程正兴．小波分析算法与应用．西安：西安交通大学出版社，1997[6]杨福生．小波变换的工程分析与应用．1999[7]段虞荣;郑继明;段绍光小波分析在油气田地球物理勘探中的应用1996(06)