小波变换在涡流无损检测中的应用(完整版)实用资料

小波变换在涡流无损检测中的应用（完整版）实用资料(可以直接使用，可编辑完整版实用资料，欢迎下载）

收稿日期:1999-10-25小波变换在涡流无损检测中的应用（完整版）实用资料(可以直接使用，可编辑完整版实用资料，欢迎下载）基金项目:教育部博士点基金资助项目(98069821作者简介:孙晓云(1971-,女,河北籍,河北科技大学讲师,现于西安交通大学攻读博士学位。小波变换在涡流无损检测中的应用孙晓云1,陈德智2,刘东辉1,盛剑霓1(1.西安交通大学,西安710049;2.华中理工大学,武汉430074摘要:本文利用信号与噪声在小波分析中不同尺度上的传播特性,研究了小波技术在涡流无损检测信号除噪中的应用。作者通过对不同支撑板干扰信号的分析,找出了它的规律,提出了用小波多尺度边缘检测方法去除支撑板信号的新方法。结果表明,此方法与传统的去除支撑板干扰信号方法相比,能极大地节省硬件资源,降低成本。关键词:小波多尺度边缘检测;涡流无损检测;支撑板信号中图分类号:TM151文献标识码:A文章编号:1003-3076(200003-0060-05引言测量获得的信号总是不可避免地含有噪声和干扰。一般地,噪声是指自然发生的,干扰是指由人为因素造成的[1],通常笼统地称之为噪声。要达到去噪的目的,必须要求信号和噪声能按某种方法进行分离。传统的Fourier分析只能区分信号在频域内的差别,不能很有效地分析非平稳信号。小波分析能同时利用信号与噪声在时域和频域内的差别,可实现更为有效的信噪分离,从而获得较为理想的除噪效果。本文应用小波多尺度分析进行去噪。在涡流无损检测中,噪声主要来源于以下几部分:(1测量噪声;(2探头抖动造成提离变化产生的干扰信号;(3被测对象表面沉积物、支撑架等非缺陷因素产生的干扰信号。一般说来,测量噪声主要是高频成份,对应着小的尺度;提离噪声和表面沉积物、支撑架产生的信号主要是低频成份,对应着大的尺度;缺陷产生的信号介于二者之间,并有所交叠。这些先验的区别是我们把噪声同信号区分开来并加以滤除的基础。1小波多尺度边缘检测的基本原理在信号处理中,曲线变化最快的点称为信号的边缘点,它们往往刻画了曲线最重要的特征。信号边缘点对应于信号一阶导数的局部模极大值点或二阶导数的过零点。由于直接求信号的一阶或二阶导数受噪声的影响较大,通常是先对信号进行平滑(即用一个所谓的“光滑函数”对信号进行卷积,然后再进行求导运算。多尺度边缘检测是在不同尺度上对信号进行平滑并求导,然后由一阶导数的局部模极大值点或二阶导数的过零点确定信号的边缘点。本文讨论一阶导数局部模极大值方法(即Canny算法。光滑函数是指积分为1而在无限远处衰减为0的任意函数(x。假定它是一阶可导的,记其导函数为(x=d(xdx(1根据定义,∫∞-∞(xdx=0,因而可以视为一个小波。函数f(x在尺度s上对(x的小波变换为Wsf(x=f*s(x(2等价于Wsf(x=f*sdsdx(x=sddx(f*s(x(3可见,小波变换Wsf(x就是信号在相应尺度上被s(x光滑后的一阶导数,Wsf(x的局部模极大值对应了信号在各个尺度上的边缘点。取(x为4阶中心B-样条函数,可以证明[2],其一阶导数(x是一个二进小波。在这种情况下可以对尺度s进行二进离散,即可以只用尺度s=2j,j=0,1,2,…上的小波变换W2jf(x完全恢复信号。以下为了方便,用Wjf(x代替W2jf(x表示函数f(x在尺度2j上的小波变换,用Sjf(x表示f(x在尺度2j上的光滑,即Wjf(x=f*2j(x(4Sjf(x=f*2j(x(5关于Wjf(x和Sjf(x有以下的快速分解算法[2]:Wdj+1f=Sdj*GjSdj+1f=Sdj*Hj(6式中,Wdjf(x和Sdjf(x分别表示对Wjf(x和Sjf(x的离散。G(k和H(k为滤波器系数。2测量噪声小波变换下的特点及滤出方法2.1测量噪声和信号在小波变换下的表现如下[3,4]:1测量噪声几乎是处处奇异的。在小波变换下,噪声的平均幅值与尺度因子2j成反比,平均模极大值个数与2j成反比。即,噪声的能量随尺度的增大迅速减小。信号多数情况下光滑性要好一些,在较小的若干个尺度上,信号的小波变换随尺度的增大幅值不会减小。2测量噪声在不同尺度上的小波变换是高度不相关的。信号的小波变换则一般具有很强的相关性,相邻尺度上的局部模极大值几乎出现在相同的位置上,并且有相同的符号。图1(a为实测涡流检测电抗信号,图中,Y轴单位为。X轴表示采样点,无单位。它在小波变换下的行为如图1(b所示。我们可以看到测量噪声的能量主要集中于开始的1~3个尺度上。信号的能量则存在于各个尺度上,但图1(a管材的涡流检测电抗信号图1(b原始信号的小波分解曲线图1(c去除测量噪声的信号主要分布在第3个以后的尺度上。在不同的尺度之间,信号表现出很强的相关性,可以利用这一点判断小尺度上哪些成分属于有用的信号,应予以保留;哪些成分属于噪声,应予以滤除。由于小波基函数的局部支撑性,能够改变信号在某些点或某些段的值而不影响到其它部分,这是小波除噪比Fourier除噪更加灵活有效的原因。2.2测量噪声的除噪方法小波除噪的原理是把带有噪声的测量信号进行小波分解,由于信号与测量噪声在小波变换下的行为各不相同,二者可以被分离出来;把那些属于测量噪声的小波系数置为0,剩余的部分进行小波重构得到没有噪声的信号。传统的除噪技术大都是基于Fourier分析的。通常采用用于边缘检测的二进小波,通过分析小波变换的模极大值进行除噪[3,4]:1对带有噪声的信号进行小波变换,提取所有的模极大值;2从某个较大的、被认为是由信号控制的尺度开始,沿尺度减小的顺序,对模极大值进行甄别:在相邻尺度上,模极大值出现在相同或几乎相同的位置上,符号相同且幅值不随尺度增大而减小,就认为是信号,予以保留,否则就认为是噪声,予以滤除。3使用保留下来的模极大值进行信号重构,得到除噪后的信号。图1(c为除噪后的小波分解曲线。比较图1(a和图1(c可以看出,利用上述方法,可有效地去除测量噪声。3支撑板干扰的特点及去除方法传统的去除支撑板信号的方法是利用缺损信号和支撑板的干扰信号对探头的反应相互独立,二者共同作用时的反应为单独作用时反应的矢量相加的原理。现在较多采用的方法为多频涡流检测。它的方法为通过改变检测频率,来改变涡流在被检测材料中的大小和分布,使同一缺陷和干扰在不同频率下对涡流产生不同的反应,通过矢量运算,滤去干扰的影响,仅保留缺损信号。从上述方法中可看出,利用多频检测方法去除支撑板干扰,硬件会增加到原来的几倍,造成成本增加,软件复杂,调试困难等缺点。所以我们研究了在单频检测的情况下,支撑板信号在小波变换下的规律及去除方法。3.1支撑板信号的特点图2(b为图2(a支撑板信号小波分解下的前4个尺度上的信号,图中,gj是各级小波变换,横坐标n是采样点序号。从图中可以看出,支撑板信号与测量噪声不同之处在于它是一低频信号,始终在各个尺度上存在,即图中虚线所指位置。另外,随尺度增大幅值几乎不减小。也就是说,如果检测信号与支撑板干扰并存,那么,用检测测量噪声的分析方法是分离不了有用信号和支撑板干扰的。这就需要先验知识。一般地,对于管材来说,支撑板可处于两种位置,即支撑板存在于缺损的两端,或者支撑板位于缺损的一侧。所以我们如果事先知道支撑板所处位置,在用小波分析含有支撑板干扰的信号时,就可以去除各个图2(a支撑板信号图2(b支撑板信号的小波分解曲线尺度上的属于支撑板模极大值位置处的值,即有效地去除支撑板信号。3.2支撑板信号的去除用小波方法去除支撑板信号的过程如下:在图3(a所示信号中,我们知道支撑板信号位于缺损的两端,如图3(a中a,b所示。所以应用小波边缘检测方法时,我们在小波分解的较大的一个尺度上(本文中为第三个尺度,找出它的所有的局部模极大值,并且记下第一个和最后一个局部模极大值的位置,然后去除所有尺度上对应于这两个位置处的值,用剩余后的值再重构即可。图3(a含有支撑板干扰的信号图3(b去除支撑板后的信号图3(b为依此方法去除支撑板后的信号。注意,测量噪声和支撑板干扰的最大不同之处在于,测量噪声主要分布于前三个尺度上,所以在去除过程中只去除前三个尺度上的属于测量噪声的局部模极大值即可。而对于后者来说,因为支撑板信号存在于各个尺度上,所以我们应去除所有尺度上属于支撑板信号的局部模极大值。4结论本文研究了涡流无损检测中用小波去除噪声的方法。由于信号和噪声干扰的丰富性与多样性,所以作者在有效去除测量噪声的基础上,又研究了支撑板信号的特点,结合先验知识,提出了去除支撑板信号的新方法,对大量含有支撑板干扰的信号的分析结果表明,在降低硬件成本,简化调试,方便维护等方面,此方法均优于传统的去除支撑板干扰的方法。参考文献:[1]AB卡尔逊.通信系统—电子通信中信号与噪声引论[M].卞卡中,朱世华译.西安:西安交通大学出版社,1992.[2]MallatS,ZhongS.Characterizationofsig-nalsfrommultiscaleedges[J].IEEETrans.onPatternandMachineIntelligence,1992,14(7:710-732.[3]MallatS,HuangW.Singularitydetectionandprocessingwithwavelets[J].IEEETrans.onInformationTheory,1992,38(2:617-643.[4]王俊,陈逢时,张守宏.一种利用子波变换多尺度分辨特性的信号除噪技术[J].信号处理,1996,12(2:105-109.UseofwavelettransformoneddycurrentnondestructivedetectionSUNXiao-yun1,CHENDe-zhi2,LIUDong-hui1,SHENGJian-ni1(1.Xi'anJiaotongUniversity,Xi'an710049,China;2.HuazhongScienceandTechnologyUniversity,Wuhan430074,ChinaAbstract:Basedonthecharacteristicsbetweensingularsignalandnoise,thispaperstudiedwaveletdenoisemethodforECTsignals.Afteranalyzingthesupportsignal,authorsfounditsregularity,andintroducedthenewmethodofremovingthesupportdisturbanceusingwaveletmulti-scaleedgedetectingtechnology.Theresultshowsthatthemethodisbetterthanthecurrentoneintherespectofhardwarecost.Keywords:waveletmulti-scaleedgedetecting;eddycurrentnondestructivedetecting;sup-portsignal下期目录(部分参数在线跟踪的直流传动双神经网络模型参考自适应控制汪镭,周国兴,…………吴启迪一种可实现PFM和PWM及其自动切换的数字控制电路郑耀林,……洪健励磁方式对多相励磁发电机的稳定性影响徐锦才,………陆亿红正弦波逆变电源抗偏磁电路的研究高军,杨旭,……………………王兆安高压SF6自能膨胀式断路器无载开断过程中灭弧室内气流场的数值分析张俊民,荣命哲,……………王其平25Hz电源系统的研制谢力华,卢家林,苏彦民,…………………等有源滤波器电流控制新方法曾江,倪以信,陈寿孙,…………等大容量PWM逆变器对交流电机的轴电压和轴承电流的影响黄立培,…………………浦志勇气体绝缘开关设备中局部放电的在线监测技术王建生,…………………邱毓昌一种三维网格全自动生成的新方法栾茹,白保东,……………………刁芬雷电流自动监测系统林云志,王新新,罗承沐,等………第四章小波变换降噪分析小波变换是一种崭新的时域(频域信号分析工具。它的发展和思想都来自于傅里叶分析,且在保留了傅里叶分析优点的基础上,较好的解决了时间和频率分辨率的矛盾,在频域与空间域中能够同时具有良好的局部化特性,可进行局部分析。小波去噪的基本原理是根据原始信号和噪声的小波系数在不同尺度上所具有的不同性质,构造相应的规则,在小波域采用其他数学方法对含噪信号的小波系数进行处理。4.1小波变换理论的研究连续小波变换设2((tLRψ∈(2(LR表示平方可积的的空间,即能量有限的信号空间,其傅立叶变换为(ψω。当(ψω满足允许条件(AdmissibleCondition:2(Cφωωω+∞-∞=<∞⎰(4.1时,我们称(tψ为一个基本小波或母小波(MotherWavelet。将母小波函数(tψ经伸缩和平移后,就可以得到一个小波序列。对于连续情况,小波序列为:,((abtbtaψ-=,abR∈0a≠(4.2其中,a——伸缩因子;b——平移因子;——能量归一化因子。这样对于任一信号2011((,(ftbftabdadbCaaφωψ∞∞-∞-=⎰⎰,连续小波变换定义为:,,(,(,(((ababCWTabfttfttdtψ∞-∞==⎰(4.3其逆变换为:2011((,(ftbftabdadbCaaφωψ∞∞-∞-=⎰⎰(4.4离散小波变换实际应用中,尤其是在计算机上实现,如在信号处理领域,必须对连续小波加以离散化。需要强调的是,这一离散化都是针对连续的尺度参数a和连续平移参数b的,而不是针对时间变量t的,这与其它形式的离散化不同。在连续小波中,考虑函数(4.5:,((abtbtaψ-=(4.5这里,,abR∈;0a≠且ψ是容许的,为方便起见,在离散化中限制a取正值,则容许条件变为:2(Cφωωω+∞=<∞⎰(4.6通常,连续小波变换中的尺度因子和平移因子的离散化公式为:000jjaabkab⎧=⎨=⎩(4.7这里,jZ∈,扩展步长01a≠是固定值,且假定01a>。*,,,(,jkjkjkCftdtfψψ∞-∞==⎰(4.8其重构公式为:,,((jkjkjkftCCtψ∞∞=-∞=-∞=∑∑(4.9其中,C是一个与信号无关的常数。然而,怎样选择0a和0b才能够保证重构信号的精度是非常重要的,显然,网格点尽可能密(即0a和0b尽可能小,因为如果网格点越稀疏,使用的小波函数,(jktψ和离散小波系数,jkC就越少,信号重构精确度也就会越低。4.2小波去噪的基本原理的研究原理:根据原始信号和噪声的小波系数在不同尺度上所具有的不同性质,构造相应的规则,在小波域采用其他数学方法对含噪信号的小波系数进行处理。其本质是减小甚至完全剔除由噪声产生的系数,同时最大限度地保留真实信号的系数。小波变换的基本步骤如图4.1所示:图4.1小波去噪的基本步骤4.3小波分析对染噪矩形信号处理处理结果如下图所示:参考信号染噪信号图4.2染噪的矩形波形信号进行降噪处理结果可见,经小波变换降噪之后,噪声水平明显下降,信噪比得到提高。4.4某检测信号降噪读取MATLAB中专用检测信号,对其加入噪声然后进行小波变换降噪,所得结果如下图:原始信号降噪后的信号图4.3染噪的某检测信号进行降噪处理结果可见降噪效果良好。4.5正弦信号降噪生成一段正弦信号,对其加入高斯噪声,进行小波降噪,所得结果如下图所示:原始信号染噪信号消噪信号图4.4染噪的某正弦信号进行降噪处理结果可见,降噪之后信号平滑,信噪比得到改善。4.6带突变信号的小波降噪读取MATLAB中带突变的一段信号,对其加入噪声,然后进行降噪处理,所得结果如图:原始信号噪声信号-信噪比为3降噪信号-SURE降噪信号-Fixedform阈值De-noisedsignal-Minimax图4.5染噪的某正弦信号进行降噪处理结果可见,降噪之后,信号的突变也消失了,从而产生了失真,因此,该种信号不适合用小波变换进行降噪处理。4.7小波包降噪20040060080010001200原始信号20040060080010001200降噪后信号图4.6染噪的某正弦信号进行降噪处理结果可见,降噪之后,信号平滑性增强,有利于信号检测。4.8高斯噪声语音信号的小波降噪语音信号处理的一个重要应用就是进行语音信号的降噪处理,噪声中最常见的是高斯白噪声,故首先研究对高斯白噪声的降噪。读取一段语音信号,在信号中加入高斯白噪声,所得信号的波形及频谱如下图所示:x104图4.7带有高斯噪声的信号波形及频谱可见,叠加高斯白噪声之后信号的变化比较快,而且无规则,在噪声比较小的情况下,虽然可见信号包络,但是有严重的背景噪声,当噪声比较大时,则可能完全听不到信号。宽带噪声与语音信号在时域和频域上基本上重叠,只有在无话期间,噪声分量才单独存在,因此消除这种噪声比较困难。下面采用小波变换法进行滤波降噪。x104图4.8滤波之后波形及频谱图4.8中左图为小波变换后的信号的时域波形图,与处理前的信号相比可以看出,大量的噪声已经去掉,信号已经基本还原为没有噪声干扰的波形了,效果比较理想。右图为处理后信号的频域图,可以看出高频部分大量的噪声谱已经被滤除了,而低频部分的原信号频谱基本全部保留了下来,因此效果比较理想。4.9单频噪声语音信号的小波降噪在语音降噪中,另外一种比较常见的噪声就是单频哨声,这种哨声可能是由于外界某机器产生,也有可能是录音设备稳定性不好造成的。比如,设备中的放大电路中如果有反馈,很肯就会产生正弦振荡产生单频哨声。取一段信号,叠加单频噪声之后的信号波形如下图所示:x104图4.9带有单频噪声的信号波形及频谱可见,信号变化比较快,从频谱中可见,信号中有较强的单频噪声。试听该带噪音乐会发现其中有异常尖锐的单频哨声。频噪声与语音信号在时域上基本上重叠,但在频域是分离的,因此如果知道单频噪声的频率的范围,在频域将其分离比高斯噪声更简单。下面采用小波变换法进行滤波降噪。x104图4.10滤波之后波形及频谱如上图所示,为对含有单频噪声的语音信号进行处理之后的信号的波形和频谱图,与处理前的信号(如图4.10所示相比,可以看出,左图中,信号时域波形中大量的高频跳动噪声信号已经被去掉,信号已经基本还原为没有噪声干扰的波形了,效果比较理想。右图为处理后信号的频域图,可以看出高频部分强度很大的单频噪声谱已经被滤除了,而低频部分的原信号频谱基本全部保留了下来,因此效果比较理想。上述实验展示了小波变换从噪声数据中恢复信号的问题,从图中可以看出,消噪后的信号大体上显示了原始信号的形状,并明显地除去了噪声所引起的干扰。但是,所恢复的信号与原始信号相比有明显的改变。这主要是因为在进行消噪处理的过程中所使用的分析小波和细节参数阈值不恰当所致。4.9小结小波分析是语音信号去噪的新途径,它提供了一种自适应的时域和频域同时局部化的分析方法,无论分析低频或高频局部信号,它都能自动调节时频窗口,以适应实际分析的需要,可以对信号的任意局部细节加以分析。在过去,我们一般使用短时傅里叶变换在频域内对语音信号进行分析去噪,但是对于白噪声,这种方法的效果往往不尽人意。而小波变换在去除语音信号高斯白噪声时,显现出了优势,它的多尺度变换特点,可以由粗到精地逐步观察信号;适当的选择基本小波,便可以使其在时频两域都具有表征信号局部特征的能力,因此非常有利于信号的分析,基于这种特性,它能有效的区分信号中的突变部分和噪声,从而实现信号的去噪。通过以上实验可以看出,在去除语音信号中的高斯白噪声时,小波变换方法明显优于其它方法。附录小波去噪matlab程序******************************************clearclc%在噪声环境下语音信号的增强%语音信号为读入的声音文件%噪声为正态随机噪声sound=wavread('c12345.wav';count1=length(sound;noise=0.05*randn(1,count1;fori=1:count1signal(i=sound(i;endfori=1:count1y(i=signal(i+noise(i;end%在小波基'db3'下进行一维离散小波变换[coefs1,coefs2]=dwt(y,'db3';%[低频高频]count2=length(coefs1;count3=length(coefs2;energy1=sum((abs(coefs1.^2;energy2=sum((abs(coefs2.^2;energy3=energy1+energy2;fori=1:count2recoefs1(i=coefs1(i/energy3;endfori=1:count3recoefs2(i=coefs2(i/energy3;end%低频系数进行语音信号清浊音的判别zhen=160;count4=fix(count2/zhen;fori=1:count4n=160*(i-1+1:160+160*(i-1;s=sound(n;w=hamming(160;sw=s.*w;a=aryule(sw,10;sw=filter(a,1,sw;sw=sw/sum(sw;r=xcorr(sw,'biased';corr=max(r;%为清音(unvoice时,输出为1;为浊音(voice时,输出为0ifcorr>=0.8output1(i=0;elseifcorr<=0.1output1(i=1;endendfori=1:count4n=160*(i-1+1:160+160*(i-1;ifoutput1(i==1switchabs(recoefs1(icaseabs(recoefs1(i<=0.002recoefs1(i=0;caseabs(recoefs1(i>0.002&abs(recoefs1(i<=0.003recoefs1(i=sgn(recoefs1(i*(0.003*abs(recoefs1(i-0.000003/0.002;otherwiserecoefs1(i=recoefs1(i;endelseifoutput1(i==0recoefs1(i=recoefs1(i;endend%对高频系数进行语音信号清浊音的判别count5=fix(count3/zhen;fori=1:count5n=160*(i-1+1:160+160*(i-1;s=sound(n;w=hamming(160;sw=s.*w;a=aryule(sw,10;sw=filter(a,1,sw;sw=sw/sum(sw;r=xcorr(sw,'biased';corr=max(r;%为清音(unvoice时,输出为1;为浊音(voice时,输出为0ifcorr>=0.8output2(i=0;elseifcorr<=0.1output2(i=1;endendfori=1:count5n=160*(i-1+1:160+160*(i-1;ifoutput2(i==1switchabs(recoefs2(icaseabs(recoefs2(i<=0.002recoefs2(i=0;caseabs(recoefs2(i>0.002&abs(recoefs2(i<=0.003recoefs2(i=sgn(recoefs2(i*(0.003*abs(recoefs2(i-0.000003/0.002;otherwiserecoefs2(i=recoefs2(i;endelseifoutput2(i==0recoefs2(i=recoefs2(i;endend%在小波基'db3'下进行一维离散小波反变换output3=idwt(recoefs1,recoefs2,'db3';%对输出信号抽样点值进行归一化处理maxdata=max(output3;output4=output3/maxdata;%读出带噪语音信号,存为'101.wav'wavwrite(y,5500,16,'c101';%读出处理后语音信号,存为'102.wav'wavwrite(output4,5500,16,'c102';第五章小波图像压缩技术•二维正交多分辨分析•图像压缩简介•EZW编码编•SPIHT编码•EBCOT编码与JPEG2000介绍清华大学计算机系孙延奎2021本讲的目的•通过典型的小波图像压缩算法,了解小波图像编码的基本想与关键技术为小波图像编码的研究与应用奠定基础思想与关键技术,为小波图像编码的研究与应用奠定基础。清华大学计算机系孙延奎2021图像压缩简介•图像压缩的目的•两种压缩类型有损压缩与无损压缩•常用压缩方法RLE(Run-LengthEncoding行程长度编码,(ggJEPG,JEPG-LS,JEPEG2000分形编码清华大学计算机系孙延奎2021小波图像压缩图像压缩简介小波图像压缩的般模型•小波图像压缩的一般模型典型的方法:EZW,SPIHT,EBCOT:•小波图像分解的(一种常用方法:可分离二维小波变换滤波器的选取、边界延拓清华大学计算机系孙延奎2021滤波器的选取•主要考虑具有线性相位的、正则性的、完全重构的、有限长度的双正交小波滤波器。滤波器的对称性◆线性相位:滤波器的对称性◆正则性:保证图像的重构质量。在小波分解中,正则性使信获得较的小波系数表在小波构中可以使信号获得较好的小波系数表示;而在小波重构中,正则性导致平滑扰动。◆完全重构、有限长度:一般希望滤波器的分解重构精度越高越好,而要求滤波器对量化误差的反应越不敏感越好,最重要的是需要恢复信号的主、客观质量越高越好。“一般地,自然图像是高度非平稳信源,其功率谱是非对称的,般地,自然图像是高度非平稳信源,其功率谱是非对称的,要求分解滤波器的长度要长,而高通分解滤波器的长度要短。此外,滤波器长度的非对称性可以使能量较好地集中,特别对于高频子图,而当低通合成滤波器的长度较短时,可以减少重构误差”。OlivierEgger,WeiLi.SubbandcodingofimageusingtilfiltbkIEEETIP19954(4asymmetricalfilterbanks.IEEETrans.ImageProc.,1995,4(4:478-485清华大学计算机系孙延奎2021边界处理图像小波变换:边界处理•由于图像小波分解是将图像数据与滤波器系数进行线性卷积运算,使滤波器的输出样点数大于输入的样点数;但从子带压缩编码的效率看,是希望各子图信号的样点数总数不大于原始图像信号的样点数,且子图信号应能完全重构其原始信号。常用的方法是对信号信号应能完全重构其原始信号常用的方法是对信号进行边界延拓。清华大学计算机系孙延奎2021简单的小波图像压缩方案1方案1:只保留低频部分.2:.方案全局阈值法方案3:保留绝对值较大的若干小波系数:利用Matlab编程即可实现。讨论:这些方案利用了小波变换的什么性质?去相关性!小波子带分解中,小波系数还有什么性质?如何开发更清华大学计算机系孙延奎2021先进的小波压缩算法?小波图像编码中的关键问题如何组织小波系数及其位置信息?如何处理小波系数及其位置信息?清华大学计算机系孙延奎2021不同分辨率子带之间数据的相关性.从下图中可观察到不同分解级小波系数之间具有从下图中可观察到,不同分解级小波系数之间具有相似性。,1,2,3jjjjcddd⎡⎤⎢⎥⎣⎦清华大学计算机系孙延奎2021小波系数的四叉树结构表示小波系数的四叉树结构清华大学计算机系孙延奎2021小波系数的零树特性对于给定的阈值T,若小波系数x满足|x|<=T,则称x关于T是不重要的系数。实验统计表明,若一个小波系数关于T是不重要的,则它的所有子孙以上系数关于T是不重要系数的概率在98%以上。[该结论仅供参考]清华大学计算机系孙延奎2021小波零树编码1992,LewisandKnowles利用小波树中各级子带系数之间的相似性,最早提出了小波零树编码算法。该算法将量化后系数为零的系数的子孙系数都指定为零算法将量化后系数为零的系数的子孙系数都指定为零。特点:利用了不同分辨率子带之间数据的相关性.?问题:?清华大学计算机系孙延奎2021EZW嵌入式零树小波图像压缩技术----EZW编码在1993年,Shapiro提出了小波零树编码算法的改进算法,称为嵌入零树小波编码算法,简称为EZW算法。这是一种简单有效的小波编码算法。受该算法的启发,人们后来开发了更为有效的SPIHT及EBCOT算法。☆基本概念☆编码过程清华大学计算机系孙延奎2021----:小波系数的处理扫描顺序为了出现尽可能多的零树根以压缩代码,同时保证先编码重要信息,扫描从最低的精度开始逐渐向高精度级进行。我们教材中采用的是Morton扫描顺序.清华大学计算机系孙延奎2021清华大学计算机系孙延奎2021小波系数位置的处理----由扫描顺序及小波零树共同完成其中,H表示小波系数的绝对值大于或等于当前的阈值;44×图象L表示小波系数的绝对值小于当前的阈值.清华大学计算机系孙延奎2021多遍扫描编码小波系数图像,其中每一遍扫描包含以下的处理步骤:EZW编码过程:1.选择阈值2.主扫描33.辅扫描54.重新排序5.输出编码信号注解:由于”重新排序”需要记录有关信息,且实践表明,这种操作对图像重构的质量影响不大,所以实践中通常忽略这步操作.为此,以下删除教材中EZW编码算法中的第4步”重新排序”.清华大学计算机系孙延奎20211.选择阈值TTT−对于L级小波变换,EZW算法应用一系列的阈值,,…,011L2/1−=iiTTii来确定小波系数的重要性,其中,为扫描次数,=1,2,….,L-1。初始阈值的选择方法如下:log{||}0,22MaxcijT⎢⎥⎢⎥⎣⎦=320=T清华大学计算机系孙延奎20215.5.输出编码信息编码器输出两类信息:一类是给解码器的信息,包括阈值、主扫描表和辅扫描表;的信息包括阈值及获得的重要系数序列320=T1D1S,:PNZTPTTTTZTTZZZZZPZZ;:1010第二类是用于下次扫描的信息,包括阈值及获得的重要系数序列。小波图像数据63320=T,,小波图像数据。{}PPNP−−−−47,49,34,未排序清华大学计算机系孙延奎2021第二次编码输出结果第二次编码输出结果:a为解码器提供的信息161=T2D2S,:NPTTTTTTTTTTTZZZZ;:100110b为下一次扫描的信息161=T,,小波图像数据。{}63,34,49,47,31,23PNPPNP−−−−−−表5.3二次编码的输出结果T3211/SD0PNZTPTTTTZTTZZZZZPZZ/1010NPTTTTTTTTTTTZZZZ/10011022/SD清华大学计算机系孙延奎2021EZW编码与位平面编码之间的关系----小波系数的表示位平面编码=⋅+⋅+⋅+⋅+⋅+⋅63的二进制表示为111111符号位平面及前三个高位的位平面清华大学计算机系孙延奎2021EZW编码与位平面编码之间的关系通过不同阈值如32,16,8,…对小波系数进行扫描,可以发现最重要的小波系数.这等价于对位平面依次进行小波零树编码.由此实现累进编码,也称为嵌入式编码.具体的第一次主扫描本质上是对第一个位平面编码第一次辅扫描具体的,第次主扫描本质上是对第个位平面编码。第次辅扫描本质上是发现”重要系数”在下一个位平面上的改进位.对应当前阈值下4个重要系数在次高位平面的位值,是必然,是巧合?必然.如543210=⋅+⋅+⋅+⋅+⋅+⋅543210=⋅+⋅+⋅+⋅+⋅+⋅第二次辅扫描对应当前阈值6个重要系数在第三高位平面的位值清华大学计算机系孙延奎2021EZW解码EZW算法具有显著编码性能的原因:(1离散小波变换:去相关性与塔式结构(2零树编码:利用不同分辨率同方向子带之间的相关性(3累进逼近:位平面编码(4自适应算法编码:无损编码方式EZW编解码算法的实现,包括C语言与Matlab程序(不考虑排序步骤:清华大学计算机系孙延奎2021分集规则{}(,,max||2(nijijXncSX∈⎧≥⎪=⎨1若(1nSX=X是重要的⎪⎩0其他(0nSX=X是不重要的,(jiO:节点(i,j的坐标集;点(,j所有孩子标集,(jiD:节点(i,j所有子孙的坐标集;H:所有树根的坐标集。,(,(,(jiOjiDjiL−=,(jiL:节点(i,j所有非直系子孙的坐标集;一般地,{}12,12(,2,12(,12,2(,2,2(,(++++=jijijijijiO清华大学计算机系孙延奎2021分集规则1最初坐标集由{}(,|(,ijijH∈和(,|(,DijijH∈且具有非零子孙组成;{}2若,(jiD是重要的,则,(jiD分成iL及4个单节点,,iOlk∈,(j((j3若是重要的,则分成,(jiL,(jiL4个集,(lkD,(,(,jiOlk∈有序表LIP——不重要系数表;LSP——重要系数表;在LIS中,坐标(,ij代表,(jiD或者,(jiL(ij(ijLLIS——不重要子集表。每一个表项都使用坐标(,ij标识分别用(i,jD和(i,jL表示清华大学计算机系孙延奎2021(2排序扫描目的:编码当前位平面的重要系数由以下两个大的步骤构成:对于当前阈值•如果是重要的系数,则输出“1”及其符号位,其中正、负小波系数的符号位分别采用“1”和“0”表示,然后将该系数从LIP中1顺次检查LIP中的所有小波系数(,ij,对于当前阈值,确定其是否重要删除,并添加到有序表LSP的尾部。•如果是不重要的系数,则输出“0”。清华大学计算机系孙延奎2021例题:排序扫描1输出T=32%对LIP中的每个表项顺次进行处理Is(0,0significant?yes:1,gy1(符号位/将(0,0从LIP中删除,添加到LSP的尾部/LSP={(0,0}LIP={(0,1,(1,0,(1,1}Is(0,1significant?yes:10(符号位LSP={(0,0,(0,1}LIP={(1,0,(1,1}Is100Is(1,0significant?no:Is(1,1significant?no:0清华大学计算机系孙延奎20212CheckthesignificanceofalltreesintheLISaccordingtothetypeoftreetype:2对LIS中的每个表项顺次处理,并对D型表项和L型表项分别采用不同的处理方法,具体算法如下:ggypyp√ForatreeoftypeD:°Ifitissignificant,output1,andcodeitschildren:•Ifachildissignificant,output1,thenasignbitandaddittotheLSP•Ifachildisinsignificant,output0andaddittotheendofLIP.•Ifthechildrenhavedescendants,movethetreetotheendofLISastypeL,otherwiseremoveitfromLIS.°Ifitisinsignificant,output0.√ForatreeoftypeL:°Ifitissignificant,output1,addeachofthechildrentotheendofLISasanentryoftypeDandremovetheparenttreefromtheLISofLISasanentryoftypeDandremovetheparenttreefromtheLIS.°Ifitisinsignificant,output0.清华大学计算机系孙延奎2021例5.6第一次SPIHT编码后输出的信息第一次编码过程完成后,编码器输出两类信息:11100011100010000001010110000、精细扫描位流及三个有序表的初始化信息,即LIP,LIS和LSPLIP00011011={(0,0,(0,1,(1,0,(1,1}LIS={(0,1D,(1,0D,(1,1D}LSP={}2用于下次扫描的信息,包括域值52.、三个有序表LIP,LSP,LIS的当前状态信息清华大学计算机系孙延奎2021SPIHT与EZW编码的简单比较共同点:基于(广义小波零树的位平面编码,形成嵌入式位流.其中,在不同分辨率子带之间引入向下的相关性.嵌入式位流的吸引力在于,希望的压缩等级可以在信源已经压缩之后确定.嵌入的一个重要结果是,信源内任意给定的空间区域的信息内容一般必然是分散(dispersed贯穿在压缩表示中.不同点:重要系数排序信息的显式与隐式处理.系数序信式式清华大学计算机系孙延奎2021电子资源•••清华大学计算机系孙延奎2021EBCOT编码最佳截断嵌入码块编码(embeddedblockcodingwithoptimizedtruncation,EBCOT算法是一种非常有效的小波系数编码方法。清华大学计算机系孙延奎2021EBCOT编码质量可伸缩性SNR清华大学计算机系孙延奎2021或可伸缩性或率可伸缩性EBCOT编码EZW与SPIHT算法采用的零树编码结构,在分辨率之间引入向下的相关性,因此所得到的嵌入式码流具有质量可伸缩性,但不具有分辨率可伸缩性.EBCOT算法采用了将子带样本分成小块,单独对每一个小块进行编码.各种相关性可能存在于一个块内,但不会存在于不同块之间.清华大学计算机系孙延奎2021EBCOT算法介绍:1.嵌入码块编码对每个码块进行编码时,编码器不用其它码块的任何信息,只用该码块本身的信息生成个嵌入码块流块本身的信息生成一个嵌入码块流。这种编码方法很容易生成图像的具有分辨率可伸缩性的编码,并可实现感兴趣区域的随机存取.清华大学计算机系孙延奎2021EBCOT图像压缩算法的两层编码结构流程图由于每个质量层必须包含辅助信息以确定每个码块对该质量层的贡献大小。当层数很多时,对给定的质量层,仅有部分码块对该层有贡献,这样在辅助信息中存在大量的冗余信息。为此EBCOT引入第二编码器(Tier2用于压缩每个质量层为引第编码器用于压缩每个质层的辅助信息。清华大学计算机系孙延奎2021第4卷第11期中国水运Vol.4No.112006年11月ChinaWaterTransportNovembdr2006收稿日期:2006-9-20作者简介:孙涛武汉理工大学土木工程与建筑学院(430070小波变换和希尔伯特—黄变换在时频分析中的应用孙涛刘晶璟孔凡万平摘要:简单介绍了时频分析的基本理论,将小波变换和希尔伯特-黄变换分别应用于几个非平稳信号的分析当中,将二者进行一个简单的比较,最终得出结论。关键词:时频分析小波变换希尔伯特-黄变换中图分类号:TN911.21文献标识码:A文章编号:1006-7973(200611-0111-03一、引言长期以来信号处理的对象局限于确定性信号或是统计量不随时间变化的平稳信号,其有效的分析工具就是Fourier分析,它是一种全局性的变换,无法表达信号的时频局部特性,但非平稳信号的广泛存在是不争的事实。由于受到信号处理理论发展的限制,对非平稳信号的分析过去人们一直是沿用平稳信号的处理方法来作近似,效果当然不够理想。随着研究的深入和科技实践的需要,针对非平稳信号的理论分析已是迫在眉睫。这就是时频分析理论产生的时代背景。时频分析实际上是将一维的时间信号映射到时频(有的是时间尺度二维,可以很好的表示出信号的频率成分随时间的化规律,而这恰恰是非平稳信号分析所需要的。二、小波变换小波变换是一种信号的时频分析方法,即在时域对信号进行离散变换,在频域进行谱分析的方法。它具有高分辨率的特点,而且在时、频两域都具有表征信号局部特征的能力。它在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的瞬态反常现象,所以被誉为分析信号的显微镜和望远镜。1.小波函数的定义小波(wavelet,即小区域的波,是一种特殊的长度有限、平均值为0的波形。小波函数的确切定义为:设Y(t□L2(R,若其傅立叶变换(FT:FourierTransform(ωΨ满足条件:2(Cdψψωωω+∞−∞=<∞∫(1则称(tΨ为一个基本小波或小波母函数。式(1为小波函数的可容许条件。将小波母函数(tΨ进行伸缩和平移,就可以得到函数,(atτψ:,(atτψ,;0aRaτ∈>(2式中,a为尺度因子,τ为平移因子,我们称,(atτψ为依赖于参数a、τ的小波基函数。由于尺度因子a和平移因子τ是连续变化的值,因此我们称,(atτψ为连续小波基函数。它们是由同一母函数(tΨ经伸缩和平移后得到的一组函数序列。2.连续小波变换的定义将任意(2LR空间中的函数(ft在小波基下展开,称这种展开为函数(ft的连续小波变换(CWT:ContinueWaveletTransform[2],其表达式为:,(,(,faWTaftdtττψ+∞=(3由以上定义,我们可以看出小波变换和傅立叶变换一样,也是一种积分变换。(,fWTaτ为小波变换系数。它不同于傅立叶变化的地方是,小波基具有尺度a和平移τ两个参数,所以函数经过小波变换,就意味着将一个时间函数投影到二维的时间-尺度相平面上。这样有利于提取信号函数的某些本质特征。为了分析非平稳信号频率随时间的变化,我们可以作出小波时间频率谱(TFS,它很好地解决了Fourier分析中信号在时域和频域不能同时表达的问题。图1112《中国水运》理论版第4卷图2图1是一个混频信号S1,其表达式为2sin(0.1[1,300](sin(0.2(300,600]ttSttt∈⎧=⎨∈⎩(4在对信号实施CWT(Morlet函数为小波函数后,在尺度方向上检测每个采样点上小波变换因子的最大值,记录该最大值对应的尺度,最后将记录的尺度变换为频率值,尺度a与频率v的关系可用下式表示:0vaω=(5式中0ω为母小波的频率(Morlet母小波的频率0.8102Hzω=。.以频率值为纵坐标,采样序列为横坐标作图就可以得到小波时间频率谱(TFS,如图2所示,信号在[1,300]上,频率集中在0.015Hz左右;在(300,600上,频率集中在0.030Hz左右,这与信号的属性完全一致。TFS更能直观地展示信号频率随时间变化的情形,而利用Fourier变换,这些信息是无法获取的。三、Hilbert-Huang变换1.EMDHilbert-Huang变换的核心是经验模态分解(EMD:EmpiricalModeDecomposition,把复杂的信号分解成从高频到低频的的若干个固有模态函数(IMF:IntrinsicModeFunction。IMF需具有以下两个特点:①其极值点(极大值和极小值数目与跨零点数目相等或最多相差一个;②由其局部极大值构成的上包络和其局部极小值构成的下包络平均值为0。EMD的步骤[4]如下:对任意信号s(t,首先求出s(t的上包络(ut和下包络(vt,记上、下包络的均值曲线为(mt,即:(((0002utvtmt+=,记(((10htstmt=−。判断(1ht是否满足条件①和②,若满足,则得到第一个IMF,记为((11ctht=;否则令((11stht=,重复上述运算,第k步,((kkstht=.记(((2kkkutvtmt+=,(kut和(kvt分别为(kst的上、下包络,令(((1kkkhtstmt+=−.重复以上操作,直到(1kht+满足条件①和②时得到一个IMF,记为((11kctht+=.作计算(((1rtstct=−,对(rt重复以上过程,依次得到第二个IMF(2ct,第三个IMF(3ct,……,直到(rt为一单调信号或其值小于预先给定的值时,EMD分解结束。由此得(st的分解式:(((1.niistctrt==+∑(62.Hilbert变换和Hilbert谱对任一时间序列(Xt,其Hilbert变换(Yt定义为((1XYtPdtττ=∫(7式中,P为柯西主值。则对应于(Xt的解析信号(Zt为:(((((itZtXtiYtateθ=+=式中,(at和(tθ分别称为信号(Xt的瞬时振幅和瞬时相位,按下式计算:(at((((arctan/tYtXtθ=由瞬时相位可得到信号的瞬时频率:((/tdtdtωθ=(8对通过EMD方法得到的各阶IMF分量(ict分别进行Hilbert变换,可得到各分量的瞬时振幅和瞬时频率,它们都是时间的函数,能很好地反映数据的瞬时性。如果把振幅显示在时间-频率平面上,就可以得到原信号的Hilbert谱,Hilbert谱能够清晰地刻画一个数据序列在时间上的变化规律。为验证HHT方法的有效性,利用四个余弦信号与一个指数趋势项相加作为仿真信号S2进行分解,该信号由以下方程表示:(((((2cos20cos50cos100cos120tSttttteππππ=++++(9图3EMD分解示意图对该信号进行EMD分解。如图3所示,可知,EMD方法是按不同的时间尺度分解信号,先分解出高频,再分解出第11期孙涛等:小波变换和希尔伯特——黄变换在时频分析中的应用19低频,次低频,最后得到趋势项。EMD分解是信号本身所决定的一个自适应分解过程,能很快地提取信号特征并分解出信号的分量,分解出的四个IMF分量和趋势量正是仿真信号的五个原始信号,表明了分解的可靠性、高效性,体现了IMF分量本身的物理含义。四、小波变换和希尔伯特-黄变换实例比较信号S由一频率为30Hz余弦信号信号和一频率为120Hz正弦信号叠加而成。该信号由方程表示为(cos(230sin(2120Stttππ=+(10图4图5图4为该信号经过CWT后的尺度图,可以看出该信号由一高频和一低频信号组成,而图5则更清晰地显示出两个信号的频率。通过上面两个图形我们还可以发现Hilbert谱的大部分能量都集中在一定的时间和频率范围内,而Morlet谱的能量在频率范围内分布较广,这是由于Morlet小波引起的能量泄漏造成的。五、结论通过对上述三个信号分别进行小波变换和Hilbert-Huang变换,以及对小波谱与Hilbert谱分析的比较,我们可以得出如下结论:1.CWT是良好的时间、频率同时分析工具,它能解决Fourier分析中信号在时域和频域不能同时表达的问题;EMD依据信号本身的固有特性进行分解,保证了信号分解后的非平稳特性,具有自适应性强和高效的优点。2.HHT方法是一种更具适应性的时频局部分析方法,它没有固定的先验基底,是自适应的;瞬时频率定义为相位函数的导数,不需要整个波来定义局部频率,因而可以实现从低频信号中分辨出奇异信号,这比小波有了明显的进步。参考文献[1]高志,余啸海.Matlab小波分析工具箱原理与应用.北京.国防工业出版社.2004.[2]J.Slavic,I.Simonovski,dampingidentificationusingacontinuouswavelettransform:applicationtorealdata.Journalofsoundandvibration262.2003.291-307.[3]卢小泉,刘宏德.分析化学中的小波分析技术.北京.化学工业出版社.2005.10.[4]李书进,虞晖,瞿伟廉.基于Hilbert-Huang变换的结构损伤诊断.武汉理工大学学报.2004.8.IntimefrequencyanalysisapplicationSunTaoLiuJingjingKongFanWanPingAbstracts:Introducedsimplywhenthefrequencyanalysiselementarytheory,appliesseparatelythewavelettransformationandtheHilbert-yellowtransformationinmiddleseveralnon-steadysignalanalyses,carriesonthetwoasimplecomparison,finallydrawstheconclusion.Keyword:WhenfrequencyanalysisWavelettransformationHilbert-yellowtransformation小波及其在语音信号处理中的应用谭鹏（北京邮电大学信息工程学院博士B006班B20000073087）摘要：本文是作者在学习《现代信号处理》小波部分时的一些体会和心得的总结，全文分为两部分。第一部分讨论了小波的基本概念，小波的分类，多分辨率分析及Mallat算法和多孔算法。第二部分则介绍了小波在语音信号处理中的几种应用，包括语音编码，语音降噪，基音检测和语音信号特征提取。一．小波小波的基本概念小波变换是80年代后期发展起来的应用数学分支。其含义是：把某一成为基本小波（也叫母小波motherwavelet）的函数作位移后，再在不同尺度下与待分析信号x(t)作内积：,a>0小波变换可以分为连续小波变换（连续时间，连续小波变换），连续时间离散分析，离散时间离散分析。理解小波的关键是理解小波母函数，小波母函数是指满足下面两个条件的函数完全重构条件恒等分辨条件为的傅立叶变换。而把小波母函数的扩张和伸缩称为小波基函数把看作用t*和t给出中心和半径的窗函数，把看作由和给出中心和半径的窗，则小波母函数的时间分辨率为t，频率分辨率为。可计算出小波基函数的时间分辨率为2at，频率分辨率为，时间窗为，频率窗为。因此可以调节尺度参数a来调节小波基函数的时频域窗口位置和时频域分辨率。因为小波母函数可以看作是某一带通滤波器的冲激响应，所以小波基函数可以看作是一带通滤波器组。下面我们导出这组带通滤波器组的一个重要性质，即恒Q性质。设小波母函数所代表的带通滤波器的中心频率为，则小波基函数所表示的一组带通滤波器中心频率为,它们的相对带宽（即Q值）为。因为，是固定的，所以该带通滤波器组为等Q滤波器组。总结上面的性质可以看出：小波变换在高频处具有较高的时间分辨率和较低的时间分辨率。在低频处具有较高的频率分辨率和较低的时间分辨率。非常适合处理具有恒Q特性的图像和话音信号。这类信号的慢变部分反映信号的低频分量，在时域允许较低的分辨率，而低频部分集中了信号的主要能量，应予以较大关注，需要较高的频率分辨率。话音信号时域的快变部分反映信号的高频分量，因此应使用较高的时间分辨率来观察，高频部分频带较宽，允许较低的频率分辨率。小波的分类根据小波函数的类型,小波可分为下面三类:正交小波是指满足正交性条件：的小波。正交小波的基函数具有线性独立性。从信号重构的精度考虑，正交基信号是重构最理想的基函数，所以一般希望小波是正交小波。但除了Harr函数外，实值的紧支集正交小波既不可能是对称的，也不可能是反对称的。由于在信号处理中小波的作用是带通滤波器，所以对称和反对称分别等价为线性相位和广义线性相位。而如果一个带通滤波器不是线性相位或广义线性相位时，它将使通过的信号产生畸变，为了避免畸变，我们就必须使用其它小波。也就是说，我们必须舍弃小波的某种结构以保持小波的最小支撑。为了使构造的小波和对偶小波都是紧支撑的，并且是对称或反对称的，就必须放弃小波的正交性。因此还有下面两类半正交和双正交小波。（2）半正交小波一个在内的Riesz小波若满足“跨尺度正交性”称为半正交小波。由于半正交小波可以通过标准正交化运算转变为正交小波，所以一般不把半正交小波作为讨论的对象。（3）双正交小波如果和它的对偶之间满足关系，则称为双正交小波。显然，一个正交小波一定是双正交小波，但双正交小波一般不是正交小波。因此，正交小波是双正交小波的特例。3．多分辨率分析把平方可积的函数看成是某一逐级逼近的极限情况。每级逼近都是用某一低通平滑函数对作平滑的结果，只是逐级逼近时平滑函数也作逐级伸缩，即用不同的分辨率来逐级逼近待分析函数。这就是“多分辨率分析”的基本思想。一维小波变换取决于尺度函数和小波函数。设尺度函数生成尺度子空间，小波函数生成小波子空间。较低的分辨率与较粗的信号内容对应，从而对应更大的子空间；较高的分辨率与教细的信号内容对应，从而对应更小的子空间。因为的分辨率比高，所以尺度子空间有包容关系同时在正交小波基的构造中至少应保证,即,两者是的互补子空间。反复使用上式，分辨率为的多分辨率分析子空间可以用有限多个子空间逼近，即有：令代表分辨率为的函数的逼近，而代表逼近的误差（细节），则上式意味着这表明，任何函数都可以根据分辨率为时的粗糙像和分辨率为下的细节“完全重构”，这也是著名的Mallat塔式重构算法的思想。由，可用子空间的基函数展开，令展开系数为,可得，该式称为尺度函数的双尺度方程。另一方面，由，知，故同理可得小波函数的双尺度方程：设,分别为和的傅立叶变换，由尺度函数和小波函数的正交条件，可以推导出和之间的关系，从而得出和之间的关系。由尺度函数正交，有由小波函数正交，有由尺度函数和小波函数之间的正交，可得综合上面三式，可以解得，Mallat算法和多孔算法(algorithma’trous)由双尺度方程可得出各级系数(离散逼近,细节信号)的递推公式平滑逼近细节信号(小波变换系数)原则上,可由,求得各代表分辨率下的离散概貌信号，也就是该分辨率下对的平滑逼近。各代表分辨率下的离散细节信号，也就是该分辨率下小波变换所得系数。只要，已知，就可以按上图结构由逐级求得和由信号处理中的等效易位理论可知，位于二抽取后的传递函数可以移到二抽取前，只要把改成即可。因此Mallat可以等效为下面的分解过程：图中，表示二插值，即将，每两个样本之间补一个零；，表示四插值，将，每两点间补三个零。所以这种算法叫“多孔算法”。二.小波变换在语音信号处理中的应用1.小波变换用于语音压缩编码小波变换将语音信号进行多尺度分解,得到一个低频系数和几个高频层系数。因为低频层系数比较