小波變換和motion信號處理：第一篇

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。小波級數通常有很多種，但是都符合下面這些特性：

1. 小波變換對不管是一維還是高維的大部分信號都能cover很好。這個和傅立葉級數有很大區(qū)別。后者最擅長的是把一維的，類三角波連續(xù)變量函數信號映射到一維系數序列上，但對于突變信號或任何高維的非三角波信號則幾乎無能為力。

2. 圍繞小波級數的展開能夠在時域和頻域上同時定位信號，也就是說，信號的大部分能量都能由非常少的展開系數，比如a_{j,k}，決定。這個特性是得益于小波變換是二維變換。我們從兩者展開的表達式就可以看出來，傅立葉級數是

，而小波級數是

。

3. 從信號算出展開系數a需要很方便。普遍情況下，小波變換的復雜度是O(Nlog(N))，和FFT相當。有不少很快的變換甚至可以達到O(N)，也就是說，計算復雜度和信號長度是線性的關系。小波變換的等式定義，可以沒有積分，沒有微分，僅僅是乘法和加法即可以做到，和現代計算機的計算指令完全match。

可能看到這里，你會有點暈了。這些特性是怎么來的?為什么需要有這些特性?具體到實踐中，它們到底是怎么給小波變換帶來比別人更強的好處的?計算簡單這個可能好理解，因為前面我們已經講過正交特性了。那么二維變換呢?頻域和時域定位是如何進行的呢?恩，我完全理解你的感受，因為當初我看別的文章，也是有這些問題，就是看不到答案。要說想完全理解小波變換的這些本質，需要詳細的講解，所以我就把它放到下一篇了。

接下來，上幾張圖，我們以一些基本的信號處理來呈現小波變換比傅立葉變換好的地方，我保證，你看了這個比較之后，大概能隱約感受到小波變換的強大，并對背后的原理充滿期待:)

假設我們現在有這么一個信號：

看到了吧，這個信號就是一個直流信號。我們用傅立葉將其展開，會發(fā)現形式非常簡單：只有一個級數系數不是0，其他所有級數系數都是0。好，我們再看接下來這個信號：

簡單說，就是在前一個直流信號上，增加了一個突變。其實這個突變，在時域中看來很簡單，前面還是很平滑的直流，后面也是很平滑的直流，就是中間有一個階躍嘛。但是，如果我們再次讓其傅立葉展開呢?所有的傅立葉級數都為非0了!為什么?因為傅立葉必須用三角波來展開信號，對于這種變換突然而劇烈的信號來講，即使只有一小段變換，傅立葉也不得不用大量的三角波去擬合，就像這樣：

看看上面這個圖。學過基本的信號知識的朋友估計都能想到，這不就是Gibbs現象么?Exactly。用比較八股的說法來解釋，Gibbs現象是由于展開式在間斷點鄰域不能均勻收斂所引起的，即使在N趨于無窮大時，這一現象也依然存在。其實通俗一點解釋，就是當變化太sharp的時候，三角波fit不過來了，就湊合出Gibbs了:)

接下來我們來看看，如果用剛才舉例中的那種小波，展開之后是這樣的：

看見了么?只要小波basis不和這個信號變化重疊，它所對應的級數系數都為0!也就是說，假如我們就用這個三級小波對此信號展開，那么只有3個級數系數不為0 。你可以使用更復雜的小波，不管什么小波，大部分級數系數都會是0。原因?由于小波basis的特殊性，任何小波和常量函數的內積都趨近于0。換句話說，選小波的時候，就需要保證母小波在一個周期的積分趨近于0。正是這個有趣的性質，讓小波變換的計算以及對信號的詮釋比傅立葉變換更勝一籌!原因在于，小波變換允許更加精確的局部描述以及信號特征的分離。一個傅立葉系數通常表示某個貫穿整個時間域的信號分量，因此，即使是臨時的信號，其特征也被強扯到了整個時間周期去描述。而小波展開的系數則代表了對應分量它當下的自己，因此非常容易詮釋。

小波變換的優(yōu)勢不僅僅在這里。事實上，對于傅立葉變換以及大部分的信號變換系統(tǒng)，他們的函數基都是固定的，那么變換后的結果只能按部就班被分析推導出來，沒有任何靈活性，比如你如果決定使用傅立葉變換了，那basis function就是正弦波，你不管怎么scale，它都是正弦波，即使你舉出余弦波，它還是移相后的正弦波?？傊憔椭荒苡谜也?，沒有任何商量的余地。而對于小波變換來講，基是變的，是可以根據信號來推導或者構建出來的，只要符合小波變換的性質和特點即可。也就是說，如果你有著比較特殊的信號需要處理，你甚至可以構建一個專門針對這種特殊信號的小波basis function集合對其進行分析。這種靈活性是任何別的變換都無法比擬的。總結來說，傅立葉變換適合周期性的，統(tǒng)計特性不隨時間變化的信號; 而小波變換則適用于大部分信號，尤其是瞬時信號。它針對絕大部分信號的壓縮，去噪，檢測效果都特別好。

看到這里，你應該大概了解了小波變換針對傅立葉變換的優(yōu)點了。你也許對背后的原因還存在一些疑問，并希望深入了解一些小波的構建等知識，請移步本系列第二篇：傅立葉變換，小波變換和motion信號處理：第二篇