Тригонометрия
Вейвлеты и мультимасштабный анализ
Цели урока
- Понимать структуру мультимасштабного анализа и роль вложенных подпространств
- Применять алгоритм Маллá для DWT за O(N) операций
- Выбирать семейство вейвлетов исходя из свойств сигнала
- Интерпретировать масштабно-временные карты CWT
Предварительные знания
- Ряды Фурье
- Преобразование Фурье
- L²-пространства
Как увидеть «где именно в сигнале» происходит событие - то, на что Фурье слеп по определению?
- JPEG 2000: сжатие медицинских снимков в 47 раз (стандарт ISO 15444)
- Сейсмология: обнаружение нестационарных сейсмических волн
- ЭКГ: анализ временных паттернов сердечного ритма
- Шумоподавление в аудиофайлах через пороговую обработку коэффициентов
История: от вейвлета Хаара до Добеши
Хаар в 1910 году описал первый вейвлет - простую ступенчатую функцию. Но до 1980-х никто не знал, как строить гладкие ортогональные вейвлеты с компактным носителем. Жан Морле в 1982 году применил идею масштабируемых волновых пакетов в геофизике. Ив Мейер в 1985-м построил первый гладкий ортогональный вейвлет. Стефан Малла в 1989-м сформулировал MRA и быстрый алгоритм O(N). Ингрид Добеши в 1988-м построила целое семейство dbN - и это стало стандартом в инженерных приложениях.
Мультимасштабный анализ (MRA)
Алгоритм JPEG 2000 сжимает медицинские снимки в 47 раз без потери диагностически значимых деталей - за счёт вейвлетов Добеши D8, захватывающих локальные частоты одновременно в пространстве и масштабе. В отличие от Фурье, вейвлет может сказать не только «на какой частоте», но и «где именно» в сигнале это происходит.
Ключевое отличие от Фурье: вейвлет ψ_{j,k}(t) = 2^{j/2} ψ(2^j t - k) локализован и по времени (параметр k), и по частоте (масштаб j). Фурье-гармоника e^{iξt} растянута на всю ось.
Алгоритм Маллá декомпозиции DWT выполняется за сколько операций от длины сигнала N?
На каждом уровне выполняется O(N) операций свёртки и прореживания вдвое. Уровней O(log N), но сумма N + N/2 + N/4 + ... = 2N геометрически, поэтому O(N) суммарно.
Семейства вейвлетов и их свойства
Вейвлет Хаара существует с 1910 года, но семейство практически пригодных вейвлетов Ингрид Добеши построила в 1988-м. Суть прорыва: вейвлет с N нулевыми моментами точно представляет полиномы степени до N-1, и это именно то свойство, которое нужно для эффективного сжатия гладких регионов изображения.
| Вейвлет | Нулевых моментов | Длина фильтра | Применение |
|---|---|---|---|
| Хаар | 1 | 2 | Пороговая обработка, простота |
| Добеши D4 | 2 | 4 | Сжатие изображений |
| Добеши D8 | 4 | 8 | JPEG 2000, медицинские снимки |
| Симлет S8 | 4 | 8 | Шумоподавление (более симметричный) |
| Биортогональный 9/7 | 4/4 | 9+7 | JPEG 2000 (стандарт ISO) |
Что означает условие N нулевых моментов вейвлета для сжатия?
∫t^k ψ(t)dt = 0 означает ⟨ψ, p⟩ = 0 для любого полинома p степени ≤ N-1. Полиномиальные (гладкие) части сигнала «не видит» вейвлет - коэффициенты нулевые, сигнал легко сжимается.
Непрерывное вейвлет-преобразование и масштабно-временной анализ
Сейсмологи NASA обнаружили лунотрясения на Луне через Apollo в 1969-м благодаря анализу, эквивалентному CWT. Сигнал длится часами, частота меняется - стандартный Фурье слеп к такой нестационарности. CWT строит карту амплитуд в координатах (масштаб, время): можно видеть, как одна частота плавно переходит в другую.
CWT избыточно (континуальное семейство функций для L² сигнала), поэтому на практике используют дискретизацию по октавам: a = 2^j и b = k·2^j.
В чём принципиальное преимущество CWT перед Фурье-преобразованием для нестационарных сигналов?
Фурье даёт глобальный спектр - теряет информацию о времени возникновения компонент. CWT строит масштабно-временную карту W(a,b): можно видеть, когда и на каком масштабе появляется та или иная особенность.
Связи с другими темами
Вейвлеты объединяют функциональный анализ, теорию фильтров и обработку сигналов
- MRA и L² — Связанная тема
- Цифровые фильтры — Связанная тема
- Сжатие без потерь/с потерями — Связанная тема
- Нейронные сети — Связанная тема
Итоги
- MRA задаёт вложенную цепочку подпространств V_j с ортогональными дополнениями W_j, порождёнными вейвлетом ψ
- Алгоритм Маллá выполняет DWT за O(N) через банк фильтров низких/высоких частот с прореживанием
- N нулевых моментов вейвлета обеспечивают нулевые коэффициенты на гладких участках - ключ к сжатию
- CWT даёт масштабно-временную локализацию с переменным разрешением - преимущество над Фурье для нестационарных сигналов
Вопросы для размышления
- Почему у вейвлета обязательно должно быть нулевое среднее (нулевой момент)?
- Как выбрать подходящий вейвлет для конкретной задачи - сжатия или обнаружения особенностей?
- В чём компромисс между временным и частотным разрешением при выборе масштаба CWT?
Связанные уроки
- trig-21 — Ряды Фурье - фундамент для понимания MRA
- trig-25-dct — DCT - частный случай вейвлет-анализа без локализации
- trig-28 — Гармонический анализ формализует L²-теорию вейвлетов