技術(shù)原理解讀：小波變換資料下載

記得我還在大四的時(shí)候，在申請(qǐng)出國(guó)和保研中猶豫了好一陣，骨子里的保守最后讓我選擇了先保研。當(dāng)然后來也退學(xué)了，不過這是后話。當(dāng)時(shí)保研就要找老板，實(shí)驗(yàn)室，自己運(yùn)氣還不錯(cuò)，進(jìn)了一個(gè)在本校很牛逼的實(shí)驗(yàn)室干活路。我們實(shí)驗(yàn)室主要是搞圖像的，實(shí)力在全國(guó)也是很強(qiáng)的，進(jìn)去后和師兄師姐聊，大家都在搞什么小波變換，H264之類的。當(dāng)時(shí)的我心思都不在這方面，盡搞什么操作系統(tǒng)移植，ARM+FPGA這些東西了。對(duì)小波變換的認(rèn)識(shí)也就停留在神秘的“圖像視頻壓縮算法之王”上面。 后來我才發(fā)現(xiàn)，在別的很廣泛的領(lǐng)域中，小波也逐漸開始流行。比如話說很早以前，我們接觸的信號(hào)頻域處理基本都是傅立葉和拉普拉斯的天下。但這些年，小波在信號(hào)分析中的逐漸興盛和普及。這讓人不得不感到好奇，是什么特性讓它在圖象壓縮，信號(hào)處理這些關(guān)鍵應(yīng)用中更得到信賴呢?說實(shí)話，我還在國(guó)內(nèi)的時(shí)候，就開始好奇這個(gè)問題了，于是放狗搜，放毒搜，找遍了中文講小波變換的科普文章，發(fā)現(xiàn)沒幾個(gè)講得清楚的，當(dāng)時(shí)好奇心沒那么重，也不是搞這個(gè)研究的，懶得找英文大部頭論文了，于是作罷。后來來了這邊，有些項(xiàng)目要用信號(hào)處理，不得已接觸到一些小波變換的東西，才開始硬著頭皮看?？戳艘恍┎牧?，聽了一些課，才發(fā)現(xiàn)，還是那個(gè)老生常談的論調(diào)：國(guó)外的技術(shù)資料和國(guó)內(nèi)真TNND不是一個(gè)檔次的。同樣的事情，別人說得很清楚，連我這種并不聰明的人也看得懂; 國(guó)內(nèi)的材料則繞來繞去講得一塌糊涂，除了少數(shù)天才沒幾個(gè)人能在短時(shí)間掌握的。 牢騷就不繼續(xù)發(fā)揮了。在這個(gè)系列文章里，我希望能簡(jiǎn)單介紹一下小波變換，它和傅立葉變換的比較，以及它在移動(dòng)平臺(tái)做motion detection的應(yīng)用。如果不做特殊說明，均以離散小波為例子?？紤]到我以前看中文資料的痛苦程度，我會(huì)盡量用簡(jiǎn)單，但是直觀的方式去介紹。有些必要的公式是不能少的，但我盡量少用公式，多用圖。另外，我不是一個(gè)好的翻譯者，所以對(duì)于某些實(shí)在翻譯不清楚的術(shù)語，我就會(huì)直接用英語。我并不claim我會(huì)把整個(gè)小波變換講清楚，這是不可能的事，我只能盡力去圍繞要點(diǎn)展開，比如小波變換相對(duì)傅立葉變換的好處，這些好處的原因是什么，小波變換的幾個(gè)根本性質(zhì)是什么，背后的推導(dǎo)是什么。我希望達(dá)到的目的就是一個(gè)小波變換的初學(xué)者在看完這個(gè)系列之后，就能用matlab或者別的工具對(duì)信號(hào)做小波變換的基本分析并且知道這個(gè)分析大概是怎么回事。 最后說明，我不是研究信號(hào)處理的專業(yè)人士，所以文中必有疏漏或者錯(cuò)誤，如發(fā)現(xiàn)還請(qǐng)不吝賜教。 要講小波變換，我們必須了解傅立葉變換。要了解傅立葉變換，我們先要弄清楚什么是”變換“。很多處理，不管是壓縮也好，濾波也好，圖形處理也好，本質(zhì)都是變換。變換的是什么東西呢?是基，也就是basis。如果你暫時(shí)有些遺忘了basis的定義，那么簡(jiǎn)單說，在線性代數(shù)里，basis是指空間里一系列線性獨(dú)立的向量，而這個(gè)空間里的任何其他向量，都可以由這些個(gè)向量的線性組合來表示。那basis在變換里面啥用呢?比如說吧，傅立葉展開的本質(zhì)，就是把一個(gè)空間中的信號(hào)用該空間的某個(gè)basis的線性組合表示出來，要這樣表示的原因，是因?yàn)楦盗⑷~變換的本質(zhì)，是。小波變換自然也不例外的和basis有關(guān)了。再比如你用Photoshop去處理圖像，里面的圖像拉伸，反轉(zhuǎn)，等等一系列操作，都是和basis的改變有關(guān)。 既然這些變換都是在搞基，那我們自然就容易想到，這個(gè)basis的選取非常重要，因?yàn)閎asis的特點(diǎn)決定了具體的計(jì)算過程。一個(gè)空間中可能有很多種形式的basis，什么樣的basis比較好，很大程度上取決于這個(gè)basis服務(wù)于什么應(yīng)用。比如如果我們希望選取有利于壓縮的話，那么就希望這個(gè)basis能用其中很少的向量來最大程度地表示信號(hào)，這樣即使把別的向量給砍了，信號(hào)也不會(huì)損失很多。而如果是圖形處理中常見的線性變換，最省計(jì)算量的完美basis就是eigenvector basis了，因?yàn)榇藭r(shí)變換矩陣T對(duì)它們的作用等同于對(duì)角矩陣( Tv_n = av_n，a是eigenvalue )。總的來說，拋開具體的應(yīng)用不談，所有的basis，我們都希望它們有一個(gè)共同的特點(diǎn)，那就是，容易計(jì)算，用最簡(jiǎn)單的方式呈現(xiàn)最多的信號(hào)特性。 好，現(xiàn)在我們對(duì)變換有了基本的認(rèn)識(shí)，知道他們其實(shí)就是在搞基。當(dāng)然，搞基也是分形式的，不同的變換，搞基的妙處各有不同。接下來先看看，傅立葉變換是在干嘛。 傅立葉級(jí)數(shù)最早是Joseph Fourier 這個(gè)人提出的，他發(fā)現(xiàn)，這個(gè)basis不僅僅存在與vector space，還存在于function space。這個(gè)function space本質(zhì)上還是一個(gè)linear vector space，可以是有限的，可以是無限的，只不過在這個(gè)空間里，vector就是function了，而對(duì)應(yīng)的標(biāo)量就是實(shí)數(shù)或者復(fù)數(shù)。在vector space里，你有vector v可以寫成vector basis的線性組合，那在function space里，function f(x)也可以寫成對(duì)應(yīng)function basis的線性組合，也有norm。你的vector basis可以是正交的，我的function basis也可以是正交的(比如sin(t)和sin(2t))。唯一不同的是，我的function basis是無窮盡的，因?yàn)槲业膄unction space的維度是無窮的。好，具體來說，那就是現(xiàn)在我們有一個(gè)函數(shù)，f(x)。我們希望將它寫成一些cos函數(shù)和一些sin函數(shù)的形式，像這樣 ? ? again，這是一個(gè)無限循環(huán)的函數(shù)。其中的1，cosx, sinx, cos2x …..這些，就是傅立葉級(jí)數(shù)。傅立葉級(jí)數(shù)應(yīng)用如此廣泛的主要原因之一，就是它們這幫子function basis是正交的，這就是有趣的地方了。為什么function basis正交如此重要呢?我們說兩個(gè)vector正交，那就是他倆的內(nèi)積為0。那對(duì)于function basis呢?function basis怎么求內(nèi)積呢? 現(xiàn)在先復(fù)習(xí)一下vector正交的定義。我們說兩個(gè)vector v,w如果正交的話，應(yīng)符合： ? ? 那什么是function正交呢?假設(shè)我們有兩個(gè)函數(shù)f(x)和g(x)，那是什么?我們遵循vector的思路去想，兩個(gè)vector求內(nèi)積，就是把他們相同位置上對(duì)應(yīng)的點(diǎn)的乘積做一個(gè)累加。那移過來，就是對(duì)每一個(gè)x點(diǎn)，對(duì)應(yīng)的f和g做乘積，再累加。不過問題是，f和g都是無限函數(shù)阿，x又是一個(gè)連續(xù)的值。怎么辦呢?向量是離散的，所以累加，函數(shù)是連續(xù)的，那就是…….積分!