小波变换——公式整理和简单介绍

写在前面

• 本文对小波变换进行公式整理，小波变换的公式设计真的是整齐而漂亮
• 本文只涉及基础的小波变换部分，达到进行图像处理的程度
• 主要参考冈萨雷斯的《数字图像处理》第4版英文版，这一版的第7章小波变换内容改动非常大。第7章首先从基于矩阵的变换的角度开始讲解，并把离散的余弦变换、正弦变化、哈特利变换、沃尔什——哈达玛变换、斜变换（Slant Transform）、哈尔变换、小波变换、等等，都放到了这一类当中。总之读下来醍醐灌顶，非常舒服

基于矩阵的变换（Matrix-based Transforms）

（如果想直接看小波变换，可以跳过这一节，从小波变换的基本原理开始看）

首先考虑如下形式的离散余弦变换（DCT），该变换为：
$$t(u)=\sum _{x=0}^{N-1}f(x)s(x,u)$$
其中$s(x,u)$是变换核，形式为
$$s(x,u)=\alpha (u)cos(\frac{u\pi }{N}(x+\frac{1}{2}))$$
其中
$$\alpha (u)=\{\begin{array}{ll}\sqrt{\frac{1}{N}}& \text{ if }u=0\\ \sqrt{\frac{2}{N}}& \text{ if }u=1,2,...,N-1\end{array}$$
离散余弦变换有很多种写法，这些写法上存在细微的差异，这里采用这种离散余弦变换写成这样的好处是变换的基向量是正交的。
什么意思呢？我们等会会解答，先看另一个问题。
把一个周期的一维离散频率域信号写成列向量的形式$f\in {\mathbb{R}}^{N\times 1}$，对应的频率域序列为$t\in {\mathbb{R}}^{N\times 1}$，上式可以写成
$$t=\left[\begin{array}{c}{s}_0^{T}f\\ s_1^{T}f\\ ...\\ s_{N-1}^{T}f\end{array}\right]=\left[\begin{array}{c}{s}_0^T\\ s_1^T\\ ...\\ s_{N-1}^T\end{array}\right]f$$
其中$s_i=[s(0,i)s(1,i)...s(N-1,i){]}^T$. 进一步令$A=[s_0{s}_1...s_{N-1}{]}^T$，易得
$$t=Af$$
会发现原信号与变换后的信号中间只是一个基于矩阵的变换，这种变换非常多，（其实最常用的傅里叶变换也可以看作是一种基于矩阵的变换），这种变换对应的逆变换也有可能是基于矩阵的变换（例如傅里叶变换）

正交变换

好了，回到离散余弦变换，刚才说的变换基向量正交即各个$s$之间是正交的
$$A{A}^T=[\begin{array}{cccc}{s}_0^T{s}_0& s_0^T{s}_1& \cdots & s_0^T{s}_{N-1}\\ s_1^T{s}_0& s_1^T{s}_1& \cdots & s_1^{}\\ ⋮& ⋮& \ddots & \\ s_{N-1}^T{s}_0& s_{N-1}^T{s}_1& \cdots & \end{array}$$