Вейвлет-преобразование

Вейвлет-преобразование — это математический метод анализа функций, сигналов и изображений, основанный на разложении исходных данных по базису, состоящему из масштабированных и сдвинутых копий прототипической функции, называемой вейвлетом (материнским вейвлетом). В отличие от классического преобразования Фурье, которое представляет сигнал как сумму синусоидальных волн бесконечной длительности, вейвлет-преобразование позволяет одновременно анализировать как частотные, так и временные (или пространственные) характеристики сигнала, обеспечивая локализацию в обеих областях. Этот метод широко применяется в обработке сигналов, сжатии данных, компьютерном зрении, геофизике, медицине и многих других областях.

История

Основы вейвлет-теории были заложены в начале XX века. В 1909 году венгерский математик Альфред Хаар предложил систему ортогональных функций, известную как вейвлеты Хаара, которая стала первым примером дискретного вейвлет-преобразования. Однако систематическое развитие теории началось лишь в 1970–1980-х годах.

Ключевой вклад внесли французские математики. В 1975 году Жан Морле, работавший в нефтяной компании Elf Aquitaine, предложил термин «вейвлет» (от франц. ondelette — «маленькая волна») для описания функций, используемых в анализе сейсмических сигналов. В 1984 году Морле совместно с Алексеем Гроссманом разработал основы непрерывного вейвлет-преобразования.

Значительный прорыв произошёл в 1988 году, когда бельгийский математик Ингрид Добеши создала семейство компактных ортогональных вейвлетов (вейвлеты Добеши), которые стали стандартом для цифровой обработки сигналов. В 1989 году Стефан Маллат и Ингрид Добеши разработали алгоритм быстрого вейвлет-преобразования (алгоритм Маллата), основанный на пирамидальной схеме и фильтрах. Это сделало вейвлет-преобразование практическим инструментом для компьютерных вычислений.

В 1990-е годы теория вейвлетов получила дальнейшее развитие в работах Рональда Кофмана, Виктора Вайшербергера, Дэвида Донохо и других учёных. Были разработаны вейвлет-пакеты, биортогональные вейвлеты, а также методы вейвлет-сжатия изображений (например, стандарт JPEG 2000, принятый в 2000 году).

Определение и математическая основа

Вейвлет-преобразование основано на представлении сигнала \( f(t) \) в виде взвешенной суммы базисных функций — вейвлетов. Эти функции получаются из материнского вейвлета \( \psi(t) \) с помощью двух операций: сдвига (по времени или пространству) и масштабирования (растяжения или сжатия).

Материнский вейвлет \( \psi(t) \) должен удовлетворять нескольким условиям:

• Нулевое среднее значение: \( \int_{-\infty}^{\infty} \psi(t) \, dt = 0 \). Это означает, что вейвлет осциллирует, подобно волне, и его площадь под графиком равна нулю.
• Конечная энергия: \( \int_{-\infty}^{\infty} |\psi(t)|^2 \, dt < \infty \). Вейвлет локализован во времени (или пространстве) и затухает на бесконечности.
• Условие допустимости (для обратного преобразования): \( C_\psi = \int_0^\infty \frac{|\hat{\psi}(\omega)|^2}{\omega} \, d\omega < \infty \), где \( \hat{\psi}(\omega) \) — преобразование Фурье вейвлета.

Семейство вейвлетов задаётся формулой:

\[ \psi_{a,b}(t) = \frac{1}{\sqrt{|a|}} \psi\left(\frac{t - b}{a}\right) \]

где:

• \( a \) — параметр масштаба (обратно пропорционален частоте);
• \( b \) — параметр сдвига (временная или пространственная локализация);
• множитель \( 1/\sqrt{|a|} \) обеспечивает сохранение энергии при масштабировании.

Виды вейвлет-преобразования

Различают три основных типа вейвлет-преобразования, которые различаются способом задания параметров масштаба и сдвига.

Непрерывное вейвлет-преобразование (НВП, CWT)

Непрерывное вейвлет-преобразование определяется как скалярное произведение сигнала \( f(t) \) с семейством вейвлетов:

\[ W_f(a, b) = \int_{-\infty}^{\infty} f(t) \, \psi_{a,b}^*(t) \, dt \]

где \( \psi^* \) — комплексно-сопряжённая функция (для комплексных вейвлетов). Параметры \( a \) и \( b \) изменяются непрерывно. Результатом является двумерная функция (скалограмма), показывающая энергию сигнала на разных масштабах и в разных временных положениях.

НВП избыточно (генерирует много избыточных данных), но даёт высокую детализацию. Применяется для анализа нестационарных сигналов, обнаружения особенностей (разрывов, пиков), в сейсмологии и медицине (анализ ЭЭГ, ЭКГ).

Дискретное вейвлет-преобразование (ДВП, DWT)

Дискретное вейвлет-преобразование использует дискретные значения параметров масштаба и сдвига, обычно по двоичной сетке: \( a = 2^j \), \( b = k \cdot 2^j \), где \( j \) и \( k \) — целые числа. Это приводит к ортогональному или биортогональному базису.

ДВП реализуется с помощью алгоритма Маллата, который представляет собой пирамидальную схему фильтрации. Сигнал последовательно пропускается через пару фильтров:

• Низкочастотный фильтр (скейлинг-фильтр) — выделяет аппроксимирующую (грубую) составляющую.
• Высокочастотный фильтр (вейвлет-фильтр) — выделяет детализирующую составляющую.

После фильтрации сигнал прореживается (децимация) в два раза. Процесс повторяется для аппроксимирующей составляющей на каждом уровне разложения. В результате получается многоуровневое представление сигнала.

ДВП является не избыточным и обратимым. Оно широко используется в сжатии данных (JPEG 2000), шумоподавлении, выделении признаков.

Вейвлет-пакеты

Вейвлет-пакеты (wavelet packets) являются обобщением ДВП. В классическом ДВП на каждом уровне разлагается только аппроксимирующая составляющая. В вейвлет-пакетах разлагаются как аппроксимирующие, так и детализирующие составляющие, что позволяет строить более полное и гибкое дерево разложения. Это даёт возможность адаптивно выбирать наиболее информативные частотные поддиапазоны для конкретной задачи.

Типы вейвлетов

Существует множество семейств вейвлетов, каждое из которых обладает определёнными свойствами: ортогональность, компактный носитель, гладкость, симметричность, количество нулевых моментов. Выбор вейвлета зависит от конкретной задачи.

Применение

Вейвлет-преобразование нашло применение в широком спектре научных и инженерных задач.

Сжатие данных

Вейвлет-преобразование лежит в основе стандарта сжатия изображений JPEG 2000. В отличие от дискретного косинусного преобразования (DCT), используемого в JPEG, вейвлет-преобразование позволяет достичь лучшего качества при высоких степенях сжатия и не создаёт блочных артефактов. Алгоритм сжатия включает в себя: вейвлет-разложение, квантование коэффициентов и энтропийное кодирование.

Шумоподавление

Метод вейвлет-пороговой обработки (wavelet shrinkage), предложенный Дэвидом Донохо, является эффективным способом удаления шума из сигналов и изображений. Идея заключается в том, что шум проявляется в виде мелких вейвлет-коэффициентов на высоких частотах, в то время как полезный сигнал сосредоточен в крупных коэффициентах. Применяя пороговую обработку (жёсткую или мягкую) к детализирующим коэффициентам, можно подавить шум, сохранив резкие перепады и детали сигнала.

Обработка изображений и компьютерное зрение

Вейвлеты используются для:

• Обнаружения границ — вейвлет-коэффициенты на разных масштабах позволяют выделять контуры объектов.
• Улучшения изображений — повышение резкости, контраста.
• Слияния изображений — объединение информации из разных источников (например, панхроматического и мультиспектрального снимков).
• Распознавания образов — вейвлет-признаки используются в системах распознавания лиц, отпечатков пальцев, текстур.

Медицина и биология

Вейвлет-анализ широко применяется для обработки физиологических сигналов:

• Электроэнцефалограмма (ЭЭГ) — выявление эпилептической активности, анализ ритмов мозга, детекция артефактов.
• Электрокардиограмма (ЭКГ) — обнаружение аритмий, анализ вариабельности сердечного ритма, выделение QRS-комплексов.
• Магнитно-резонансная томография (МРТ) — шумоподавление, улучшение качества изображений.

Геофизика и сейсмология

Вейвлет-преобразование используется для анализа сейсмических сигналов, выделения волновых пакетов, обнаружения землетрясений, обработки данных сейсморазведки (в том числе для поиска нефти и газа).

Финансовая математика

Вейвлеты применяются для анализа временных рядов финансовых данных (курсы акций, валютные пары) с целью выявления трендов, циклов, аномалий и прогнозирования волатильности.

Преимущества и недостатки

Преимущества

• Одновременная локализация во временной и частотной областях — позволяет анализировать нестационарные сигналы (с изменяющимися во времени частотами).
• Многомасштабный анализ — возможность рассматривать сигнал на разных уровнях детализации.
• Разреженное представление — многие сигналы имеют компактное представление в вейвлет-базисе (мало ненулевых коэффициентов), что эффективно для сжатия.
• Устойчивость к шуму — вейвлет-методы шумоподавления превосходят классические линейные фильтры.
• Отсутствие блочных артефактов — в отличие от DCT, используемого в JPEG.

Недостатки

• Чувствительность к выбору вейвлета — не существует универсального вейвлета, подходящего для всех задач; выбор требует экспертизы.
• Отсутствие инвариантности к сдвигу — классическое ДВП не является инвариантным к сдвигу сигнала (небольшой временной сдвиг может существенно изменить коэффициенты). Для решения этой проблемы используются стационарное вейвлет-преобразование или комплексные вейвлеты.
• Вычислительная сложность — хотя ДВП реализуется за \( O(N) \), непрерывное преобразование и вейвлет-пакеты могут быть более затратными.
• Сложность интерпретации — вейвлет-коэффициенты менее интуитивно понятны, чем коэффициенты Фурье.

Источники

1. Mallat, S. (2009). A Wavelet Tour of Signal Processing: The Sparse Way. Academic Press.
2. Daubechies, I. (1992). Ten Lectures on Wavelets. SIAM.
3. Добеши, И. (2001). Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика».
4. Воробьёв, В. И., Грибунин, В. Г. (1999). Теория и практика вейвлет-преобразования. СПб.: ВУС.
5. Чуй, Ч. К. (1997). Введение в вейвлеты. М.: Мир.
6. Cohen, A., & Kovacevic, J. (1996). Wavelets: The Mathematical Background. Proceedings of the IEEE, 84(4), 514–522.