3.6. Двумерные вейвлеты /2, 13/.

Многомерные вейвлет-преобразования являются расширением одномерных преобразований. Вейвлетными функциями такого преобразования являются тензорные произведения одномерных функций по размерности преобразования.

Двумерные вейвлеты определяются функциями двух переменных (х, у) в двумерном пространстве V(x, y)  L²(R²), при этом параметры а и b могут быть индивидуальными для каждой переменной. В общей форме для двумерного непрерывного вейвлета:

_{a1,b1; a2,b2}(x,y) = (a1·a2)^-1/2 ₀[(x-b1)/a1, (y-b2)/a2]. (3.6.1)

При двумерном КМА двумерный ортонормальный базис пространства L²(R²) имеет четыре порождающих функции, которые строится на основе одномерного ортонормального вейвлет-базиса (t) и скейлинг-функции t Для скейлинг-функции:

(x, y) = (x) (y). (3.6.2)

Тензорное произведение для вейвлетных функций:

(x, y) = (x) (y),  (x, y) = (x)(y),(x, y) = (x) (y). (3.6.3)

Если масштабирование по обеим переменным производится синхронно, то все остальные функции двумерных базисов определятся выражением:

Ф_m,k,n(x, y) = 2^m Ф(2^mx-k, 2^my-n), m,k,n  I, (3.6.4)

где функция Ф(х,у) – соответствующие выражения (3.6.2 – 3.6.3).

Если система (3.6.3) является ортонормированным базисом в L²(R²), то прямое вейвлет-преобразование сигнала s(x, y) соответственно выполняется по формулам:

cc_m,k,n = s(x,y), _m,k,n(x, y), cd_m,k,n = s(x,y), _m,k,n(x, y),

dc_m,k,n = s(x,y), _m,k,n(x, y), dd_m,k,n = s(x,y), _m,k,n(x, y).

При этом можно считать, что двумерный сигнал в плоскости (х, у) анализируется по горизонталям, вертикалям и диагоналям с одинаковым разрешением.

Обратное преобразование с уровня m:

s(x, y) =cc_m,k,n _m,k,n(x, y) +

+[cd_m,k,n _m,k,n(x, y)+ dc_m,k,n _m,k,n(x, y)+ dd_m,k,n _m,k,n(x, y)].

При использовании быстрого преобразования дискретного сигнала, представленного матрицей s_i,j, которую (как и в одномерном случае) можно считать максимальным разрешением исходного непрерывного сигнала s(x,y), преобразование начинается с фильтрации строк матрицы низкочастотным h_k и высокочастотным g_k фильтрами, аналогичными одномерному преобразованию, в результате которой вычисляются матрицы следующего уровня разложения НЧ и ВЧ. Полученные матрицы фильтруются этими же фильтрами по столбцам, в результате чего из НЧ формируются матрицы НЧНЧ и НЧВЧ, а из ВЧ - матрицы ВЧНЧ и ВЧВЧ. Таким образом, реализация двумерного БВП является четырехканальной, а общее количество отсчетов во всех четырех новых матрицах равно количеству отсчетов в исходной матрице разложения, что сохраняет в них полный объем информации, заключенный в исходной матрице.

В общем случае n-мерного пространства ортонормальный базис образуют 2n-1 функций, при помощи которых осуществляется МКА любой функции их L²(Rⁿ) пространства, при этом нормировочный множитель равен 2^nm/2.

.

О применении вейвлет-анализа в Matlab:Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в Matlab. М.: LVR Пресс, 2005. – 304 с

Вейвлетная очистка от шумов и сжатие сигналов

(в пакете расширения Wavelet Toolbox системы Matlab)

Типовой метод подавления шумов – удаление высокочастотных составляющих из спектра сигнала. Применительно к вейвлетным разложениям это может быть реализовано непосредственно удалением детализирующих коэффициентов высокочастотных уровней. Но вейвлеты имеют в этом отношении более широкие возможности. Шумовые компоненты, и особенно большие случайные выбросы значений сигналов, можно также рассматривать в виде множеств локальных особенностей сигналов. Задавая некоторый порог для их уровня и срезая по нему детализирующие коэффициенты, можно не только уменьшать уровень шумов, но и устанавливать пороговые ограничения на нескольких уровнях разложения с учетом конкретных характеристик шумов и сигналов для различных типов вейвлетов. Это позволяет создавать адаптивные системы очистки сигналов от шумов в зависимости от их особенностей. Эти технологии и будут рассматриваться в данной теме.

Операция сжатия сигналов с удалением малозначимых значений вейвлет-коэффициентов также выполняется на основе определенных пороговых ограничений их значений, и во многом практически тождественна операциям удаления шумов.

Утилиты, которые рассматриваются в настоящей теме, используются в пакете расширения Wavelet Toolbox системы Matlab.

При очистке сигналов от шумов и сжатии используется быстрое вейвлет-преобразование (БВП). При этом всегда следует учитывать, что если полный размер сигнала составляет М-отсчетов, а максимальный уровень разложения равен N, то для обеспечения нормальной работы БВП отношение M/2^N должно быть целым числом, что обеспечивает целое число коэффициентов на последнем уровне разложения. Если это условие не выполняется, рекомендуется дополнять массив отсчетов нулевыми или любыми другими значениями.

Изучение технологий и методик очистки сигналов от шумов и сжатия сигналов удобно проводить на тестовых сигналах, которые генерируются функциями:

● X = wnoise(FUN, N) – вектор-сигнал функции FUN (с номерами от 1 до 6) на 2^N сетке в интервале [0,1].

● [X, XN] = wnoise(FUN, N, SQRT) – то же, со средним квадратическим отклонением std(X) = SQRT. Вектор XN является суммой вектора Х и белого шума Гаусса (0,1).

● [X, XN] = wnoise(FUN, N, SQRT, INIT) – то же, с заданием начального числа INIT для генерации псевдослучайных чисел. INIT обеспечивает повторение одной и той же последовательности случайных чисел при моделировании и отладке программ.

 Пример моделирования тестовых сигналов (рис. 7.0.1).

n=10; ind=linspace(0,1,2^n);

for i=1:6

[x, xn]=wnoise(i, n, 2);

subplot(6,2,2*i-1); plot(ind, x);

subplot(6,2,2*i); plot(ind, xn);

end

Рис. 7.0.1.

Кроме этих типовых функций можно использовать также стандартные демонстрационные сигналы с шумами из пакета toolbox\wavelet\wavedemo\nois*.mat, которые считываются командой load.