1 概要
ウェーブレット変換は、信号や画像を異なる尺度で分解し、局所的な変化を調べるための解析手法である。全体の傾向だけでなく、短い時間区間や小さな空間領域に現れる急変も捉えやすく、非定常データの評価に適している。
この方法は、周波数成分の把握を中心とするフーリエ解析を補完する位置づけにある。実際の処理では、観測対象の特徴に応じて基底関数や分解段階を選び、圧縮、復元、抽出、検出などに利用される。
1.1 ウェーブレット変換の定義
ウェーブレット変換は、母ウェーブレットと呼ばれる基準関数を拡大・縮小し、さらに平行移動させながら、元の信号との内積を取ることで係数を求める変換である。得られた係数は、各尺度と位置における類似度を表し、変化の所在や強さを示す。
連続型と離散型があり、前者は理論的な解析に、後者は数値計算や実装に広く使われる。いずれも、信号を一つの表現に固定せず、多様な見方で分解できる点に特徴がある。
1.2 フーリエ変換との違い
フーリエ変換は、信号を正弦波の重ね合わせとして表し、周波数ごとの全体的な寄与を明らかにする。一方、ウェーブレット変換は、時間または空間の位置情報を保ちながら解析するため、局所現象の把握に優れる。
この違いは、定常的な波形と急変を含む波形の扱いで特に重要になる。たとえば、フーリエ解析ではいつ変化したかが分かりにくいが、ウェーブレットでは変化点の近傍を詳細に追跡しやすい。
1.3 歴史的背景
ウェーブレットの考え方は、信号の多段階表現や局所解析への関心の高まりとともに発展した。数学、工学、物理学の分野で個別に進められていた研究が統合され、多重解像度解析の枠組みとして体系化された。
20世紀後半には、理論の整備と計算機性能の向上が進み、実用的なアルゴリズムが確立された。これにより、純粋数学の概念にとどまらず、画像圧縮や医用信号処理などの応用へ広く広がった。
1.4 主な用途
主な用途には、雑音除去、圧縮、特徴抽出、異常検知、輪郭検出などがある。とくに、短時間の突発的な変動や、複数のスケールにまたがる構造を扱う場面で効果を発揮する。
通信では符号化や誤り抑制、画像分野では画質を保った圧縮、医用工学では生体電位の解析に役立つ。さらに、機械学習では、学習前の特徴量生成や前処理の一部としても用いられる。
2 理論的基礎
ウェーブレット変換の理論は、尺度変換、平行移動、多重解像度、直交性、フレーム理論などの概念に支えられている。これらは、変換がどのように情報を分配し、どの条件で元の信号を正確に復元できるかを説明する。
理論面の要点は、局所性と再構成可能性を両立させる点にある。単なる分解ではなく、失われたように見える情報を規則に従って戻せることが、実用上の価値を高めている。
2.1 ウェーブレットの概念
ウェーブレットは、短い持続時間または限られた空間範囲に集中した波形である。平均値がゼロに近い性質を持つものが多く、変化成分を強調しやすい。
この局在性により、長く続く周期成分よりも、局所的なずれや尖り、境界のような情報を目立たせることができる。解析対象の細かな構造を見分ける際に有効である。
2.1.1 スケーリングと平行移動
スケーリングは波形の幅を変え、広い範囲を見るか細部を見るかを調整する操作である。大きい尺度では粗い傾向を、小さい尺度では急な変動を捉えやすい。
平行移動は、同じ形の関数を時間軸や空間軸上で移動させる操作である。これにより、信号のどの位置で特徴が現れたかを対応づけられる。
2.1.2 母ウェーブレット
母ウェーブレットは、変換全体の出発点となる基本関数である。そこから尺度変換と平行移動を施すことで、多数の派生関数が作られる。
選択される母関数によって、滑らかさ、対称性、支持の長さ、周波数特性が異なる。そのため、対象に応じた選定が解析結果を左右する。
2.2 多重解像度解析
多重解像度解析は、同じ信号を複数の粗さで表現する考え方である。粗い近似と細部の補正を段階的に分けることで、全体像と局所情報を同時に扱える。
この枠組みでは、各段階の表現が互いに補完関係にある。低い解像度から高い解像度へと順に進めることで、効率よく構造を把握できる。
2.2.1 尺度空間の考え方
尺度空間は、観測対象をぼかしの強さや観測幅の違いによって系列化したものである。大きな尺度では細部が平均化され、小さな尺度では局所変化が残る。
この見方は、画像処理や特徴検出に役立つ。異なる大きさの構造が混在していても、それぞれに適したレベルで観察できるためである。
2.2.2 近似成分と詳細成分
近似成分は、信号の大まかな輪郭や低周波的な変化を表す。詳細成分は、その近似では取り切れない細かな揺らぎや急変を担う。
分解を繰り返すと、各段階で近似と詳細が分かれ、情報の役割が明確になる。これにより、不要な細部だけを抑えたり、必要な変化だけを抽出したりできる。
2.3 正規直交基底とフレーム
正規直交基底は、互いに直交し、長さがそろった関数系である。各係数の寄与が分かりやすく、計算も比較的安定している。
フレームは、基底より冗長だが、より柔軟な表現を与える。欠損やノイズに対する頑健さを重視する場合に有利である。
2.3.1 完全再構成条件
完全再構成条件とは、分解後の係数から元の信号を誤差なく戻せるための要件である。フィルタの特性や基底の整合性が、この条件に関わる。
実用上は、理論的な等式だけでなく、離散化や有限長データへの適用を考慮する必要がある。条件が満たされていれば、情報の損失を抑えた往復変換が可能になる。
2.3.2 冗長表現の意義
冗長表現は、必要最小限以上の係数で信号を記述する方法である。圧縮効率だけを見れば不利に見えるが、解析の安定性や欠損耐性を高める利点がある。
特に、ノイズが強い場合や、重要な特徴が複数の位置に散らばる場合に有効である。表現の重なりが、見落としの低減につながる。
3 変換の種類
ウェーブレット変換には複数の形式があり、目的に応じて使い分けられる。連続的に尺度を変えるもの、離散的に段階分解するもの、冗長性や適応性を高めた派生法などが代表的である。
それぞれの方法は、計算負荷、表現の密度、解釈のしやすさに差がある。理論研究では連続型が重視され、実装では離散型や効率化された形式が広く採用される。
3.1 連続ウェーブレット変換
連続ウェーブレット変換は、尺度と位置を連続的に変えながら係数を求める方法である。細かな変化を滑らかに追跡でき、信号の局所構造を可視化しやすい。
ただし、計算量は大きくなりやすい。したがって、理論分析や可視化、特徴の把握に向いている。
3.1.1 定義と特徴
この変換では、母ウェーブレットを任意の尺度で拡大縮小し、任意の位置へ移して相関を取る。結果として、二次元的な係数分布が得られる。
特徴として、変化の起こる場所と広がりを同時に見やすい点が挙げられる。連続量を扱うため、局所パターンの比較にも適している。
3.1.2 スカログラム
スカログラムは、連続ウェーブレット変換の係数を色や濃淡で表した可視化図である。尺度と位置に対する強度の分布が一目で分かる。
これにより、特定の時点でどの程度のスケールの成分が目立つかを観察できる。音響や生体信号の時間変化の把握に利用されることが多い。
3.2 離散ウェーブレット変換
離散ウェーブレット変換は、尺度と位置を離散的に選んで分解する方式である。計算効率が高く、数値処理やデジタル信号への適用に適している。
実装のしやすさと再構成の明確さから、画像圧縮や雑音除去などの実務で中心的な役割を果たす。
3.2.1 段階的分解
段階的分解では、信号をまず粗い成分と細い成分に分け、粗い側をさらに分解していく。こうして、異なる解像度の成分が階層的に並ぶ。
この方式は、必要な細部だけを段階ごとに取り出せるため、整理された表現を与える。木構造に近い形で情報が展開されることが多い。
3.2.2 再構成手順
再構成手順では、分解で得た近似係数と詳細係数を逆方向に統合する。適切なフィルタを用いれば、元の系列を高い精度で復元できる。
実際には、境界条件や量子化誤差の影響を考慮する必要がある。再構成の精度は、選んだウェーブレットと実装方式に左右される。
3.3 双直交ウェーブレット変換
双直交ウェーブレット変換は、解析と合成で異なる基底を用いる方式である。直交系に比べて設計の自由度が高く、形状の選択肢が広い。
この性質により、対称性や滑らかさを調整しやすく、画像処理や圧縮の分野で重宝される。
3.3.1 解析用基底と合成用基底
解析用基底は係数を取り出すために使い、合成用基底は元の信号を戻すために使う。両者が双対関係にあることで、完全再構成が可能になる。
この分離は、設計上の自由度を高める。たとえば、検出に都合のよい形と復元に都合のよい形を別々に選べる。
3.3.2 応用上の利点
双直交系は、対称性や位相の扱いで有利なことがある。画像の輪郭や視覚的な品質を重視する場合、自然な結果を得やすい。
また、フィルタ設計の柔軟さが、圧縮や復号の性能改善につながることがある。用途に応じた最適化がしやすい形式である。
3.4 パケットウェーブレット変換
パケットウェーブレット変換は、通常の分解よりも細かく帯域を分割する方法である。周波数領域の分割を柔軟に行い、より細密な表現を可能にする。
音響や振動のように、特定の帯域に注目したい場合に便利である。標準的な離散変換より適応的な設計ができる。
3.4.1 周波数帯域の細分化
この変換では、帯域を再帰的に分けることで、関心のある周波数範囲を詳細に観察する。低い帯域だけでなく高い帯域も、必要に応じて細かく追跡できる。
細分化により、似た信号でも構成の違いを見分けやすくなる。スペクトルの偏りがあるデータに向いている。
3.4.2 適応的表現
適応的表現とは、信号の性質に合わせて分解構造を選ぶ考え方である。不要な領域を深く分けすぎず、重要な部分だけを精密化できる。
この柔軟さは、情報の圧縮やパターン認識で役立つ。固定的な分解より、対象に即した記述が得やすい。
4 数学的性質
ウェーブレット変換の数学的性質は、尺度の違いがどのように分解に反映されるか、また係数がどのような情報を担うかを説明する。これらの性質は、変換の有効性と限界の両方に関係する。
特に重要なのは、局所性、エネルギー保存、特異点への感度である。これらが組み合わさることで、実データの複雑な変化を扱いやすくしている。
4.1 尺度の役割
尺度は、観察の粗さを表す指標である。大きい尺度では広範囲の傾向が、小さい尺度では細部の動きが強調される。
この性質により、同じ信号を複数の視点から見ることができる。単一の尺度では見えにくい現象も、別の尺度で明瞭になることがある。
4.1.1 時間分解能と周波数分解能
時間分解能は、変化がいつ起きたかをどれだけ細かく識別できるかを示す。周波数分解能は、どの成分がどの帯域にあるかをどれだけ区別できるかを表す。
ウェーブレットでは、尺度に応じてこの二つの分解能が変化する。短い時間の急変を追う一方で、長い期間の周期性も把握できる。
4.1.2 不確定性との関係
不確定性原理の考え方は、時間と周波数を同時に無限に精密には定められないことを示す。ウェーブレット変換は、この制約の下で局所解析を行う手段である。
そのため、観測窓の広さと帯域の鋭さには折り合いが必要になる。尺度の調整は、このバランスを制御する操作といえる。
4.2 直交性と完備性
直交性は、基底同士が互いに干渉しにくいことを意味する。完備性は、基底系が信号空間全体を表現できることを指す。
この二つがそろうと、表現は分かりやすく、再構成も安定しやすい。理論と計算の両面で重要な条件である。
4.2.1 エネルギー保存
直交基底では、パーセバル型の関係により、信号のエネルギーが係数の二乗和に対応する。これにより、表現の大きさや寄与を定量的に評価できる。
エネルギー保存は、圧縮や雑音評価でも役立つ。重要な成分がどの係数に集中しているかを判断しやすい。
4.2.2 係数の解釈
係数は、特定の尺度と位置での成分の強さを表す。値が大きいほど、その局所パターンが強く現れていると解釈できる。
ただし、係数の意味は使用する基底によって変わる。数値の大小だけでなく、どのような形状を検出しているかを見ることが必要である。
4.3 特異点検出
特異点検出は、不連続や急激な勾配変化の位置を見つける技術である。ウェーブレットは局所変化に敏感なため、この用途に向いている。
画像では輪郭、音声では発音の切り替わり、計測信号では異常な跳ね上がりなどを見つけやすい。
4.3.1 エッジや不連続点の抽出
エッジや不連続点は、信号の急な変化として表れる。ウェーブレット係数はその周辺で大きくなりやすく、位置推定に利用できる。
この性質は、画像認識や境界検出に特に有効である。ぼやけた領域の中から構造的な境目を見つける助けになる。
4.3.2 ノイズとの識別
ノイズも局所的な変動を生むが、真の特異点とは尺度依存の挙動が異なることが多い。複数の尺度を比較することで、両者を区別しやすくなる。
しきい値処理や係数の連続性を用いると、偶然の揺らぎを抑えながら重要な変化を残せる。これが雑音除去の基本原理の一つである。
5 実装とアルゴリズム
実装では、理論的な変換を有限長データ上で効率よく計算する方法が重要になる。フィルタバンクや階層的な処理を用いることで、高速かつ安定した変換が実現される。
アルゴリズム設計では、計算量、記憶領域、境界の扱いが主要な論点となる。応用に応じて速度重視か精度重視かを選ぶ必要がある。
5.1 フィルタバンク
フィルタバンクは、信号を複数の周波数帯に分けるための装置的な枠組みである。ウェーブレット変換では、分解と再構成の中心的役割を担う。
低域と高域に分ける処理を繰り返すことで、階層的な表現が得られる。デジタル実装との相性がよい。
5.1.1 低域フィルタ
低域フィルタは、ゆっくり変化する成分を通し、細かな揺らぎを抑える。これにより、近似成分の抽出が可能になる。
平滑化に相当するため、全体の傾向を把握する際に重要である。多段分解の土台となる。
5.1.2 高域フィルタ
高域フィルタは、急な変化や細部の情報を強調する。詳細成分の抽出に対応し、局所的な差異を示す。
低域との組み合わせによって、信号は粗い骨格と細い装飾に分けられる。両者を併用することで再構成が成立する。
5.2 マリャ法
マリャ法は、多重解像度解析に基づく実装手順である。反復的な分解と再構成を系統的に行えるため、実務で広く使われる。
この方法は、信号を段階ごとに処理する流れを明確にし、アルゴリズム全体を整理しやすくする。
5.2.1 分解処理
分解処理では、入力信号にフィルタを適用し、その後にダウンサンプリングを行う。これを繰り返すことで、各階層の係数が得られる。
処理の順序が整理されているため、実装上の誤りを減らしやすい。データの長さに応じた調整も必要である。
5.2.2 合成処理
合成処理では、分解で得た係数をアップサンプリングし、対応するフィルタで重ね合わせる。適切な組み合わせにより、元の信号へ戻せる。
合成段階では、分解時の情報が正しく保持されていることが前提となる。フィルタの整合性が再構成精度を左右する。
5.3 計算量と効率化
効率的な実装は、大規模データを扱う際に重要である。ウェーブレット変換は、うまく設計すれば比較的少ない計算で多段解析を行える。
高速化には、再利用可能な演算の活用や、不要な計算の削減が用いられる。メモリ節約も同様に重要である。
5.3.1 高速アルゴリズム
高速アルゴリズムは、フィルタ処理を最適化し、反復的な計算を効率よく実行する。離散変換では、特にこの利点が大きい。
計算の構造が規則的なため、実装の自動化や並列化にも向いている。大量の信号をまとめて処理する場面で有効である。
5.3.2 メモリ使用量の削減
メモリ使用量の削減には、逐次処理や部分的な上書き計算が役立つ。不要になった中間係数を早めに解放する設計も重要である。
資源が限られた環境では、記憶域の節約がそのまま実用性につながる。携帯機器や組み込み装置で特に意識される。
6 応用分野
ウェーブレット変換は、局所変化の検出と多尺度表現が必要な分野で広く使われている。理論的な柔軟性と実装の効率性が、応用範囲の広さを支えている。
信号、画像、医用データ、学習データなど、対象は多岐にわたる。共通するのは、単一の解像度では十分に扱えない情報を整理できる点である。
6.1 信号処理
信号処理では、波形の揺れや突発的な成分を扱う際に有用である。観測雑音の低減と特徴抽出の両方に利用される。
測定機器から得られる時系列は、しばしば非定常である。そうしたデータに対して、変化点の把握を助ける。
6.1.1 雑音除去
雑音除去では、不要な高周波成分を抑えつつ、重要な変化を残すことが目標になる。ウェーブレット係数にしきい値を適用する方法がよく使われる。
この処理は、平滑化よりも局所構造を保ちやすい。微細なピークや急変を失いにくい点が利点である。
6.1.2 特徴抽出
特徴抽出では、係数の分布や極大値の位置が手がかりになる。周期性、鋭さ、変化のタイミングなどを数値化しやすい。
抽出された特徴は、その後の分類や監視に利用できる。生データより扱いやすい形に整える役割を果たす。
6.2 画像処理
画像処理では、エッジ、テクスチャ、細部構造の扱いに強みを持つ。特に、複数の解像度で情報を保持したまま圧縮できる点が重要である。
視覚的な品質を保ちながら情報量を減らしたい場面で、ウェーブレットは有効な手段となる。
6.2.1 圧縮
圧縮では、目立たない係数を削減し、重要な成分を優先的に保持する。これにより、ファイルサイズを小さくしつつ再現性を保てる。
画像の滑らかな領域と輪郭部分が異なる形で表現されるため、効率よくデータを整理できる。可逆圧縮と非可逆圧縮の両方に関わる。
6.2.2 物体輪郭の解析
輪郭解析では、濃淡の急変を検出して形状の境目を見つける。ウェーブレットは、細い線や角のような特徴に敏感である。
この性質は、物体認識や画像理解の前処理に役立つ。境界の位置や方向を推定しやすくする。
6.3 医用工学
医用工学では、生体信号の変動を見分けるために使われる。心拍、脳活動、筋活動などの時系列は、短い異常や微弱な変化を含むため、多尺度解析が適する。
診断補助や監視の用途で、解析の補助線として機能することが多い。
6.3.1 心電図の解析
心電図解析では、波形の急峻な部分や特徴的な波群を抽出しやすい。リズムの乱れや拍動の変化を調べるのに向いている。
ノイズが混じる状況でも、尺度を分けて観察することで重要部分を保ちやすい。自動判定の前処理としても用いられる。
6.3.2 脳波の解析
脳波解析では、周波数帯ごとの活動と時間変化を同時に扱う必要がある。ウェーブレットは、その両面を見通せるため相性がよい。
睡眠段階の観察や刺激への反応の評価など、時間的な揺らぎを含む分析で有効である。局所的な変動の把握に役立つ。
6.4 機械学習とデータ解析
機械学習では、入力データから有効な表現を作る前処理として利用される。学習器にそのまま与えるより、構造を整理した特徴量のほうが扱いやすい場合がある。
異常検知や分類の前段で、変化の強さや位置を要約する役割を担う。
6.4.1 特徴量設計
特徴量設計では、各尺度の係数を要約統計に変換したり、特定の帯域だけを選んだりする。これにより、学習に適した入力を作れる。
手作業で設計する場合でも、信号の物理的意味を反映しやすい。解釈可能性の高い特徴を構成しやすい。
6.4.2 異常検知
異常検知では、通常状態と異なる局所パターンを見つける。急な跳ね上がり、周期の崩れ、微小な歪みなどが対象になる。
ウェーブレット係数の変化は、異常の兆候を捉える手がかりになる。時系列監視や設備診断で用いられる。
7 代表的なウェーブレット
代表的なウェーブレットは、形状や数学的性質の違いによって区別される。用途に応じて、簡潔さ、滑らかさ、対称性、周波数設計などが重視される。
選択肢の違いは、解析結果の見え方にも反映される。したがって、基底の特徴を理解することは実務上重要である。
7.1 ハールウェーブレット
ハールウェーブレットは、最も単純な形を持つ代表例である。段差状の構造を持ち、直感的に理解しやすい。
計算が容易で、離散ウェーブレットの基本概念を学ぶ際の出発点としてよく使われる。
7.1.1 単純な段差関数
このウェーブレットは、区間ごとに正負が切り替わる段差関数で表される。急変の検出に対する性質が分かりやすい。
滑らかさは高くないが、そのぶん構造が明快である。理論説明や初学者向けの例として適している。
7.1.2 基本例としての役割
ハール型は、分解と再構成の考え方を最初に示す教材として重要である。複雑な関数系の前に、ウェーブレットの働きを簡潔に示せる。
実用面では単純さが利点となる場面もある。粗い変化を素早く扱いたいときに有効である。
7.2 ダブシーウェーブレット
ダブシーウェーブレットは、コンパクト支持と高い滑らかさを両立させる系列である。少数の係数で洗練された表現が得られるため、広く利用される。
階数の異なる多くの種類があり、目的に応じて選択できる。信号解析と画像処理の両方で重要である。
7.2.1 コンパクト支持
コンパクト支持とは、関数が有限区間内に収まる性質である。これにより、局所情報を扱いやすく、計算上も効率がよい。
有限長データとの相性がよく、端点処理を考える際にも有用である。局所性の強さが特徴の一つである。
7.2.2 滑らかさの特徴
ダブシー系は、段差型よりも滑らかな波形を持つ。これにより、自然な信号や画像の細部表現で扱いやすくなる。
滑らかさが高いほど、周辺とのつながりをなめらかに表せる。用途によっては、エッジ保持と平滑性の折衷が重要になる。
7.3 コイフレットウェーブレット
コイフレットウェーブレットは、滑らかさと対称性のバランスを意識した系列である。解析における実用性の高さから利用されることがある。
多重解像度表現の中で、比較的扱いやすい特性を持つ。画像や時系列の形状保存に配慮した選択肢である。
7.3.1 対称性への配慮
対称性は、変換後の見た目や位相の偏りを抑えるうえで有利である。コイフレット系は、この点に配慮した設計がなされる。
対称に近い形は、輪郭やパターンの把握を自然にすることがある。視覚的な歪みを減らしたい場合に役立つ。
7.3.2 高次モーメントの性質
高次モーメントの条件は、低次の多項式成分を打ち消す能力に関わる。これにより、背景の緩やかな変化と局所的な揺れを分けやすくなる。
高次の性質を持つほど、特定の構造を明瞭に際立たせられる。解析の選択性を高める要素である。
7.4 メイエルウェーブレット
メイエルウェーブレットは、周波数領域で滑らかに構成される代表例である。理論的に美しい性質を持ち、分析の枠組みを理解するうえで重要である。
スペクトルの境界をなめらかに設計できる点が特徴で、周波数解析との親和性が高い。
7.4.1 周波数領域での構成
このウェーブレットは、時間領域よりも周波数領域での設計が前面に出る。帯域の分割を滑らかに実現しやすい。
そのため、解析帯域のつながりが自然である。理論的な説明と実装の関係を学ぶ題材としても適している。
7.4.2 理論的性質
メイエル型は、無限回微分可能な滑らかさを持つ設計として知られる。理論解析において扱いやすく、スペクトル的な議論に向いている。
実用の場では、他の系との比較対象になることが多い。理論性と応用性の橋渡しをする存在である。
8 実務上の課題
実務での利用には、理論だけでは十分でない問題が伴う。境界、基底、ノイズなどの条件が結果に影響するため、慎重な設定が必要である。
これらの課題は、解析の再現性や信頼性に直結する。適切な処理を行うことで、変換の長所を十分に引き出せる。
8.1 境界処理
有限長データを扱う際、両端では波形が切れるため、変換結果に歪みが生じやすい。境界処理は、この問題への対処である。
端点の扱い方によって、係数の分布や再構成の精度が変わる。実装では見落とせない要素である。
8.1.1 端点での歪み
端点では、周囲の情報が不足するため、フィルタの効果が不自然になりやすい。これが係数の異常値や形状の乱れにつながる。
特に短い信号では影響が大きい。境界近傍の解釈には注意が必要である。
8.1.2 補完方法
補完方法には、反射、周期延長、ゼロ埋めなどがある。どの方法を選ぶかで、端の挙動が変わる。
対象信号の性質に合う手法を選ぶことが望ましい。自然な連続性を保つ設定がしばしば重視される。
8.2 基底選択
基底選択は、変換の結果を大きく左右する。解析対象、目的、計算資源に応じて、適切なウェーブレットを選ぶ必要がある。
同じデータでも、基底が違えば強調される特徴が変わる。したがって、選定は単なる技術的手続きではない。
8.2.1 解析目的との適合
雑音除去、圧縮、検出など、目的ごとに望ましい基底特性は異なる。滑らかさを重視する場合もあれば、急変の鋭さを優先する場合もある。
対象の統計的性質や形状特徴に合わせることで、結果の質が向上しやすい。目的との一致が実用性を高める。
8.2.2 パラメータ調整
分解レベルやしきい値、フィルタ長などは、結果を微調整する主要なパラメータである。設定が過不足なく整うと、不要な情報を抑えながら重要部分を保てる。
調整には試行錯誤が伴うことが多い。評価指標を用いて、最適な組み合わせを探ることが一般的である。
8.3 ノイズ耐性
ノイズ耐性は、雑音がある中でも有用な情報を失いにくい性質である。ウェーブレット変換は、この点で比較的強みを持つ。
ただし、ノイズの種類や強さによって有効な方法は異なる。単純なしきい値だけでは不十分な場合もある。
8.3.1 しきい値処理
しきい値処理では、小さな係数を削減または除去し、大きな係数を残す。これにより、雑音成分を抑えつつ主要な構造を保存しやすくなる。
弱い変動を一律に消しすぎると、細部まで失われることがある。そのため、閾値の設定には注意が必要である。
8.3.2 ロバスト性の評価
ロバスト性の評価では、ノイズが加わった条件で性能がどれだけ維持されるかを確認する。再構成誤差や検出精度が指標になることが多い。
評価結果は、基底や処理法の選択に反映される。実運用では、理想条件よりもこの安定性が重要になることが多い。