1 基本概念
1.1 定义
多分辨率分析是研究同一对象在不同尺度下表示方式的一类数学框架，常用于刻画函数、信号或图像的层次结构。它通常以一组嵌套的函数空间为基础，使对象能够被逐级近似，并在更细尺度上补充细节信息。该框架是小波理论中的核心组成部分，也常被视为多尺度表示的标准形式之一。
1.2 核心思想
多分辨率分析的核心思想，是用“先看整体、再看局部”的方式理解对象。较粗的尺度提供全局轮廓，较细的尺度补充局部变化，从而形成从低分辨率到高分辨率的层次化描述。借助这种结构，复杂对象可以被分解为若干层近似与修正项，便于分析与计算。
1.3 发展背景
多分辨率分析的形成，与20世纪后期信号处理和应用数学的发展密切相关。传统傅里叶分析擅长处理周期性或整体频率特征，但在描述局部突变、瞬态结构方面存在局限。随着工程计算、图像压缩和数值模拟的需求增长，能够同时兼顾局部性与尺度性的理论逐渐受到重视。
1.3.1 小波理论的兴起
小波理论的兴起推动了多分辨率分析的系统化。小波函数能够在不同尺度和平移位置上展开，从而提供时频局部化更强的表示方式。多分辨率分析为小波构造提供了严格的空间框架，也使小波基的设计具有明确的理论依据。
1.3.2 多尺度方法的数学需求
在偏微分方程、边界层问题和图像重建等领域，单一尺度的模型往往难以兼顾精度与效率。多尺度方法因此成为重要工具，而多分辨率分析提供了组织这些尺度关系的数学语言。它不仅有助于理解不同层次之间的联系，也便于发展稳定、可实现的算法。
1.4 主要特征
多分辨率分析通常具有以下特征：一是存在按尺度递增或递减排列的子空间；二是能够通过缩放和平移生成一族基函数；三是原始对象可分解为粗略近似与逐级细节；四是理论结构与算法实现紧密对应。由于这些特点，它在理论分析和实际应用中都具有较高的通用性。
2 数学基础
2.1 函数空间与内积空间
多分辨率分析一般建立在函数空间上，常见背景是平方可积函数空间。内积结构使得函数之间可以比较相似性，并定义正交、投影和范数等概念。借助这些工具，函数的分解与重构能够被精确表述。
2.2 嵌套子空间结构
多分辨率分析的关键在于一组嵌套的子空间。每个子空间对应一个分辨率层次，较低层次用于粗略近似，较高层次用于更精细描述。子空间之间的包含关系构成了层级结构的基础。
2.2.1 递增空间序列
通常记为一列递增的空间序列，即较粗空间包含于较细空间之中。随着尺度变化，表示能力不断增强，能够描述更多局部细节。这种递增关系保证了逐层逼近的可行性。
2.2.2 稠密性与交集性质
在理想情形下，这些子空间的并集在整体函数空间中稠密，意味着任意对象都可被任意精度近似。同时，最粗层空间的交集通常只包含零元素或非常简单的对象，以避免层次结构退化。这些性质为分析收敛性和唯一性提供了基础。
2.3 缩放与平移
缩放与平移是多分辨率分析中最基本的操作。缩放用于改变观察尺度，平移用于移动局部位置。通过这两种变换，可以由少量生成元构造出大量基函数。
2.3.1 缩放函数
缩放函数是生成尺度空间的核心函数，常用于描述低分辨率近似部分。它在不同尺度下经过伸缩后，形成对整体结构的逐层刻画。该函数的性质直接影响多分辨率分析的稳定性与可实现性。
2.3.2 生成函数族
由缩放函数经过整数平移及不同尺度变换，可以得到一族生成函数。这些函数共同张成相应的尺度空间，并负责表示该层次上的近似成分。生成函数族的结构往往决定了基底的局部性和计算效率。
2.4 正交与完备性
正交性使不同方向或不同层次的信息尽量彼此独立，便于分离近似与细节。完备性则保证这些基函数足以表示空间中的任意对象。二者共同决定了表示系统的有效性与重构能力。
3 多分辨率分析的构造
3.1 生成尺度空间
多分辨率分析通常从最基础的尺度空间出发，再通过缩放关系生成一系列层次。每个尺度空间对应一种分辨率下的表示能力，彼此之间由包含关系连接。
3.1.1 低分辨率近似
低分辨率近似用于保留对象的主干结构，舍弃较细的局部变化。它往往更平滑，也更适合快速计算和整体理解。许多实际算法会先通过低分辨率版本完成初步处理。
3.1.2 高分辨率逼近
随着尺度提高，表示逐渐捕捉更细致的起伏与边缘。高分辨率逼近不仅保留粗略轮廓，还能修正低层次中的误差。该过程体现了多分辨率分析“逐层补充信息”的特点。
3.2 细节空间
细节空间用于存放相邻尺度之间的差异成分。它反映了从一个层次过渡到下一层次时新增的信息，因此常被视为对近似空间的补充。
3.2.1 差分表示
细节空间中的元素可理解为两个连续尺度表示之间的差分。通过这种差分，变化最明显的局部结构会被提取出来。该思想也是小波分解中高频成分的来源之一。
3.2.2 补空间关系
细节空间通常作为尺度空间的补空间出现，使整个空间能够分解为近似与细节两部分。此类关系有助于建立直观而严格的层次表示。若补空间选择得当，分解和重构都可高效完成。
3.3 小波函数的引入
小波函数用于刻画细节空间，并承担高频信息的提取任务。它与缩放函数配合，形成完整的多尺度表示系统。
3.3.1 从尺度函数到小波函数
在多分辨率分析中，尺度函数先确定近似空间，而小波函数则负责描述与之正交或互补的细节部分。两者之间通常存在明确的生成关系。由尺度函数导出小波函数，是构造小波基的典型路径。
3.3.2 多尺度分解
借助尺度函数和小波函数，原始对象可分解为不同尺度上的近似项与细节项。该分解在逐层计算时尤为清晰：低层表示整体，高层补充局部变化。多尺度分解使分析结果具有自然的层次感。
3.4 递推关系
多分辨率分析中的构造常常满足递推关系，使得相邻尺度之间可以通过固定规则转换。这样的递推结构为快速算法奠定了基础。
3.4.1 两尺度方程
两尺度方程描述了函数在粗尺度与细尺度之间的联系。它说明一个尺度函数或小波函数可以由更细一级的平移缩放组合得到。该方程是构造与分析多分辨率系统的重要工具。
3.4.2 滤波器表达式
在离散实现中，两尺度关系常转化为滤波器形式，即由低通和高通滤波器描述近似与细节提取。滤波器表达式不仅便于数值计算，也清晰体现了分解与重构的对偶关系。
4 性质与定理
4.1 逼近性质
多分辨率分析最重要的性质之一是逼近能力。随着尺度提高，表示可以越来越精细地接近原始对象。若满足适当条件，这种逼近在范数意义下可达到任意精度。
4.2 直和分解
在理想框架下，整体空间可分解为尺度空间与一系列细节空间的直和。这样，每个对象都能被唯一地写成不同层次成分的组合。直和分解使层次化表示具有代数上的清晰结构。
4.3 正交多分辨率分析
正交多分辨率分析是一类结构最为清晰的情形，其中不同基函数之间具有正交关系。它在理论上简洁，在计算中也较稳定，因此应用广泛。
4.3.1 正交基
正交基使得系数计算简单，互不干扰，便于能量分配和误差分析。对于信号分解而言，正交性能够降低冗余并提高重构的直接性。很多经典小波系统都属于这一类。
4.3.2 投影算子
投影算子用于把对象映射到某一尺度空间中，从而获得该层次的最佳近似。不同尺度上的投影之间满足一定递推关系，能够逐级构造出多分辨率表示。投影观点也有助于理解近似误差的变化规律。
4.4 双正交多分辨率分析
双正交结构允许分析与重构使用不同但相互配合的函数系统。与严格正交体系相比，它在构造上更灵活，常能获得更好的局部化或对称性。
4.4.1 对偶基
对偶基是与原基相配合的另一组基函数，用于保证系数提取和重构过程的稳定。虽然两组基不必彼此正交，但需满足双正交条件。该机制在工程实现中十分常见。
4.4.2 稳定重构
稳定重构意味着即便数据存在扰动，也能较可靠地恢复原始对象。双正交系统通过适当设计分析与合成过程，使重构误差可控。对于压缩、去噪等任务，这一性质尤为重要。
4.5 紧支撑性质
紧支撑意味着函数只在有限区间内非零。该性质使局部分析更精确，也显著减少计算中的相互作用范围。紧支撑的基函数常被优先用于图像和信号处理。
5 相关函数与基函数
5.1 缩放函数
缩放函数是多分辨率分析的基础函数，决定低层次空间的形状和结构。它通常具有一定的正则性，并通过平移和缩放生成整个尺度族。
5.1.1 定义与示例
缩放函数的定义通常与尺度空间的生成关系相联系。经典实例包括某些分段常数函数、样条函数以及特定构造的小波尺度函数。不同选择会影响表示的平滑度和局部支持特性。
5.1.2 支撑与平滑性
缩放函数的支撑范围决定了其局部化程度，而平滑性则影响近似质量。支撑越紧，局部计算越方便；平滑性越高，表示通常更适合描述连续变化。二者之间往往需要平衡。
5.2 小波函数
小波函数主要负责表示细节成分，通常在零均值或近似零均值条件下发挥作用。它在局部区域内对变化最敏感，因此适合检测突变、边缘与短时特征。
5.2.1 局部化特征
小波函数同时具有空间局部性和尺度局部性，能够在特定位置、特定尺度上反映细微变化。与全局基相比，它对局部异常更敏感。正因如此，小波在分析非平稳信号时表现突出。
5.2.2 消失矩
消失矩指小波与低阶多项式的正交程度，通常体现为对某些低阶项积分为零。消失矩越多，函数对平滑背景的抑制能力越强，越容易突出细节结构。这一性质在去噪和压缩中非常有价值。
5.3 基函数系统
基函数系统是多分辨率分析中具体实现表示的集合。其优劣取决于完备性、稳定性、正交性以及局部化程度等指标。
5.3.1 正交基
正交基具有简单的展开和重构公式，适合精确分析与数值实现。它减少了系数之间的耦合，使误差估计较为直接。许多标准小波系统采用正交基形式。
5.3.2 Riesz基
Riesz基介于正交基与一般框架之间，具有稳定展开和稳定重构的性质。虽然各元素未必严格正交，但其生成系数具有良好的唯一性与可控性。该类基在更灵活的构造中常被使用。
6 算法实现
6.1 离散小波变换
离散小波变换是多分辨率分析最常见的数值实现方式之一。它将连续层次结构转化为离散系数序列，便于在计算机中处理。通过离散变换，可以快速提取不同尺度上的信息。
6.2 快速分解与重构
快速分解与重构依赖滤波和下采样、上采样等操作。其目标是在较低计算复杂度下完成层次分析与信号恢复。许多实际系统都采用这种快速框架实现小波算法。
6.2.1 分解滤波器
分解滤波器用于从原始数据中提取低频近似和高频细节。通常低通滤波器对应粗尺度信息，高通滤波器对应细节部分。合理设计分解滤波器是保证性能的关键。
6.2.2 重构滤波器
重构滤波器负责将分解后的各层系数合并回原始表示。若设计满足匹配条件，则重构过程可以保持稳定并尽量减少误差。它与分解滤波器共同构成完整的分析合成链条。
6.3 多级金字塔算法
多级金字塔算法将数据表示为多个分辨率层次，逐层保存近似与残差信息。该方法结构直观，便于实现多尺度处理。它在图像编码和层次分析中尤为常见。
6.4 边界处理方法
实际数据往往长度有限，因而在边界处需要特殊处理。常见方法包括零延拓、周期延拓和对称延拓等。不同策略会影响变换的精度、稳定性和伪影表现。
7 应用
7.1 信号处理
在信号处理领域，多分辨率分析可用于提取不同频段与不同时间尺度的信息。它特别适合处理非平稳信号，因为这类信号的局部变化往往具有重要意义。
7.1.1 去噪
去噪通常利用噪声在多尺度系数中的分布特征，通过阈值化或抑制细小系数来减少随机扰动。由于真实信号结构往往更集中于少数显著系数，因此该方法具有较好的效果。
7.1.2 压缩
压缩利用多分辨率表示中的稀疏性，只保留少量重要系数即可近似原信号。这样既能减少存储量，也能维持较高的重构质量。小波压缩曾在图像与音频处理中得到广泛应用。
7.1.3 特征提取
不同尺度下的系数可作为信号特征，用于描述波形的局部纹理、突变位置或频率变化。与直接使用原始样本相比，这种表示通常更稳健，也更利于后续分析。
7.2 图像处理
在图像处理中，多分辨率分析能够同时处理边缘、纹理和整体亮度变化。由于图像本身具有明显的层次结构，这一方法尤其适合视觉信息分析。
7.2.1 去模糊
去模糊任务中，多尺度表示有助于区分真实边缘与扩散造成的平滑效应。通过逐层修正细节，可在一定程度上恢复图像锐度。该方法常与其他正则化技术结合使用。
7.2.2 边缘检测
边缘往往对应多尺度系数中的显著变化，因此可以借助小波或类似分解来定位边界。多尺度方法比单一尺度更能适应不同宽度和不同强度的边缘。它对噪声也具有一定鲁棒性。
7.2.3 图像编码
图像编码利用多分辨率表示的稀疏性和局部性，将重要信息优先保存。这样既能提高压缩效率，也便于分层传输和渐进显示。许多现代编码思想都受此启发。
7.3 数值分析
在数值分析中，多分辨率分析可用于构造高效基函数和自适应算法。它帮助在复杂区域提高分辨率，在平滑区域保持较少自由度，从而提升整体计算效率。
7.3.1 偏微分方程求解
偏微分方程求解常借助多分辨率基来离散化解空间。这样可以更灵活地捕捉局部奇异性或多尺度行为。对于复杂边界和局部结构明显的问题，这种方法尤其有利。
7.3.2 自适应网格
自适应网格通过在需要更高精度的区域细化划分，实现资源的按需分配。多分辨率思想为这种“哪里需要就细化哪里”的策略提供了自然框架。它在大规模模拟中常用于提高效率。
7.4 数据分析与机器学习
多分辨率分析也被用于数据分析与机器学习中的特征构造。由于它能够提取不同层次的信息，因此适合表示具有多尺度结构的数据集。
7.4.1 多尺度特征表示
多尺度特征表示把原始数据转化为一组不同层级的描述量。这样的特征往往更能反映全局形态与局部差别。它们在分类、聚类和异常检测中都具有实用价值。
7.4.2 模式识别
在模式识别中，多分辨率特征可以增强模型对尺度变化和局部扰动的适应能力。借助层次化表示，系统更容易捕捉稳定结构，而不至于过度依赖单点信息。该思想常与传统统计方法结合使用。
8 扩展与相关理论
8.1 小波包
小波包是在小波分解基础上进一步细化频带划分的一种扩展形式。与标准小波相比，它对高频部分也进行更充分的层次化处理，因此具有更灵活的表示能力。
8.2 多尺度几何分析
多尺度几何分析关注曲线、边缘、脊线等几何结构的高效表示。它强调在不同方向与尺度上捕捉图像中的几何特征，常用于稀疏表示与形态分析。该领域与多分辨率分析关系密切。
8.3 分形与自相似结构
分形对象通常具有自相似性，即局部与整体在不同尺度上呈现相似特征。多分辨率分析与这类结构天然契合，因为它本身就建立在尺度变换之上。两者结合有助于描述复杂自然现象。
8.4 多维多分辨率分析
多维推广使多分辨率分析能够处理二维图像、三维体数据及更高维对象。其基本思想仍是尺度分解，只是在空间方向和基函数构造上更为复杂。
8.4.1 张量积构造
张量积构造是从一维基函数系统扩展到多维系统的常见方法。它通过在各个维度上组合一维函数，形成多维尺度函数与小波函数。该方法实现相对直接，应用广泛。
8.4.2 高维推广
高维推广面临维数增加带来的计算复杂度问题，但也为体数据分析和多变量建模提供了工具。合理设计高维基函数与分解策略，是该方向的重要课题。
9 历史与代表人物
9.1 理论起源
多分辨率分析的思想来源于早期的函数逼近、信号分解和多尺度建模研究。它并非凭空出现，而是在多个数学与工程方向逐步汇合后形成的系统理论。其成熟发展与小波分析的兴盛密切相关。
9.2 经典工作
多分辨率分析在20世纪末逐渐形成清晰的理论框架，相关经典工作奠定了尺度空间、小波基与滤波器组之间的联系。这些成果将抽象数学结构与可执行算法结合起来，推动了后续广泛应用。相关文献也为现代信号处理提供了标准模型。
9.3 重要贡献者
多分辨率分析的完善，离不开多位数学家与工程研究者的共同推动。不同学者分别在尺度空间构造、正交小波、双正交系统和应用算法等方面作出贡献。由于该领域横跨纯数学与应用科学，贡献者来源较为多元。
9.4 现代发展方向
当代多分辨率分析继续向更高维、更复杂结构和更强适应性的方向发展。研究重点包括非规则数据上的多尺度表示、与稀疏建模的结合，以及面向大规模计算的快速算法。随着数据类型不断丰富，这一理论仍保持活跃的发展态势。