1 基本概念
1.1 定义
子波是小波分析中的基本构件，通常指一类由同一母函数经过平移、伸缩后得到的函数族。它们在局部范围内具有明显的振荡或变化特征，可用于刻画信号或函数在不同位置、不同尺度上的细节。
从数学角度看，子波并不只是一种具体函数，而是一套具有统一生成规则的分析工具。通过改变位置与尺度，子波能够适配不同分辨率下的数据结构，因此在处理非平稳信号时尤为有效。
1.2 术语来源
“子波”一词对应英文中的 wavelet，意为“较小的波”。这一名称强调了它相较于传统正弦波更短、更局部化的特征。与“母波”相比，子波是由基础模板派生出的具体实例，因而在表达上带有“从属”和“派生”的含义。
在中文语境中，“小波”常被用作 wavelet 的通行译名，而“子波”则更强调其由母函数生成的关系。二者在许多场合可视为同义，但在描述生成机制时，“子波”更具结构性。
1.3 核心特征
1.3.1 局部性
子波最显著的特征之一是局部性，即它主要集中在有限区域内发挥作用。与傅里叶基函数那种遍布整个定义域的振荡不同，子波能够把信息限制在某个时间段或空间区域中，从而更容易定位突变、边缘和短时事件。
这种特性使子波特别适合分析局部异常，例如瞬时脉冲、边缘跳变以及短暂干扰。
1.3.2 多尺度性
子波分析通常同时考虑粗略和细致两个层面。通过调整尺度参数，可以从较大的观察窗口中提取整体趋势，也可以从较小的窗口中捕捉局部细节。尺度变化越大，观察越“粗”；尺度越小，分辨率越“细”。
多尺度性使得子波在描述层次结构时具有天然优势，尤其适合处理具有多层次纹理、分形特征或复杂结构的数据。
1.3.3 振荡性
大多数子波具有一定的正负交替结构，因此能够对信号变化进行敏感响应。这种振荡性不仅有助于分辨局部频率成分，也使其对边界、尖峰和转折点更为敏锐。
振荡并不意味着周期性很强，而是指其局部形状通常具有波动特征，能够在有限范围内表达变化方向和强度。
1.4 与母波的关系
母波是生成一族子波的基础函数。通过对母波进行平移、缩放、必要时再做归一化处理，可以得到一组具有不同位置和尺度的子波。母波相当于“模板”，而子波则是模板在不同参数下的具体呈现。
这种生成关系保证了子波族之间具有统一的结构，也为后续的展开、分解与重构提供了基础。不同母波会导出不同性质的子波系统，从而影响分析结果的分辨率、稳定性和计算复杂度。
2 数学基础
2.1 平移与伸缩
子波系统的核心机制是平移与伸缩。平移用于改变函数所在位置，使其能够扫描信号的不同区域；伸缩则用于改变观察尺度，从宏观到微观地分析数据。
在标准形式下，子波常写作某一母函数经过参数变换后的表达式。平移控制“在哪里看”，伸缩控制“看多细”，两者共同构成子波分析的基本操作。
2.1.1 连续尺度变换
连续尺度变换允许尺度参数在连续范围内变化，因此生成的子波族也处于连续参数空间中。连续子波变换通常用于理论分析，便于揭示信号在所有位置与尺度上的变化规律。
这种方式的优点是信息完整、表示细腻，缺点则是计算量较大，实际应用中往往需要离散化处理。
2.1.2 离散尺度变换
离散尺度变换把尺度和位置限制在离散取值上，通常采用幂次尺度与规则平移的组合。这样既能保留多尺度分析的主要信息，又能显著降低计算成本。
离散体系更适合数值实现，也更容易构造正交或双正交基，从而支持高效分解与重构。
2.2 小波函数的构造
子波的构造方式多种多样，不同构造目标往往对应不同的数学性质。常见目标包括正交性、紧支撑、平滑性以及快速算法友好性。
构造过程通常需要在局部性、频域特征和重构能力之间作平衡。某些子波强调精确表达，某些则强调计算效率，还有一些兼顾两者。
2.2.1 正交小波
正交小波系统中的基函数彼此正交，因而在展开时各分量之间干扰较小。正交性使系数具有清晰的几何意义，也简化了能量分解与重构公式。
这类小波常用于标准离散小波变换，是理论和应用中最常见的类型之一。
2.2.2 双正交小波
双正交小波使用两组相互配对的函数系统，一组用于分析，另一组用于重构。与严格正交系统相比，它在设计上更灵活，能够兼顾对称性、平滑性与紧支撑等需求。
由于分析基与重构基可以分别优化，双正交体系在图像处理和工程计算中具有较高实用价值。
2.2.3 紧支撑小波
紧支撑小波在有限区间外取值为零或极小，因此在计算上具有明显优势。它们能把局部信息压缩到较小范围内，减少边界影响，并提升处理稀疏数据时的效率。
紧支撑特性常与正交性、消失矩等性质结合考虑，是许多经典构造的重要目标。
2.3 完备性与正交性
2.3.1 基函数展开
如果一组子波构成完备系统，那么足够丰富的函数或信号都可以表示为它们的线性组合。基函数展开的核心思想是：把复杂对象拆分为若干尺度和位置上的简单成分，再通过系数加以描述。
这种表示方式有利于压缩信息，也方便后续的分析、筛选与重建。
2.3.2 重构条件
重构条件保证了从子波系数可以准确恢复原信号。对于正交系统，重构通常较为直接；对于双正交系统，则需满足相应的配对条件。若重构条件成立，则分解过程不会损失关键信息。
在实际应用中，重构的稳定性与数值误差控制同样重要，直接影响算法可靠性。
3 表示与分析方法
3.1 子波展开
子波展开是把信号表示为多个尺度、多个位置上的子波系数之和。与单一频率基不同，子波展开能够同时反映局部时间位置和频率变化，因此更适合处理结构复杂的对象。
展开后的系数通常可用于检测特征、评估能量分布或构造压缩表示。
3.1.1 连续子波变换
连续子波变换通过在连续尺度与连续平移参数下计算相关性，得到信号在各个位置和尺度上的响应。其结果通常形成一幅二维表示图，便于观察信号的局部结构。
这种变换在理论研究中很重要，尤其适合分析信号的多尺度行为和奇异点分布。
3.1.2 离散子波变换
离散子波变换将连续参数离散化后进行计算，是实际工程中最常用的方法之一。它不仅计算效率较高，而且便于构造快速算法。
离散变换得到的系数可用于分层分析，常见于去噪、压缩和特征提取等任务。
3.2 多分辨率分析
3.2.1 尺度空间
多分辨率分析把信号看作在不同分辨率层次上的一系列近似。尺度空间中的每一层都对应一种观察精度，层与层之间通过细化关系连接。
这种框架使得复杂信号可以从粗到细逐步展开，逻辑清晰且便于实现。
3.2.2 逼近与细节分量
在多分辨率分析中，低尺度部分通常对应信号的整体逼近，高尺度部分则描述局部细节。逼近分量提供主趋势，细节分量揭示变化、尖峰和局部结构。
二者结合后，可以较完整地重建原始数据，同时保留层次化解释能力。
3.3 时频分析特性
3.3.1 局部频率识别
子波方法能够在有限区域内识别频率变化，因此比全局频谱更适合观察非平稳信号。它可以区分某一频率成分出现于何处、持续多久以及强度如何变化。
这种局部频率识别能力是其广泛应用于自然信号分析的重要原因。
3.3.2 瞬态信号检测
瞬态信号往往持续时间短、变化快，传统全局分析容易把这类信息平均化。子波通过多尺度局部观察，能够较准确地捕捉脉冲、突变和短时干扰。
因此，它在故障检测、边缘定位和快速事件识别中表现突出。
4 构造与分类
4.1 常见子波类型
4.1.1 Haar子波
Haar子波是最简单的一类子波，具有分段常数形式，计算方便，结构直观。它是许多小波算法入门与理论说明中最常见的例子。
由于形状简单，Haar子波在处理边缘和粗粒度结构时效果明显，但平滑性较弱。
4.1.2 Daubechies子波
Daubechies子波是一类经典的紧支撑正交子波，以较高的消失矩和较好的压缩性能著称。它们在平滑性、支撑长度和计算效率之间取得了良好平衡。
这类子波在信号和图像处理领域应用广泛，属于最具代表性的实用小波族之一。
4.1.3 Morlet子波
Morlet子波通常带有明显的复振荡结构，适合研究频率分量与局部时变行为。它在连续子波分析中很常见，尤其适用于需要较好频率分辨率的场景。
由于其形状接近调制高斯波包，Morlet子波常被用于物理信号和时频图分析。
4.1.4 Symlet子波
Symlet子波可看作在对称性方面进行优化的一类 Daubechies 型子波。它们尽量减少波形的不对称，从而改善边界处理和视觉效果。
在图像重建与某些数值任务中，较好的对称性常意味着更平稳的表现。
4.2 连续与离散子波
连续子波强调参数的连续变化，更适合理论刻画；离散子波则更适合计算实现，通常用于构建基与算法。前者便于研究整体结构，后者便于实际操作。
二者并非对立，而是分别服务于不同层面的分析目标。
4.3 正交、半正交与双正交系统
正交系统具有简洁的内积结构，便于能量守恒和精确分解。半正交系统通常在某些子空间层面满足正交关系，灵活性介于正交与一般系统之间。
双正交系统则通过两套配对基函数实现分析与重构的分离设计，常在工程应用中表现出更强适应性。
4.4 实值与复值子波
实值子波主要用于幅值变化明显的普通信号分析，结构直观，计算实现简洁。复值子波则能同时携带幅度与相位信息，在时频分析中更有优势。
复值体系常用于需要描述方向性、相位差或调制特征的场景。
5 理论性质
5.1 支撑长度
支撑长度描述子波非零作用区域的大小。支撑越短，局部性通常越强，计算也更容易局限在有限范围内；但过短的支撑可能牺牲平滑性或频域分辨能力。
因此，支撑长度是构造子波时需要权衡的重要参数。
5.2 消失矩
消失矩反映子波对低阶多项式的正交程度。消失矩越高，子波越不容易对平滑背景产生响应，而更倾向于突出变化部分。
5.2.1 对平滑函数的逼近能力
较高消失矩的子波在逼近平滑函数时通常更有效，因为它能更快忽略低阶趋势，把主要信息集中在少量系数中。这样一来，表示更加稀疏，压缩效率也会提高。
这类性质在数值逼近和数据压缩中很有价值。
5.2.2 对突变信号的敏感性
突变信号包含非平滑点、跳跃和尖峰。子波凭借消失矩与局部结构，往往能在这些位置产生较明显的响应，从而便于定位异常点。
这也是其在边缘检测和故障诊断中表现突出的原因之一。
5.3 正则性
正则性描述子波函数的平滑程度。更高的正则性意味着波形更平滑，适合表达连续变化；较低的正则性则可能带来更强的局部辨识能力。
正则性与消失矩、支撑长度之间通常存在制约关系，因此需要根据应用场景进行选择。
5.4 稳定性与可逆性
稳定性保证输入的微小变化不会引起系数的大幅波动，可逆性则确保分析结果能够可靠恢复原对象。二者共同决定了子波方法在实际系统中的可信度。
良好的稳定结构使子波不仅在理论上成立，也能在数值计算中保持鲁棒性。
6 典型应用
6.1 信号处理
子波在信号处理中用途极广，尤其适合处理非平稳、含噪或包含突变的信号。通过多尺度分解，可以分别观察背景趋势与局部异常。
6.1.1 去噪
子波去噪通常通过将噪声对应的细小系数阈值化或抑制来实现。由于噪声往往分散在多个细节层中，而有效信号常在某些尺度上更集中，因此这种方法效果较好。
6.1.2 压缩
利用子波展开后系数稀疏的特点，可以只保留主要成分而舍弃较小系数，从而实现压缩。该方法在保持视觉或听觉质量的同时，能显著降低存储与传输成本。
6.1.3 特征提取
子波系数可以作为特征描述信号的局部形状、频率变化和异常点位置。它们常被用于分类、识别和模式分析等任务。
6.2 图像处理
子波在图像处理中尤为常见，因为图像本身具有明显的边缘、纹理和层次结构。多尺度表示能够较自然地对应这些视觉特征。
6.2.1 边缘检测
边缘往往对应亮度或颜色的突变，子波对这种变化十分敏感。通过分析细节系数，可以较准确地定位轮廓与边界。
6.2.2 图像分解
图像可被分解为低频的轮廓部分与高频的细节部分。前者描述整体形状，后者包含边缘、纹理和局部锐化信息。
这种分解便于后续的增强、压缩和复原处理。
6.2.3 纹理分析
纹理通常体现为重复或准重复的局部模式。子波能够从不同尺度提取这些模式的强弱与方向变化，因此常用于材料识别、场景理解和医学图像分析。
6.3 数值计算
6.3.1 偏微分方程求解
在偏微分方程数值求解中，子波可用于构造多分辨率近似，提升局部计算效率。它能够在变化剧烈的区域使用更高分辨率，而在平缓区域使用较粗分辨率。
这类方法有助于降低整体计算量，并改善复杂边界问题的处理效果。
6.3.2 自适应网格
子波分析可以为自适应网格提供误差指示。通过观察细节系数的大小，计算程序可判断哪些区域需要加密，哪些区域可以粗化。
这种机制使数值模拟更具针对性，也更节省资源。
6.4 物理与工程
6.4.1 震动分析
机械振动和结构响应通常包含多种频率成分与瞬态冲击。子波可帮助识别故障征兆、冲击事件及周期变化，适合用于状态监测与诊断。
6.4.2 光学与声学建模
在光学和声学中，信号常表现为传播、反射和局部调制的叠加。子波方法能够处理这些复杂变化，尤其适合描述波包、脉冲和局部能量分布。
因此，它常被用于建模、分析与数据重建。
7 相关理论
7.1 傅里叶分析
傅里叶分析强调全局频率分解，适合处理平稳或近似平稳信号。与之相比，子波更关注局部位置与局部尺度，能更好描述瞬态变化。
两者并非替代关系，而是分别适用于不同类型的问题。
7.2 频谱分析
频谱分析关注信号的频率组成及其强弱分布。子波方法可视为一种兼具时域和频域特征的扩展手段，在局部频谱观察上更有优势。
当需要同时了解“何时出现”和“出现了什么频率”时，子波往往更合适。
7.3 尺度空间理论
尺度空间理论研究对象在不同平滑尺度下的变化规律，与子波的多分辨率思想密切相关。二者都强调从粗到细的层次化观察方式。
不过，尺度空间更偏向图像平滑与层次结构，子波则更强调可逆分解与系数表示。
7.4 谱方法与函数逼近
谱方法常利用全局基函数对函数进行高精度逼近，适合光滑问题。子波则在局部逼近、稀疏表示和自适应处理方面更具优势。
在函数逼近中，子波常通过局部基与多尺度策略，取得较好的灵活性与稳定性。
8 发展历程
8.1 早期思想
子波思想可追溯到对局部波形和多尺度表示的早期探索。尽管当时尚未形成现代意义上的统一理论，但“用局部函数描述信号细节”的观念已经逐渐出现。
这些早期思想为后来的严格数学化奠定了基础。
8.2 现代小波理论的形成
现代小波理论在20世纪后期逐步成熟，建立了较完整的数学框架，包括连续变换、离散基构造、多分辨率分析等内容。随着理论体系完善，子波从抽象概念发展为可直接用于计算的工具。
这一阶段标志着子波分析从分散思想走向统一方法。
8.3 关键研究者与重要成果
子波理论的发展离不开多位研究者的贡献，他们在函数构造、正交基、算法设计和多分辨率框架方面提出了关键成果。相关研究推动了经典小波族、快速算法以及应用模型的建立。
这些成果共同构成了子波分析广泛应用的基础。
8.4 计算实现的发展
随着计算机性能提升，子波方法从理论推导逐渐进入工程实践。快速算法、阈值处理、分解重构程序以及多维扩展技术不断完善，使子波在图像压缩、信号处理和科学计算中更加普及。
今天，子波已成为数值工具箱中的标准组件之一。