1 定义与基本概念
1.1 尺度函数的定义
尺度函数是小波分析中的基础函数之一，通常记作 \(\phi(x)\)。它用于在不同分辨率下表示函数的低频或近似部分，是构造多分辨率分析的重要元素。直观上看，尺度函数描述了“先看整体、后看细节”的分解思路，即先用较粗的尺度对信号进行近似，再逐步引入更细的变化。
在实际应用中，尺度函数往往不是孤立使用，而是与平移、缩放后的同类函数一起组成函数系统，从而形成一组可以描述信号不同层次特征的基或框架。
1.2 多分辨率分析中的作用
尺度函数在多分辨率分析中承担构建近似空间的任务。通过它可以建立一系列由粗到细的嵌套空间，使信号能够在不同精度下被表示和恢复。这种层次结构是小波变换得以有效工作的核心。
1.2.1 近似空间与嵌套关系
多分辨率分析通常包含一列嵌套的近似空间，记作 \(V_j\)。随着指标变化，空间分辨率逐步提高，表示能力也相应增强。尺度函数在某一层级上的平移族，往往构成该层近似空间的生成系统，用来表征信号的低频轮廓。
这种嵌套关系使得同一对象可以在不同精细程度下被观察，既便于理论分析，也便于计算实现。
1.2.2 归一化与平移性质
尺度函数在缩放时通常带有特定的归一化因子，以保持能量或范数意义下的合理性。平移则用于在同一尺度下覆盖不同位置，使函数系统能够对整个定义域进行局部描述。
这类性质保证了尺度函数不仅能反映“尺度变化”，也能体现“位置变化”，从而适合处理局部结构明显的信号与图像。
1.3 与小波函数的关系
尺度函数与小波函数相互配合，共同构成多分辨率分析的基本框架。前者负责近似，后者负责细节，两者分工明确。
1.3.1 父函数与母小波
在一些表述中，尺度函数可视为“父函数”，小波函数则被称为“母小波”。父函数生成低频近似空间，而母小波生成相应层级之间的差异空间。两者结合后，可以实现对原始信号的分层拆解。
这种关系类似于先确定整体结构，再补充局部纹理，使重构过程既完整又高效。
1.3.2 尺度方程
尺度函数通常满足一个二尺度关系，称为尺度方程或两尺度方程。它表明一个较粗尺度的函数可以由若干个更细尺度下的平移版本线性组合得到。该方程是尺度函数构造、滤波器设计以及递归算法建立的理论基础。
2 数学性质
2.1 正交性与双正交性
尺度函数族在函数空间中是否具有正交结构，直接影响表示的简洁性与数值实现的稳定性。正交与双正交是两类常见性质。
2.1.1 正交尺度函数
正交尺度函数生成的平移族彼此满足正交关系，这意味着不同基函数之间的信息重叠较少，展开系数通常具有较清晰的物理或几何意义。正交结构有利于能量守恒和快速计算，因此在经典小波系统中应用广泛。
2.1.2 双正交尺度函数
双正交系统中，分析函数与重构函数不必相同，但需要满足相应的对偶关系。该类尺度函数在设计上更加灵活，能够在平滑性、支撑长度和数值稳定性之间取得较好的平衡，因此常见于工程实现和图像处理。
2.2 紧支撑性
紧支撑性指尺度函数在有限区间外取零或迅速衰减到零。具有紧支撑的尺度函数在局部分析中更具优势，因为它们只影响有限范围内的数据，便于处理边界、局部异常和非平稳特征。
从计算角度看，紧支撑还能减少运算量，提高算法效率，因此常被视为重要的设计指标。
2.3 平滑性与正则性
平滑性描述函数的连续程度，正则性则更综合地反映其局部行为、可微性及近似性能。不同尺度函数在这些方面差异较大，直接影响逼近质量与视觉效果。
2.3.1 导数存在性
有些尺度函数只具有有限次连续性，而有些则可拥有较高阶导数。导数存在性的强弱，决定了它们适合描述的信号类型：阶跃型或突变型信号通常适合较“粗糙”的尺度函数，而对光滑曲线和细腻纹理的建模，则更偏好高正则性的类型。
2.3.2 逼近阶数
逼近阶数衡量尺度函数对多项式或光滑函数的近似能力。逼近阶数越高，通常意味着在同样分辨率下能够获得更好的重建效果。该性质与滤波器结构、小波消失矩以及尺度函数平滑程度密切相关。
2.4 完备性与稳定性
完备性要求尺度函数系统能够充分覆盖目标函数空间，使信号可以由其展开并重构。稳定性则关注展开系数对扰动的敏感程度。稳定的系统在噪声环境下更可靠，也更适合数值计算。
二者共同决定了尺度函数在理论表达和实际应用中的可用性。
3 构造方法
3.1 由滤波器组构造
许多尺度函数并非直接给出解析表达式，而是通过滤波器组间接构造。此时，低通滤波器提供近似信息，重构滤波器则保证分解后能够正确恢复原信号。
3.1.1 低通滤波器
低通滤波器用于保留信号的低频成分，抑制高频噪声或细节。它与尺度函数之间存在紧密对应关系：滤波器系数常可视为尺度方程中的离散权重，决定了尺度函数的形状和性质。
3.1.2 重构滤波器
重构滤波器用于把分解后的近似与细节信息重新合成为原始信号。对于双正交系统，分析与重构滤波器往往成对设计，以满足完美重构条件。
3.2 迭代平方法
迭代平方法是一种通过不断应用尺度方程逼近尺度函数的方法。其思想是从初始函数出发，在函数空间中反复迭代，逐步逼近目标尺度函数。该方法适合理论分析，也便于数值实验中观察收敛过程。
3.3 频域构造
频域构造从傅里叶域入手，通过设定频率响应和滤波条件来定义尺度函数。此法能够更直接地控制通带、阻带及平滑过渡特性，因此在信号处理理论中具有清晰的解释。
3.4 基于样条函数的构造
样条函数因其局部性强、表达平滑而常被用于构造尺度函数。它们在数值近似和工程建模中尤为常见。
3.4.1 B样条尺度函数
B样条尺度函数具有良好的局部支撑和较高的平滑性，常用于近似理论、曲线拟合和图形处理。其结构规则，便于递推计算和实现。
3.4.2 分段多项式构造
分段多项式型尺度函数通过在不同区间上使用多项式表达，并在连接点处满足一定连续条件，从而形成可控的函数族。这类构造方式便于调节平滑度和支撑长度。
4 类型与典型实例
4.1 Haar尺度函数
Haar尺度函数是最简单的尺度函数之一，通常对应分段常数形式。它的优点是结构极其直观、计算迅速，适合快速入门和基础分解，但平滑性较弱，表达细腻变化的能力有限。
4.2 Daubechies尺度函数
Daubechies尺度函数是一类具有紧支撑和较高消失矩的重要尺度函数族。它们在正交小波理论和工程应用中占据核心位置，常用于需要兼顾压缩效率与近似性能的场景。
4.2.1 最小支撑长度
在给定消失矩或正则性要求下，Daubechies类函数通常追求尽可能短的支撑长度。较短支撑意味着更强的局部性和更低的计算复杂度，因此是设计中的关键指标。
4.2.2 消失矩与阶数
消失矩越多，函数对低阶多项式的响应越弱，越有利于表示细节和突变。Daubechies尺度函数的阶数与其滤波器长度、平滑程度及逼近能力密切相关，阶数提高通常伴随更复杂的结构。
4.3 Symlet尺度函数
Symlet尺度函数可视为对Daubechies系统的一种改进，强调更好的对称性或近似对称性。它在保持较好支撑性质的同时，往往更适合需要边缘与结构兼顾的图像处理任务。
4.4 Coiflet尺度函数
Coiflet尺度函数在设计上常强调尺度函数和小波函数都具备一定阶数的消失矩。其特点是近似能力较强，常用于对光滑函数的数值分析和多层级信号表示。
4.5 双正交尺度函数族
双正交尺度函数族由一对互为对偶的尺度函数系统组成，既可保持较好的重构性质，又能在设计上获得较大的灵活性。该类函数在压缩编码、去噪和某些数值格式中应用广泛。
5 应用领域
5.1 信号处理
在信号处理中，尺度函数主要用于提取低频结构、构建多层近似以及配合小波完成完整分解。它能帮助区分趋势项与瞬时变化。
5.1.1 去噪与压缩
利用尺度函数可将信号分解为近似与细节成分，再通过阈值处理或系数筛选降低噪声影响。对于压缩任务，保留主要近似系数往往能在较小失真的情况下显著减少数据量。
5.1.2 特征提取
尺度函数对应的低频表示常能反映信号的整体形态、基线和缓慢变化趋势，这些信息可作为后续识别、分类或检测的特征来源。
5.2 图像处理
图像可视作二维信号，因此尺度函数在图像分析中同样重要。它们有助于描述图像的亮度分布、结构轮廓和层次纹理。
5.2.1 边缘检测
虽然边缘本身通常由细节分量更直接反映，但尺度函数提供的近似层有助于稳定背景、抑制噪声，从而使边缘检测更加可靠。
5.2.2 多尺度分解
图像多尺度分解可将图像拆成不同分辨率的层次，便于分别处理大结构与细节部分。这种方法常用于压缩、增强、配准和分析。
5.3 数值分析
尺度函数在数值分析中常作为基函数，用来进行函数逼近、插值和方程离散化。由于其局部性和层次性，适合处理复杂区域上的近似问题。
5.3.1 函数逼近
借助尺度函数，可以把复杂函数投影到有限维近似空间中，再通过提高尺度逐步改善精度。这种做法在理论上清晰，在数值上也较易控制误差。
5.3.2 方程数值求解
在微分方程、积分方程等问题中，尺度函数可用于构造离散基底，使连续问题转化为代数问题。其局部支撑特性往往有助于形成稀疏矩阵，提升求解效率。
5.4 数据分析与模式识别
尺度函数不仅用于传统信号，也可用于一般数据的层次表示。它能帮助提取粗粒度结构，为模式识别提供多尺度视角。
5.4.1 多尺度特征表示
在特征工程中，不同尺度下的统计量、能量分布或局部模式都可作为描述数据的重要信息。尺度函数提供了稳定的基础表示框架。
5.4.2 统计建模
多尺度表示常用于建立更灵活的统计模型，例如对非平稳序列进行分层拟合，或对不同频段的波动分别建模，从而提高解释力。
6 计算与实现
6.1 离散小波变换中的使用
在离散小波变换中，尺度函数用于生成近似系数。经过采样和滤波后，信号会被逐层分解为低频近似与高频细节，尺度函数所在的分支承担“粗化”信息的传递。
6.2 快速算法
尺度函数相关计算通常依赖快速算法，以减少重复运算并提高效率。通过递推和滤波结构，可以实现多层分解与重构。
6.2.1 金字塔算法
金字塔算法是一种经典的多分辨率计算方式。它按照从粗到细或从细到粗的顺序逐层处理数据，形成层次化表示，适合图像与多尺度信号的快速分解。
6.2.2 滤波器递归实现
滤波器递归实现利用尺度方程和滤波关系，对同一组系数进行逐级计算。该方法逻辑清晰，便于程序化实现，也是许多小波库的基础思路。
6.3 边界处理
在有限长度数据中，尺度函数的卷积和变换常会遇到边界问题。合理的边界处理可减少伪影和误差，提升重构质量。
6.3.1 周期延拓
周期延拓将数据首尾连接，视为循环结构。该方法实现简单，适合周期性较强的场景，但在一般数据上可能引入不自然的边界连接。
6.3.2 镜像延拓
镜像延拓通过边界反射方式扩展数据，能在一定程度上减弱边缘突变造成的影响。它常用于图像和非周期信号处理，效果较为平滑。
7 相关概念
7.1 小波基
小波基是由小波函数及其缩放平移族构成的基系统，与尺度函数共同完成信号的全频段表示。
7.2 近似空间
近似空间是多分辨率分析中的低频表示子空间，由尺度函数的平移族生成，用于描述信号的整体结构。
7.3 标度空间
标度空间是按尺度逐层组织的函数空间体系，强调不同分辨率下的表示与演化关系。
7.4 多尺度建模
多尺度建模是指在不同层次上同时描述对象特征的方法，常借助尺度函数建立从整体到局部的层级结构。