1 基本概念
离散小波变换是一类面向离散信号的分析方法，核心作用是把数据拆分为不同尺度上的成分，以便观察局部变化、突变点和细节结构。它不同于只从整体频谱角度描述信号的传统方法，更强调“在什么位置出现了什么频率成分”。
1.1 小波变换概述
小波变换使用一组具有有限支撑或较强局部性的基函数，对信号进行展开。每个基函数都可以理解为某个“母小波”的平移和缩放版本。通过这些基函数的组合，原始数据可以被表示为不同尺度上的系数集合，从而获得多分辨率视角。
1.2 离散化思想
离散小波变换的“离散”主要体现在尺度参数和平移参数都取离散值。这样做的结果是，连续信号空间中的无穷多种可能被压缩为一套可计算、可存储的系数序列，便于在数字设备上直接处理。对离散采样数据而言，这种设计也更符合工程实现需求。
1.3 多分辨率分析
多分辨率分析是离散小波变换的理论核心之一。它将信号置于一系列逐级嵌套的子空间中，每一层都对应不同的观察粒度。低层次更多反映整体趋势，高层次则揭示细节变化。
1.3.1 尺度与平移
尺度决定观察的“粗细”程度：尺度较大时，小波更宽，适合描述缓慢变化；尺度较小时，小波更窄，适合捕捉快速波动。平移则用于改变小波在时间轴或空间轴上的位置，使其能够扫描信号不同区域。
1.3.2 近似与细节
在多分辨率框架中，信号通常被分成近似部分和细节部分。近似部分保留低频趋势，细节部分则记录局部起伏、边缘或异常。逐层分解后，便可以在不同层级上分别研究整体轮廓和局部特征。
1.4 与连续小波变换的区别
连续小波变换的尺度和位置参数通常连续取值，因此表达更细致，但计算与存储代价较高。离散小波变换则采用离散采样后的参数集合，因而更适合算法实现和信号压缩。二者在理论上有联系，但应用场景并不相同。
2 数学基础
离散小波变换建立在函数空间、正交展开和多尺度分解等数学思想之上。其形式虽然可由矩阵或滤波器组实现，但背后对应的是对信号空间进行基函数分解的过程。
2.1 小波函数与尺度函数
小波函数通常用于表示细节信息，尺度函数则用于表示低频近似。前者对局部变化敏感，后者负责构建信号的粗略轮廓。两者配合后，便可形成完整的分层表示体系。
2.2 正交小波与双正交小波
正交小波具有互相正交的基函数集合，便于实现无冗余表示和能量分析。双正交小波则使用一对分析与重构体系，在保持较好重构性能的同时，给予设计更大的自由度，常用于对称性要求较高的场合。
2.3 信号分解与重构
离散小波变换的基本任务包括分解与重构。分解是把原始信号映射为一组低频与高频系数，重构则是利用这些系数恢复原信号。理想情况下，二者应当互为逆过程。
2.3.1 分解公式
分解通常表示为信号与尺度函数、小波函数的内积。通过在不同尺度和位置上计算这些内积，可以得到近似系数与细节系数。它们共同构成原始数据在小波域中的表示。
2.3.2 重构公式
重构过程使用对应的基函数和系数序列，将各层近似与细节逐步合并，最终恢复出原始信号。若所用小波基满足适当条件，重构结果可以与原信号高度一致，误差仅来自数值计算或有限精度表示。
2.4 采样与下采样
在实际算法中，每完成一次滤波后，常配合下采样操作以减少数据量并形成下一层输入。下采样使系数数目逐层减半左右，反映了分辨率降低的过程。与此同时，它也带来了信息保留和别名控制方面的设计要求。
3 算法原理
离散小波变换在工程实现中通常依赖滤波器组结构。其思想是通过一对互补滤波器把信号分离为不同频段，再对结果进行逐层递归处理。
3.1 滤波器组实现
滤波器组实现是离散小波变换最常见的计算方式。输入信号先经过低通和高通滤波，再分别下采样，得到近似与细节分量。这样的结构可直接映射到数字信号处理系统中。
3.1.1 低通滤波
低通滤波器负责保留缓慢变化的部分，输出通常作为下一层分解的输入。它对应近似信息，能反映信号总体趋势、低频轮廓和大尺度结构。
3.1.2 高通滤波
高通滤波器用于提取快速变化的成分，如边缘、尖峰、突变以及噪声中的高频扰动。它输出的结果构成细节系数，常用于分析局部异常和纹理特征。
3.2 Mallat算法
Mallat算法是多层离散小波分解的经典递归方法。它以滤波器组为基础，每次从当前近似系数中继续分解，形成层层嵌套的分析树。由于结构清晰、计算高效，它被广泛应用于软件和硬件实现。
3.3 多层分解过程
多层分解是指对信号反复进行“低频保留、高频提取”的操作。随着层数增加，近似部分的分辨率越来越低，而细节部分则逐层对应不同频带。这样既能看到粗粒度结构，也能定位局部特征所在尺度。
3.4 边界处理方法
有限长度信号在端点处难免出现处理问题，因此需要边界延拓或截断策略。常见方法包括零填充、对称延拓和周期延拓等。不同处理方式会影响边缘附近的系数分布，也会影响重构误差和稳定性。
4 常见小波基
小波基的选择会显著影响变换结果、计算效率和特征表现。不同的小波基在支撑长度、对称性、正交性和光滑性方面各有侧重。
4.1 Haar小波
Haar小波是最简单的小波基，形式直观，计算量小。它适合表示阶跃变化和突变边界，但平滑性较弱，因此在需要精细频域刻画的任务中往往不如更高阶小波。
4.2 Daubechies小波
Daubechies小波具有较好的压缩能力和正交性质，支撑长度有限，适合构建紧凑表示。它在图像和信号处理中应用广泛，尤其适合需要兼顾紧致性与重构质量的场景。
4.3 Symlet小波
Symlet小波可视为对Daubechies小波对称性的改进版本，具有更接近对称的形状。较好的对称性有助于减轻边界效应，因此在图像处理和细节提取中较受欢迎。
4.4 Coiflet小波
Coiflet小波通常兼顾尺度函数和小波函数的消失矩要求，适合多种分析任务。由于其在近似与细节之间有较平衡的表现，常被用于精细特征分析和较高精度重构。
4.5 Morlet相关离散化形式
Morlet小波本身常见于连续形式分析，但也存在面向离散处理的近似或采样版本。此类形式通常保留了较强的频率局部化特征，适合进行振荡信号分析和时频结构观察。
5 变换性质
离散小波变换具有一系列有助于分析与应用的数学性质，这些性质决定了它在压缩、去噪和特征提取中的表现。
5.1 能量守恒
在正交条件下，信号在原空间与小波域中的能量可以保持一致或近似一致。也就是说，系数的平方和能够反映原信号的总能量，这使得小波域分析具有明确的物理意义。
5.2 正交性与完备性
正交性意味着不同基函数之间相互独立，不会产生冗余干扰。完备性则保证这些基函数能够覆盖整个信号空间，从而使任意信号都可以展开并恢复。这两点共同保障了变换的可逆性。
5.3 时频局部化
小波变换在时间和频率两方面都具有较强局部性。相比只看整体频谱的方法，它更容易指出“某个频率成分在何处出现”。这一特点特别适合处理非平稳信号。
5.4 平移敏感性
离散小波变换对信号的微小平移可能较为敏感，尤其在边缘和突变位置上，系数分布会出现明显变化。这种性质一方面有助于发现位置变化，另一方面也会在某些应用中带来不稳定性。
5.5 频率分辨率与尺度关系
尺度越大，所对应的频率通常越低，频率分辨率也更偏向粗略范围；尺度越小，则更关注高频变化和局部细节。由此形成的尺度—频率对应关系，是小波分析解释结果的重要依据。
6 典型应用
离散小波变换在多个技术领域都具有实用价值，尤其适合需要同时处理局部结构和多尺度信息的任务。
6.1 信号去噪
在去噪中，小波系数常用于区分有效信号和噪声。噪声通常分布在较小尺度的高频细节中，因此可通过阈值处理削弱其影响，再进行重构以获得更平滑的结果。
6.2 图像压缩
图像压缩常利用小波变换将大部分能量集中到少量重要系数上，再对不重要的系数进行舍弃或量化。这样可以在较少失真的前提下显著降低数据量，是图像编码中的经典思路之一。
6.3 特征提取
离散小波变换能够提取边缘、纹理、突变和周期变化等特征，因此常被用作机器学习和模式识别中的前处理步骤。通过选择不同尺度的系数，可以构造具有判别力的特征向量。
6.4 故障诊断
在机械与电气设备检测中，异常往往表现为短时冲击或局部频率变化。小波分析能够较早识别这些异常迹象，因此常用于轴承、齿轮和电力设备的状态监测。
6.5 医学信号分析
心电、脑电、肌电等医学信号通常包含多层次结构和瞬态成分，小波变换适合用于提取节律变化、异常波形和事件相关特征。它在辅助分析和自动识别中具有较高实用性。
6.6 语音处理
语音信号兼具时变性和频率结构，小波变换可用于语音去噪、端点检测、说话人特征提取等任务。相比单纯的频谱分析，它更善于刻画语音中的短时变化。
7 扩展方法
在基础离散小波变换之外，还发展出多种扩展形式，以适应更复杂的数据结构和更高的应用需求。
7.1 小波包变换
小波包变换进一步细分高频与低频分量，使分解树更加完整。与标准小波分解相比，它能提供更细致的频带划分，适用于频率结构较复杂的信号。
7.2 平稳小波变换
平稳小波变换不再进行传统下采样，因此保持各层系数长度一致。它对平移更稳健，常用于需要增强位移不变性的场景，不过计算与存储开销也更高。
7.3 多小波变换
多小波变换使用多个尺度函数和小波函数共同构成分析体系。它可以同时兼顾对称性、正交性和高阶消失矩等特性，在某些应用中优于单一小波。
7.4 复小波变换
复小波变换引入复数形式，以增强对相位、方向和振荡特征的描述能力。它在二维图像分析、纹理识别以及振荡信号检测中具有一定优势。
7.5 自适应小波方法
自适应小波方法会根据数据特征选择或调整小波基、分解层数及阈值策略。此类方法并不固定使用单一模板，而是尝试让变换结构更贴合具体信号，从而提升分析效果。
8 评价与比较
离散小波变换在现代信号处理中的地位，离不开它与其他经典分析方法之间的比较。
8.1 与傅里叶变换的比较
傅里叶变换擅长描述全局频谱，但对局部突变和非平稳变化的定位能力有限。离散小波变换则在局部分析方面更有优势，尤其适合瞬态信号和多尺度结构明显的数据。不过，傅里叶方法在稳态周期分析中仍然简洁而高效。
8.2 与短时傅里叶变换的比较
短时傅里叶变换通过滑动窗口实现局部频谱分析，思路上接近小波方法，但其时间与频率分辨率受固定窗长限制。小波变换采用可变尺度，能够在高频处获得更细时间分辨率，在低频处获得更细频率分辨率，因此更具自适应性。
8.3 与经验模态分解的比较
经验模态分解是一种数据驱动的自适应分解方法，不依赖预设基函数。相比之下，离散小波变换具有更明确的数学结构和更成熟的逆变换机制。前者灵活，后者稳定，两者适用于不同类型的数据分析任务。
8.4 优点与局限性
离散小波变换的优点包括多分辨率分析能力强、计算效率较高、适合去噪和压缩、对局部特征敏感。局限性则体现在对基函数选择较为敏感、存在平移敏感问题、复杂信号的解释有时不够直观。实际应用中通常需要结合任务目标进行参数选择。
9 计算实现
离散小波变换既可以从数学公式出发实现，也可以直接基于滤波器组和递归结构完成。不同平台上的实现细节略有差异，但总体流程较为统一。
9.1 软件工具与库
在工程实践中，离散小波变换常借助通用数值计算环境或专门信号处理库实现。这些工具通常提供常见小波基、分解层数设置、边界延拓方式以及重构接口，便于快速实验和部署。
9.2 离散实现流程
典型流程包括：选择小波基、设置分解层数、对输入数据进行滤波、执行下采样、获得多层系数、按需要进行阈值处理或系数筛选，最后使用重构步骤恢复信号。若用于图像，还常需分别对行和列执行二维分解。
9.3 复杂度分析
离散小波变换通常具有较低的计算复杂度，常见实现可达到与信号长度近似线性相关的开销。相比一些全局变换方法，它在处理大规模数据时更具效率，因此适合实时或近实时应用。
9.4 数值稳定性与精度问题
实际计算中，浮点舍入误差、边界处理方式和滤波器长度都会影响结果精度。若分解层数过深，细微误差可能逐层累积。为保证稳定性，通常需要合理选择小波基、采用合适的数据类型，并对重构误差进行验证。