Översikt

En wavelet är en matematisk funktion som används för att representera eller analysera signaler och funktioner på flera skalor. Till skillnad från sinus- och kosinusfunktioner i klassisk fourieranalys har wavelets lokaliserad tid- och frekvensinformation, vilket gör dem särskilt användbara för signaler med övergående eller lokala fenomen. Genom en wavelettransform kan en given signal brytas ned i komponenter som visar både var i tiden (eller rummet) och i vilken skala vissa egenskaper förekommer. Illustrationer och visualiseringar av waveletens form och dess skalningar kan ses här: {\displaystyle \psi \in L^{2}(\mathbb {R} )}

Egenskaper och grundläggande definition

Matematiskt betraktas en wavelet ofta som en kvadratintegrerbar funktion ψ ∈ L²(ℝ) med begränsad energi. För praktiska tillämpningar krävs även vissa villkor som gör transformen inverterbar. Ett centralt krav är så kallat admissibility-villkor som, i frekvensdomänen, innebär ett visst integrabilitetsvillkor över frekvenser. Denna egenskap leder i sin tur till att waveleten måste ha nollmedelvärde (d.v.s. integral över hela tidsaxeln är noll), vilket gör att konstantinformation inte representeras i waveletkomponenter utan tas om hand av en separat skalfunktion. En schematisk bild av en wavelets Fouriertransform och dess egenskaper visas här: {\displaystyle \int _{-\infty }^{\infty }|\psi (t)|^{2}dt<\infty } {\displaystyle \int _{0}^{\infty }{{|{\hat {\psi }}(\omega )|^{2}} \over {\omega }}d\omega <\infty }

Moderwavelet, skalning och translation

Utgångspunkten är en så kallad moderwavelet ψ(t). Genom två parametrar, skalfaktorn a > 0 och translationsparametern b ∈ ℝ, får man familjen av wavelets ψ_{a,b}(t) = (1/√a) ψ((t - b)/a). Här beskriver a dilatation (komprimering eller utsträckning) och b en förskjutning i tid eller rum. Normaliseringsfaktorn 1/√a säkerställer att energin bevaras över skalorna. En visualisering av moderwaveletten och några skalade/översatta versioner kan placeras här: {\displaystyle {\hat {\psi }}} {\displaystyle \psi \,} {\displaystyle \int _{-\infty }^{\infty }\psi (t)dt=0}

Historik och begreppets uppkomst

Begreppet wavelet härrör från franskan ondelette, som betyder "liten våg", och introducerades i modern form under 1980-talet av bland andra Jean Morlet och Alexandre Grossmann. Tidiga tillämpningar uppstod inom geofysik och signalanalys där man behövde verktyg som klarade korta pulser och samtidiga skalor bättre än traditionell fourieranalys. Senare utvecklades både kontinuerliga och diskreta varianter av wavelettransformen samt en rad konkreta waveletfamiljer såsom Haar, Daubechies, Meyer och Morlet, som skiljer sig i regler av jämnhet, symmetri och kompakt stöd. En historisk illustration och jämförelser mellan vanliga wavelettyper: {\displaystyle \psi \,} {\displaystyle \psi _{a,b}(t)={\frac {1}{\sqrt {a}}}\psi \left({{t-b} \over {a}}\right)}

Tillämpningar och exempel

Wavelets används brett: inom signal- och bildbehandling för brusreduktion, komprimering och kantdetektion; inom numerisk analys för adaptiva metoder och multi-resolution-approximationer; samt inom fysik och statistik för att upptäcka skalberoende strukturer i data. I bildkomprimering, till exempel i vissa moderna format, utnyttjas wavelets för att representera både mjuka och plötsliga förändringar effektivt. Praktiska arbetsflöden kombinerar ofta diskreta wavelettransformer med tröskelmetoder för att avlägsna brus utan att eliminera viktiga detaljer. Ett exempel på en waveletbaserad analys i tidsserier: {\displaystyle a=1} {\displaystyle b=0}

Särskiljande fakta och vidare resurser

Viktiga skillnader att notera är mellan kontinuerlig wavelettransform (CWT), som ger en fin skala av analys och ofta används för tolkning och visualisering, och diskret wavelettransform (DWT), som är effektiv för beräkningar och används i praktiska tillämpningar. Valet av moderwavelet påverkar upplösning i tid och frekvens och bör anpassas efter signalens egenskaper. För vidare läsning och tekniska detaljer om formella villkor, inverterbarhet och implementationer finns introduktioner och läroböcker samt mjukvarupraktiska guider, se exempelvis följande resurser: introduktion, matematisk bakgrund, tillämpningar, historik, waveletfamiljer, tekniska villkor och implementationsguider. Ytterligare illustrationer och exempel finns här: {\displaystyle b} a

  • Nyckelbegrepp: lokalisering, skalning, translation, nollmedelvärde.
  • Vanliga familjer: Haar, Daubechies, Symlet, Coiflet, Morlet.
  • Tillämpningar: brusreduktion, komprimering, kantdetektion, tidsfrekvensanalys.