Haar-Wavelet - de.LinkFang.org

Haar-Wavelet




Das Haar-Wavelet ist das erste in der Literatur bekannt gewordene Wavelet und wurde 1909 von Alfréd Haar eingeführt.[1] Es ist außerdem das einfachste bekannte Wavelet und kann aus der Kombination zweier Rechteckfunktionen gebildet werden.

Vorteilhaft am Haar-Wavelet ist die einfache Implementierbarkeit der zugehörigen Wavelet-Transformation als schnelle Wavelet-Transformation (FWT). Der Nachteil des Haar-Wavelets ist, dass es unstetig und daher auch nicht differenzierbar ist.

Inhaltsverzeichnis

Die Funktionen der Haar-Wavelet-Basis


Skalierungsfunktion

Die Skalierungsfunktion bzw. „Vater-Wavelet“-Funktion der Haar-Wavelet-Basis ist die Indikatorfunktion des Intervalls \({\displaystyle [0,1)}\).

\({\displaystyle \phi (x)=\chi _{[0,1)}(x)={\begin{cases}1&0\leq x<1\\0&{\mbox{sonst}}\end{cases}}}\)

Sie erfüllt die Funktionalgleichung

\({\displaystyle \phi (x)=\phi (2x)+\phi (2x-1)={\sqrt {2}}\left(a_{0}\phi (2x)+a_{1}\phi (2x-1)\right)}\) mit \({\displaystyle a_{0}=a_{1}={\frac {1}{\sqrt {2}}}}\).

Waveletfunktion

Die Waveletfunktion ist die „zusammengeschobene“ Differenz zweier aufeinanderfolgender Skalierungsfunktionen:

\({\displaystyle \psi (x)=\phi (2x)-\phi (2x-1)={\sqrt {2}}\left(b_{0}\phi (2x)+b_{1}\phi (2x-1)\right)={\begin{cases}1&0\leq x<1/2\\-1&1/2\leq x<1\\0&{\mbox{sonst}}\end{cases}}}\),

wobei \({\displaystyle (b_{0},b_{1})=({\tfrac {1}{\sqrt {2}}},-{\tfrac {1}{\sqrt {2}}})}\).

Die Schreibweise mit Vorfaktor sorgt dafür, dass die Matrix

\({\displaystyle H={\begin{pmatrix}a_{0}&a_{1}\\b_{0}&b_{1}\end{pmatrix}}={\frac {1}{\sqrt {2}}}\,{\begin{pmatrix}1&1\\1&-1\end{pmatrix}}}\)

eine orthogonale Matrix ist. Dies ist Teil der Bedingungen, die orthogonale Wavelets erfordern.

Multiskalenanalyse

Diese Funktion erzeugt die Multiskalenanalyse der Stufenfunktionen. In dieser wird jeder Funktion \({\displaystyle f\in L^{2}(\mathbb {R} )}\) mit „endlicher Energie“ auf jeder Skala \({\displaystyle J\in \mathbb {Z} }\) die folgende Projektion zugewiesen:

\({\displaystyle f\mapsto P_{J}(f)}\) mit \({\displaystyle P_{J}(f)(x)=\sum _{n\in \mathbb {Z} }\left(\int _{0}^{1}f\left(2^{-J}(n+t)\right)\,\mathrm {d} t\right)\cdot \phi (2^{J}x-n)}\).

Die Differenz zwischen zwei Skalen lässt sich dann durch das „Mutter-Wavelet“ bzw. die eigentliche Waveletfunktion ausdrücken:

\({\displaystyle P_{J+1}(f)(x)-P_{J}(f)(x)=\sum _{n\in \mathbb {Z} }\left(\int _{0}^{1}f\left(2^{-J-1}(2n+t)\right)\,\mathrm {d} t-\int _{0}^{1}f\left(2^{-J-1}(2n+1+t)\right)\,\mathrm {d} t\right)\cdot \psi (2^{J}x-n)}\).

Mit \({\displaystyle \phi _{j,k}(x)={{\sqrt {2}}\,}^{j}\phi ({2\,}^{j}x-k)}\) und \({\displaystyle \psi _{j,k}(x)={{\sqrt {2}}\,}^{j}\psi ({2\,}^{j}x-k)}\) als Funktionen im Hilbertraum \({\displaystyle L^{2}(\mathbb {R} )}\) gilt

Schnelle Haar-Wavelet-Transformation


Gegeben sei ein diskretes Signal f, welches durch eine endliche oder quadratsummierbare Folge

\({\displaystyle f=(\dots ,f_{-2},f_{-1},f_{0},f_{1},f_{2},f_{3},\dots )}\)

dargestellt ist. Ihm ist als kontinuierliches Signal die Treppenfunktion

\({\displaystyle F(x)=\dots +f_{-1}\phi _{0,-1}(x)+f_{0}\phi _{0,0}(x)+f_{1}\phi _{0,1}(x)+f_{2}\phi _{0,2}(x)+\dots }\)

zugeordnet.

Vorwärtstransformation

Aus dem diskreten Signal wird durch paarweises „Senkrechtstellen“ ein vektorwertiges Signal, die sogenannte Polyphasenzerlegung, erzeugt:

\({\displaystyle f_{p}=\left(\dots ,\left({f_{-2} \atop f_{-1}}\right),\left({f_{0} \atop f_{1}}\right),\left({f_{2} \atop f_{3}}\right),\dots \right)}\).

Dieser wird nun gliedweise mit der Haar-Transformationsmatrix \({\displaystyle H:={\frac {1}{\sqrt {2}}}{\begin{pmatrix}1&1\\1&-1\end{pmatrix}}}\) multipliziert

\({\displaystyle \left({s \atop d}\right)=:Hf_{p}=\left(\dots ,\left({s_{-1} \atop d_{-1}}\right),\left({s_{0} \atop d_{0}}\right),\left({s_{1} \atop d_{1}}\right),\dots \right)}\),

dabei ist \({\displaystyle s_{k}={\frac {f_{2k+1}+f_{2k}}{\sqrt {2}}}}\) und \({\displaystyle d_{k}={\frac {f_{2k+1}-f_{2k}}{\sqrt {2}}}}\).

Rücktransformation

Wir erhalten ein Mittelwertsignal \({\displaystyle s}\) und ein Differenzsignal \({\displaystyle d}\), aus denen durch einfache Umkehr der vorgenommenen Schritte das Ausgangssignal zurückgewonnen werden kann:

\({\displaystyle f_{2k}={\frac {s_{k}-d_{k}}{\sqrt {2}}}}\) und \({\displaystyle f_{2k+1}={\frac {s_{k}+d_{k}}{\sqrt {2}}}}\)

Ist die Schwankung von Glied zu Glied im Ausgangssignal durch ein kleines \({\displaystyle \epsilon >0}\) beschränkt, so ist die Schwankung in \({\displaystyle s}\) durch \({\displaystyle {\sqrt {2}}\epsilon }\) beschränkt, also immer noch klein, die Größe der Glieder in \({\displaystyle d}\) jedoch durch \({\displaystyle \epsilon /{\sqrt {2}}}\). Ein glattes Signal wird also in ein immer noch glattes Signal halber Abtastfrequenz und in ein kleines Differenzsignal zerlegt. Dies ist der Ausgangspunkt für die Wavelet-Kompression.

Rekursive Filterbank

Wir können den Vorgang wiederholen, indem wir s zum Ausgangssignal erklären und mit obigem Vorgehen zerlegen, wir erhalten eine Folge von Zerlegungen \({\displaystyle s^{0}:=f,\;(s^{1},d^{1}),\;(s^{2},d^{2},d^{1}),\;\dots ,(s^{T},d^{T},\dots ,d^{2},d^{1})}\), \({\displaystyle s^{k}}\) hat ein \({\displaystyle 2^{k}}\)-tel der ursprünglichen Abtastfrequenz und eine durch \({\displaystyle 2^{k/2}\epsilon }\) beschränkte Schwankung, \({\displaystyle d^{k}}\) hat ebenfalls ein \({\displaystyle 2^{k}}\)-tel der ursprünglichen Abtastfrequenz und durch \({\displaystyle 2^{-k/2}\epsilon }\) beschränkte Glieder.

Interpretation

Als diskretes Signal \({\displaystyle f}\) wird meist eine reelle Folge \({\displaystyle (f_{n})}\) über \({\displaystyle Z}\) mit endlicher Energie betrachtet,

\({\displaystyle \sum _{n=-\infty }^{\infty }\,|f_{n}|^{2}<\infty }\).

Unter diesen gibt es einige sehr einfache Folgen δn, Kronecker- oder Dirac-Delta genannt, eine für jedes \({\displaystyle n\in Z}\). Für deren Folgenglieder gilt, dass das jeweils \({\displaystyle n}\)-te den Wert \({\displaystyle 1}\) hat, \({\displaystyle \delta ^{n}{}_{n}=1}\), und alle anderen den Wert \({\displaystyle 0}\), \({\displaystyle \delta ^{n}{}_{k}=0}\) falls \({\displaystyle k\not =n}\).

Jetzt können wir jedes Signal trivial als Reihe im Signalraum schreiben

\({\displaystyle f=\sum _{n=-\infty }^{\infty }\,f_{n}\cdot \delta ^{n}}\)

oder als Summe zweier Reihen

\({\displaystyle f=\sum _{n=-\infty }^{\infty }\,f_{2n}\cdot \delta ^{2n}+\sum _{n=-\infty }^{\infty }\,f_{2n+1}\cdot \delta ^{2n+1}}\).

In vielen praktisch relevanten Signalklassen, z. B. bei überabgetasteten bandbeschränkten kontinuierlichen Signalen, sind Werte benachbarter Folgenglieder auch benachbart, d. h. im Allgemeinen liegen \({\displaystyle f_{2n}}\) und \({\displaystyle f_{2n+1}}\) dicht beisammen, relativ zu ihrem Absolutbetrag. Dies wird in der obigen Reihen aber überhaupt nicht berücksichtigt. In Mittelwert und Differenz von \({\displaystyle f_{2n}}\) und \({\displaystyle f_{2n+1}}\) käme deren Ähnlichkeit stärker zum Ausdruck, der Mittelwert ist beiden Werten ähnlich und die Differenz klein. Benutzen wir die Identität

\({\displaystyle ac+bd={\frac {1}{2}}(a+b)(c+d)+{\frac {1}{2}}(a-b)(c-d)}\)

um benachbarte Glieder der ersten Reihe bzw. korrespondierende Glieder in der zweiten Zerlegung zusammenzufassen in (skalierten) Mittelwerten und Differenzen:

\({\displaystyle f=\sum _{n=-\infty }^{\infty }\,{\frac {f_{2n}+f_{2n+1}}{\sqrt {2}}}\cdot {\frac {\delta ^{2n}+\delta ^{2n+1}}{\sqrt {2}}}+\sum _{n=-\infty }^{\infty }\,{\frac {f_{2n}-f_{2n+1}}{\sqrt {2}}}\cdot {\frac {\delta ^{2n}-\delta ^{2n+1}}{\sqrt {2}}}}\)

Jetzt führen wir neue Bezeichnungen ein:

\({\displaystyle a^{n}:={\frac {\delta ^{2n}+\delta ^{2n+1}}{\sqrt {2}}}}\) und \({\displaystyle b^{n}:={\frac {\delta ^{2n}-\delta ^{2n+1}}{\sqrt {2}}}}\)
\({\displaystyle s_{n}:={\frac {f_{2n}+f_{2n+1}}{\sqrt {2}}}}\) und \({\displaystyle d_{n}:={\frac {f_{2n}-f_{2n+1}}{\sqrt {2}}}}\).

Wir erhalten somit die Zerlegung der Haar-Wavelet-Transformation

\({\displaystyle f=\sum _{n=-\infty }^{\infty }\,s_{n}\cdot a^{n}+\sum _{n=-\infty }^{\infty }\,d_{n}\cdot b^{n}}\).

und mittels des unendlichen euklidischen Skalarproduktes können wir schreiben

\({\displaystyle s_{n}=\langle f,\,a^{n}\rangle }\) und \({\displaystyle d_{n}=\langle f,\,b^{n}\rangle }\).

Die letzten drei Identitäten beschreiben eine „Conjugate Quadrature Filterbank (CQF)“, welche so auch für allgemeinere Basisfolgen \({\displaystyle a^{n}}\) und \({\displaystyle b^{n}}\) definiert werden kann. Die Basisfolgen \({\displaystyle a^{n}}\) entstehen alle durch Verschiebung um das jeweilige \({\displaystyle 2n}\) aus \({\displaystyle a^{0}}\), die \({\displaystyle b^{n}}\) durch Verschiebung aus \({\displaystyle b^{0}}\). Weiteres dazu im Artikel Daubechies-Wavelets.

Nun enthält die Folge \({\displaystyle s=(s^{n})}\) eine geglättete Version des Ausgangssignals bei halber Abtastrate, man kann also auch \({\displaystyle s}\) nach dieser Vorschrift zerlegen und dieses Vorgehen über eine bestimmte Tiefe rekursiv fortsetzen. Aus einem Ausgangssignal \({\displaystyle s^{0}=f}\) werden also nacheinander die Tupel

\({\displaystyle (s^{1},d^{1})}\), \({\displaystyle (s^{2},d^{2},d^{1})}\), \({\displaystyle (s^{3},d^{3},d^{2},d^{1})}\), …

Ist \({\displaystyle f}\) endlich, also fast überall Null, mit Länge \({\displaystyle N}\), dann haben die Folgen in der Zerlegung im Wesentlichen, d. h. bis auf additive Konstanten, die Längen

\({\displaystyle \left({\tfrac {N}{2}},{\tfrac {N}{2}}\right)}\), \({\displaystyle \left({\tfrac {N}{4}},{\tfrac {N}{4}},{\tfrac {N}{2}}\right)}\), \({\displaystyle \left({\tfrac {N}{8}},{\tfrac {N}{8}},{\tfrac {N}{4}},{\tfrac {N}{2}}\right)}\), …

so dass die Gesamtzahl wesentlicher Koeffizienten erhalten bleibt. Die Folgen in der Zerlegung eignen sich meist besser zur Weiterverarbeitung wie Kompression oder Suche nach bestimmtem Merkmalen als das rohe Ausgangssignal.

Modifikationen


Die Polyphasenzerlegung des Ausgangssignals kann auch zu einer anderen Blockgröße s als 2 erfolgen, von der entsprechenden Haar-Matrix ist zu fordern, dass sie eine orthogonale Matrix ist und ihre erste Zeile nur aus Einträgen \({\displaystyle 1/{\sqrt {s}}}\) besteht. Diese Anforderung erfüllen die Matrizen der diskreten Kosinustransformation und die der Walsh-Hadamard-Transformation.

Die Haar-Wavelet-Transformation entspricht einer diskreten Kosinustransformation zur Blockgröße \({\displaystyle s=2}\), welche im Bild=Pixelrechteck nacheinander in horizontaler und vertikaler Richtung angewandt wird.

Siehe auch


Literatur


Weblinks


Commons: Haar-Wavelet  – Sammlung von Bildern, Videos und Audiodateien

Einzelnachweise


  1. Alfred Haar: Zur Theorie der orthogonalen Funktionensysteme. In: Mathematische Annalen. 69, Nr. 3, 1910, S. 331–371. doi:10.1007/BF01456326 .








Kategorien: Wavelet








Quelle: Wikipedia - https://de.wikipedia.org/wiki/Haar-Wavelet (Autoren [Versionsgeschichte])    Lizenz: CC-by-sa-3.0

Veränderungen: Alle Bilder und die meisten Designelemente, die mit ihnen in Verbindung stehen, wurden entfernt. Icons wurden teilweise durch FontAwesome-Icons ersetzt. Einige Vorlagen wurden entfernt (wie „Lesenswerter Artikel“, „Exzellenter Artikel“) oder umgeschrieben. CSS-Klassen wurden zum Großteil entfernt oder vereinheitlicht.
Wikipedia spezifische Links, die nicht zu Artikeln oder Kategorien führen (wie „Redlink“, „Bearbeiten-Links“, „Portal-Links“) wurden entfernt. Alle externen Links haben ein zusätzliches FontAwesome Icon erhalten. Neben weiteren kleinen Designanpassungen wurden Media-Container, Karten, Navigationsboxen, gesprochene Versionen & Geo-Mikroformate entfernt.


Stand der Informationen: 02.07.2020 07:04:21 CEST - Wichtiger Hinweis Da die gegebenen Inhalte zum angegebenen Zeitpunkt maschinell von Wikipedia übernommen wurden, war und ist eine manuelle Überprüfung nicht möglich. Somit garantiert LinkFang.org nicht die Richtigkeit und Aktualität der übernommenen Inhalte. Sollten die Informationen mittlerweile fehlerhaft sein oder Fehler in der Darstellung vorliegen, bitten wir Sie darum uns per zu kontaktieren: E-Mail.
Beachten Sie auch : Impressum & Datenschutzerklärung.