Aaltomuunnos on signaalin aika-taajuusesitys. Sitä käytetään esimerkiksi kohinan vähentämiseen, ominaisuuksien erottamiseen tai signaalin pakkaamiseen.

Jatkuvan signaalin aaltomuunnos määritellään seuraavasti

[ W ψ f ] ( a , b ) = 1 a ∫ - ∞ ∞ ∞ f ( t ) ψ ∗ ( t - b a ) d t {\displaystyle \left[W_{\psi }f\right](a,b)={\frac {1}{\sqrt {a}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left({\frac {t-b}{a}}}{right)}dt\,}{\displaystyle \left[W_{\psi }f\right](a,b)={\frac {1}{\sqrt {a}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left({\frac {t-b}{a}}\right)}dt\,} ,

jossa

  • ψ {\displaystyle \psi }\psi on niin sanottu äitiwavelet,
  • a {\displaystyle a}a tarkoittaa wavelet-dilataatiota,
  • b {\displaystyle b}{\displaystyle b} tarkoittaa waveletin aikasiirtymää ja
  • ∗ {\displaystyle *}{\displaystyle *} symboli tarkoittaa kompleksikonjugaattia.

Jos a = a 0 m {\displaystyle a={a_{0}}}^{m}}}{\displaystyle a={a_{0}}^{m}} ja b = a 0 m k T {\displaystyle b={a_{0}}^{m}kT}} {\displaystyle b={a_{0}}^{m}kT}, missä a 0 > 1 {\displaystyle a_{0}>1} {\displaystyle a_{0}>1}, T > 0 {\displaystyle T>0} ja m{\displaystyle T>0} {\displaystyle m} ja k m{\displaystyle k} ovat kkokonaislukuvakioita, wavelet-muunnosta kutsutaan diskreetiksi wavelet-muunnokseksi (jatkuvan signaalin).

Jos a = 2 m {\displaystyle a=2^{m}}{\displaystyle a=2^{m}} ja b = 2 m k T {\displaystyle b=2^{m}kT}} {\displaystyle b=2^{m}kT}missä m > 0 {\displaystyle m>0} {\displaystyle m>0}, diskreettiä wavelet-muunnosta kutsutaan dyadiseksi. Se määritellään seuraavasti

[ W ψ f ] ( m , k ) = 1 2 m ∫ - ∞ ∞ ∞ f ( t ) ψ ∗ ( 2 - m t - k T ) d t {\displaystyle \left[W_{\psi }f\right](m,k)={\frac {1}{\sqrt {2^{m}}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left(2^{-m}t-kT\right)}dt\,}{\displaystyle \left[W_{\psi }f\right](m,k)={\frac {1}{\sqrt {2^{m}}}}\int _{-\infty }^{\infty }{f(t)\psi ^{*}\left(2^{-m}t-kT\right)}dt\,} ,

jossa

  • m {\displaystyle m}m on taajuusasteikko,
  • k {\displaystyle k}k on aika-asteikko ja
  • T {\displaystyle T}{\displaystyle T} on vakio, joka riippuu emovaveletista.

On mahdollista kirjoittaa dyadinen diskreetti wavelet-muunnos uudelleen seuraavasti

[ W ψ f ] ( m , k ) = ∫ - ∞ ∞ ∞ f ( t ) h m ( 2 m k T - t ) d t {\displaystyle \left[W_{\psi }f\right](m,k)=\int _{-{-\infty }^{\infty }{f(t)h_{m}\left(2^{m}kT-t\right)}dt\,}{\displaystyle \left[W_{\psi }f\right](m,k)=\int _{-\infty }^{\infty }{f(t)h_{m}\left(2^{m}kT-t\right)}dt\,} ,

missä h m {\displaystyle h_{m}}{\displaystyle h_{m}} on jatkuvan suodattimen impulssiominaisuus, joka on sama kuin ψ m ∗ {\displaystyle {\psi _{m}}^{*}}{\displaystyle {\psi _{m}}^{*}} annetulle m {\displaystyle m}}m .

Vastaavasti dyadinen wavelet-muunnos diskreetin ajan (diskreetin signaalin) kanssa määritellään seuraavasti

Diskreetin ajan wavelet-muunnos ja suodatinpankit

Diskreetti aika (näytteistetty signaali) mahdollistaa wavelet-muunnoksen toteuttamisen tehokkaasti suodatinpankkien avulla. Tavallisesti käytetään kahdenlaisia suodattimia:

  • alipäästösuodatin (skalointi-/low-pass) joka tuottaa alhaisemmilla taajuuksilla sijaitsevat koeffisientit (skalaarikertoimet),
  • ylipäästösuodatin (wavelet-/high-pass) joka tuo esiin korkeataajuiset yksityiskohdat (detaljikoodeerit).

Tällainen jaksottainen kaksikanavainen analyysi ja sen invertointi on perusta Mallatin algoritmille (moniresoluutioanalyysi) ja käytännön diskreetin wavelet-muunnoksen (DWT) toteutuksille. DWT tuottaa kertymän koodeereista eri skaaloissa, ja lähestymistapa on kriittisesti näytteistetty eli koodeerien määrä on verrannollinen alkuperäisen signaalin näytteisiin.

Perusehdot ja rekonstruointi

Usein waveletin on täytettävä niin sanottu admissibility-ehto, jotta alkuperäinen signaali voidaan rekonstruoida CWT-kertoimista. Admissibility-ehto voidaan esittää taajuusavaruudessa ja se varmistaa, että äitiwaveletillä on nollakeskiarvo (ei nollataajuuskomponenttia). Diskreetissä menetelmässä rekonstruointi tapahtuu suodatinpankkien invertoinnilla tai käänteisellä diskreetillä wavelet-muunnoksella (IDWT).

Wavelet-tyyppejä ja esimerkkejä

Waveleteilla voi olla erilaisia ominaisuuksia ja käyttötarkoituksia. Yleisimmin käytettyjä perheitä ovat esimerkiksi:

  • Haar-wavelet — yksinkertainen ja tehokas, hyvä hahmontunnistukseen ja reuna-arvojen löytämiseen; ei jatkuva eikä sileä.
  • Daubechies-waveletit — ortogonaalisia, monen asteen jatkuvuutta ja momentteja; sopivat pakkaukseen ja kohinanpoistoon.
  • Symlets ja Coiflets — Daubechiesin variantteja, paremmalla symmetrialla tai momenttien ominaisuuksilla.
  • Morlet-wavelet — likimain Gaussin muotoinen kanttaen kompleksikomponenttia; hyödyllinen jatkuvassa muunnoksessa etenkin signaalien aika-taajuusanalyysissä.

Käyttökohteita

Aaltomuunnoksia käytetään laajasti eri aloilla. Tärkeitä käyttökohteita ovat muun muassa:

  • Kohinanpoisto (denoising) — wavelet-pohjainen kynnystys (thresholding) suodattaa pois pieniä koodeereja, jotka tyypillisesti edustavat kohinaa.
  • Pakkaus — esimerkkinä JPEG2000 käyttää wavelet-pohjaista kuva-pakkausta; waveletit säilyttävät kuvien paikalliset piirteet tehokkaasti.
  • Ominaisuuksien (feature) erottaminen — esimerkiksi biomedical-signaaleissa (EKG), seismisissä aineistoissa ja koneiden vika-antureissa.
  • Aika–taajuusanalyysi — CWT tuottaa skalogrammeja, jotka kuvaavat signaalin energiajakauman eri skaaloissa ajan funktiona; hyödyllinen ei-stationaaristen signaalien analyysissä.
  • Instrumentointi ja detektiot — reunojen ja transienttien löytäminen kuvissa ja signaaleissa.

Teknisiä huomioita ja käytännön valinnat

  • Aaltomuunnoksen valinta: valitse wavelet sen mukaan, haluatko hyvän aikaan paikantamisen (esim. Haar) vai taajuudellisen tarkkuuden ja sileät koodeerit (esim. Daubechies).
  • Taso/skalatasot: DWT:ssa valitaan analyysin tasojen määrä; enemmän tasoja paljastaa karkeampia rakenteita mutta kasvattaa laskentatyötä.
  • Reunakäsittely: eri rajaehtoja (nollapad, symmetrinen peilaus, periodinen) käytetään estämään reunavaikutuksia.
  • Redundanssi: pysyvä/undecimated wavelet transform (SWT) tarjoaa translatoimattoman ja redundantin esityksen, joka usein parantaa kohinanpoistoa mutta tuottaa isomman datamäärän.

Vertailu lyhyesti: STFT vs. Wavelet

Lyhyesti: lyhytaikaiseen Fourier-muunnokseen (STFT) verrattuna wavelet-muunnos tarjoaa skaalariresoluution, joka mukautuu taajuuteen — kapeammat ikkuna matalilla taajuuksilla ja kapeammat ajoikkunat korkeilla taajuuksilla. Tämä tekee waveletistä usein paremman valinnan ei-stationaarisille signaaleille, joissa transienteilla on merkitystä.

Yhteenveto

Aaltomuunnos (wavelet-muunnos) on monipuolinen työkalu signaalinkäsittelyssä. Se mahdollistaa paikallisen aika–taajuusanalyysin, tehokkaan kohinanpoiston ja pakkauksen sekä moniresoluutioisen tarkastelun. Valinta jatkuvan ja diskreetin muunnoksen sekä eri wavelet-tyyppien välillä riippuu sovelluksesta, halutusta resoluutiosta ja laskennallisista rajoitteista.