对具有频率间断点的信号使用五阶消失矩的symlet 进行连续小波变换 在数学中，连续小波变换 （Continuous Wavelet Transform, CWT）是一种时频分析工具，通过让小波函数（Wavelet）的平移参数和尺度参数连续变化，提供信号的过完备表示。
函数
x
(
t
)
{\displaystyle x(t)}
a
∈
R
+
∗
{\displaystyle a\in \mathbb {R^{+*}} }
b
∈
R
{\displaystyle b\in \mathbb {R} }
X
w
(
a
,
b
)
=
1
|
a
|
1
/
2
∫
−
∞
∞
x
(
t
)
ψ
¯
(
t
−
b
a
)
d
t
{\displaystyle X_{w}(a,b)={\frac {1}{|a|^{1/2}}}\int _{-\infty }^{\infty }x(t){\overline {\psi }}\left({\frac {t-b}{a}}\right)\,dt}
ψ
(
t
)
{\displaystyle \psi (t)}
⋅
¯
{\displaystyle {\bar {\cdot }}}
复共轭 。母小波的主要目的是为生成子小波（即母小波的尺度伸缩和平移）提供原函数。逆连续小波变换（Inverse continuous wavelet transform）可以用于恢复信号
x
(
t
)
{\displaystyle x(t)}
x
(
t
)
=
C
ψ
−
1
∫
0
∞
∫
−
∞
∞
X
w
(
a
,
b
)
1
|
a
|
1
/
2
ψ
~
(
t
−
b
a
)
d
b
d
a
a
2
{\displaystyle x(t)=C_{\psi }^{-1}\int _{0}^{\infty }\int _{-\infty }^{\infty }X_{w}(a,b){\frac {1}{|a|^{1/2}}}{\tilde {\psi }}\left({\frac {t-b}{a}}\right)\,db\ {\frac {da}{a^{2}}}}
ψ
~
(
t
)
{\displaystyle {\tilde {\psi }}(t)}
ψ
(
t
)
{\displaystyle \psi (t)}
对偶函数 ，且：
C
ψ
=
∫
−
∞
∞
ψ
^
¯
(
ω
)
ψ
~
^
(
ω
)
|
ω
|
d
ω
{\displaystyle C_{\psi }=\int _{-\infty }^{\infty }{\frac {{\overline {\hat {\psi }}}(\omega ){\hat {\tilde {\psi }}}(\omega )}{|\omega |}}\,d\omega }
为容许性常数，式中
⋅
^
{\displaystyle {\hat {\cdot }}}
ψ
~
(
t
)
=
ψ
(
t
)
{\displaystyle {\tilde {\psi }}(t)=\psi (t)}
C
ψ
=
∫
−
∞
+
∞
|
ψ
^
(
ω
)
|
2
|
ω
|
d
ω
{\displaystyle C_{\psi }=\int _{-\infty }^{+\infty }{\frac {\left|{\hat {\psi }}(\omega )\right|^{2}}{\left|\omega \right|}}\,d\omega }
一般来说，该常数为小波的容许性常数（Admissible constant）。满足：
0
<
C
ψ
<
∞
{\displaystyle 0<C_{\psi }<\infty }
的小波称为容许小波（Admissible wavelet）。容许小波满足
ψ
^
(
0
)
=
0
{\displaystyle {\hat {\psi }}(0)=0}
x
(
t
)
{\displaystyle x(t)}
x
(
t
)
=
1
2
π
ψ
^
¯
(
1
)
∫
0
∞
∫
−
∞
∞
1
a
2
X
w
(
a
,
b
)
exp
(
i
t
−
b
a
)
d
b
d
a
{\displaystyle x(t)={\frac {1}{2\pi {\overline {\hat {\psi }}}(1)}}\int _{0}^{\infty }\int _{-\infty }^{\infty }{\frac {1}{a^{2}}}X_{w}(a,b)\exp \left(i{\frac {t-b}{a}}\right)\,db\ da}
该式说明，小波可以定义为：
ψ
(
t
)
=
w
(
t
)
exp
(
i
t
)
{\displaystyle \psi (t)=w(t)\exp(it)}
其中
w
(
t
)
{\displaystyle w(t)}
小波轉換 ( Wavelet Transform) 可依照輸入與輸出為連續或是離散(discrete)分成三種類型，
第一種，輸入為連續，輸出為連續，則稱之為連續小波轉換(Continuous Wavelet Transform)
第二種，輸入為連續，輸出為離散，則稱之為連續離散係數小波轉換(Continuous wavelet transform with discrete coefficients)
第三種，輸入為離散，輸出為離散，則稱之為離散小波轉換(Discrete Wavelet Transform)
並沒有第四種，輸入為離散輸出為連續的小波轉換，在應用中並不會將簡單的訊號轉換成更複雜的訊號 傅立葉轉換 (Fourier Transform)與小波轉換 比較共有四種類型
第一種，輸入為連續，輸出為連續，傅立葉轉換(Fourier Transform)
第二種，輸入為連續，輸出為離散，傅立葉級數(Fourier Series)
第三種，輸入為離散，輸出為離散，離散傅立葉轉換(Discrete Fourier Transform)
第四種，輸入為離散，輸出為連續，離散(時間)傅立葉轉換(Discrete-time Fourier Transform)
連續小波轉換 (Continuous Wavelet Transform)是一種用來分解一個連續時間函數，使它變成數個小波 (wavelet)。跟傅立葉變換 (Fourier Transform)不一樣的是，連續小波轉換可以建構一個具有良好時域 和頻域 局部化的時頻訊號。以數學來說，一個有連續時間性質且可積分的函數
x
(
t
)
{\displaystyle x(t)}
X
w
(
a
,
b
)
=
1
|
(
b
)
|
∫
−
∞
∞
x
(
t
)
ψ
(
t
−
a
b
)
d
t
{\displaystyle X_{w}(a,b)={\frac {1}{\sqrt {|(b)|}}}\int _{-\infty }^{\infty }x(t)\psi ({\frac {t-a}{b}})\,dt}
ψ
(
t
)
{\displaystyle \psi (t)}
a
{\displaystyle a}
b
{\displaystyle b}
a
{\displaystyle a}
(
−
∞
,
+
∞
)
{\displaystyle \left(-\infty ,+\infty \right)}
b
{\displaystyle b}
(
0
,
+
∞
)
{\displaystyle \left(0,+\infty \right)}
以時頻分析的角度分析，當
b
{\displaystyle b}
以時頻分析的角度分析，當
b
{\displaystyle b}
小波母函數的用途在於提供一個可以產生子波(Daughter Wavelet)的根源函數，而子波是小波母函數平移過或縮放過(或兩者都有)的版本。如果要將已知且存在的訊號
x
(
t
)
{\displaystyle x(t)}
x
(
t
)
=
∫
0
∞
∫
−
∞
∞
1
b
2
X
w
(
a
,
b
)
1
|
(
b
)
|
ψ
1
(
t
−
a
b
)
d
a
d
b
{\displaystyle x(t)=\int _{0}^{\infty }\int _{-\infty }^{\infty }{\frac {1}{b^{2}}}X_{w}(a,b){\frac {1}{\sqrt {|(b)|}}}\psi _{1}({\frac {t-a}{b}})\,dadb}
ψ
1
(
t
)
{\displaystyle \psi _{1}(t)}
ψ
(
t
)
{\displaystyle \psi (t)}
∫
0
∞
∫
−
∞
∞
1
|
b
3
|
ψ
(
t
1
−
a
b
)
ψ
1
(
t
−
a
b
)
d
a
d
b
=
δ
(
t
−
t
1
)
{\displaystyle \int _{0}^{\infty }\int _{-\infty }^{\infty }{\frac {1}{|b^{3}|}}\psi ({\frac {t_{1}-a}{b}})\psi _{1}({\frac {t-a}{b}})\,dadb={\boldsymbol {\delta }}(t-t_{1})}
有時
ψ
1
(
t
)
=
C
−
1
ψ
(
t
)
{\displaystyle \psi _{1}(t)=C^{-1}\psi (t)}
在實務上，相較於連續小波轉換，通常較多會使用离散小波变换 、連續離散係數小波轉換
舉例，2個例子來說明小波母函數(Mother Wavelet):
紧支撑
支撑:函數的範圍沒有收斂區間
紧支撑: 函數的範圍有收斂
实函数
奇对称或偶对称
消失矩
容许性条件
通常來說，我們會傾向選一個可以連續微分的小波母函數且擁有緊湊支撐(Compact Support)的尺度函數(Scaling Function)和高階的消失矩(Vanishing Moment)。一個小波母函數是以這兩個函數所組成:小波函數
ψ
(
t
)
{\displaystyle \psi (t)}
φ
(
t
)
{\displaystyle \varphi (t)}
m
k
=
∫
t
k
ψ
(
t
)
d
t
{\displaystyle m_{k}=\int t^{k}\psi (t)\,dt}
如果
m
0
=
m
1
=
m
2
=
.
.
.
.
.
=
m
p
−
1
=
0
{\displaystyle m_{0}=m_{1}=m_{2}=.....=m_{p-1}=0}
ψ
(
t
)
{\displaystyle \psi (t)}
p
{\displaystyle p}
a
−
i
{\displaystyle a^{-i}}
a
L
{\displaystyle a^{L}}
L
{\displaystyle L}
∫
t
k
ψ
(
t
)
d
t
=
∫
Ψ
∗
(
f
)
(
j
2
π
)
2
d
k
d
f
k
δ
(
f
)
d
f
d
t
{\displaystyle \int t^{k}\psi (t)\,dt=\int {\boldsymbol {\Psi ^{*}(f)}}({\frac {j}{2\pi }})^{2}{\frac {d^{k}}{df^{k}}}\delta (f)df\,dt}
⇒
∫
t
k
ψ
(
t
)
d
t
=
0
⟺
(
j
2
π
)
2
d
k
d
f
k
Ψ
∗
(
f
)
|
f
=
0
=
0
⟺
d
k
d
f
k
Ψ
∗
(
f
)
|
f
=
0
=
0
⟺
d
k
d
f
k
Ψ
(
f
)
|
f
=
0
=
0
{\displaystyle \Rightarrow \int t^{k}\psi (t)\,dt=0\iff ({\frac {j}{2\pi }})^{2}{\frac {d^{k}}{df^{k}}}{\boldsymbol {\Psi ^{*}(f)}}|_{f=0}=0\iff {\frac {d^{k}}{df^{k}}}{\boldsymbol {\Psi ^{*}(f)}}|_{f=0}=0\iff {\frac {d^{k}}{df^{k}}}{\boldsymbol {\Psi (f)}}|_{f=0}=0}
其中
Ψ
(
f
)
{\displaystyle {\boldsymbol {\Psi (f)}}}
ψ
(
t
)
{\displaystyle \psi (t)}
目的是簡化反小波轉換(Inverse wavelet transform) 過程 在連續小波轉換中，定義尺度函數
φ
(
t
)
{\displaystyle \varphi (t)}
φ
(
t
)
=
∫
−
∞
∞
Φ
(
f
)
e
j
2
π
f
t
d
f
{\displaystyle \varphi (t)=\int _{-\infty }^{\infty }{\boldsymbol {\Phi (f)}}e^{j2\pi ft}df}
其中
Φ
(
f
)
{\displaystyle {\boldsymbol {\Phi (f)}}}
φ
(
t
)
{\displaystyle \varphi (t)}
|
Φ
(
f
)
|
2
=
∫
f
∞
|
Ψ
(
f
1
)
|
2
|
f
1
|
2
d
f
1
{\displaystyle {\left|{\boldsymbol {\Phi (f)}}\right|}^{2}=\int _{f}^{\infty }{\frac {{\left|{\boldsymbol {\Psi (f_{1})}}\right|}^{2}}{{\left|f_{1}\right|}^{2}}}d{f_{1}}}
小波函數
ϕ
(
t
)
{\displaystyle \phi (t)}
φ
(
t
)
{\displaystyle \varphi (t)}
縮放因子可以壓縮或拉長一個訊號。當縮放因子的值相對低時，訊號會比較緊縮，也就是會造成一個更細致的圖像。但是低縮放因子的缺點是它的效果無法覆蓋一個訊號的持續期間。另一方面，當縮放因子的值相對高時，訊號會比較被拉長造成一個比較粗糙的圖像，但是它的效果會持續整個訊號的期間。
1. 輸入與輸出的性質關係
基本上，連續小波轉換是輸入資料序列和一組由小波母函數所產生函數的卷積 。這個卷積可以用快速傅立葉變換來計算。除非小波母函數為虛數函數，在正常的情況下，輸出信息
X
w
(
a
,
b
)
{\displaystyle X_{w}(a,b)}
‖
X
w
(
a
,
b
)
|
2
{\displaystyle \|X_{w}(a,b)|^{2}}
2. 時間軸上的位移
輸入函數
x
(
t
)
{\displaystyle x(t)}
X
w
(
a
,
b
)
{\displaystyle X_{w}(a,b)}
若
x
(
t
)
{\displaystyle x(t)}
X
w
(
a
,
b
)
{\displaystyle X_{w}(a,b)}
則
x
(
t
−
τ
)
{\displaystyle x(t-\tau )}
X
w
(
a
−
τ
,
b
)
{\displaystyle X_{w}(a-\tau ,b)}
3. 時間軸上的縮放
當進行小波轉換的函數在時間軸上拉長或壓縮時，輸出函數也會有相對應的變化： 若
x
(
t
)
{\displaystyle x(t)}
X
w
(
a
,
b
)
{\displaystyle X_{w}(a,b)}
則
x
(
t
/
σ
)
{\displaystyle x(t/\sigma )}
σ
X
w
(
a
/
σ
,
b
/
σ
)
{\displaystyle {\sqrt {\sigma }}X_{w}(a/\sigma ,b/\sigma )}
4. 帕瑟伐定理(Parseval's Theory)
在
φ
(
t
)
=
C
−
1
ψ
(
t
)
{\displaystyle \varphi (t)=C^{-}1\psi (t)}
∫
|
x
(
t
)
|
2
d
t
=
1
C
∫
0
∞
∫
−
∞
∞
1
b
2
|
X
w
(
a
,
b
)
|
2
d
a
d
b
{\displaystyle \int {|x(t)|}^{2}\,dt={\frac {1}{C}}\,\int _{0}^{\infty }\int _{-\infty }^{\infty }{\frac {1}{b^{2}}}{|X_{w}(a,b)|}^{2}\,da\,db}
加伯变换 在處理訊號時不管是高頻或是低頻，尺度皆是相同的
而小波轉換則會根據不同的頻率改變其本身的的尺度
小波变换的解析度在a-axis中，不因a值的改變而改變，但延著不同的b值改變以得到較好的結果。
利用上述尺度函數的定義，我們可以定義修正型的連續小波轉換。將原本的連續小波轉換定義為
X
w
(
a
,
b
)
=
1
b
′
∫
−
∞
∞
x
(
t
)
ψ
(
t
−
a
b
′
)
d
t
{\displaystyle X_{w}(a,b)={\frac {1}{\sqrt {b^{\prime }}}}\int _{-\infty }^{\infty }x(t)\psi ({\frac {t-a}{b^{\prime }}})\,dt}
在
a
{\displaystyle a}
0
<
b
′
<
b
0
{\displaystyle 0<b^{\prime }<b_{0}}
L
X
w
(
a
,
b
0
)
=
1
b
0
∫
−
∞
∞
x
(
t
)
φ
(
t
−
a
b
0
)
d
t
{\displaystyle {LX}_{w}(a,b_{0})={\frac {1}{\sqrt {b_{0}}}}\int _{-\infty }^{\infty }x(t)\varphi ({\frac {t-a}{b_{0}}})\,dt}
藉由新定義的函數
L
X
w
(
a
,
b
0
)
{\displaystyle {LX}_{w}(a,b_{0})}
x
(
t
)
=
1
C
ψ
[
∫
0
b
0
∫
−
∞
∞
1
b
′
5
/
2
X
w
(
a
,
b
′
)
ψ
(
t
−
a
b
′
)
d
a
d
b
+
∫
−
∞
∞
1
b
0
3
/
2
L
X
w
(
a
,
b
0
)
φ
(
t
−
a
b
0
)
d
a
]
{\displaystyle x(t)={\frac {1}{C_{\psi }}}\left[\int _{0}^{b_{0}}\int _{-\infty }^{\infty }{\frac {1}{{b^{\prime }}^{5/2}}}X_{w}(a,b^{\prime })\psi ({\frac {t-a}{b^{\prime }}})\,da\,db+\int _{-\infty }^{\infty }{\frac {1}{{b_{0}}^{3/2}}}{LX}_{w}(a,b_{0})\varphi ({\frac {t-a}{b_{0}}})\,da\right]}
此建構
x
(
t
)
{\displaystyle x(t)}
C
ψ
=
∫
0
∞
|
Ψ
(
f
)
|
2
|
f
|
d
f
{\displaystyle C_{\psi }=\int _{0}^{\infty }{\frac {|{\Psi (f)|}^{2}}{|f|}}\,df}
此式中
Ψ
(
f
)
{\displaystyle \Psi (f)}
ψ
(
f
)
{\displaystyle \psi (f)}
通常在設計母小波函數時，會要求
C
ψ
<
∞
{\displaystyle C_{\psi }\ <\ \infty }
在許多文獻資料中，常用小波量值圖(Scalogram)來表示連續小波轉換後的結果。其定義如下
S
c
x
(
a
,
b
)
=
|
X
w
(
a
,
b
)
|
2
=
1
|
b
|
|
∫
−
∞
∞
x
(
t
)
ψ
(
t
−
a
b
)
d
t
|
2
{\displaystyle Sc_{x}(a,b)={\left|X_{w}(a,b)\right|}^{2}={\frac {1}{|b|}}{\left|\int _{-\infty }^{\infty }x(t)\psi ({\frac {t-a}{b}})\,dt\right|}^{2}}
此處的定義即為連續小波轉換結果的絕對值平方，用以視覺化連續小波轉換的結果。
小波量值圖之於小波轉換函數的意義和頻譜圖 之於短時距時頻平分析的意義相似。
在實際應用上通常以三個軸來顯示，分別代表時間、頻率與小波量值圖的振幅。若是在二維圖片則是利用顏色深淺來表示小波量值圖的強度。
小波轉換最熱門的一個應用為圖像壓縮。用小波轉換式的編碼在圖像壓縮可以提供顯著的圖像品質改善且給予更高的壓縮比率。因為小波轉換可以分解一個複雜的訊息或圖案成基本型式，它在音樂檔案和圖型辨識上被廣泛的使用。此外，我們還可以在以下的科學研究領域見到小波轉換的應用: 邊緣檢測，解偏微分方程，腦電瞬態信號檢測，濾波器設計，心電圖分析，衣料分析和商業資訊分析。
在離散變數連續小波轉換(Continuous Wavelet Transform with Discrete Coefficients)中，原本
X
w
(
a
,
b
)
=
1
|
(
b
)
|
∫
−
∞
∞
x
(
t
)
ψ
(
t
−
a
b
)
d
t
{\displaystyle X_{w}(a,b)={\frac {1}{\sqrt {|(b)|}}}\int _{-\infty }^{\infty }x(t)\psi ({\frac {t-a}{b}})\,dt}
中的
a
,
b
{\displaystyle a,\,b}
a
=
n
2
−
m
,
b
=
2
−
m
{\displaystyle a=n2^{-m},\ b=2^{-m}}
則離散變數連續小波轉換則重新表示為
X
w
(
a
,
b
)
=
2
m
/
2
∫
−
∞
∞
x
(
t
)
ψ
(
2
m
−
n
)
d
t
{\displaystyle X_{w}(a,b)=2^{m/2}\int _{-\infty }^{\infty }x(t)\psi (2^{m}-n)\,dt}
其中
n
∈
Z
,
n
∈
(
−
∞
,
∞
)
{\displaystyle n\in Z,\ n\in (-\infty ,\infty )}
n
∈
Z
,
n
∈
(
−
∞
,
∞
)
{\displaystyle n\in Z,\ n\in (-\infty ,\infty )}
選擇離散變數連續小波轉換的主要目的，在於簡化連續小波轉換在實作上的複雜性，並且利用快速演算法增加應用價值。實際上離散變數連續小波轉換算是連續小波轉換的一種特例，部分文獻將其當作離散小波轉換討論。
此處的選擇
a
{\displaystyle a}
b
{\displaystyle b}
X
w
(
n
,
m
−
1
)
{\displaystyle X_{w}(n,m-1)}
X
w
(
n
,
m
)
{\displaystyle X_{w}(n,m)}
在
a
=
n
2
−
m
,
b
=
2
−
m
{\displaystyle a=n2^{-m},\ b=2^{-m}}
x
(
t
)
=
∑
m
=
−
∞
∞
∑
n
=
−
∞
∞
2
m
/
2
ψ
1
(
2
m
−
n
)
X
w
(
n
,
m
)
{\displaystyle x(t)=\sum _{m=-\infty }^{\infty }\sum _{n=-\infty }^{\infty }2^{m/2}\psi _{1}(2^{m}-n)X_{w}(n,m)}
ψ
1
(
t
)
{\displaystyle \psi _{1}(t)}
ψ
(
t
)
{\displaystyle \psi (t)}
∑
m
=
−
∞
∞
∑
n
=
−
∞
∞
2
m
ψ
1
(
2
m
−
n
)
ψ
(
2
m
t
1
−
n
)
=
δ
t
−
t
1
{\displaystyle \sum _{m=-\infty }^{\infty }\sum _{n=-\infty }^{\infty }2^{m}\psi _{1}(2^{m}-n)\psi (2^{m}t_{1}-n)=\delta {t-t_{1}}}
又此條件可表示為
∫
−
∞
∞
2
m
ψ
1
(
2
1
m
−
n
1
)
ψ
(
2
m
t
1
−
n
)
d
t
=
δ
m
−
m
1
δ
n
−
n
1
{\displaystyle \int _{-\infty }^{\infty }2^{m}\psi _{1}(2_{1}^{m}-n_{1})\psi (2^{m}t_{1}-n)\,dt=\delta {m-m_{1}}\delta {n-n_{1}}}
優點:
快速演算法
正交性質（Orthogonal ）
非均匀频率分析（Non-uniform frequency analysis） 缺點:
小波轉換的應用有以下兩項特點:
信號的頻率分佈，會隨著不同的時間 (或地點 )有較大變化
多尺度的分析扮演重要的角色
大采样间隔
⟶
{\displaystyle \longrightarrow }
小采样间隔
⟶
{\displaystyle \longrightarrow }
應用:
影像壓縮，例如JPEG /JPEG2000
邊緣角落偵測
特徵辨識
強調前景壓縮背景
濾波器設計
聲音訊號
指紋辨識
金融
氣象分析
![{\displaystyle x(t)={\frac {1}{C_{\psi }}}\left[\int _{0}^{b_{0}}\int _{-\infty }^{\infty }{\frac {1}{{b^{\prime }}^{5/2}}}X_{w}(a,b^{\prime })\psi ({\frac {t-a}{b^{\prime }}})\,da\,db+\int _{-\infty }^{\infty }{\frac {1}{{b_{0}}^{3/2}}}{LX}_{w}(a,b_{0})\varphi ({\frac {t-a}{b_{0}}})\,da\right]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/8456bf9f1862e769464cf6a666df895329471451)
