Лектор: Лукин Алексей Сергеевич Вейвлеты и банки фильтров План Вейвлеты и их связь с банками фильтров ► Непрерывное вейвлет-преобразование ► Дискретное вейвлет-преобразование ► Квадратурные зеркальные фильтры ► Пирамидальное.
Download ReportTranscript Лектор: Лукин Алексей Сергеевич Вейвлеты и банки фильтров План Вейвлеты и их связь с банками фильтров ► Непрерывное вейвлет-преобразование ► Дискретное вейвлет-преобразование ► Квадратурные зеркальные фильтры ► Пирамидальное.
Slide 1
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 2
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 3
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 4
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 5
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 6
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 7
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 8
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 9
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 10
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 11
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 12
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 13
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 14
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 15
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 16
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 17
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 18
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 19
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 20
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 21
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 2
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 3
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 4
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 5
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 6
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 7
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 8
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 9
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 10
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 11
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 12
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 13
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 14
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 15
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 16
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 17
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 18
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 19
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 20
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.
Slide 21
Лектор: Лукин Алексей Сергеевич
Вейвлеты
и банки фильтров
План
Вейвлеты и их связь с банками фильтров
► Непрерывное вейвлет-преобразование
► Дискретное вейвлет-преобразование
► Квадратурные зеркальные фильтры
► Пирамидальное представление данных
► Банки фильтров: DFT, MDCT
Применения банков фильтров
► Аудиоэффекты
► Шумоподавление
► Компрессия звука и изображений
Понятие вейвлета
Вейвлеты – это сдвинутые и масштабированные
копии ψa,b(t) («дочерние вейвлеты») некоторой быстро
затухающей осциллирующей функции ψ(t)
(«материнского вейвлета»)
a ,b ( t )
1
a
tb
a
Используются для изучения частотного состава
функций в различных масштабах и для
разложения/синтеза функций в компрессии и
обработке сигналов
Понятие вейвлета
Обычно накладываемые условия на ψ(t):
► Интегрируемость ( t ) dt
► Нулевое среднее, нормировка
2
( t ) dt
( t ) dt 0
( t ) dt 1
2
► Нулевые моменты (vanishing moments)
t
( t ) dt 0
m
Понятие вейвлета
Примеры вейвлетов
Mortlet
Meyer
Mexican hat
Непрерывное вейвлетпреобразование (CWT)
Скалярные произведения исследуемой функции
f(t) с вейвлетами ψa,b(t)
W { x }( a , b ) x ,
a ,b
x ( t )
a ,b
( t ) dt
Дискретное вейвлетпреобразование (DWT)
Используются лишь целочисленные сдвиги
вейвлета и масштабирование в 2 раза
Возможность построения ортогонального
преобразования
Дискретный вейвлет
1. Последовательность чисел h 2 [ m ]
2. Ортогональна своим сдвигам на четное число точек
h
2
[ m ]h 2 [ m 2 k ] 0 , k Z , k 0
m
3. Существует скейлинг-функция (НЧ-фильтр),
ортогональная вейвлету
h [ m ]h
1
m
2
[m ] 0
Преобразование Хаара
Простейший случай вейвлет-преобразования
Дан входной сигнал x[n]
Образуем от него последовательности полусумм и
полуразностей:
x1 [ n ]
*
x [ n ] x [ n 1]
x2[n]
*
2
x [ n ] x [ n 1]
2
Легко видеть, что сигнал x[n] можно восстановить:
x[ n ] x1 [ n ] x 2 [ n ]
*
*
Такое кодирование избыточно: из одной
последовательности получаем две
Преобразование Хаара
Устранение избыточности
Проредим полученные последовательности в 2 раза:
x1 [ n ] x1 [ 2 n ]
x2 [n] x2 [2n]
*
*
Легко видеть, что справедлив алгоритм восстановления:
n
x
,
y i [ n ] i 2
0,
n четное
i 1, 2
(интерполяция нулями)
n нечетное
x1 [ n ] y1 [ n ] y1 [ n 1]
**
x 2 [ n ] y 2 [ n ] y 2 [ n 1]
**
x[ n ] x1 [ n ] x 2 [ n ]
**
**
(фильтрация)
(суммирование)
Дискретное вейвлетпреобразование
Обобщение преобразования Хаара
x[n]
H2
H1
↓2
↑2
+
Коэффициенты
↓2
Декомпозиция
G2
↑2
x’[n]
G1
Реконструкция
Свойство точного восстановления (PR): x[ n ] x [ n ]
Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие точное
восстановление.
Дискретное вейвлетпреобразование
Прореживание
↓2
Интерполяция
↑2
Дискретное вейвлетпреобразование
Квадратурные зеркальные фильтры (QMF)
частотные
характеристики
импульсные
характеристики
Дискретное вейвлетпреобразование
QMF: базис Хаара
Плохое частотное
разделение, но хорошая
временная
(пространственная)
локализация
Дискретное вейвлетпреобразование
Условия точного восстановления:
► Рассмотрим случай
h1 [ m ],
h2 [ m ]
g 1 [ m ] h1 [ m ], g 2 [ m ] h 2 [ m ],
h1 [ m ],
m четное
m нечетное
► h1[m] – симметричный, четной длины
► В этом случае требуется, чтобы
2
2
H 1 [ ] H 2 [ ] 2
Построение PR-вейвлетов:
► Нужна хорошая пространственная локализация –
берем стандартные вейвлеты (например, вейвлеты
Добеши).
► Нужна хорошая частотная локализация – свойству PR
удовлетворить трудно. Поэтому строим QMF со
свойством «почти PR».
Дискретное вейвлетпреобразование
Построение «почти PR»-фильтров большого
размера с хорошим частотным разделением:
1. Строим симметричный НЧ-фильтр h1[m] методом
оконного взвешивания.
2. Нормируем его коэффициенты:
h1 [ m ] 2
m
3. Строим дополняющий его ВЧ-фильтр h2[m]:
h1 [ m ],
h2 [ m ]
h1 [ m ],
m четное
m нечетное
4. Проверяем величину искажений по суммарной
частотной характеристике и пробуем изменить частоту
среза НЧ-фильтра для уменьшения искажений.
Пирамидальное
представление
Продолжаем вейвлет-разложение для НЧкоэффициентов
Одномерный случай
x[n]
Частотный диапазон
делится на октавы
H2
↓2
H1
↓2
H2
↓2
H1
↓2
Коэффициенты
Двумерное вейвлетпреобразование
на каждом шаге получаем
4 набора коэффициентов:
НЧ («основные»)
и ВЧ («детализирующие»)
Банки фильтров
Банки фильтров (гребенки фильтров) –
преобразования, разбивающие сигнал на
несколько частотных полос
► С точным восстановлением?
► С увеличением количества информации?
► С перекрытием между временными окнами?
Пример: дискретные вейвлеты
Еще пример: кратковременное преобразование
Фурье (STFT – Short Time Fourier Transform)
Банки фильтров
Как банки фильтров разбивают частотновременную плоскость?
f
f
t
Оконное ДПФ
t
Вейвлеты
Банки фильтров: STFT
Без окон, без перекрытия
► Плохое разделение по частотам
► Разрывы на границах блоков
► Нет избыточности
С окнами, с перекрытием
► Хорошее разделение по частотам
► Нет разрывов на границах блоков (при двукратном
применении окон)
► Избыточность
Банки фильтров: MDCT
Хорошее разделение по частотам
С перекрытием и уничтожением временного
алиасинга (нестыковок между блоками)
Без избыточности!
Каждое окно длины 2N захватывает N новых
отсчетов и выдает N коэффициентов
Требование к окнам: w[n] w[n N ] const
Подходящие окна – Kaiser-Bessel derived (KBD)
2
2
Банки фильтров:
достоинства и недостатки
STFT
Очень быстрая реализация для большого числа полос.
+
–
Слишком различающееся число осцилляций
базисных функций, эффект Гиббса.
DWT
Возможность произвольных разбиений F-T плоскости.
+
–
Малое число частотных полос.
Плохое частотное разделение между полосами.