Haar小波分析
一 尺度函数与小波函数
基本尺度函数定义为:,对其向右平移任意 k 个单位,构成函数族
, 该函数族在
空间中正交,证明如下:
1 ;
2 当 m 不等于 k 时,
函数族 构成一组正交基,并形成
子空间。在
子空间中,任意函数均可表示为
的线性组合,
。
将函数族 构造宽度缩小一半,则可形成宽度为
的一组正交基,
,同样,该函数族在
空间中正交,并形成
子空间。在
子空间中,任意函数均可表示为
的线性组合,
。
通过以上举例可得:设 j 为非负整数,j 级函数子空间可表示为 ,其对应正交基包括:
,观察
中
可有
中
线性组合(
中任意函数均可用
中函数线性组合表达),则
为
得子空间。各个子空间之间存在如下关系:
。
使用不同子空间 中尺度函数得线性组合,可以阶梯近似任意连续函数。在噪声滤除应用中,需要提取一些属于
(高频信息)但不属于
(低频信息)的方法,小波函数即描述了这部分信息,也即小波函数描述
相对于
的正交补空间。根据以上描述,小波函数应该满足一些特性:
1 小波函数仍然位于 空间中,则他应该是
空间基函数的线性组合;
2 小波函数位于 子空间中,则它应于
正交。
空间的基本小波函数表示为:
,该函数位于
空间,且与
正交。同样对小波函数向右平移 k 个单位,构成函数族:
,该函数族在
空间中正交。
空间的基本小波函数表示为:
,该函数族在
空间中正交。
使用尺度函数与小波函数,可以将 空间中函数进行分解:
,其中
为
空间中的小波函数,继续以上分解,可得:
二 Haar分解
1 将函数离散化为 ,该函数位于
空间中;
2 由于 ,可以将
空间中该函数分解为
(更平滑尺度函数) 与
(小波函数),根据尺度函数与小波函数定义,有如下关系:
(根据图形可验证结论正确),进一步有:
;
3 观察到 分解方式不一致,需要将原函数改写为:
;
4 对改写后的 分别使用更平滑尺度函数与对应小波函数再次改写,有:
,整理得:
;
5 令 ,继续分解直到
,可得:
,其中,
为相应的小波分量。
三 Haar重构
1 函数被分解为 , 其中,
;
2 (根据图形可验证结论正确),进一步有:
3 重构为
;
4 重构为
;
5 , 其中,
由
组合;
6 继续重构 与
,直到重构
。
参考资料 小波与傅里叶分析基础 Albert Boggess & Francis J. Narcowich
Haar小波分析的更多相关文章
- 图像算法五:【图像小波变换】多分辨率重构、Gabor滤波器、Haar小波
原 https://blog.csdn.net/alwaystry/article/details/52756051 图像算法五:[图像小波变换]多分辨率重构.Gabor滤波器.Haar小波 2018 ...
- Haar小波的理解
1. 首先理解L^2(R)的概念 L^2(R) 是一个内积空间的概念,表示两个无限长的向量做内积,张成的空间问题.也就是两个函数分别作为一个向量,这两个函数要是平方可积的.L^2(a,b)=<f ...
- 特征检测之Haar
Harr特征, 主要用于人脸检测,可以参考我的博文 基于MATLAB的adaboost级联形式的人脸检测实现 1 harr特征的原理 2 haar特征的计算 3 haar特征的应用
- 浅谈人脸检测之Haar分类器方法
我们要探讨的Haar分类器实际上是Boosting算法(提升算法)的一个应用,Haar分类器用到了Boosting算法中的AdaBoost算法,只是把AdaBoost算法训练出的强分类器进行了级联,并 ...
- OpenCv haar+SVM训练的xml检测人头位置
注意:opencv-2.4.10 #include "stdio.h"#include "string.h"#include "iostream&qu ...
- opencv - haar人脸特征的训练
step 1: 把正样品,负样品,opencv_createsamples,opencv_haartraining放到一个文件夹下面,利于后面的运行.step 2: 生成正负样品的描述文件 正样品描述 ...
- 图像特征提取三大法宝:HOG特征,LBP特征,Haar特征(转载)
(一)HOG特征 1.HOG特征: 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子.它通过计算和 ...
- Haar特征
转自:http://blog.csdn.net/carson2005/article/details/8094699 Haar-like特征,即很多人常说的Haar特征,是计算机视觉领域一种常用的特征 ...
- 浅析人脸检测之Haar分类器方法
一.Haar分类器的前世今生 人脸检测属于计算机视觉的范畴,早期人们的主要研究方向是人脸识别,即根据人脸来识别人物的身份,后来在复杂背景下的人脸检测需求越来越大,人脸检测也逐渐作为一个单独的研究方向发 ...
随机推荐
- linux -安装redis ,配置密码,开启远程访问
1.安装 添加epel源yum install epel-release查看yum repolist安装redis命令yum install redis查看Redis安装了哪些文件find / -na ...
- win10 安装vue 详解-包括node.js、npm、webpack
1.下载 去官网下载 node.js https://nodejs.org/en/download/ 一般不会选择最新的,我安装的是 12.18.4 进入历史记录页面网址 https://nodejs ...
- Centos安装rrdtool的yum源
由于centos的标准组件中是不带rrdtool的,因此我们需要添加一个dag的yum源,以安装rrdtool. 修改/etc/yum.repos.d/CentOS-Base.repo, #vi /e ...
- 你不得不了解的Python3.x新特性
从 3.0 到 3.8,Python 3 已经更新了一波又一波,但似乎我们用起来和 2.7 没有太大区别?以前该怎么写 2.7 的代码现在就怎么写,只不过少数表达方式变了而已.在这篇文章中,作者介绍了 ...
- java邮件打包在linux备份数据库练习
注:图片如果损坏,点击文章链接:https://www.toutiao.com/i6812982512256549387/ 承接上一篇文档<Java实现163邮箱发送邮件到QQ邮箱> 主方 ...
- 简述伪共享和缓存一致性MESI
什么是伪共享 计算机系统中为了解决主内存与CPU运行速度的差距,在CPU与主内存之间添加了一级或者多级高速缓冲存储器(Cache),这个Cache一般是集成到CPU内部的,所以也叫 CPU Cache ...
- kafka时间轮的原理(一)
概述 早就想写关于kafka时间轮的随笔了,奈何时间不够,技术感觉理解不到位,现在把我之前学习到的进行整理一下,以便于以后并不会忘却.kafka时间轮是一个时间延时调度的工具,学习它可以掌握更加灵活先 ...
- 微软的Serialize和Newtonsoft的SerializeObject比较
微软的序列化反序列化组件出来已有好几年了,刚出来的时候各种吐槽.最近在优化代码,比较了一下微软的Serialize和Newtonsoft的SerializeObject,感觉大部分场景下可以用微软的序 ...
- Docker 与 K8S学习笔记(十 二)容器间数据共享
数据共享是volume的关键特性,今天我们来看一下通过volume实现容器与host.容器与容器之间共享数据. 一.容器与host共享数据 在上一篇中介绍到的bind mount和docker man ...
- 关于Jmeter线程数Ramp-Up.循环次数的理解和实验数据
1. 关于线程组参数 线程组:即一个线程组实例里面包括多个串行的请求或动作.一个线程组的从启动到结束的时间取决于你线程中的步骤数量. 线程数:即用户数,在Ramp-up时间内(包括循环),简单把线程数 ...