2003:F8:B719:2800:D85E:BB94:B5F1:19D7: fix Link

2024-09-22T08:20:50Z

fix Link

Neue Seite

Als '''Wavelet-Transformation''' ('''WT''', {{enS|''wavelet transform''}}) wird eine Familie von linearen [[Zeit]]-[[Frequenz]]-[[Transformation (Mathematik)|Transformationen]] in der [[Mathematik]] und den [[Ingenieurwissenschaften]] (primär: [[Nachrichtentechnik]], [[Informatik]]) bezeichnet. Die WT setzt sich zusammen aus der Wavelet-Analyse, welche den Übergang der Zeitdarstellung in die [[Frequenzspektrum|Spektral]]- bzw. Waveletdarstellung bezeichnet, und der Wavelet-Synthese, welche die Rücktransformation der Wavelettransformierten in die Zeitdarstellung bezeichnet.

Der Begriff '''[[Wavelet]]''' bezeichnet die für die [[Transformation (Mathematik)|Transformation]] benutzte [[Basisfunktion]], mit der das zu analysierende Signal oder Bild – im Allgemeinen eine N-dimensionale Funktion – „verglichen“ wird.

Die Wurzeln der Waveletschule liegen in Frankreich, wo auch der ursprünglich französische Begriff ''ondelette'' geprägt wurde, dessen englisches Pendant ''wavelet'' sich jedoch später als Bezeichnung durchgesetzt hat. Ins Deutsche übersetzt bedeutet Wavelet so viel wie ''kleine Welle'' oder ''Wellchen'' und drückt den Umstand aus, dass man im Gegensatz zur [[Fourier-Transformation]] zeitlich lokalisierte Wellen bzw. Funktionen als Basis benutzt, wodurch die eingangs erwähnte Zeit- und Frequenzauflösung möglich wird. Wie alle linearen Zeit-Frequenz-Transformationen unterliegt auch die Wavelettransformierte der [[Unschärferelation der Nachrichtentechnik]], d. h. ein Ereignis kann nicht gleichzeitig beliebig genau in Zeit und Frequenz lokalisiert werden. Es gibt immer nur einen Kompromiss aus guter zeitlicher Auflösung oder guter Auflösung im Frequenzbereich.

Die Wavelet-Transformation unterteilt sich in erster Linie in zwei Lager, nämlich die kontinuierliche Wavelet-Transformation, welche ihre Hauptanwendung in der Mathematik und der Datenanalyse hat, und die diskrete Wavelet-Transformation, welche eher in den Ingenieurwissenschaften zu finden ist und deren Anwendung im Bereich der Datenreduktion, [[Datenkompression]] und [[Signalverarbeitung]] liegt<ref name="Strutz">Strutz: Bilddatenkompression. SpringerVieweg, 2009</ref>.

Wichtige Anwendungen der Wavelet-Transformation sind die [[Wavelet-Kompression]] für die [[Bildkompression]] oder [[Videokompression]], die [[Signalverarbeitung]] und die Lösung von [[Differentialgleichung]]en.

== Funktionsweise ==
Die Wavelet-Transformation kann als Verbesserung der [[Kurzzeit-Fourier-Transformation]] (STFT) angesehen werden.

=== Schwächen der Kurzzeit-Fourier-Transformation ===
Bei der STFT wird eine Fensterfunktion auf das zu untersuchende Signal angewendet – etwa die [[Normalverteilung|Gaußsche Glockenkurve]] wie bei der [[Gabor-Transformation]]. Für jeden Punkt der STFT wird das Fenster an den zu betrachtenden Zeitpunkt und an die zu betrachtende Frequenz (Modulation im Zeitbereich) verschoben. Die absolute Zeitdauer und Bandbreite des Fensters („Breite“ im Zeit- und Frequenzbereich) – und damit die Auflösung – ändern sich dadurch nicht.

Die Auflösungen im Zeit- und Frequenzbereich sind nur abhängig von der Form des Fensters. Aufgrund der Zeit-Frequenz-Unschärfe ist die Auflösung im Zeitbereich umgekehrt proportional zur Auflösung im Frequenzbereich. Es lässt sich also nicht gleichzeitig im Zeitbereich und im Frequenzbereich die bestmögliche Auflösung erzielen. Enthält nun ein Signal Frequenzanteile sowohl bei hohen als auch bei niedrigen Frequenzen, möchte man bei niedrigen Frequenzen eine gute (absolute) [[Frequenzauflösung]] erzielen, da eine kleine absolute Frequenzänderung hier stark ins Gewicht fällt. Bei einer hohen Frequenz ist eine gute Zeitauflösung wichtiger, da eine vollständige Schwingung hier weniger Zeit beansprucht und sich die Momentanfrequenz daher schneller ändern kann.

Für ein Signal mit Frequenzanteilen bei 1 Hz und 1 kHz, für welches die Frequenz auf 10 Prozent genau aufgelöst werden soll, ist bei 1 Hz eine Frequenzauflösung von 0,1 Hz nötig. Bei 1 kHz entspricht dieses einer Auflösung von 0,01 Prozent – eine so gute Auflösung ist hier nicht nötig. Andererseits vollführt das Signal bei 1 kHz zehn vollständige Schwingungen in 10 ms. Um Frequenzänderungen in diesem Zeitraum auflösen zu können, ist eine Zeitauflösung besser als 10 ms nötig. Bei 1 Hz entspricht diese Zeitdauer nur einer hundertstel Schwingung. Eine so gute zeitliche Auflösung ist also hier nicht nötig. Gewünscht ist bei niedrigen Frequenzen also eine gute Frequenzauflösung unter Inkaufnahme einer schlechten Zeitauflösung und bei hohen Frequenzen eine gute Zeitauflösung bei schlechterer Frequenzauflösung. Die Short-Time-Fourier-Transformation leistet dieses nicht.

=== Zusammenfassung der Funktionsweise ===
Wie bei der STFT wird eine [[Fensterfunktion]] auf das zu untersuchende Signal angewendet. Anstatt allerdings das Fenster zu verschieben und zu modulieren (Verschiebung im Frequenzbereich) (wie bei der STFT), wird das Fenster verschoben und skaliert. Durch die Skalierung ergibt sich wie durch die Modulation ebenfalls eine Frequenzverschiebung, allerdings wird gleichzeitig mit einer Frequenzerhöhung die Zeitdauer („Breite“ im Zeitbereich) des Fensters verringert. Dadurch ergibt sich bei höheren Frequenzen eine bessere zeitliche Auflösung. Bei niedrigen Frequenzen wird die Frequenzauflösung besser, dafür wird die Zeitauflösung schlechter.

== Kontinuierliche Wavelet-Transformation ==

[[Datei:MorletWaveletMathematica.svg|mini|'''Morlet-Wavelet''', Beispiel für eine Wavelet-Funktion <math>\psi(t)</math> (ähnlich definiert wie ein [[Wellenpaket#Beispiel: Gaußsches Wellenpaket|Gaußsches Wellenpaket]])]]

[[Datei:Continuous wavelet transform.svg|mini|320px|right|Kontinuierliche Wavelet-Transformation eines Sinus-Signals mit abruptem Frequenzwechsel]]

Die kontinuierliche Wavelet-Transformation (CWT, engl. ''continuous wavelet transform'') ist gegeben durch
:<math>
\mathcal{W}_\psi x(a,b) = \frac{1}{\sqrt{a}} \int_{-\infty}^{\infty} \overline{\psi\left(\frac{t-b}{a}\right)} x(t) \; dt.
</math>
Dabei ist
* <math>x(t)</math>: die zu transformierende Funktion, beispielsweise ein Audio- oder Bildsignal
* <math>\psi(t)</math>: Wavelet-Funktion (engl. ''mother wavelet'') welche je nach Anwendung verschieden gewählt werden kann
* <math>b</math>: Translationsparameter, zur Abtastung der Daten <math>x(t)</math> in der zeitlichen bzw. räumlichen Dimension
* <math>a</math>: Skalierungsparameter, welcher die Daten über verschiedene Frequenzbereiche scannt

Mit der aus dem Mother-Wavelet <math>\psi(t)</math> abgeleiteten Wavelet-Familie
:<math>
\psi_{ab} = \frac{1}{a} \psi\left(\frac{t-b}{a}\right)
</math>
lässt sich die kontinuierliche Wavelet-Transformation kompakt als [[Skalarprodukt]]
:<math>
\mathcal{W}_\psi x(a,b) = \langle \psi_{ab} , x \rangle
</math>
schreiben.

=== Eigenschaften von Wavelets ===
Ein Wavelet <math>\psi(t)</math> ist eine [[Lp-Raum#Der Hilbertraum L2|quadratintegrierbare]] Funktion, welche relativ frei wählbar ist. Im Allgemeinen stellt man eine weitere technische Voraussetzung an ein Wavelet, die ''Zulässigkeitsbedingung'':
:<math>
\int_{-\infty}^{\infty} \frac{ |\hat{\psi}(\omega)|^2 }{ |\omega| }d\omega < \infty
</math>
Dabei bezeichnet <math>\hat{\psi}(\omega)</math> die Fourier-Transformierte von <math>\psi(t)</math>. Die Zulässigkeitsbedingung wird für den Beweis einiger zentraler Sätze und Eigenschaften benötigt, weshalb sie häufig in die Definition eines Wavelets mit eingeschlossen wird.

Eine unmittelbare Folgerung der Zulässigkeit ist, dass die Fouriertransformierte des Wavelets an der Stelle 0 verschwindet:
:<math>
\hat{\psi}(\omega=0) = 0
</math>
Des Weiteren folgt daraus, dass das erste [[Moment (Stochastik)|Moment]] des Wavelets, also sein Mittelwert, verschwindet:
:<math>
\int_{-\infty}^{\infty} \psi (t) \; dt = 0
</math>

=== Wavelet-Synthese ===
Die ursprüngliche Funktion x(t) kann bis auf eine additive Konstante wieder aus der Wavelettransformierten
zurückgewonnen werden mit der Rekonstruktionsformel
:<math>
x(t) = \frac{1}{c_{\phi\psi}} \int_{0}^{\infty} \!\frac{da}{a} \int_{-\infty}^{\infty} \!\!\! db\;
\mathcal{W}_\psi x(a,b) \frac{1}{a} \phi\left(\frac{t-b}{a}\right),
</math>
mit
:<math>
c_{\phi\psi} = \int_{0}^{\infty} \frac{d\omega}{\omega} \overline{\hat{\phi}(\pm\omega)} \hat{\psi}(\pm\omega) \; d\omega.
</math>
Dabei ist <math>\phi(t)</math> die [[duale Wavelet-Funktion]] zu <math>\psi(t)</math>.

=== Reproduzierender Kern ===
Als Reproduzierender Kern (engl. ''reproducing kernel'') wird die Wavelettransformierte des Wavelets selbst bezeichnet. Somit bezeichnet
:<math>
K_\psi(a,b) = \langle \psi_{ab} , \psi \rangle
</math>
den Kern des Wavelets <math>\psi</math>.

Das Attribut ''reproduzierend'' trägt der Kern, weil sich die Wavelettransformierte unter der [[Faltung (Mathematik)|Faltung]] mit dem Kern reproduziert, das heißt, die Wavelettransformierte ist invariant unter der Faltung mit dem Kern. Diese Faltung ist
gegeben durch
:<math>
( K_\psi * \mathcal{W}_\psi x )(a,b) = \int_{0}^{\infty} \!\frac{da'}{a'} \int_{-\infty}^{\infty} \!\!\! db'\;
\frac{1}{a'} K_\psi\left(\frac{a}{a'},\frac{b-b'}{a'}\right) (\mathcal{W}_\psi x)(a,b).
</math>
Dies ist keine gewöhnliche Faltung, da sie nicht kommutativ ist; sie ist jedoch assoziativ.

Eine weitere wichtige Bedeutung erhält der reproduzierende Kern daher, dass er die minimale [[Korrelation]] zwischen zwei Punkten (a,b) und (a',b') im Waveletraum angibt. Dies lässt sich zeigen, indem man die [[Autokorrelation]] von [[Weißes Rauschen (Physik)|weißem Rauschen]] im Waveletraum betrachtet. Bezeichnen wir mit <math>\xi(t)</math> ein Gauss’sches weißes Rauschen mit Varianz 1, so ist dessen Autokorrelation gegeben durch <math>\langle \xi(t)\xi(t') \rangle = \delta(t,t')</math>. Die Korrelation im Waveletraum ist dann (ohne Ausführung der Rechnung)
:<math>
\langle (\overline{\mathcal{W}_\psi\xi(a',b')} \mathcal{W}_\psi\xi(a,b) \rangle
= \frac{1}{a'} K_\psi \left( \frac{1}{a'},\frac{b-b'}{a'} \right),
</math>
also gerade gegeben durch den reproduzierenden Kern.

== Diskrete Wavelet-Transformation ==
Die Diskrete [[Wavelet]]-Transformation (DWT, engl. ''discrete wavelet transform'') ist gegeben durch

:<math>
\mathcal{W}_\psi x(m,n) = \int_{-\infty}^{\infty} \psi_{m,n}(t) x(t) \; dt.
</math>

Dabei ist
* <math>x(t)</math>: die zu transformierende Funktion, beispielsweise ein Audio- oder Bildsignal
* <math>\psi(t)</math>: Wavelet-Funktion (engl. ''mother wavelet'') welche je nach Anwendung verschieden gewählt werden kann
Die Diskrete [[Wavelet]]-Transformation ist eine Wavelet-Transformation, die zeit- und frequenzdiskret durchgeführt wird. Es wurde gezeigt, dass die Informationen trotz Reduktion auf eine diskrete Teilmenge <math>\{(m,n)=(\alpha^k,l\,\beta\,\alpha^{-k}):\;k,l\in\mathbb Z\}\subset\mathbb R_+\times \mathbb R</math>, bei <math>\alpha>1,\beta>0 </math>, vollständig erhalten bleiben. Eine Diskrete Wavelet-Transformation lässt sich sehr effizient als eine Reihe von zeitdiskreten [[Filter (Elektronik)|Filtern]] implementieren, die kontinuierliche Wavelet-Transformation wird praktisch auf diese Weise berechnet.

== Schnelle Wavelet-Transformation ==
Die [[Schnelle Wavelet-Transformation]] (engl. ''fast wavelet transform'', ''FWT'') ist ein [[Algorithmus]], der mit Hilfe der Theorie der [[Multiskalenanalyse]] die diskrete Wavelet-Transformation implementiert. Dabei wird das Bilden des [[Skalarprodukt|inneren Produkts]] des Signals mit jedem [[Wavelet]] durch das sukzessive Zerteilen des Signals in [[Frequenzband|Frequenzbänder]] ersetzt. Dadurch wird die [[Komplexität (Informatik)|Komplexität]] der Wavelet-Transformation von <math>O(N \log N)</math> (vgl. [[schnelle Fourier-Transformation]]) auf <math>O(N)</math> reduziert.

=== Wavelet-Transformation ohne Wavelets ===
Zur Berechnung der Wavelet-Transformation eines Bildes braucht man eigentlich gar keine [[Wavelet]]s oder Skalierungsfunktionen. Die komplette Transformation besteht dann lediglich aus der sogenannten [[Faltung (Mathematik)|Faltung]] des Ausgangssignals mit geeigneten [[Filter (Mathematik)|Filtern]]. Ein Filter <math>h</math> stellt dabei einen Vektor von reellen Zahlen (den sogenannten Filter-Koeffizienten) mit <math>n</math> Einträgen dar. Die Faltung von Signal und Filter ist mathematisch definiert als

:<math>y(n) = \sum_{i=0}^{N-1}h(i)x(n - i)</math>

Dabei ist
* <math>x(n)</math>: die zu transformierende Funktion, beispielsweise ein Audio- oder Bildsignal
* <math>y(n)</math>: das Ausgangssignal nach der Faltung
* <math>h(i)</math>: der verwendete Filter
* <math>N</math>: die Länge des Filters
* <math>n</math>: die Position des Signals
Man braucht lediglich geeignete [[Hochpass]]-Filter und [[Tiefpass]]-Filter, um die [[Schnelle Wavelet-Transformation]] durchzuführen. Aus den gegebenen Filtern lassen sich dann die zugehörige Wavelet-Funktion und Skalierungsfunktion berechnen. Die Skalierungsfunktion <math>\phi</math> wird [[Rekursion|rekursiv]] aus dem Tiefpass-Filter <math>h_0</math> berechnet durch

:<math>\phi(t) = 2 \sum_{k=0}^N h_0(k)\phi(2t - k)</math>

Die Wavelet-Funktion <math>\omega</math> kann aus dem [[Hochpass]]-Filter <math>h_1</math> und der Skalierungsfunktion bestimmt werden:<ref>Christoph Esser, Universität Mannheim: [https://pi4.informatik.uni-mannheim.de/pi4.data/content/animations/wavelet/WaveletDemo.pdf Wavelet Transformation von Standbildern]</ref>

:<math>\omega(t) = 2 \sum_{k=0}^N h_1(k)\omega(2t - k)</math>

== Wavelet-Paket-Transformation und Beste-Basis-Algorithmen ==
Die [[Wavelet-Paket-Transformation]] ist eine Ausweitung der Schnellen Wavelet-Transformation (FWT), indem nicht nur der Tiefpasskanal, sondern auch der Hochpasskanal weiter mittels der Wavelet-Filterbank aufgespalten wird. Dieses kann dazu dienen, aus einer üblichen 2-Kanal-DWT wie z. B. den [[Daubechies-Wavelets]] eine M-Kanal-DWT zu erhalten, wobei M eine Potenz von 2 ist; der Exponent wird Tiefe des Paket-Baums genannt. Dieses Verfahren wird in der Breitbanddatenübertragung als Alternative zur [[Schnelle Fourier-Transformation|schnellen Fourier-Transformation]] angewandt.

Wird in einem Rekursionsschritt der FWT ein [[Weißes Rauschen (Physik)|weißes Rauschen]] als Eingangssignal transformiert, so ist das Ergebnis aufgrund der orthogonalen Natur der DWT wieder ein weißes Rauschen, wobei die Energie (=Quadratsumme der Samples) gleichmäßig auf Tief- und Hochpasskanal verteilt wird. Nimmt man eine möglichst hohe Abweichung von diesem Verhalten, d. h. eine möglichst vollständige Konzentration der Signalenergie auf einen der beiden Kanäle, als Entscheidungskriterium, ob der Eingangskanal aufgespalten werden soll, und setzt man dieses Verfahren für die aufgespaltenen Kanäle fort, so entsteht eine Variante eines Beste-Basis-Verfahrens.

== Siehe auch ==
* [[Diskrete Kosinustransformation]]
* [[Diskrete Fourier-Transformation]]
* [[Fourier-Transformation]]
* [[Stationäre Wavelet-Transformation]]
* [[Schnelle Wavelet-Transformation]]
* [[Laplace-Transformation]]

== Literatur ==
* [[Yves Meyer]]: ''Wavelets and Operators''. Cambridge University Press, Cambridge 1992, 1995.

== Weblinks ==
* [http://www2.isye.gatech.edu/~brani/wp/kidsA.pdf Wavelets for Kids] – Einführung (englisch)
* [http://users.rowan.edu/~polikar/WTtutorial.html The engineer’s ultimate guide to wavelet analysis] von Robi Polikar (englisch) – Erklärung der Wavelet-Transformation mit Motivation, die für Leute mit Kenntnis der Fourier-Transformation gut verständlich ist
* [http://www.cosy.sbg.ac.at/~uhl/wav.html Linksammlung zu Wavelets]
* [http://www.wavelet.org/ Wavelet Digest Home Page]
* [https://towardsdatascience.com/the-wavelet-transform-e9cfa85d7b34 The Wavelet Transform]

== Einzelnachweise ==
<references />

{{Normdaten|TYP=s|GND=4814181-1}}

[[Kategorie:Numerische Mathematik]]
[[Kategorie:Theoretische Elektrotechnik]]
[[Kategorie:Wavelet]]
[[Kategorie:Integraltransformation]]

Wavelet-Transformation - Versionsgeschichte

2003:F8:B719:2800:D85E:BB94:B5F1:19D7: fix Link