Вейвлеты и банки фильтров
DESCRIPTION
Занятие 4. Вейвлеты и банки фильтров. План. Вейвлеты и их связь с банками фильтров Дискретное вейвлет-преобразование Квадратурные зеркальные фильтры Пирамидальное представление данных Банки фильтров: DFT, MDCT Применения банков фильтров Аудиоэффекты Шумоподавление - PowerPoint PPT PresentationTRANSCRIPT
ВейвлетыВейвлетыи банки фильтрови банки фильтров
Занятие Занятие 44
ПланПлан
Вейвлеты и их связь с банками фильтровВейвлеты и их связь с банками фильтров– Дискретное вейвлет-преобразованиеДискретное вейвлет-преобразование– Квадратурные зеркальные фильтрыКвадратурные зеркальные фильтры– Пирамидальное представление данныхПирамидальное представление данных– Банки фильтров: Банки фильтров: DFT, MDCTDFT, MDCT
Применения банков фильтровПрименения банков фильтров– АудиоэффектыАудиоэффекты– ШумоподавлениеШумоподавление– Компрессия звука и изображенийКомпрессия звука и изображений
Преобразование Хаара Преобразование Хаара
Простейший случай вейвлет-Простейший случай вейвлет-преобразованияпреобразованияДан входной сигнал Дан входной сигнал x[n].x[n].
Образуем от него последовательности полусумм и Образуем от него последовательности полусумм и полуразностей:полуразностей:
Легко видеть, что сигнал Легко видеть, что сигнал x[n] x[n] можно восстановить:можно восстановить:
Такое кодирование избыточно: из одной Такое кодирование избыточно: из одной последовательности получаем две.последовательности получаем две.
2
]1[][][*1
nxnxnx
2
]1[][][*2
nxnxnx
][][][ *2
*1 nxnxnx
Преобразование Хаара Преобразование Хаара
Устранение избыточностиУстранение избыточностиПроредим полученные последовательности в 2 Проредим полученные последовательности в 2
разараза::
Легко видеть, что справедлив алгоритм Легко видеть, что справедлив алгоритм восстановления:восстановления:
]2[][ *11 nxnx ]2[][ *
22 nxnx
2,1,0
,2][
iнечетноеn
четноеnn
xny i
i (интерполяция нулями)
]1[][][ 11**1 nynynx ]1[][][ 22
**2 nynynx (фильтрация)
][][][ **2
**1 nxnxnx (суммирование)
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
Обобщение преобразования ХаараОбобщение преобразования Хаара
Свойство точного восстановления (Свойство точного восстановления (PR):PR):
Количество информации не изменяется.Количество информации не изменяется.
Нужно найти хорошие фильтры, обеспечивающие Нужно найти хорошие фильтры, обеспечивающие точное восстановление.точное восстановление.
H2
H1
↓2
↓2Коэффициенты
↑2
↑2
G2
G1
+x[n] x’[n]
Декомпозиция Реконструкция
][][ nxnx
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
ПрореживаниеПрореживание
ИнтерполяцияИнтерполяция
↑2
↓2
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
Квадратурные зеркальные фильтры (Квадратурные зеркальные фильтры (QMF)QMF)
частотныехарактеристики
импульсныехарактеристики
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
QMF: QMF: базис Хаарабазис Хаара
Плохое частотное разделение, но хорошая
временная (пространственная)
локализация
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
Условия точного восстановления:Условия точного восстановления:– Рассмотрим случайРассмотрим случай
hh11[m] – [m] – симметричный, четной длинысимметричный, четной длины
– В этом случаеВ этом случае требуется, чтобы требуется, чтобы Построение Построение PR-PR-вейвлетоввейвлетов::
– Нужна хорошая пространственная локализация Нужна хорошая пространственная локализация – берем стандартные вейвлеты (например, – берем стандартные вейвлеты (например, вейвлеты Добеши).вейвлеты Добеши).
– Нужна хорошая частотная локализация – Нужна хорошая частотная локализация – свойству свойству PR PR удовлетворить трудно. Поэтому удовлетворить трудно. Поэтому строим строим QMF QMF со свойством «почти со свойством «почти PRPR».».
нечетноеmmh
четноеmmhmh
],[
],[][
1
12
],[][ 11 mhmg ],[][ 22 mhmg
2][][2
2
2
1 HH
Дискретное вейвлет-Дискретное вейвлет-преобразование преобразование
Построение «почти Построение «почти PRPR»»--фильтров большого фильтров большого размера с хорошим частотным разделениемразмера с хорошим частотным разделением::1.1. Строим симметричный НЧ-фильтр Строим симметричный НЧ-фильтр hh11[m] [m] методом методом
оконного взвешивания.оконного взвешивания.
2.2. Нормируем его коэффициенты:Нормируем его коэффициенты:
3.3. Строим дополняющий его ВЧ-фильтр Строим дополняющий его ВЧ-фильтр hh22[m]:[m]:
4.4. Проверяем величину искажений по суммарной Проверяем величину искажений по суммарной частотной характеристикечастотной характеристике и пробуем изменить и пробуем изменить частоту среза НЧ-фильтра для уменьшения частоту среза НЧ-фильтра для уменьшения искажений.искажений.
2][1 m
mh
нечетноеmmh
четноеmmhmh
],[
],[][
1
12
Пирамидальное Пирамидальное представление представление
Продолжаем вейвлет-разложение для НЧ-Продолжаем вейвлет-разложение для НЧ-коэффициентовкоэффициентов
H2
H1
↓2
↓2 Коэффициенты
x[n]
H2
H1
↓2
↓2
Двумерное вейвлет-преобразование
на каждом шаге получаем4 набора коэффициентов:
НЧ («основные»)и ВЧ («детализирующие»)
Частотный диапазон
делится на октавы
Определение вейвлета Определение вейвлета
Дискретный вейвлетДискретный вейвлет1.1. Последовательность чиселПоследовательность чисел
2.2. Ортогональна своим сдвигам на четное число Ортогональна своим сдвигам на четное число точек:точек:
3.3. Существует скейлинг-функция (НЧ-фильтр), Существует скейлинг-функция (НЧ-фильтр), ортогональная вейвлету:ортогональная вейвлету:
Непрерывный вейвлетНепрерывный вейвлет1.1. Функция Функция
2.2. Равенство нулю интегралаРавенство нулю интеграла
ba
ttba )(,
0)(
dtt
][2 mh
0,,0]2[][ 22
kZkkmhmhm
0][][ 21
m
mhmh
Непрерывный вейвлет-Непрерывный вейвлет-анализ анализ
Скалярные произведения исследуемой Скалярные произведения исследуемой функции функции f(t) f(t) с непрерывными вейвлетами с непрерывными вейвлетами ψψa,ba,b(t)(t)
0)(),(
dtba
ttfbaWf
Банки фильтров Банки фильтров
Банки фильтров – преобразования, Банки фильтров – преобразования, разбивающие сигнал на несколько разбивающие сигнал на несколько частотных полос.частотных полос.– С точным восстановлением?С точным восстановлением?– С увеличением количества информации?С увеличением количества информации?– С перекрытием между временными окнами?С перекрытием между временными окнами?
ПримерПример:: дискретные вейвлеты дискретные вейвлеты Еще примерЕще пример:: кратковременное кратковременное
преобразование Фурьепреобразование Фурье (STFT – Short Time (STFT – Short Time Fourier Transform)Fourier Transform)
Банки фильтров Банки фильтров
Как банки фильтров разбивают частотно-Как банки фильтров разбивают частотно-временную плоскость?временную плоскость?
f
tОконное ДПФ
f
tВейвлеты
Банки фильтров: Банки фильтров: STFTSTFT
Без окон, без перекрытияБез окон, без перекрытия– Плохое разделение по частотамПлохое разделение по частотам– Временной алиасингВременной алиасинг– Нет избыточностиНет избыточности
С окнами, с перекрытиемС окнами, с перекрытием– Хорошее разделение по частотамХорошее разделение по частотам– Нет временного алиасинга (при двукратном Нет временного алиасинга (при двукратном
применении окон)применении окон)– ИзбыточностьИзбыточность
Банки фильтров: Банки фильтров: MDCTMDCT
Хорошее разделение по частотамХорошее разделение по частотам С перекрытием и уничтожением С перекрытием и уничтожением
временного алиасингавременного алиасинга Без избыточности!Без избыточности!
Каждое окно длины Каждое окно длины 2N 2N захватывает захватывает NN новых новых отсчетов и выдает отсчетов и выдает N N коэффициентовкоэффициентов
Требование к окнам:Требование к окнам:
Подходящие окна – Подходящие окна – Kaiser-Bessel derived (KBD)Kaiser-Bessel derived (KBD)
constNnwnw 22 ][][
Банки фильтров:Банки фильтров:достоинства и достоинства и недостаткинедостатки STFTSTFT
DWTDWT
+Очень быстрая реализация для большого числа полос.
–Слишком различающееся число осцилляцийбазисных функций, эффект Гиббса.
+Возможность произвольных разбиений F-T плоскости.
–Малое число частотных полос.Плохое частотное разделение между полосами.