Wavelet: definícia, vlastnosti a aplikácie v spracovaní signálov

Wavelet: prehľad definície, kľúčové vlastnosti a praktické aplikácie vo vlnkovej transformácii pre spracovanie signálov, analýzu, kompresiu a odstránenie šumu.

Autor: Leandro Alegsa

11-03-2026 21:38

Wavelet je matematická funkcia, ktorá sa používa na zápis funkcie alebo signálu v podobe iných funkcií, ktoré sú jednoduchšie na štúdium. Mnohé úlohy spracovania signálov možno vnímať z hľadiska vlnkovej transformácie. Neformálne povedané, signál možno vidieť pod objektívom so zväčšením daným mierkou waveletu. Pritom môžeme vidieť len informácie, ktoré sú určené tvarom použitého waveletu.

Anglický termín "wavelet" zaviedli začiatkom 80. rokov 20. storočia francúzski fyzici Jean Morlet a Alex Grossman. Použili francúzske slovo "ondelette" (čo znamená "malá vlna"). Neskôr sa toto slovo dostalo do angličtiny prekladom "onde" na "vlna", čím vznikol "wavelet".

Wavelet je (komplexná) funkcia z Hilbertovho priestoru ψ ∈ L 2 ( R ) {\displaystyle \psi \v L^{2}(\mathbb {R} )} $\psi \in L^{2}(\mathbb {R} )$ . Pre praktické aplikácie by mal spĺňať nasledujúce podmienky.

Musí mať konečnú energiu.

∫ - ∞ ∞ | ψ ( t ) | 2 d t < ∞ {\displaystyle \int _{-\infty }^{\infty }|\psi (t)|^{2}dt<\infty } $\int _{-\infty }^{\infty }|\psi (t)|^{2}dt<\infty$

Musí spĺňať podmienku prípustnosti.

∫ 0 ∞ | ψ ^ ( ω ) | 2 ω d ω < ∞ {\displaystyle \int _{0}^{\infty }{{|{{hat {\psi }}(\omega )|^{2}} \nad {\omega }}d\omega <\infty } $\int _{0}^{\infty }{{|{\hat {\psi }}(\omega )|^{2}} \over {\omega }}d\omega <\infty$ , kde ψ ^ {\displaystyle {\hat {\psi }}} ${\hat {\psi }}$ je Fourierova transformácia ψ {\displaystyle \psi \,} $\psi \,$

Podmienka nulového priemeru vyplýva z podmienky prípustnosti.

∫ - ∞ ∞ ψ ( t ) d t = 0 {\displaystyle \int _{-\infty }^{\infty }\psi (t)dt=0} $\int _{-\infty }^{\infty }\psi (t)dt=0$

Funkcia ψ {\displaystyle \psi \,} $\psi \,$ sa nazýva materský wavelet. Jej preložená (posunutá) a rozšírená (zmenšená) normalizovaná verzia sú definované takto.

ψ a , b ( t ) = 1 a ψ ( t - b a ) {\displaystyle \psi _{a,b}(t)={\frac {1}{\sqrt {a}}}\psi \left({{t-b} \over {a}}\right)} $\psi _{a,b}(t)={\frac {1}{\sqrt {a}}}\psi \left({{t-b} \over {a}}\right)$

Pôvodný materský wavelet má parametre a = 1 {\displaystyle a=1} $a=1$ a b = 0 {\displaystyle b=0} $b=0$ . Translácia je opísaná parametrom b {\displaystyle b} $b$ a dilatácia parametrom a {\displaystyle a}.

Matematické vlastnosti a ďalšie podmienky

Okrem základných podmienok (konečná energia, prípustnosť, nulový priemer) sa v praxi často uvažujú aj ďalšie vlastnosti, ktoré určujú vhodnosť waveletu pre konkrétnu úlohu:

Vanishing moments (nulové momenty): Wavelet má N nulových momentov, ak ∫ t^k ψ(t) dt = 0 pre k = 0,1,...,N−1. Vyšší počet nulových momentov znamená, že wavelet je citlivejší na rýchle zmeny (tranzienty) a menej citlivý na polynomiálne zložky signálu (napr. trendy).
Podpora (compact support): Wavelety s kompaktnou podporou (napr. Daubechies) vedú k rýchlym diskrétnym algoritmom a lokálnym výsledkom v čase/mieste.
Ortogonalita / biortogonalita: Ortogonálne bázy umožňujú jednoduchú rekonstrukciu bez redundancie, biortogonálne wavelety ponúkajú kompromis medzi symetriou a vlastnosťami filtrov.
Symetria a regularita: Symetrické (alebo približne symetrické) wavelety znižujú artefakty pri spracovaní obrazov; hladkosť (regularita) ovplyvňuje kvalitu aproximácie.
Time–frequency lokalizácia: Wavelety poskytujú dobré súčasné rozlíšenie v čase aj vo frekvencii, čo stojí za ich úspechom v analýze ne-stacionárnych signálov.

Typy waveletov (príklady)

Haar – najjednoduchší diskretý wavelet, má kompaktnú podporu, nulové momenty = 1; často používaný pre ilustráciu a rýchle výpočty.
Daubechies (Db) – rodina ortogonálnych waveletov s rôznym počtom koeficientov a nulových momentov; vhodné pre kompresiu a rýchle filtračné implementácie.
Symlets – symetrizované verzie Daubechies waveletov s lepšou symetriou.
Coiflets – navrhnuté tak, aby mali viac nulových momentov pre materskú funkciu aj pre škálovaciu funkciu.
Morlet – kontinuálny, komplexný wavelet vhodný pre analýzu frekvenčnej obsahu s fázovými informáciami; historicky spojený s pojmom "wavelet".
Mexican hat (Ricker) – reálny, symetrický wavelet (druh druhého derivátu Gaussovej funkcie), vhodný na detekciu impulzov a hrán.

Transformácie: CWT a DWT

Existujú dve hlavné kategórie waveletových transformácií:

Kontinuálna waveletová transformácia (CWT): pre signál f(t) sa definuje ako vstupné skalarni koeficienty W(a,b) = ∫ f(t) (1/√a) · overline{ψ((t−b)/a)} dt, kde a (>0) je mierka a b je posun. CWT je redundatná (pre pokrytie všetkých mierok a posunov) a veľmi vhodná pre detailnú analýzu časovo-frekvenčnej štruktúry signálu.
Diskrétna waveletová transformácia (DWT): pracuje s diskrétnym súborom mierok a posunov (často mocniny dvoch: a = 2^j, b = k·2^j). DWT sa implementuje efektívne pomocou dvojpólového filtračného banku (Mallatov algoritmus) s postupným filtrovaním a podvzorkovaním, čo vedie k rýchlemu a menej redundantnému rozkladu signálu do pásiem (aproximácia a detaily).

Aplikácie v spracovaní signálov

Wavelety sú široko používané v mnohých oblastiach spracovania signálov a analýzy dát. Najdôležitejšie aplikácie:

Odšumovanie (denoising): transformácia signálu do waveletovej domény, prahovanie malých koeficientov (ktoré zodpovedajú šumu) a následná inverzná transformácia. Tento postup zachováva hrany a tranzienty lepšie než klasické frekvenčné filtre.
Kompresia: waveletová kompresia (napr. JPEG2000 pre obrazy) dosahuje vysokú kompresiu pri zachovaní vizuálnej kvality, vďaka koncentrácii energie do malého počtu veľkých koeficientov.
Detekcia hrán a tranzientov: wavelety s vhodnými nulovými momentmi a lokalizáciou efektívne zvýrazňujú rýchle zmeny signálu alebo obrazu.
Extrahovanie príznakov (feature extraction): v rozpoznávaní reči, spracovaní obrazu, analýze EEG/ECG – koeficienty waveletovej transformácie slúžia ako robustné príznaky.
Časovo-frekvenčná analýza: pri ne-stacionárnych signáloch (biomedicína, seizmika, audio) wavelety poskytnú informácie o tom, kedy sa v signále objavujú rôzne frekvenčné komponenty.
Decompozícia viacúrovňová (multiresolution analysis, MRA): analýza signálu na rôznych úrovniach rozlíšenia je užitočná pri adaptívnom spracovaní, rekonštrukcii detailov a pri kompresii.
Filtrovanie a odstraňovanie trendov: wavelety dokážu oddeliť dlhodobé pomalé zmeny (low-frequency) od krátkodobých fluktuácií.

Implementačné a praktické poznámky

Voľba waveletu závisí od úlohy: pre kompresiu a rýchle výpočty sú populárne Daubechies; pre analýzu fáz a spektrálnu lokalizáciu sú vhodné komplexné wavelety (Morlet); pre jednoduchú ilustráciu a rýchle operácie sa používa Haar.
Pri digitálnom spracovaní sa často pracuje s filtrovaním cez páry filtrov (nízkopriepustný a vysokopriepustný), následne sa vykoná podvzorkovanie (downsampling). Inverzný proces (rekonštrukcia) používa syntetické filtre a nadvzorkovanie (upsampling) s podmienkou perfektného znovuobnovenia.
Pri použití na obrazy sa uplatňuje 2D DWT (radové a stĺpcové filtrovanie), čo vedie k dekompozícii na podobrazce s rôznymi smerovými detailmi (vertikálne, horizontálne, diagonálne).
Pre rýchlu analýzu veľkých dátových množín existujú knižnice a nástroje v jazykoch Python (PyWavelets), MATLAB, R a C/C++ s implementáciami CWT/DWT a prahovania.

Zhrnutie

Wavelety predstavujú flexibilný a výkonný nástroj pre analýzu a spracovanie signálov s výhodami v časovo-frekvenčnej lokalizácii, adaptívnej multiresolúcii a efektívnej implementácii cez filter banky. Ich vlastnosti (nulové momenty, podpora, symetria, ortogonalita) treba voliť podľa cieľa: detekcia tranzientov, kompresia, odšumovanie alebo extrakcia príznakov.

Pre ďalšie štúdium odporúčam hľadať materiály o multiresolution analysis (MRA), Mallatovom algoritme a praktických implementáciách DWT/CWT v softvérových knižniciach.

Morletov wavelet

Otázky a odpovede

Otázka: Čo je to wavelet?

Odpoveď: Wavelet je matematická funkcia, ktorá sa používa na zápis funkcie alebo signálu v podobe iných funkcií, ktoré sú jednoduchšie na štúdium. Môžeme ju vidieť pod objektívom so zväčšením daným mierkou waveletu, čo nám umožňuje vidieť len informácie určené jej tvarom.

Otázka: Kto zaviedol pojem "wavelet"?

Odpoveď: Anglický termín "wavelet" zaviedli začiatkom 80. rokov 20. storočia francúzski fyzici Jean Morlet a Alex Grossman, ktorí použili francúzske slovo "ondelette" (čo znamená "malá vlna"). Neskôr sa toto slovo dostalo do angličtiny preložením "onde" na "wave", čím vznikol "wavelet".

Otázka: Čo musí spĺňať wavelet, aby sa dal použiť v praxi?

Odpoveď: Pre praktické aplikácie musí mať wavelet konečnú energiu a spĺňať podmienku prípustnosti. Táto podmienka prípustnosti hovorí, že musí mať nulovú strednú hodnotu a musí tiež spĺňať integrál cez frekvenciu, ktorý je menší ako nekonečno.

Otázka: Čo sa myslí pod pojmami translácia a dilatácia, keď sa hovorí o waveletoch?

Odpoveď: Translácia sa vzťahuje na posun alebo presun materského waveletu pozdĺž časovej osi, zatiaľ čo dilatácia sa vzťahuje na škálovanie alebo roztiahnutie/zmenšenie materských waveletov pozdĺž časovej osi. Tieto dva parametre (translácia a dilatácia) sú opísané písmenami b, resp. a.

Otázka: Čo znamená, že wavelet má nulovú strednú hodnotu?

Odpoveď: Nulová stredná hodnota znamená, že pri integrovaní cez všetky hodnoty t od záporného nekonečna po kladné nekonečno by sa mal súčet rovnať 0, t. j. ∫-∞∞ψ(t)dt=0 . Táto požiadavka vyplýva zo samotnej podmienky prípustnosti, ako bolo uvedené vyššie.

Otázka: Ako je definovaná materská vlnoplocha?

Odpoveď: Materské vlnky sú definované ako normalizované verzie preloženej (posunutej) a rozšírenej (zmenšenej) verzie pôvodných materských vlniek, ktoré majú parametre "a" = 1 a "b" = 0 .

Prehľadať