Огляд
Коротка відповідь полягає в тому, що вони мають максимальну кількість vanishing moments
для даної support
(тобто кількість коефіцієнтів фільтра). Це "екстремальне" властивість, яке взагалі відрізняє вейвлети Daubechies . Якщо говорити слабко, то більше зникаючих моментів передбачає кращу компресію, а менша підтримка - менше обчислень. Насправді, компроміс між зникаючими моментами та розміром фільтра настільки важливий, що він домінує над тим, як називаються вейвлети. Наприклад, ви часто бачите D4
вейвлет, який називається D4
або db2
. 4
Відноситься до числа коефіцієнтів, і2
відноситься до кількості зникаючих моментів. Обидва відносяться до одного математичного об'єкта. Нижче я поясню докладніше, що це за моменти (і чому ми хочемо змусити їх зникнути), але поки що, просто зрозумійте, що це стосується того, наскільки добре ми можемо "скласти" більшу частину інформації в сигналі на менший кількість значень. Стиснення втрат досягається збереженням цих значень та викиданням інших.
Тепер ви, можливо, помітили CDF 9/7
, що в імені JPEG 2000
є два числа, а не одне. Насправді це також називається bior 4.4
. Це тому, що це зовсім не "стандартний" дискретний вейвлет. Насправді, це навіть технічно не зберігає енергію в сигналі, і ця властивість є цілковитою причиною того, що люди в першу чергу так схвилювались від DWT! Цифри 9/7
і 4.4
, як і раніше, відносяться до опор і зникаючих моментів відповідно, але тепер є два набори коефіцієнтів, які визначають вейвлет. Технічний термін полягає в тому, що orthogonal
вони не є biorthogonal
. Замість того, щоб заглиблюватися в те, що це означає математично, я
JPEG 2000
Більш детально обговорити проектні рішення навколо вейвлету CDF 9/7 можна знайти в наступному документі:
Usevitch, Bryan E. Навчальний посібник із стиснення сучасних зображень втрачених хвилеводів : основи JPEG 2000 .
Я просто перегляну основні моменти тут.
Досить часто ортогональні вейвлети Daubechies можуть насправді призвести до збільшення кількості значень, необхідних для представлення сигналу. Ефект викликається coefficient expansion
. Якщо ми робимо стиснення втрат, яке може не мати значення (оскільки ми все одно викидаємо значення в кінці), але воно, безумовно, здається контрпродуктивним в контексті стиснення. Одним із способів вирішення проблеми є трактування вхідного сигналу як періодичного.
Просто трактування введення як періодичного призводить до розривів на краях, які важче стискати, і є лише артефактами перетворення. Наприклад, розглянемо стрибки від 3 до 0 у наступному періодичному розширенні: . Щоб вирішити цю проблему, ми можемо використовувати симетричне періодичне розширення сигналу таким чином: . Усунення стрибків по краях є однією з причин, що замість DFT у JPEG використовується дискретна косинова трансформація (DCT). Представлення сигналу з косинусами неявно передбачає "переднє та заднє циклічне" вхідного сигналу, тому ми хочемо вейвлетів, які мають однакову властивість симетрії.[0,1,2,3]→[...0,1,2,3,0,1,2,3,...][0,1,2,3]→[...,0,1,2,3,3,2,1,0,0,1...]
На жаль, єдиним ортогональним вейвлетом, який має необхідні характеристики, є вейвлет Хаар (або D2, db1), який є лише одним зникаючим моментом. Тьфу. Це призводить нас до біртогональних вейвлетів, які насправді є надмірними уявленнями, а тому не зберігають енергію. Причина використання вейвлетів CDF 9/7 на практиці полягає в тому, що вони були розроблені таким чином, щоб вони були дуже близькими до енергозбереження. Вони також добре зарекомендували себе на практиці.
Існують й інші способи вирішення різних проблем (коротко згадуваних у статті), але це широкі риски факторів.
Моменти, що зникають
То які бувають моменти, і чому ми дбаємо про них? Гладкі сигнали можуть бути добре наближені поліномами, тобто функціями форми:
a+bx+cx2+dx3+...
Моменти функції (тобто сигнал) є мірою того, наскільки вона схожа на задану силу x. Математично це виражається як внутрішній добуток між функцією та силою x. Зникаючий момент означає, що внутрішній добуток дорівнює нулю, і тому функція не «нагадує» таку силу x, як слід (для безперервного випадку):
∫xnf(x)dx=0
Тепер кожен дискретний, ортогональний вейвлет має два пов'язані з ним фільтри FIR , які використовуються в DWT . Один - фільтр низьких частот (або масштабування) , а другий - фільтр високої частоти (або вейвлет)ϕψ. Ця термінологія, здається, дещо відрізняється, але я тут буду використовувати. На кожному етапі DWT фільтр високої частоти використовується для "відшаровування" шару деталей, а фільтр низьких частот дає згладжений варіант сигналу без цієї деталі. Якщо у високочастотному фільтрі є моменти, що зникають, ці моменти (тобто поліноміальні функції низького порядку) будуть вбудовані в додатковий згладжений сигнал, а не в сигнал деталізації. У випадку стиснення втрат, сподіваємось, що детальний сигнал не буде мати в ньому багато інформації, і тому ми можемо викинути більшу частину його.
Ось простий приклад використання вейвлета Haar (D2). Зазвичай в цьому випадку бере участь коефіцієнт масштабування , але я його опускаю тут, щоб проілюструвати концепцію. Два фільтри такі:
1/2–√
ϕ=[1,1]ψ=[1,−1]
Високочастотний фільтр зникає за нульовий момент, тобто , тому він має один зникаючий момент. Щоб побачити це, розглянемо цей постійний сигнал: . Тепер інтуїтивно, повинно бути очевидно, що там мало інформації (або в будь-якому постійному сигналі). Ми могли б описати те саме, сказавши «чотири двійки». DWT дає нам спосіб чітко описати цю інтуїцію. Ось що відбувається під час одного проходу DWT за допомогою вейвлета Haar:x0=1[2,2,2,2]
[2,2,2,2]→ϕψ{[2+2,2+2]=[4,4][2−2,2−2]=[0,0]
І що відбувається на другому проході, який працює на просто згладжений сигнал:
[4,4]→ϕψ{[4+4]=[8][4−4]=[0]
Зверніть увагу на те, як постійний сигнал абсолютно непомітний для деталей проходить (які всі виявляються 0). Також зауважте, як чотири значення були зменшені до одного значення . Тепер, якщо ми хотіли передати вихідний сигнал, ми могли б просто надіслати , а зворотний DWT міг реконструювати вихідний сигнал, вважаючи, що всі коефіцієнти деталізації дорівнюють нулю. Хвилянки із зникаючими моментами вищого порядку дозволяють отримати аналогічні результати із сигналами, які добре наближені лініями, параболами, кубіками тощо.8 8288
Подальше читання
Я переглядаю багато деталей, щоб забезпечити доступність вищезазначеного лікування. Наступний документ має значно глибший аналіз:
М. Унсер та Т. Блу, Математичні властивості вейвлет-фільтрів JPEG2000 , IEEE Trans. Image Proc., Vol. 12, ні. 9, вересень 2003, стор.1080-1090.
Зноска
Вищенаведений документ, схоже, говорить про те, що вейвлет JPEG2000 називається Daubechies 9/7 і відрізняється від вейвлета CDF 9/7.
Ми отримали точну форму фільтрів масштабування JPEG2000 Daubechies 9/7 ... Ці фільтри є результатом факторизації того ж многочлена, що і [10]. Основна відмінність полягає в тому, що фільтри 9/7 симетричні. Більше того, на відміну від біортогональних сплайсів Коена-Даубекіа-Фево [11], нерегулярна частина многочлена була поділена між обома сторонами і максимально рівномірно.Daubechies8
[11] А. Коен, І. Доубіес і Ж. К. Фево, “Біортогональні основи компактно підтримуваних вейвлетів”, Комітет. Чистий додаток Math., Vol. 45, ні. 5, с. 485–560, 1992.
Проект стандарту JPEG2000 ( PDF-посилання ), який я переглядав, також називає офіційний фільтр Daubechies 9/7. Він посилається на цей документ:
М. Антоніні, М. Барло, П. Матьє та І. Доубіес, “Кодування зображень за допомогою вейвлет-перетворення”, IEEE Trans. Зображення Прок. 1, С. 205-220, квітень 1992 року.
Я не читав жодного з цих джерел, тому не можу точно сказати, чому Вікіпедія називає вейвлет JPEG2000 CDF 9/7. Здається, що між ними може бути різниця, але люди так чи інакше називають офіційний вейвлет JPEG2000 CDF 9/7 (адже він базується на одній підставі?). Незалежно від назви, документ Usevitch описує той, що використовується у стандарті.