问题标签 [wavelet-transform]

I've been trying to apply a one-level undecimated wavelets transform to a 3D numpy arrangement using the function swtn from the package pywavelets in python as follows:

which rises an error:

However, this does not make sense to me since the start level value less than 0 is not allowed by the wavelet decomposition. Could somebody have a look and point me out what I am missing?

我有一个大型 XTS 对象，它是使用跨 XTS ZOO 对象的滑动窗口进行相关计算的结果，该对象包含 12 x 12 个变量，用于 1343 个时间点。

我的大型 XTS 对象的结构如下，行代表时间，列代表相关组合。一个简化的例子如下所示：

如果我错了，请纠正我，但我相信eigen()R 中的函数需要一个方阵来计算矩阵 lambda 1,2 和 3 的特征值？

如何对上面的 xts 对象求平方以找到每个矩阵随时间变化的特征值和向量？

我猜我将在上面的 XTS 对象中为每个时间段 (1-4) 生成一个矩阵，并且应该通过取前 3 个值 (1 .1 -.4) 并将它们放入第一个值来构造矩阵列，接下来的三个值 (.1 1 .3) 进入第二列，最后第一行的最后三个值 (-.4 .3 1) 进入最后一列以组成 3 x 3矩阵如下所示：

t1 的矩阵

也许 XTS 对象的转换不需要计算特征值，但如果我在脑海中逐步完成它，这些是计算 XTS 对象的特征值所需的步骤。

理想情况下，每个矩阵的特征值将存储在数据框或矩阵中，在上述情况下，我将有一个包含 3 个变量的 12 个观测值的数据框或 3 x 4 的矩阵。

谁能告诉我我是否以错误的方式进行此操作，以及是否eigen()可以采用当前形式的 XTS 对象并计算特征值？

输入

谁能简单地解释未抽取和抽取小波变换之间的区别是什么？有什么相同点和不同点？它们有何不同？

I am trying to understand the concept of wavelets using the pywavelet library. My first step was to see how I could reconstruct a given input signal using the wavelet coefficients. Please see my code below:

This yielded the following plot:

Now, when I used the waverec() method, the signal reconstruction was quite accurate. Please see plot below:

Can someone please explain the difference between the two reconstruction methods?

来自https://github.com/plroit/Skyreach/wiki/Understanding-scalability-in-JPEG2000

一个输入图像被分成四个图像，每个图像的大小是输入的四分之一。四个图像中的每一个都称为子带。一个标有“LL”的子带实际上是输入的缩小版本，比例因子为 1/2。

如果我们采用单个平铺图像并进行一次二维小波分解，则对其进行编码并发送。
然后解码器将找到 4 个子带。
使用它，它将能够绘制尺寸减半的最大分辨率图片。
不是吗？

我一直在使用 matlab R2016a 中的连续小波变换（CWT），发现了一些奇怪的东西。当我对构造的信号进行 CWT 并绘制系数绝对值的对数时，该图显示，在结尾和开头有非常高的频率，但如果我将 CWT 做更大的间隔，然后限制那个，那么就没有这种奇怪的效果了。这是两张图片，说明： 在第一张中，我将 CWT 限制在有限的区间内，但在第二张中，我在完成 CWT 之后限制了情节，这是我的 MWE：

请帮忙解释一下这个奇怪的效果，在此先感谢。

我在 PyWavelets 变换中有一些伪影，这让我很困惑。我使用的是 0.5.2 版。有人可以解释这里发生了什么吗？

我首先创建一个 1-kHz 信号，然后尝试使用复杂的 Morlet 连续小波变换来分析该信号。我使用 3 个八度音阶：0.5 kHz 到 1 kHz、1 kHz 到 2 kHz 和 2 kHz 到 4 kHz，每个都有 40 个对数刻度。我的直觉是在 y=40（相当于 1 kHz）处应该有一个峰值，并且时间上的任何差异都应该是最小的。相反，我在 y=35 到 37（0.92 到 0.95 kHz）附近得到一个峰值，并且存在某种周期性效应。（奇怪的是，这种效果似乎只发生在变换的实部中——虚部看起来更接近我想象的样子，尽管它仍然没有正确居中。我相信实部和虚部应该看起来就像彼此的时移版本，

我在滥用 PyWavelets 吗？这里可能有错误吗？欢迎任何帮助。

变换幅度

变换的实分量

变换的虚部

我有以下代码计算 Daubechie 4 小波变换图像（LL、LH、HL、HH 子带）和能量特征。在这篇论文中是一个关于如何从复杂背景中检测文本的教程，但我不知道如何继续这个。有人可以帮助我，也许可以解释我如何计算图像的小波能量直方图，或者关于如何实现纸上的内容的想法？

我试图将 db 小波变换应用于图像并在 python 中以信号的形式表示轮廓。我不确定步骤是什么。我已经检测到轮廓。非常感谢任何帮助。谢谢！

如何通过使用 2D固定小波变换来减小维度？