Fourier-Transformation und Wavelets

Otto Forster, Joachim Wehler

Vorlesung im Wintersemester 2000/2001, LMU Mnchen,

Version 1.0

Inhalt

HILBERT-RUME ...................................................................................................................................... 6
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
1.10

DEFINITION (PR-HILBERT-RAUM) .......................................................................................................... 6

SATZ (UNGLEICHUNG VON CAUCHY-SCHWARZ) ...................................................................................... 6
DEFINITION (HILBERT-RAUM) .................................................................................................................. 7
DEFINITION (LINEARER OPERATOR) ......................................................................................................... 7
BEMERKUNG (STETIGKEIT UND BESCHRNKTHEIT) ................................................................................. 7
DEFINITION (ORTHOGONALITT, ORTHONORMALITT)............................................................................ 8
DEFINITION (FOURIER-KOEFFIZIENTEN BZGL. EINES ORTHONORMAL-SYSTEMS) ..................................... 8
SATZ (BESTE APPROXIMATION DURCH EIN ORTHONORMAL-SYSTEM) ..................................................... 8
KOROLLAR (BESSEL-UNGLEICHUNG, PARSEVAL-GLEICHUNG) .............................................................. 10
DEFINITION (HILBERT-BASIS)................................................................................................................. 10

L2-RUME .................................................................................................................................................. 11
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9

SATZ (HILBERT-RAUM DER QUADRAT-SUMMIERBAREN FOLGEN) .......................................................... 11

BEMERKUNG (BANACH-RAUM DER P-SUMMIERBAREN FOLGEN) ........................................................... 12
BEMERKUNG (ABSOLUTE KONVERGENZ DURCH Z-INDIZIERTER REIHEN).............................................. 12
ALGORITHMUS (SCHMIDTSCHES ORTHONORMALISIERUNGSVERFAHREN) .............................................. 13
BEZEICHNUNG (RUME INTEGRIERBARER FUNKTIONEN)....................................................................... 14
BEISPIEL (LEGENDRE POLYNOME) ......................................................................................................... 15
BEMERKUNG (LEGENDRE POLYNOME)................................................................................................... 16
DEFINITION (HAAR'SCHE FUNKTIONEN) ................................................................................................. 16
SATZ (HILBERT-BASIS DER HAAR'SCHEN FUNKTIONEN) ........................................................................ 17

FOURIER-REIHEN ................................................................................................................................... 20
3.1
DEFINITION (TRIGONOMETRISCHES POLYNOM)...................................................................................... 20
3.2
BEMERKUNG (ORTHONORMAL-SYSTEM DER TRIGONOMETRISCHEN MONOME)..................................... 20
3.3
DEFINITION (FOURIER-REIHE) ................................................................................................................ 21
3.4
LEMMA (VERHALTEN BZGL. TRANSLATION UND DIFFERENTIATION) ..................................................... 21
3.5
DEFINITION (STCKWEISE STETIGE DIFFERENZIERBARKEIT) .................................................................. 22
3.6
DEFINITION (DIRICHLET-KERN) ............................................................................................................. 22
3.7
LEMMA (DIRICHLET-KERN) ................................................................................................................... 22
3.8
SATZ (RIEMANN-LEBESGUE LEMMA)..................................................................................................... 23
3.9
SATZ (GLEICHMIGE KONVERGENZ DER FOURIER-REIHE UNTER DIFFERENZIERBARKEITSVORAUSSETZUNGEN) ......................................................................................................................................... 24
3.10 KOROLLAR (WEIERSTRA'SCHER APPROXIMATIONSSATZ, PERIODISCHER FALL).................................... 26
3.11 KOROLLAR (HILBERT-BASIS DER TRIGONOMETRISCHEN MONOME)....................................................... 26
3.12 KOROLLAR (WEIERSTRA'SCHER APPROXIMATIONSSATZ) ..................................................................... 27
3.13 KOROLLAR (HILBERT-BASIS DER LEGENDRE-POLYNOME)..................................................................... 27
3.14 BEMERKUNG (FALTUNG, DISTRIBUTION) ............................................................................................... 27
3.15 SATZ (DIFFERENZIERBARKEIT UND KONVERGENZVERHALTEN) ............................................................. 28

FOURIER-INTEGRALE ........................................................................................................................... 30
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
4.10
4.11
4.12
4.13
4.14
4.15
4.16
4.17

DEFINITION (EXPONENTIALFUNKTION UND SKALIERUNG) ...................................................................... 30

DEFINITION (FOURIER-TRANSFORMATION) ............................................................................................ 30
BEMERKUNG (FOURIER-TRANSFORMATION UND KOMPLEXE KONJUGATION) ........................................ 30
BEISPIEL (FOURIER-TRANSFORMATION DER NORMALVERTEILUNG) ...................................................... 31
LEMMA (STETIGKEIT DER FOURIER-TRANSFORMATION) ........................................................................ 32
BEISPIEL (NICHT INTEGRIERBARE FOURIER-TRANSFORMATION)............................................................ 33
LEMMA (TRANSLATION UND DILATATION BEI FOURIER-TRANSFORMATION) ......................................... 33
LEMMA .................................................................................................................................................. 34
DEFINITION (TEMPERIERTE FUNKTIONEN).............................................................................................. 34
BEMERKUNG .......................................................................................................................................... 35
LEMMA (PRODUKT UND DIFFERENTIATION TEMPERIERTER FUNKTIONEN) ............................................. 35
BEMERKUNG .......................................................................................................................................... 36
SATZ (FOURIER-TRANSFORMATION TEMPERIERTER FUNKTIONEN) ........................................................ 36
LEMMA (STETIGKEIT DER FOURIER-TRANSFORMATION) ........................................................................ 37
SATZ (UMKEHRFORMEL DER FOURIER-TRANSFORMATION) ................................................................... 38
KOROLLAR (FOURIER-TRANSFORMATION ALS ISOMETRIE) .................................................................... 40
SATZ (FOURIER-TRANSFORMATION ALS L2-ISOMORPHISMUS) ............................................................... 40

Inhalt
5

DISTRIBUTIONEN.................................................................................................................................... 42
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
5.11
5.12

DEFINITION (TESTFUNKTIONEN)............................................................................................................. 42
DEFINITION (DIRAC-DISTRIBUTION) ....................................................................................................... 42
DEFINITION (REGULRE DISTRIBUTIONEN) ............................................................................................ 43
SATZ (APPROXIMATION DER DIRAC-DISTRIBUTION) .............................................................................. 43
DEFINITION (DISTRIBUTION)................................................................................................................... 43
BEMERKUNG .......................................................................................................................................... 43
DEFINITION (MULTIPLIKATION MIT FUNKTIONEN) .................................................................................. 44
DEFINITION (TRANSLATION UND DILATION EINER DISTRIBUTION) ......................................................... 44
DEFINITION (ABLEITUNG EINER DISTRIBUTION) ..................................................................................... 44
BEISPIEL (ABLEITUNG DER HEAVISIDE-DISTRIBUTION) .......................................................................... 45
DEFINITION (KONVERGENZ VON DISTRIBUTIONEN)................................................................................ 45
BEISPIEL ................................................................................................................................................. 45

FOURIER-TRANSFORMATION TEMPERIERTER DISTRIBUTIONEN........................................ 46

6.1
SATZ (TESTFUNKTIONEN UND TEMPERIERTE FUNKTIONEN) ................................................................... 46
6.2
BEMERKUNG .......................................................................................................................................... 47
6.3
DEFINITION (TEMPERIERTE DISTRIBUTION)............................................................................................ 47
6.4
SATZ (TEMPERIERTE DISTRIBUTION)...................................................................................................... 47
6.5
BEMERKUNG (TEMPERIERTE DISTRIBUTIONEN) ..................................................................................... 47
6.6
DEFINITION (FOURIER-TRANSFORMATION TEMPERIERTER DISTRIBUTIONEN) ........................................ 48
6.7
LEMMA (FOURIER-TRANSFORMATION DER DIRAC-DISTRIBUTION) ........................................................ 48
6.8
LEMMA (TRANSLATION UND DILATATION BEI FOURIER-TRANSFORMATION TEMPERIERTER
DISTRIBUTIONEN)............................................................................................................................................... 49
6.9
SATZ (KONVERGENZ DER DIRICHLET-KERNE) ....................................................................................... 49
6.10 FOLGERUNG (POISSON FORMEL) ............................................................................................................ 49
6.11 BEISPIEL (TRANSFORMATIONSFORMEL DER THETA-FUNKTION)............................................................. 50

FALTUNG ................................................................................................................................................... 52
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
7.10
7.11
7.12

BEMERKUNG (INTEGRIERBARKEIT IM PRODUKTRAUM).......................................................................... 52

DEFINITION (FALTUNG) .......................................................................................................................... 52
SATZ (FOURIER-TRANSFORMATION DER FALTUNG VON FUNKTIONEN) .................................................. 53
DEFINITION (FALTUNG EINER DISTRIBUTION)......................................................................................... 54
BEMERKUNG (FALTUNG EINER DISTRIBUTION) ...................................................................................... 54
LEMMA (FALTUNG EINER REGULREN DISTRIBUTION)........................................................................... 54
LEMMA (FALTUNG EINER DISTRIBUTION)............................................................................................... 55
BEISPIEL (FALTUNG DER DIRAC-DISTRIBUTION) .................................................................................... 55
SATZ (FOURIER-TRANSFORMATION DER FALTUNG MIT EINER DISTRIBUTION) ....................................... 55
SATZ (ABTAST-THEOREM VON SHANNON)............................................................................................. 56
BEMERKUNG (ABTASTDISTANZ) ............................................................................................................ 57
BEMERKUNG (ABTASTUNG) ................................................................................................................... 58

KONTINUIERLICHE WAVELET-TRANSFORMATION ................................................................... 60

8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
8.9
8.10
8.11
8.12

9
10

ALGORITHMUS (GEFENSTERTE FOURIER-TRANSFORMATION)................................................................ 60

ALGORITHMUS (WAVELET-TRANSFORMATION) ..................................................................................... 60
BEMERKUNG (GEFENSTERTE FOURIER-TRANSFORMATION VERSUS WAVELET-TRANSFORMATION) ...... 61
SCHREIBWEISE (WAVELET).................................................................................................................... 61
DEFINITION (WAVELET UND WAVELET-TRANSFORMATION).................................................................. 62
LEMMA (WAVELET-TRANSFORMATION ALS FALTUNG).......................................................................... 62
BEISPIEL (HAAR WAVELET) ................................................................................................................... 63
BEMERKUNG (WAVELET)....................................................................................................................... 64
LEMMA (ERZEUGUNG VON WAVELETS) ................................................................................................. 64
BEISPIEL (WAVELET MEXIKANER-HUT)................................................................................................. 65
SATZ (WAVELET-TRANSFORMATION ALS ISOMETRIE)............................................................................ 65
SATZ (UMKEHRFORMEL DER WAVELET-TRANSFORMATION) ................................................................. 66

GIBBSCHES PHNOMEN ....................................................................................................................... 68

SCHNELLE FOURIER-TRANSFORMATION .................................................................................. 69

Inhalt

11

FOURIERTHEORIE UND QUANTENCOMPUTING....................................................................... 70

12

BILDKOMPRESSION ........................................................................................................................... 71

13

WAVELET-FRAME............................................................................................................................... 72

13.1
13.2
13.3
13.4
13.5
13.6
13.7
13.8
13.9
13.10
13.11
13.12
13.13
13.14
13.15
14

MULTI-SKALEN-ANALYSE ............................................................................................................... 90

14.1
14.2
14.3
14.4
14.5
14.6
14.7
14.8
14.9
14.10
14.11
15
15.1
15.2
15.3
15.4
15.5
15.6

DEFINITION (SKALIERUNGS- UND TRANSLATIONSPARAMETERN) ........................................................... 72

BEMERKUNG (ANFORDERUNG AN DIE DISKRETE WAVELET-TRANSFORMATION) ................................... 73
BEISPIEL (HAAR WAVELET) ................................................................................................................... 73
DEFINITION (FRAME).............................................................................................................................. 74
BEMERKUNG (FRAME) ........................................................................................................................... 74
LEMMA (NORM IN EINEM HILBERT-RAUM) ............................................................................................ 75
SATZ (FRAME-OPERATOR) ..................................................................................................................... 75
DEFINITION (WAVELET-FRAME) ............................................................................................................ 78
LEMMA (STRAFFER FRAME UND HILBERT-BASIS).................................................................................. 78
SATZ (WAVELET-FRAME) .................................................................................................................. 79
DEFINITION (MEYER-WAVELET) ........................................................................................................ 85
BEMERKUNG (MEYER-WAVELET) ..................................................................................................... 85
SATZ (MEYER-WAVELET).................................................................................................................. 86
SATZ (REKONSTRUKTION AUS DEN WAVELET-KOEFFIZIENTEN)......................................................... 87
BEMERKUNG (MEXIKANER-HUT)....................................................................................................... 89

BEISPIEL (SKALIERUNGSFUNKTION) ....................................................................................................... 90

DEFINITION (SKALIERUNGSFUNKTION) ................................................................................................... 91
LEMMA (ORTHOGONALITTSRELATION) ................................................................................................ 91
BEMERKUNG (UNTERRAUM-STRUKTUR ZU EINER SKALIERUNGSFUNKTION).......................................... 92
SATZ (MULTI-SKALEN-ANALYSE) .......................................................................................................... 93
SATZ (WAVELETS EINER MULTI-SKALEN-ANALYSE) ............................................................................. 97
BEMERKUNG (WAVELETS EINER MULTI-SKALEN-ANALYSE) ................................................................. 99
LEMMA (SKALIERUNG IM FREQUENZRAUM)......................................................................................... 100
SATZ (KONSTRUKTION VON SKALIERUNGSFUNKTIONEN) ..................................................................... 103
SATZ (EXTREMALPUNKT)................................................................................................................. 104
BEISPIEL (DAUBECHIES-WAVELETS IM BERBLICK) ........................................................................ 104

SCHNELLE WAVELET-TRANSFORMATION .............................................................................. 107

BEZEICHNUNG (SKALIERUNGSFUNKTION UND WAVELET).................................................................... 107
DEFINITION (ZERLEGUNGS-OPERATOREN) ........................................................................................... 107
BEMERKUNG ........................................................................................................................................ 108
ALGORITHMUS (SCHNELLE WAVELET-ANALYSE) ................................................................................ 108
ALGORITHMUS (SCHNELLE WAVELET-SYNTHESE)............................................................................... 110
BEMERKUNG (KOMPLEXITT).............................................................................................................. 111

16

ZUSAMMENFASSUNG....................................................................................................................... 112

17

LITERATUR ......................................................................................................................................... 114

Einleitung

Einleitung
Fourier-Transformation ist die klassische Methode zur Zerlegung eines Signals in seine einzelnen Frequenzen und die anschlieende Rekonstruktion aus dem Frequenzspektrum. Die
Fourier-Transformation spielt eine wichtige Rolle in vielen Gebieten der Mathematik, der
Physik und in ingenieurwissenschaftlichen Anwendungen. Fr letztere ist insbesondere die
"Schnelle Fourier-Transformation", eine effiziente numerische Implementierung, wichtig.
Auch bei den Algorithmen des Quanten-Computing ist die schnelle Fourier-Transformation
ein entscheidendes Hilfsmittel.
Daneben ist der Fourier-Transformation in der Praxis ein Konkurrent erwachsen in der Wavelet-Transformation. Wavelets liefern ein mathematisches Verfahren, das aufgrund der zeitlichen Lokalisierung des Frequenzspektrums eine bessere Auflsung bei der Rekonstruktion
des Signals ergibt. Hierzu werden die Signale mit zeitlich lokalisierten "kleinen Wellen" (Wavelets) gescannt, statt mit den unendlich ausgedehnten Sinus- oder Cosinusschwingungen der
Fourier-Transformation.
Die Vorlesung gibt eine Einfhrung in die Mathematik beider Arten von Transformationen.
Aus theoretischer Sicht beurteilt hat das moderne Gebiet der Wavelet-Theorie die klassische
Fourier-Theorie keinesfalls abgelst. Vielmehr setzen Wavelet-Transformationen die theoretischen Eigenschaften der Fourier-Transformation einschlielich ihrer Anwendung auf Distributionen als selbstverstndliche Hilfsmittel voraus.
Das vorliegende Script gibt den Stoff wieder, den wir in einer 4-stndigen Vorlesung behandelt haben. An Vorwissen haben wir bei unseren Hrern gute Kenntnisse in der Analysis vorausgesetzt. Es ist geplant, auch den Inhalt der Kapitel 9, 10, 11, 12 unter einem separaten Link
auf der Homepage von O. Forster bereitzustellen.

Mnchen, April 2001

Hilbert-Rume

1 Hilbert-Rume
Intergrierbare Funktionen bilden bezglich der Addition und der Multiplikation mit Skalaren
einen komplexen Vektorraum. Seine Dimension ist i.a. nicht mehr endlich. Zum Studium unendlich-dimensionaler Vektorrume verwendet man neben der Linearen Algebra zustzlich
Hilfsmittel aus der Topologie. Mit Hilfe einer oder mehrerer Normen fhrt man einen Konvergenzbegriff ein. Die einfachste Klasse von unendlich-dimensionalen Vektorrumen dieser
Art sind Hilbert-Rume. Bei ihnen leitet sich die Norm aus einem Hermitesches Skalarprodukt ab. Damit ist in Hilbert-Rumen nicht nur die Lnge eines Vektors definiert, sondern
auch der Winkel zwischen zwei beliebigen Vektoren. Insbesondere hat man einen Orthogonalitts-Begriff.
So lange nichts anderes gesagt wird, werden wir in dieser Vorlesung Vektorrume stets als
komplexe Vektorrume voraussetzen.

1.1 Definition (Pr-Hilbert-Raum)

Ein Pr-Hilbert-Raum ist ein komplexer Vektorraum X zusammen mit einem Hermiteschen
Skalarprodukt
< -, - >: X x X C.
Ein Hermitesches Skalarprodukt erfllt die Bedingungen:

< x 1 + x 2, y > = < x 1, y > + < x 2, y >

< x, y > = < x, y >

x, y = y, x
< x, x > 0 und es gilt
< x, x > = 0 x = 0 (positiv definit).

Das Skalarprodukt ist also linear in der ersten und antilinear in der zweiten Komponente.

Die wichtigste Aussage ber das Skalarprodukt ist die Abschtzung von Cauchy-Schwarz:

1.2 Satz (Ungleichung von Cauchy-Schwarz)

In einem Pr-Hilbert-Raum X gilt fr das Skalarprodukt zweier Elemente x, y X die Abschtzung von Cauchy-Schwarz
x, y

Beweis. Wir betrachten fr einen Parameter C das Skalarprodukt

0 x + y, x + y = x , x + x , y + y, x + y, y
2

Falls y, y 0 setzen wir :=

x, y
und erhalten
y, y

Hilbert-Rume

0 x, x

x, y

y, y

x, y

y, y

x, y

y, y

d.h.
x , x y, y x , y

Falls y, y = 0 folgt y = 0, und die Behauptung gilt offensichtlich, QED.

1.3 Definition (Hilbert-Raum)

Ein Pr-Hilbert-Raum ( X, < -, - > ) heit Hilbert-Raum, wenn der Vektorraum X bzgl. der
induzierten Norm
x :=

x, x

vollstndig ist, d.h. wenn jede Cauchy-Folge konvergiert.

Dabei folgt die Dreiecksungleichung aus der Cauchy-Schwarz'schen Ungleichung.

1.4 Definition (Linearer Operator)

Ein linearer Operator zwischen zwei Hilbert-Rumen
(X1, < -, - >1 ) (X2, < -, - >2 )
ist eine C-lineare Abbildung
f: X1 X2.
Der Operator heit isometrisch, wenn er das Skalarprodukt respektiert, d.h. wenn gilt
< f(x), f(y) >2 = < x, y >1.
Ein surjektiver isometrischer Operator heit unitr.

1.5 Bemerkung (Stetigkeit und Beschrnktheit)

Anders als im Falle endlich-dimensionaler Vektorrume sind lineare Operatoren
f: X Y
i.a. nicht beschrnkt, d.h. es braucht keine Konstante K zu geben mit
f (x ) K x

fr alle x X.

Ein linearer Operator ist genau dann beschrnkt, wenn

sup f ( x ) < .
x =1

Hilbert-Rume

Man nennt dann

f := sup f ( x )
x =1

die Operator-Norm von f. Die Beschrnktheit ist gleichwertig mit der Stetigkeit des Operators.

Analog zu Definition 1.1 lassen sich auch reelle Hilbert-Rume definieren. Bei ihnen ist der
unterliegende Vektorraum euklidisch, und man betrachtet dann R-lineare Abbildungen.
Da man in einem Hilbert-Raum ber das Skalarprodukt Winkel messen kann, lt sich auch
der Begriff der Orthogonalitt einfhren. Er verschft den Begriff der linearen Unabhngigkeit.

1.6 Definition (Orthogonalitt, Orthonormalitt)

Eine Familie (xi)iI von Elementen eines Hilbert-Raumes X heit ein Orthogonal-System,
wenn alle Elemente paarweise aufeiander senkrecht stehen, d.h. fr alle i j I gilt
< xi, xj > = 0.
Die Familie (xi)iI heit Orthonormal-System, wenn zustzlich alle Elemente auf die Lnge 1
normiert sind, d.h. fr alle i, j I gilt
< xi, xj > = ij.

1.7 Definition (Fourier-Koeffizienten bzgl. eines OrthonormalSystems)

In einem Hilbert-Raum X sind die Fourier-Koeffizienten eines Elementes x X bzgl. eines
Orthonormal-Systems (xi)iI definiert als die Familie der Skalarprodukte

( x, x )
i

iI

Die Fourier-Koeffizienten erlauben, jedes Element des Hilbert-Raumes nach einem Orthonormal-System zu entwickeln. Der folgende Satz zeigt, da die endlichen Teilsummen dieser
Entwicklung die beste Approximation von x liefern.

1.8 Satz (Beste Approximation durch ein Orthonormal-System)

Sei {e1 ,..., e n } ein endliches Orthonormal-System in einem (Pr-)Hilbert-Raum X und sei
x X ein beliebiger Vektor. Es seien
i := x , e i C fr i = 1,..., n
die Fourier-Koeffizienten von x. Dann gilt fr jede Wahl von Koeffizienten

(1 ,..., n ) C n

Hilbert-Rume

die Abschtzung
n

i =1

i =1

x i ei x i ei .
Die Approximation mit den Fourier-Koeffizienten liefert die Differenz
2

x i ei

= x

i =1

i =1

Beweis. Anschaulich gesprochen handelt es sich um die beste Approximation von x durch einen geeigneten Vektor in dem von {e1 ,..., e n } aufgespannten Unterraum
E := span {e1 ,..., e n } .
Der Vektor
n

i =1

ei

ist die Orthogonalprojektion von x auf E, whrend

n

i =1

ei

ein beliebiger Vektor von E ist. Fr das Skalarprodukt gilt die Formel von Pythagoras
a+b

= a + b, a + b = a , a + a , b + b, a + b, b = a

+ b

+ 2 Re a , b ,

im Falle des Senkrecht-Stehens a b also

a+b

= a

+ b

Diese Formel bertrgt sich auf endlich viele Summanden. Man erhlt in der Situation des
Satzes:
2

x i ei
i =1

i =1

i =1

= ( x i ei ) + ( i e i

x i ei
i =1

i =1

+ i i x i ei
2

i =1

ei )
2

i =1

Eine weitere Anwendung der Formel von Pythagoras zeigt

x

= iei + x iei
i =1
i =1

= i
i =1

+ x i ei
i =1

, QED.

Hilbert-Rume

10

1.9 Korollar (Bessel-Ungleichung, Parseval-Gleichung)

Es sei (ei)iI ein Orthonormalsystem eines (Pr-)Hilbert-Raumes X mit abzhlbarer Indexmenge I. Dann gilt fr jedes Element x X:

x, e i

x, e i

= x

(Bessel-Ungleichung)

iI

iI

(Parseval-Gleichung) x = x, e i e i (Fourier-Entwicklung)
iI

Beweis. Die Gleichung von Satz 1.8 zeigt, da fr jede endliche Teilfamilie J I gilt

iJ

x, ei

Da die rechte Seite unabhngig von J ist, konvergiert die Reihe der Absolutbetrge. Die Ungleichung gilt auch im Limes und stellt die Bessel-Ungleichung dar.
Ebenso ergibt die Gleichung von Satz 1.8 im Grenzwert die quivalenz der ParsevalGleichung mit der Fourier-Entwicklung, QED.

Dieselbe Bedeutung, die fr die endlich-dimensionale Theorie der Begriff der Basis hat,
kommt in Hilbert-Rumen dem Begriff der Hilbert-Basis zu. In endlich-dimensionalen Rumen fallen beide Begriffe zusammen, im unendlich-dimensionalen Fall sind sie dagegen verschieden. Hier tritt der Begriff der Basis in seiner Bedeutung zurck, es wird fast ausschlielich mit dem Begriff der Hilbert-Basis gearbeitet. Jede Hilbert-Basis ist auch linearunabhngig. Sie erzeugt jedoch die Elemente des Hilbert-Raumes i.a. nicht mehr als endliche
Linearkombinationen, sondern nur als unendliche Reihen.

1.10 Definition (Hilbert-Basis)

Ein abzhlbares Orthonormalsystem (ei)iI von Elementen eines Hilbert-Raumes X heit Hilbert-Basis, wenn es vollstndig ist, d.h. wenn jedes Element x X die Fourier-Entwicklung
hat
x = x, e i e i .
iI

Der Hilbert-Raum X heit separabel, wenn er eine abzhlbare Hilbert-Basis hat.

L2-Rume

11

2 L2-Rume
Im folgenden werden wir nur separable Hilbert-Rume betrachten. Die allgemeinere Theorie
von Hilbert-Rumen mit berabzhlbarer Hilbert-Basis wird in dieser Vorlesung nicht behandelt. Alle separablen Hilbert Rume sind untereinander isometrisch isomorph. Ein Standardrepsentant ist der Raum l2 = l2(N) der quadrat-summierbaren Folgen.

2.1 Satz (Hilbert-Raum der quadrat-summierbaren Folgen)

Der Pr-Hilbert-Raum l2 = l2(N) der quadrat-summierbaren Folgen
{ ( z n ) n N C N : z n

< },

n N

zusammen mit dem Skalarprodukt

< (xn)nN, (yn)nN > :=

nN

yn .

ist vollstndig, also ein Hilbert-Raum. Die Familie (ei )iN mit
ei = (0,..., 0, 1, 0,...) mit der i-ten Komponente = 1
ist eine Hilbert-Basis.
Beweis. Wir gehen aus von einer Cauchy-Folge (x )N von Elementen x l 2 . Fr jedes
> 0 existiert nach Voraussetzung ein N N mit
x x

= x ,n x , n

fr alle , N.

n =0

Wegen der Vollstndigkeit der komplexen Zahlen existiert fr jedes feste n N der Grenzwert
x , n := lim x , n .

Zu zeigen bleibt, da hierdurch ein Element

x := (x , n )nN l 2
definiert wird und da die Konvergenz sogar im l2-Sinne stattfindet.
Es gilt fr alle m N und , N
m

n =0

x , n x ,n

x ,n x ,n
n =0

Damit existiert fr N der Grenzwert

n =0

Wir whlen ein N. Wegen

x ,n x ,n

L2-Rume

12
x x l 2 und x l 2

liegt auch die Summe beider Elemente im Vektorraum l2

x = ( x x ) + x l 2 ,
und obige Abschtzung
x x

= x ,n x ,n

fr N

n =0

bedeutet die Konvergenz im l2-Sinne

x = lim x .

Da die kanonischen Einheitsvektoren eine Hilbert-Basis bilden, folgt sofort aus der Parsevalschen Gleichung (Korollar 1.9), QED.

2.2 Bemerkung (Banach-Raum der p-summierbaren Folgen)

Allgemeiner definiert man fr jedes relle p 1 den Vektorraum
l p = l p ( N ) := { (z n ) nN C N : z n

<}

n N

mit der Norm

(z n ) n N := p

n N

zn

Man zeigt, da hierdurch ein normierter Vektorraum definiert wird, der sogar vollstndig, d.h.
ein Banach-Raum ist.
Es gilt l1 l2 und allgemeiner
lp lq fr p < q.

2.3 Bemerkung (Absolute Konvergenz durch Z-indizierter Reihen)

Eine durch eine abzhlbare Menge I indizierte Reihe komplexer Zahlen

nI

heit absolut-konvergent, wenn die Folge der endlichen Partialsummen der Absolutbetrge in
irgendeiner Anordnung konvergiert. In diesem Falle ist die Konvergenz unabhngig von der
Anordnung. Im Falle der Indizierung durch die ganzen Zahlen I = Z werden wir im folgenden
stets die Folge der symmetrischen Partialsummen

L2-Rume

13
S N :=

zn

n=N

betrachten.
Analog zu Satz 2.1 zeigt man, da der Vektorraum
l2(Z) := { ( z n ) nZ C Z :

n =

zn

< }

mit dem Skalarprodukt

< (xn)nZ, (yn)nZ > :=

nZ

yn

ebenfalls ein Hilbert-Raum ist. Die Familie (ei )iZ mit

ei = (...,0,...,0,1,0,...) mit der i-ten Komponente = 1
ist eine Hilbert-Basis. hnlich definiert man den Hilbert-Raum
l2(Z 2) := { ( z m , n ) (m , n ) Z 2 C Z :
2

(m, n )Z

z m, n

< },

der bei der diskreten Wavelet-Transformation auftreten wird, und allgemeiner fr eine beliebige abzhlbare Menge I den Hilbert-Raum
l2( I ).
Alle Hilbert-Rume l2( I ) sind untereinander isometrisch-isomorph, insbesondere kann man
als einen Reprsentanten den Hilbert-Raum l2(N) whlen.

2.4 Algorithmus (Schmidtsches Orthonormalisierungsverfahren)

Der folgende Algorithmus transformiert eine linear-unabhngige Folge von Elementen eines
Hilbert-Raumes X in ein Orthonormal-System:
Input. Linear-unabhngige Folge (xi)iN von Elementen aus X.
Output. Orthonormal-System (ei)iN mit: Fr alle n N
span < ei: i = 0, 1,.., n > = span < xi: i = 0, 1,.., n >.

L2-Rume

14
n=0
en =

xn
xn

n=n+1
n 1

v n := x n x n , e i e i
i =0

en =

vn
vn

Abbildung 1 Schmidtsches Orthonormalisierungsverfahren

Die kontinuierliche Version der Folgen-Rume l2 sind die Funktionen-Rume L2 aus quadratintegrierbaren Funktionen. Sie bilden ebenfalls separable Hilbert-Rume. Daher sind l2 und L2
vom abstrakten Standpunkt aus betrachtet isomorph. Der Unterschied liegt jedoch in der Representation ihrer Elemente: Folgenrume fhren in Kapitel 3 zur Theorie der Fourier-Reihen,
die Representation mit Funktionen fhrt in Kapitel 4 zur Fourier'schen IntegralTransformation.

2.5 Bezeichnung (Rume integrierbarer Funktionen)

i) Wir bezeichnen mit L2 = L2(R) den Vektorraum der Klassen von mebaren Funktionen
f: R C
mit

f ( t ) dt < ,
2

versehen mit dem Skalarprodukt

f , g = f ( t ) g ( t ) dt .
R

Bei der Bildung von quivalenzklassen werden zwei Funktionen identifiziert, wenn sie sich
nur auf einer Nullmenge unterscheiden. Man beweist in der Integrationstheorie, da L2 vollstndig, also ein Hilbert-Raum ist ([For1983], 10, Satz 4).
ii) Allgemeiner sei I R ein abgeschlossenes Intervall und
: I R*+
eine mebare Funktion. Dann bezeichnet L2( I, (t)dt ) den Vektor-Raum der Klassen mebarer Funktionen
f: I C

L2-Rume

15

mit

f ( t ) ( t ) dt < ,
2

versehen mit dem Skalarprodukt

f , g = f ( t ) g ( t ) ( t ) dt .
R

iii) Analog zu Bemerkung 2.2 definiert man fr relle p 1 die Vektor-Rume

Lp( I, (t)dt )
von Funktionenklassen. Man zeigt, da sie vollstndig, also Banach-Rume sind (fr das
Standard-Ma 1 siehe [For1983], 10, Satz 4).

2.6 Beispiel (Legendre Polynome)

Die Legendre-Polynome
Pn ( x ) :=
D n :=

1
D n ( x 2 1) n , n N,
2 n!
n

dn
Differentialoperator,
dx n

bilden ein Orthogonal-System von L2( [-1, 1] ). Die ersten Legendre-Polynome sind
P0(x) = 1, P1(x) = x, P2 ( x ) =

1
1
3 x 2 1 , P3 ( x ) = 5 x 3 3x .
2
2

Beweis. i) Wir beweisen fr die Funktionen

g k , m := D k ( x 2 1) m

durch Induktion ber k die Hilfsaussage: Fr k < m gilt

g k,m = x 2 1

mk

( x ) mit einem Polynom .

Offensichtlich gilt die Aussage fr k = 0 mit = 1. Zum Beweis des Induktionsschrittes berechnen wir

g k +1, m = D g k , m ( x ) = (m k ) x 2 1

(x

m ( k +1)

m ( k + 1)

[ 2x ( m k ) ( x ) + ( x

2x ( x ) + x 2 1

1 ' (x)

mk

' (x ) =

ii) Sei n > m. Wir berechnen mit partieller Integration

g n ,n ( x) g m,m ( x) dx = [ g n 1,n g m,m

1

1
1

g n 1, n ( x ) g m +1, m ( x ) dx .
1

L2-Rume

16

Aufgrund der in Teil i) bewiesenen Formel verschwindet der erste Summand an den Randstellen x = 1 und x = -1. Auf das Integral des zweiten Summanden wenden wir sukzessive
weitere partielle Integrationen an und erhalten schlielich
1

g n ,n ( x) g m,m ( x) dx = ( 1)

0, n

( x ) g m + n , m ( x ) dx = 0,

da wegen n > m auch

m + n > 2m,
also

g m+ n ,m := D m + n ( x 2 1) m

] = 0, QED.

2.7 Bemerkung (Legendre Polynome)

Die Legendre Polynome sind durch folgende beide Bedingungen charakterisiert:

Das n-te Legendre-Polynom ist ein Polynom vom Grad n, das in L2( [-1, 1]) auf allen Polynomen vom Grad n - 1 senkrecht steht.

Es gilt Pn(1) = 1.

Die zweite Bedingung rechnet man nach. Da durch beide Bedingungen eindeutig ein Polynom bestimmt wird, folgt daraus, da die Monome
(xn)nN
in L2( [-1, 1] ) eine linear-unabhngige Familie bilden. Der Untervektorraum Vn, der von allen
Monomen vom Grad n aufgespannt wird, hat die Dimension
dim Vn = n + 1,
sein Unterraum Vn-1 hat also die Codimension 1.
Die Legendre-Polynome haben bzgl. der Norm von L2( [-1, 1] ) nicht die Lnge 1. Es gilt
vielmehr
Pn

2
.
2n + 1

Nach Normierung auf die Lnge 1 bilden die normierten Legendre-Polynome sogar ein vollstndiges Orthonormal-System, d.h. eine Hilbert-Basis von L2( [-1, 1] ). Wir werden diese
Aussage in Kapitel 3 aus dem Weierstraschen Approximationssatz (Korollar 3.13) folgern.

Eine fr die Wavelet-Theorie grundlegende Klasse von Funktionen sind die Haar'schen Funktionen.

2.8 Definition (Haar'sche Funktionen)

Aus der Funktion

L2-Rume

17
1 0 t <1 2

: R
[ 1, 1 ] , (t ) := 1 1 2 t < 1
0
sonst

leitet man die skalierten und translatierten Funktionen

k, m : R
[ 1, 1 ] , k , m ( t ) :=

k m , k, m Z ,
2

ab. Sie bilden die Familie ( k , m )k , mZ 2 der Haar'schen-Funktionen.

Der Faktor

1
k

ist so gewhlt, da jede Haar'sche Funktion als Element von L2(R) auf die

2
Lnge 1 normiert ist.

2.9 Satz (Hilbert-Basis der Haar'schen Funktionen)

Die Familie der Haar'schen Funktionen (k,m)(k,m)ZxZ ist eine Hilbert-Basis des HilbertRaumes L2(R).
Beweis. i) Zwei Haar'sche Funktionen k,m zu festem Skalierungsparameter k aber unterschiedlichem Translationsparameter m, haben disjunkten Trger bis auf evtl. Randpunkte,
sind also orthogonal zu einander. Fr zwei Haar'sche Funktionen zu unterschiedlichem Skalierungsparameter m ist eine der beiden konstant auf dem Trger der anderen, also sind sie auch
wieder orthogonal. Also bilden die Haar'schen Funktionen ein Orthogonal-System. Nach
Wahl des Normierungsfaktors sind sie dann sogar ein Orthonormal-System.
ii) Zum Beweis der Vollstndigkeit ist eine beliebige Funktion L2(R) zu approximieren.
Wir nehmen zunchst an, da kompakten Trger hat, also o.E.
L2( [0, 1] ).
Wir zeigen: Die gestauchten Haar'schen-Funktionen (-k,m) zu den Indizes
(-k, m), k N, 0 m < 2k,
also zu negativen Skalierungsparametern, approximieren zusammen mit der konstanten
Funktion
0 : 1 L2( [0, 1] )
die vorgegebene Funktion .
Jede quadrat-integrierbare Funktion aus dem Raum L2( [0, 1] ) lt sich ber dem kompakten
Intervall [0, 1] durch Treppenfunktionen, d.h. stckweise konstante Funktionen, bzgl. der
L2-Norm approximieren. Hierbei kann man sich auf dyadische Treppenfunktionen beschrnken, sie sind konstant jeweils auf den dyadischen Intervallen

L2-Rume

18
m m + 1
I k , m := k , k , m N und 0 m < 2k .
2
2

Wir bezeichnen mit V-k, k N, den endlich-dimensionalen Vektorraum der dyadischen Trep1
penfunktionen zu den Konstanzintervallen der Lnge 2 k = k
2
I-k,m, 0 m < 2k.
Die Vektorrume bilden eine aufsteigende Folge
V0 V-1 ... V-k V-(k+1) ...
Es gilt die Dimensionsformel
dim V0 = 1, dim V-1 = 2, ..., dim V-k = 2k.
Anderseits gilt fr die Vektorrume der translatierten Haar'schen Funktionen zum Skalenfaktor k
W-k := span < -k,m: 0 m < 2k >, k N, und W-1 := C 0.
die Dimensionsformel
dim W-k = 2k, k N.
Offensichtlich gilt
W-(k+1) V-k, k N.
Damit folgt die Gleichheit von Vektorrumen
k 1

W i = V k

i =1

aus der Abzhlung ihrer Dimensionen

k 1

k 1

dim W i = 1 + 2i = 1 +
i =1

i=0

2k 1
= 2 k = dim V k .
2 1

Da sich jede Funktion aus L2([0, 1]) durch Elemente aus den Vektorrumen V-k approximieren lt, lt sie sich auch durch Elemente aus den Vektorrumen W-k approximieren. Damit
ist die erste Behauptung bewiesen.
iii) Nun beweisen wir die Vollstndigkeit fr den allgemeinen Fall. Bekanntlich kann jede
quadrat-integrierbare Funktion aus L2(R) durch quadrat-integrierbare Funktionen mit kompaktem Trger approximiert werden ([For1983], 10, Satz 3). Es gengt also, eine Funktion
mit kompaktem Trger, o.E. mit Trger in [0, 1], zu approximieren. Nach Teil ii) lt sie sich
durch die Haar'schen Funktionen und die konstante Funktion
0 : 1
approximieren. Daher bleibt zu zeigen, da 0 im Raum L2(R) durch die Haar'schen Funktionen approximiert werden kann. Hierfr verwenden wir die gestreckten Haar'schen Funktionen
k,m zu positivem Skalierungsparameter k N. Wir definieren fr k N die Funktionen

L2-Rume

19
1
k : R
C , g k ( t ) := 2 k
0

t 0, 2k

sonst

Fr ihre L2-Norm gilt

2k

1
1
k dt = k ,
2
2

sie bilden also eine Nullfolge. Durch Induktion ber k zeigt man
k

0 =
i =1

1
2i

i , 0 + k

weil
k =

1
2 k +1

k +1, 0 + k +1 .

Hieraus folgt im Grenzwert k die Behauptung, QED.

Die im Beweis von Satz 2.9 durchgefhrte Approximation der konstanten Funktion durch
Funktionen, die symmetrisch zur x-Achse sind, zeigt da die Approximation bzgl. der L2Norm der Anschauung widersprechen kann.

Fourier-Reihen

20

3 Fourier-Reihen
Wir verstehen in diesem Kapitel unter einer periodischen integrierbaren Funktion eine Funktion
f :R
C
mit der Periode 2, d.h.
f ( x + 2) = f ( x ) fr alle x R ,
deren Einschrnkung auf das abgeschlossenen Intervall [ -, ] integrierbar ist im Sinne von
Lebesgue. Periodische Funktionen
f :R
C
mit der Periode 2 entsprechen bijektiv den Funktionen
f : R/2 Z
C
auf dem Kreis
S1 R / 2Z .
Das Hauptresultat dieses Kapitels ist die gleichmige Approximation einer periodischen,
stetigen Funktion mit geeigneten Differenzierbarkeitseigenschaften durch ihre Fourier-Reihe.
Aus diesem Ergebnis folgt eine Reihe bekannter Aussagen, unter anderem der Weierstra'sche
Approximationssatz.

3.1 Definition (Trigonometrisches Polynom)

Ein trigonometrisches Polynom N-ten Grades, N N, ist eine Funktion der Gestalt
pN : R
C , p N ( x ) :=

c e

n=N

inx

mit komplexen Koeffizienten cn C.

Spezielle trigonometrische Polynome sind die trigonometrischen Monome

en ( x ) = ei n x , n Z .

3.2 Bemerkung (Orthonormal-System der trigonometrischen

Monome)
Die trigonometrischen Monome bilden ein Orthonormal-System des Hilbert-Raumes
dt

L2 [ , ], ,
2

d.h. des Raumes L2( [ -, ] ) der quadratintegrablen Funktionen mit dem Skalarprodukt

1
f, g =
f ( t ) g ( t ) dt .
2

Fourier-Reihen

21

3.3 Definition (Fourier-Reihe)

Die Fourier-Reihe einer periodischen integrierbaren Funktion f ist die formale Reihe

c [f ] e

F [f ] :=

n Z

trigonometrischer Polynome mit den Fourier-Koeffizienten

c n [f ] := f , e n

1
=
dt f ( t ) e n ( t ) , n Z .
2

Man nennt die endlichen Summen

FN [f ] :=

c [f ] e , N N

n N

die N-ten Partialsummen der Fourier-Reihe.

3.4 Lemma (Verhalten bzgl. Translation und Differentiation)

Es sei f eine periodische integrierbare Funktion und
F [f ] :=

c [f ] e

nZ

ihre Fourier-Reihe.
i) Wir bezeichnen mit fa die mit dem Translationsoperator a um den festen Wert a verschobene Funktion, d.h.
f a := a (f ) : R C, a (f )( x ) := f ( x a ) .
Fr ihre Fourier-Koeffizienten gilt:
c n [f a ] = e n (a ) c n [f ] (Phasenfaktor der Fourier-Koeffizienten).
ii) Wenn f sogar stetig-differenzierbar ist, so gilt fr die Fourier-Koeffizienten der Ableitung
f ':
c n [f ' ] = i n c n [f ] (Multiplikation der Fourier-Koeffizienten).
Beweis. ad i) Wir wenden auf die Berechnung der Fourier-Koeffizienten die Substitutionsformel der Integration fr Parametertransformation an:
c n [f a ] =

1
1
1
f a ( t ) e int dt =
f ( t a ) e int dt =

2
2
2

+ a

f () e in ( + a ) d =

+ a

e ina
f () e in d
2

mit der Substitution

t = - a.
ad ii) Der Beweis beruht auf der partiellen Integration
cn [ f ' ] =

1
1
f ' ( t ) e int dt =
f ( t ) e int

2
2

in
f ( t ) e int dt , QED.

Fourier-Reihen

22

Das Hauptresultat dieses Kapitels ist Satz 3.9 ber die Konvergenz der Fourier-Reihe im Falle
einer stetigen, stckweise stetig-differenzierbaren Funktion.

3.5 Definition (Stckweise stetige Differenzierbarkeit)

Eine Funktion
f: I C
auf einem abgeschlossenen Interval I R heit stckweise stetig-differenzierbar, wenn es eine
endliche Zerlegung von I in abgeschlossene Intervalle
Ik, k = 1,...,n
gibt, die jeweils nur die Randpunkte gemeinsam haben, so da gilt: Im Innern jedes Intervalles
ist die Einschrnkung von f stetig-differenzierbar, und an jedem Randpunkt x0 eines Intervalles existieren die halbseitigen Grenzwerte

der Funktion f + ( x 0 ) := lim f ( x ) und f ( x 0 ) := lim f ( x )

und ihrer Ableitungen f ' + ( x 0 ) := lim

x x 0

x x 0

x x 0

f (x ) f + (x 0 )
f (x) f (x 0 )
und f ' ( x 0 ) := lim
.
xx0
x x0
x x0

Grundlegende Bedeutung fr die Theorie der Fourier-Reihen hat die unendliche Reihe aller
trigonometrischen Monome. Wir approximieren sie durch ihre endlichen Partialsummen.

3.6 Definition (Dirichlet-Kern)

Der N-te Dirichlet-Kern ist die N-te Partialsumme der trigonometrischen Monome
D N :=

n N

C .
:R

3.7 Lemma (Dirichlet-Kern)

Fr den Dirichlet-Kern gilt
1
sin ( N + ) x
2 , xR.
DN (x) =
x
sin
2
Die Funktion ist gerade, sie hat die Periode 2, und es gilt

1
D N ( t ) dt = 1 .
2
Beweis. Der Beweis beruht auf der Formel fr die endliche geometrische Reihe

Fourier-Reihen

23
N

qn =
n =0

q N +1 1
q 1

und der Euler-Formel

e ix = cos x + i sin x , x R.
Es gilt
D N ( x ) :=

2N

e inx = e iNx e inx = e iNx

n N

n =0

Wir erweitern den Bruch mit e

x
2

e i ( 2 N +1) x 1 e i ( N +1) x e iNx

=
e ix 1
e ix 1

und erhalten

e i ( N +1) x e iNx e
=
e ix 1

1
i( N+ ) x
2
i

x
2

e e

1
i ( N + ) x
2
i

x
2

1
sin [ ( N + ) x ]
2
=
.
x
sin
2

Die brigen Aussagen des Lemmas sind leicht nachzurechnen, QED.

Der folgende Satz 3.8 ist der Schlssel im Konvergenzbeweis von Satz 3.9.

3.8 Satz (Riemann-Lebesgue Lemma)

Es sei I R ein abgeschlossenes Intervall und
g L1( I )
eine integrierbare Funktion. Dann gilt
lim

g( t ) e

ixt

dt = 0 .

Beweis. i) Jede Funktion g L1( I ) lt sich bzgl. der L1-Norm durch stetig-differenzierbare
o

Funktionen mit kompaktem Trger im offenen Kern I approximieren ([For1983], 10, Corollar zu Satz 3). Man reduziert daher die Behauptung des Satzes auf den Fall eines kompakten Intervalls
I = [ a, b ]
o

und einer stetig-differenzierbaren Funktion g mit Trger in I .

ii) Wir berechnen mit partieller Integration fr jedes feste x R
b

Wegen des Faktors

b
eixt

1
e g( t ) dt =
g( t ) eixt g' ( t ) dt .
ix
a i x a
ixt

1
folgt die Behauptung
ix

Fourier-Reihen

24

lim

g( t ) e

ixt

dt = 0 , QED.

3.9 Satz (Gleichmige Konvergenz der Fourier-Reihe unter

Differenzierbarkeits-Voraussetzungen)
Wenn die periodische Funktion
f: R C
stetig und stckweise stetig-differenzierbar ist, so konvergiert ihre Fourier-Reihe gleichmig
und absolut und hat die gegebene Funktion als Grenzwert.
Beweis. ad i) Wir zeigen zunchst die punktweise Konvergenz der Fourier-Reihe

1
c n [f ] e n mit c n [f ] =
dt f ( t ) e int

2
nZ
gegen die Funktion. Hierzu stellen wir die N-te Partialsumme als die "Faltung" mit dem N-ten
Dirichlet-Kern dar:
FN [f ] (x ) :=

c n [f ] einx =

n N

n N

1
1
f ( t ) e int dt ) einx =
( f ( t ) e int einx ) dt =

2
2 n N

1
1
in ( x t )
f
(
t
)
e
dt
=

D N ( x t) f ( t ) dt

2
2

n N

Wir behandeln zunchst die Konvergenz im Nullpunkt x = 0. Nach evtl. Abziehen einer Konstante drfen wir
f(0) = 0
annehmen. Nach Voraussetzung ist f stetig im Nullpunkt, und es existieren dort die halbseitigen Ableitungen
f ' + (0) und f ' (0) .
Daher lt sich f ebenso wie die Sinus-Funktion in einer Umgebung des Nullpunktes durch
lineare Funktionen approximieren. Wegen
f(0) = sin (0) = 0
ist die Funktion
g( t ) :=

f (t)
t
sin
2

in einer Umgebung des Nullpunktes beschrnkt, insbesondere also integrierbar. Im Komplement der Nullumgebung ist die Funktion

Fourier-Reihen

25
1
sin

t
2

stetig-differenzierbar, also g(t) ebenfalls integrierbar. Satz 3.8 und Lemma 3.7, angewendet
mit
1
1
sin [ ( N + ) t ] = Im exp [ i ( N + ) t ] ,
2
2
liefern

lim f ( t ) D N ( t ) dt = lim

f ( t)
1
sin [ ( N + ) t ] dt = 0 .
t
2
sin
2

Insgesamt haben wir damit gezeigt

1
f ( t ) D N ( t ) dt = 0 = f (0) .
N 2

F [f ](0) = lim

Zum Beweis der punktweisen Konvergenz an einer beliebigen festen Stelle x wenden wir auf
die translatierte Funktion f-x die Aussage von Lemma 3.4, Teil i) an. Es folgt mit der bereits
bewiesenen Konvergenz im Nullpunkt:
f ( x ) = f x (0) = lim FN [f x ] (0) = lim
N

c [f ] = lim e

n N

n N

inx

c n [f ] = lim FN [f ] ( x ) .
N

ad ii) Wir zeigen, da die formale Fourier-Reihe absolut und gleichmig konvergiert. Dann
folgt nach Teil i) die Behauptung, da sie punktweise gegen f konvergiert.
Zunchst zeigen wir, da die Familie der Fourier-Koeffizienten der Funktion f summierbar ist,
d.h. da die Partialsummen

c [f ]
n

n N

, n N,

konvergieren: Da f ' L2([-, ]) folgt aus der Besselschen Ungleichung im Hilbert-Raum

dt

L2 [ , ], (Korollar 1.9) die quadratische Summierbarkeit

2

nZ

f'

<

der Fourier-Koeffizienten von f'

n := f ' , e n

1
=
f ' ( t ) e n ( t ) dt
2

bzgl. des Orthonormal-Systems der trigonometrischen Monome

(e
Nach Lemma 3.4, Teil ii) gilt

(x ) = ei n x

nZ

Fourier-Reihen

26
n = i n c n [f ] fr alle n Z.

Mit der Ungleichung von Cauchy-Schwarz (Satz 1.2) folgt die absolute Sumierbarkeit

c [f ] =

nZ

nZ

( n c n [f ] ) 1 = n 1
n nZ
n

nZ

nZ

1
n

<.

Aus der Summierbarkeit der Fourier-Koeffizienten folgt die absolute und gleichmige Konvergenz der Fourier-Reihe

c [f ] e

nZ

, QED.

3.10 Korollar (Weierstra'scher Approximationssatz, periodischer Fall)

Jede stetige periodische Funktion
f: R C
lt sich gleichmig durch trigonometrische Polynome approximieren.
Beweis. Zunchst approximieren wir f gleichmig durch stetige, stckweise-lineare Funktionen:
Wegen der Kompaktheit des Intervalles [ -, ] ist die stetige Funktion f gleichmig stetig.
Zu vorgegebenem > 0 finden wir eine Intervall-Lnge > 0, so da f auf allen Teilintervallen der Lnge um hchstens den Betrag schwankt. Wir zerlegen [ -, ] in endlich viele
Teilintervalle der Lnge und approximieren f auf jedem Teilintervall durch die Gerade
durch die Funktionswerte am linken und rechten Rand. Die resultierende Funktion g ist stetig
und stckweise-stetig differenzierbar.
Nach Satz 3.9 konvergiert die Fourier-Reihe von g gleichmig gegen g. Also lt sich auch f
gleichmig durch trigonometrische Polynome approximieren, QED.

3.11 Korollar (Hilbert-Basis der trigonometrischen Monome)

Die Familie der trigonometrischen Monome

(e

(x ) = ei n x

nZ

ist eine Hilbert-Basis des Hilbert-Raumes

dt

L2 [ , ], ,
2

d.h. des Raumes L2( [ - , ] )mit dem Skalarprodukt

1
f, g =
f ( t ) g ( t ) dt .
2
Beweis. Es bleibt die Vollstndigkeit des Orthonormal-Systems der trigononometrischen Monome zu zeigen.

Fourier-Reihen

27

Jede stetige periodische Funktion lt sich nach Korollar 3.10 gleichmig durch trigonometrische Polynome approximieren. Die Approximation gilt dann insbesondere im L2-Sinne. Da
sich andererseits jede Funktion aus
dt

L2 [ , ],
2

im L2-Sinne durch stetige Funktionen approximieren lt ([For1983], 10, Satz 3), ist das
Orthonormal-System der trigonometrischen Monome vollstndig, also eine Hilbert-Basis,
QED.

3.12 Korollar (Weierstra'scher Approximationssatz)

ber einem kompakten Intervall I R lt sich jede stetige Funktion
f: I C
gleichmig durch Polynome approximieren.
Beweis. Wir nehmen o.E. an I = [ -, 0 ] und setzen die gegebene Funktion zu einer periodischen Funktion der Periode 2
F: R C
fort: Zunchst spiegeln wir die Funktion f an der Geraden t = 0, dann setzen wir sie mit der
Periode 2 fort. Die stetige periodische Funktion F lt sich nach Korollar 3.10 gleichmig
durch trigonometrische Polynome approximieren. Jedes dieser trigonometrischen Polynome
lt sich auf dem kompakten Intervall [ -, ] gleichmig durch die Partialsummen seiner
Taylor-Reihe, also durch Polynome approximieren, QED.

3.13 Korollar (Hilbert-Basis der Legendre-Polynome)

Die Familie der normierten Legendre-Polynome
2n + 1 1

dn
n
n
2
n

D
[(
x
1
)
]
,
D
:
=
,

2 2 n n!
dx n

n N
ist eine Hilbert-Basis des Hilbert-Raumes L2([-1, 1]).
Beweis. Zur Normierung und der Orthogonalitt vgl. Beispiel 2.6 und Bemerkung 2.7. Zum
Beweis der Vollstndigkeit approximieren wir eine gegebene integrierbare Funktion zunchst
im L2-Sinne durch stetige Funktionen. Nach Korollar 3.12 lt sich jede stetige Funktion ber
dem kompakten Intervall
[-1, 1]
gleichmig durch Polynome approximieren. Der von den Polynomen eines Grades n aufgespannte Teilraum von L2([-1, 1]) stimmt aus Dimensionsgrnden mit dem von den ersten n+1
Legendre Polynomen aufgespannten Teilraum berein. Insgesamt lt sich jede integrierbare
Funktion im L2-Sinne durch die Legendre-Polynome approximieren, QED.

3.14 Bemerkung (Faltung, Distribution)

i) Im Beweis von Satz 3.9 tritt der Ausdruck

Fourier-Reihen

28

1
D N ( x t ) f ( t ) dt
2

auf. Man nennt die hierdurch an der Stelle x R definierte Funktion die Faltung
DN * f: C
der Funktion DN mit der Funktion f. Damit lt sich die N-te Partialsumme der Fourier-Reihe
kompakt schreiben als Faltung mit dem N-ten Dirichlet-Kern
FN [f ] = D N * f .

ii) Wte man bereits, da der Dirichlet-Kern als Distribution auf geeigneten Testfunktionen,
zu denen f gehrt, gegen die Delta-Distribution 0 konvergiert
1
D N ( x ) = 0 ( x )
N 2
lim

und da Summation und Integration vertauschen, so erhielte man sofort

F [f ] (x ) = lim FN [f ] (x ) =
N

D N ( x t ) f ( t ) dt = 0 ( x t ) f ( t ) dt = f ( x ) .
Nlim
2

Der wesentliche Teil des Beweises von Satz 3.9 ist die Rechtfertigung dieser Heuristik. Wir
werden in Kapitel 5 eine Einfhrung in die Theorie der Distributionen geben.

Im Beweis von Satz 3.9 wurde aus der Existenz der Ableitung die Summierbarkeit der Fourier-Koeffizienten abgeleitet. Diese Aussage ist der Spezialfall eines allgemeinen Zusammenhanges zwischen dem Grad der Differenzierbarkeit einer Funktion und der Summierbarkeit
ihrer Fourier-Koeffizienten.

3.15 Satz (Differenzierbarkeit und Konvergenzverhalten)

Die periodische integrierbare Funktion
f: R C
sei k-mal stetig-differenzierbar. Dann gibt es eine Konstante M, so da alle Fourier-Koeffizienten von f die Abschtzung erfllen
c n [f ]

M
n

, nZ .

Beweis. Durch Induktion ber k. Fr k = 0 folgt die Behauptung ber die Beschrnktheit der
Fourier-Koeffizienten cn [ f ], n Z, aus der Abschtzung
c n [f ]

1
=
2

f (t) e

int

1
dt
2

f ( t ) dt := M .

Im Induktionsschritt k a k+1 wendet man die Induktionsvoraussetzung auf die k-te Ableitung
von f ' an. Es gilt nach Lemma 3.4:

Fourier-Reihen

29
c n [ f ' ] = i n c n [f ] ,

also
c n [f ]

cn [ f ' ]
n

M
n n

, n Z , QED.

Fourier-Integrale

30

4 Fourier-Integrale
In diesem Kapitel erweitern wir die Klasse der betrachteten Funktionen, indem wir auf die
Voraussetzung der Periodizitt verzichten. Fr integrierbare Funktionen fhren wir in Verallgemeinerung der Fourier-Reihe das Fourier-Integral ein. Whrend in der Fourier-Reihe nur ein
diskrete Folge von Frequenzen auftritt, wird bei einem Fourier-Integral ber das Kontinuum
aller rellen Frequenzen integriert.
Ausgehend von der Definition des Fourier-Integrals fr integrierbare Funktionen konstruieren
wir die Fourier-Transformation auf dem Hilbert-Raum der quadrat-integrierbaren Funktionen.
Der Hauptsatz dieses Kapitels ist die Umkehrformel der Fourier-Transformation (Satz 4.15).

4.1 Definition (Exponentialfunktion und Skalierung)

Wir bezeichnen fr festes a R mit
ea: R C, ea(t) := eiat
die Exponentialfunktion. Sie stellt die Aufnahme eines Phasenfaktors dar.
Wir bezeichnen fr festes a R* mit
a f : R C , (a f ) ( t ) := f (

t
)
a

die um den Faktor a skalierte Funktion. Sie stellt fr a > 1 eine Streckung und fr a < 1 eine
Stauchung dar.

4.2 Definition (Fourier-Transformation)

Wir definieren die Fourier-Transformation einer integrierbaren Funktion
f L1 = L1 (R )
als die Funktion
1
1
f : R C , f ( ) :=
f(t) e ( t ) dt =
f(t) e- it dt .

2 R
2 R

Manchmal fat man die Variable t R als die Zeit auf. Dann beschreibt f(t) ein Signal und
die Fourier-Transformation f ( ) das zugehrige Frequenzspektrum.

4.3 Bemerkung (Fourier-Transformation und komplexe Konjugation)

Es gilt

Fourier-Integrale

31

( )

f () = f

( )

und fr eine relle Funktion f

f ( ) = f ( ) .

4.4 Beispiel (Fourier-Transformation der Normalverteilung)

Die standardisierte Normalverteilung ist die Funktion
t2

1 2
e .
f: R
R, f (t ) :=
2
Es handelt sich um eine Wahrscheinlichkeitsdichte wegen der Normierung
1
2

t2
2

dt = 1 .

Fr die Berechnung dieses nicht-trivialen Integrals siehe [For1976], 20.8.

Die standardisierte Normalverteilung geht bei Fourier Transformation in sich ber, d.h.
f = f .
Zum Beweis berechnen wir
g() := e

t2
2

t2
2

e it dt .

Wir setzen
h ( t , ) := e

e it .

Fr die partielle Ableitung

t2

h ( t , ) := it e 2 e it

gilt die Abschtzung

t2

h ( t , ) := t e 2 .

Also ist die Ableitung ebenfalls integrierbar. Nach dem Satz ber die Differenzierbarkeit eines
Integrals nach einem Parameter ([For1983], 11, Satz 2) folgt

d
h (t, )
g' () :=
h(t, ) dt =
dt = i t e 2 e it dt .

d R

R
R
t2

Zur Berechnung des letzten Integrals verwenden wir partielle Integration

Fourier-Integrale

32
R

t e

t2
2

R
t
t

dt = e 2 e it i e 2 e it dt .

R
-R
2

-R

it

Der Grenzbergang R liefert fr die gesuchte Funktion g die lineare Differentialgleichung

g ' () := g() .
Separation der Variablen liefert
dg
= d
g
also
g() = e

2
2

g (0) .

Aufgrund der Normierung gilt

g(0 ) = 2 ,
also
1
1
f () =
g () =
e
2
2

2
2

= f () , QED.

4.5 Lemma (Stetigkeit der Fourier-Transformation)

Die Fourier-Transformation einer integrierbaren Funktion ist eine stetige, beschrnkte Funktion: Fr
f L1 (R )
gilt
1
f ( )
f
2

L1

fr alle R .

Es gilt
lim f ( ) = 0 .

+ /

Beweis. Die Stetigkeit folgt aus dem Satz ber die stetige Parameterabhngigkeit des Integrals
([For1983], 11, Satz 1), die Beschrnktheit aus der Gleichung
e i t = 1 .
Die Aussage ber das Grenzwertverhalten im Unendlichen folgt aus Satz 3.8, QED.

Fourier-Integrale

33

Wie folgendes Beispiel zeigt, ist die Fourier-Transformierte einer integrierbaren Funktion i.a.
nicht mehr integrierbar. Vielmehr hngt das Abklingverhalten bzgl. der Frequenzen im Unendlichen von den Differenzierbarkeitseigenschaften des Ausgangssignals ab.

4.6 Beispiel (Nicht integrierbare Fourier-Transformation)

Die charakteristische Funktion des kompakten Intervalls [-1, 1]
1 t [1, 1]
f : R R, f ( t ) :=
sonst
0
hat die Fourier-Transformation
f : R
R, f () =

2 sin
.

Diese Funktion ist nicht integrierbar.

Beweis. Wir berechnen
f () =

1
1
f (t ) e it dt =
f (t ) e it dt =

2 R
2 -1

1
2

e it
i
[e it e it ] =
i =

1 2

2 sin

Da die Funktion f nicht-integrierbar ist, liegt an der Divergenz der harmonischen Reihe
1

n , QED.
n 1

In Analogie zu Lemma 3.4, Teil i), untersuchen wir das Verhalten der Fourier-Transformation
bei Translation.

4.7 Lemma (Translation und Dilatation bei Fourier-Transformation)

Fr die Fourier-Transformation einer integrierbaren Funktion
f L1 (R )
gilt:

Bezglich der Translation a mit festem a R

( a f) = e -a f
(e a f ) = a f

Bezglich der Skalierung mit festem a R*

( a f ) = a a 1 f .

Beweis. ad i) Der Beweis beruht auf der Substitution s = t a bei der Integration

Fourier-Integrale

( a f )^ ( ) =

34

1
(a f ) (t ) e it dt = 1 f(t - a) e it dt =

2 R
2 R

(ea f )^ ( ) =

( )

1
1
f(t) e i( a ) t dt = a f () .
e iat f (t ) e it dt =

2 R
2 R

ad ii) Der Beweis beruht auf der Substitution s =

(a f )^ ( ) =

1
f(s) e ia e is ds = e a () f ()
2 R

1
t
f e it dt =

2 R a

t
bei der Integration
a

f( s ) e
2

isa

( )

ds = a a 1 f ( ) , QED.

Das folgende Lemma wird im Beweis von Satz 4.15 verwendet.

4.8 Lemma
Fr zwei integrierbare Funktionen
f , g L1 (R )
gilt die Formel

f ( t ) g( t ) dt = f ( t ) g( t ) dt .
R

Beweis. Man wendet den Satz von Fubini an auf die integrierbare Funktion zweier Vernderlicher
f ( x ) g( y ) e ixy , QED.

Der Weg von der Fourier-Transformation fr integrierbare Funktionen zur Fourier-Transformation quadrat-integrierbarer Funktionen fhrt ber die Teilklasse der schnell abfallenden
(temperierten) Funktionen. Einerseits fhrt Fourier-Transformation nicht heraus aus dieser
Teilklasse, andererseits ist die Klasse gro genug, um alle quadrat-integrierbaren Funktionen
zu approximieren.
Auf dem Raum der temperierten Funktionen fhren wir eine Topologie ein. Da die Funktionen differenzierbar sind, sollte die Topologie nicht nur die Funktionen, sondern auch die Gre ihrer Ableitungen messen. Da die Funktionen schnell abfallen, bedeutet, da jede Funktion und jede ihrer Ableitungen im Unendlichen schneller abfllt als jedes Polynom. Daher definieren wir die Topologie durch eine Folge von Semi-Normen: Die Semi-Norm n , k mit
das Wachstum der k-ten Ableitungen im Vergleich zu dem Monom n-ten Grades.

4.9 Definition (Temperierte Funktionen)

Auf der Menge der beliebig oft differenzierbaren Funktionen fhren wir eine Folge von SemiNormen ein: Fr f C ( R) sei

Fourier-Integrale

35
f

n ,k

:= sup ( 1 + t

) f ( )( t )
n

tR

, n, k N.

Der Vektorraum S = S(R) der temperierten Funktionen (oder Schwartz-Raum) ist die Menge
{ f C ( R) : f

n ,k

< fr alle n , k N }

der beliebig oft differenzierbaren Funktionen, die selbst und deren jede Ableitung schneller
abfallen als jede inverse Potenz, versehen mit der Addition und der Multiplikation mit komplexen Skalaren.
Auf S fhren wir folgenden Konvergenzbegriff ein: Eine Folge (f ) N von temperierten
Funktionen konvergiert gegen Null
f
0,
S
wenn fr alle Semi-Normen gilt:
lim f

n,k

= 0 , n, k N.

4.10 Bemerkung
i) Wegen der binomischen Formel
n
n
( 1 + t ) n = t
=0

sind die Abschtzungen von

sup (1 + t ) n f (k ) ( t ) fr jedes Paar n, k N
tR

gleichwertig zu entsprechenden Abschtzungen von

sup t n f (k ) ( t ) < fr jedes Paar n, k N,
t R

ii) Der Schwarz-Raum ist vollstndig. Die Topologie lt sich durch auch die abzhlbare Familie von Normen beschreiben (Frchet-Raum)
f

:= sup sup
kp

t R

(1+

f (k ) ( t

, p N.

4.11 Lemma (Produkt und Differentiation temperierter Funktionen)

i) Beliebige Ableitungen und Produkte temperierter Funktionen sind wieder temperiert.
ii) Das Produkt einer temperierten Funktion mit einer Funktion, fr die jede Ableitung hchstens polynomial wchst, ist wieder temperiert.

Fourier-Integrale

36

4.12 Bemerkung
Temperierte Funktionen sind integrierbar, d.h.
S L.
1

Zum Beweis verwendet man die Abschtzung

f ( t ) dt = ( 1 + t ) 2 f ( t )
R

1
( 1+ t )

dt sup ( 1 + x ) 2 f ( x )
x R

1
( 1 + t )2

dt < .

In Analogie zu Lemma 3.4, Teil ii), untersuchen wir das Verhalten der FourierTransformation bei Differentiation. Gem dem folgenden Satz 4.13 werden Differentiation
und Multiplikation jeweils ineinander bergefhrt.

4.13 Satz (Fourier-Transformation temperierter Funktionen)

Gegeben sei eine temperierte Funktion
f S

und ein Polynom P(t) einer Vernderlichen. Wir bezeichnen mit

D=

d
dx

den Differentialoperator.

Dann ergeben sich die Fourier-Transformationen der Ableitungen von f durch Multiplikation aus der Fourier-Transformation von f:

(P(D ) f )^ () = P(i) f ()

Die Fourier-Transformation von f gehrt wieder zu S. Die Ableitungen der FourierTransformation von f sind die Fourier-Transformationen von Multiplikationen von f:
P(i D ) f = (P f )^ .

Man hat also zwei kommutative Diagramme

it
it f
f

dt
f
f'

und

i
f
i f

Beweis. Es gengt, die Behauptung fr ein Monom

^
d
d

if

Fourier-Integrale

37
P(t) = tk

und hier nur fr den Fall k = 1 zu beweisen. Die Behauptung durch Einsetzen der Definition
und partielle Integration bzw. Differentiation nach einem Parameter:

(f ')^ () =

1
1
f ( t ) e it
f ' ( t ) e it dt =

2
2 R

1
f ( t ) ( i) e it dt = i f ()

2 R

und
i

df
() =
d

i d
dt f ( t ) e it =
2 d R
=

i
f ( t ) ( it ) e it dt
2 R

d it
i
e dt =
f (t)

d
2 R
1
2

t f(t) e-it dt = ( P f )^ ( ) .

Zum Beweis, da die Fourier-Transformation wieder temperiert ist, sind die Suprema
sup n f (k) () , n, k N,
R

abzuschtzen. Wir setzen fr vorgegebenes k N

(t) := tk f(t).
Dann gilt nach der bereits bewiesenen zweiten Formel angewendet auf f:
( ) = i k f ( k ) () ,
also fr vorgegebenes n N
n f (k) = n .
Weiter gilt nach der bereits bewiesenen ersten Formel angewendet auf :

(i)n ( ) = ((n ) )^ () ,
also
n = ( (n) ) .
Nach Lemma 4.5 ist die Fourier-Transformation ( (n) ) beschrnkt, da (n) als temperierte
Funktion integrierbar ist. Also gilt
sup n f (k) ()
R

1
(n )
2

L1

< , QED.

4.14 Lemma (Stetigkeit der Fourier-Transformation)

Die Fourier-Transformation
F: S S , f a f
ist eine stetige lineare Abbildung auf dem Raum der temperierten Funktionen.

Fourier-Integrale

38

Beweis. Nach Satz 4.13 ist die Abbildung wohldefiniert. Zum Beweis der Stetigkeit gengt es,
den Fall einer Nullfolge (f ) N von temperierten Funktionen zu betrachten. Mit
( t ) := t k f ( t )
folgt analog zu Satz 4.13, Teil i) die Abschtzung
1
( k)
(n)
(n )
( t ) dt
sup n f ( ) = sup ( ) ( )

R
R
2 R
sup
t R

(n)

( t ) ( 1 + t )2

1
2

1
( 1 + t )2

dt

Wegen
(t ) = t k f (t )
und der Leibniz-Formel

(n )

(t ) =

n
D j t k f ( n j)
j= 0 j
n

konvergieren nach Voraussetzung die Suprema

(k)
sup n f ()
R

gegen Null, also konvergiert

f
0 , QED.
S

Die Aussage von Lemma 4.14 lt sich wesentlich verschrfen.

4.15 Satz (Umkehrformel der Fourier-Transformation)

Die Fourier-Transformation
F: S S , a ,
ist ein Homomorphismus. Die Umkehrabbildung hat die Gestalt
F

-1

: S S , F -1 ( )( t ) =

1
( ) eit d .

2 R

Beweis. Die Abbildung

G : S S , G ( )( t ) =

ist wohldefiniert, analog zu Bemerkung 4.12.

i) Wir zeigen zunchst die Gleichheit

1
() e it d

2 R

Fourier-Integrale

39
id = G o F.

Sei S vorgegeben und := F () gesetzt. Die Gleichheit der Funktionswerte an der

Stelle x = 0
(0) = ( G o F )()(0)
bedeutet
(0) =

1
d ( )
2 R

Wir beweisen diese Aussage als die Gleichheit zweier Grenzwerte. Wir approximieren die
Dirac-Distribution durch einen Grenzwert von Integralen: Sei
1
e
( x ) =
2

x2
2

die standardisierte Normalverteilung. Nach Lemma 4.8 gilt mit der Dilatation
a, a R+*,
die Gleichung

() ( ) () d = () ( )() d .
^

Fr die linke Seite dieser Gleichung folgt nach Lemma 4.8 und wegen = (Beispiel 4.4)

() ( ) () d = () a ( ) () d = ( )( y) ( y) dy = ( )( ) () d
^

a 1

Nach dem Satz von der majorisierten Konvergenz ([For1983], 9, Satz 2) ergibt sich der
Grenzwert der linken Seite als
lim (a )( ) ( ) d = lim (a )( ) () d = (0) ( ) d = (0) .

Wiederum mit dem Satz von der majorisierten Konvergenz ergibt sich der Grenzwert der
rechten Seite als
lim ( ) ( )( ) d = () lim ( )( ) d =
a

1
( ) d
2 R

Die Gleichheit beider Grenzwerte bedeutet

(0) =

1
( ) d .
2 R

Aus Lemma 4.7, angewendet auf die Fourier-Transformation einer Translation, folgt hieraus
fr beliebiges festes Argument x R die Behauptung:
( x ) = ( x )(0) =

1
( x )^ () d =

2 R

1
eix () d = (G o F ) ()( x ) .

2 R

Fourier-Integrale

40

ii) Die Gleichheit bei umgekehrter Kompositionreihenfolge

id = F o G
folgt - zunchst wieder fr x = 0 - aus der Tatsache
(F o G)()(0) = (G o F)(-1 )(0),
und der bereits bewiesenen Aussage
(G o F)(-1 )(0) = (-1 )(0) = (0).
Hieraus folgt wie oben durch Translation der Fall eines beliebigen Argumentes x R.
iii) Die Stetigkeit von F wurde in Satz 4.14 gezeigt; analog folgt die Stetigkeit von G, QED.

Obiger Satz 4.15 erlaubt nun die Fortsetzung der Fourier-Transformation zu einem isometrischen Isomorphismus des Hilbert-Raumes L2. Wir verwenden an dieser Stelle nur die Aussage
ber die Umkehrfunktion. Die Stetigkeit der Fourier-Transformation bzgl. der Schwarz-Topologie werden wir erst Kapitel 6 bei der Definition temperierter Distributionen und ihrer Fourier-Transformation benutzen.

4.16 Korollar (Fourier-Transformation als Isometrie)

Die temperierten Funktionen bilden einen dichten Teilraum des Hilbert-Raumes L2, auf dem
die Fourier-Transformation eine Isometrie ist: Fr zwei temperierte Funktionen
f, g S
gilt:
< f , g > = < f , g > .
Beweis. Die beliebig oft differenzierbaren Funktionen mit kompaktem Trger, also eine Teilmenge von S, liegen bereits dicht in L2 ([For1983] 10, Corollar zu Satz 3). Mit Satz 4.15 und
Bemerkung 4.3 folgt
1
< f , g > = f ( t ) g ( t ) dt = g ( t )
f () e

R
R
R

1
= f ()
g( t ) e
R
2 R

it

it

d dt

( )

^
dt d = f ( ) 1 g ( ) d = f ( t ) g d = < f , g > , QED.
R
R

4.17 Satz (Fourier-Transformation als L2-Isomorphismus)

Die Fourier-Transformation lt sich zu einem isometrischen Isomorphismus
F :L L
2

von Hilbert-Rumen fortsetzen.

Beweis. Zunchst ist die Abbildung auf dem dichten Teilraum der temperierten Funktioen
wohldefiniert

Fourier-Integrale

41
F :S L

und bildet diesen Teilraum nach Korollar 4.16 isometrisch auf sich ab. Als Hilbert-Raum
ist L2 vollstndig, so da eine eindeutige stetige Fortsetzung
F :L L
2

existiert. Diese ist ebenfalls eine Isometrie, QED.

Distributionen

42

5 Distributionen
Distributionen sind eine Erweiterung des Begriffes der Funktion. Die erste Erweiterung dieser
Art ist die von Dirac eingefhrte Delta-Distribution. Sie selbst ist keine Funktion, kann aber in
einem geeigneten Sinne als Grenzwert von Funktionen aufgefat werden. Whrend Funktionen im einfachsten Fall reelle Zahlen als Argument haben, leben Distributionen auf einer hheren Ebene: Ihr Definitionsbereich enthlt als Argumente ganze Funktionen, sogenannte
Testfunktionen. Man nennt Distributionen daher auch Funktionale. Jede integrierbare Funktion lt sich als Distribution auffassen, indem man sie als Integraloperator auf die Klasse der
Testfunktionen anwendet.
Die Bedeutung der Distributionen fr die Analysis liegt darin, da man Distributionen beliebig oft differenzieren kann und sie generell gute Eigenschaften bzgl. der Grenzwertbildung
zeigen. Fr Distributionen mit temperierten Funktionen als Testfunktionen lt sich die Fourier-Transformierte definieren. Ein etwas kleinerer Definitionsbereich fr Distributionen sind
ist der Raum D aller der Testfunktionen mit kompaktem Trger. In Analogie zum SchwarzRaum S fhren wir auch auf D eine Topologie ein, die ihn zu einem vollstndigen topologischen Vektorraum macht.

5.1 Definition (Testfunktionen)

Der Vektorraum D = D(R) der Testfunktionen ist die Menge Cc ( R) der beliebig oft differenzierbaren Funktionen mit kompaktem Trger, versehen mit der Addition und der Multiplikation mit komplexen Skalaren. Auf D fhren wir folgenden Konvergenzbegriff ein: Eine Folge
( ) N von Testfunktionen konvergiert gegen eine Testfunktion ,

wenn eine kompakte Menge K R existiert mit

supp ( ) K fr alle N,

so da fr jedes k N die Folge der k-ten Ableitungen

(k )

, N ,
gleichmig konvergiert auf K gegen die k-te Ableitung
(k ) .

5.2 Definition (Dirac-Distribution)

Das lineare Funktional
: D C, a [ ] := (a)
mit einer festen Stelle a R heit Dirac-Distribution (oder Delta-Distribution) an der Stelle
a.

Distributionen

43

5.3 Definition (Regulre Distributionen)

Jede lokal-integrierbare Funktion f definiert ein lineares Funktional auf den Testfunktionen:
Tf : D C, Tf [ ]:= f (t) (t) dt .
R

5.4 Satz (Approximation der Dirac-Distribution)

Fr jede integrierbare Funktion f L1(R) mit

f ( t) dt = 1
R

approximieren die regulren Distributionen

Tfa : D C ,
die von den skalierten Funktionen
f a :=

1
a f , a > 0,
a

erzeugt werden, bzgl. des Grenzbergangs a 0 die Dirac-Distribution 0, d.h. fr jede Testfunktion D gilt:
lim Tfa [ ] = 0 [ ] = (0).
a 0

Beweis. Wir berechnen fr festes a > 0 mit der Substitution t = a x

Tfa [] =

1 t
f (t ) dt = f (x ) ( a x ) dx .
a a
R

Nach dem Satz von der majorisierten Konvergenz ([For1983], 9, Satz 2) darf man Integration und Limesbildung vertauschen und erhlt
lim Tfa [ ] = lim f (x ) (a x ) dx = f (x ) lim (a x ) dx = f (x ) (0 ) dx = (0) , QED.
a 0

a 0

a 0

5.5 Definition (Distribution)

Eine Distribution ist eine lineares Funktional auf dem Raum der Testfunktionen
T : D C ,
das stetig ist bzgl. der Topologie von D. Wir bezeichnen mit D ' den komplexen Vektorraum
der Distributionen.

5.6 Bemerkung
i) Die Dirac-Distribution ist eine Distribution im Sinne von Definition 5.5.
ii) Jede regulre Distribution Tf ist eine Distribution im Sinne von Definition 5.5. Zum Beweis beachte man, da nur ber ein festes Kompaktum integriert werden mu und hier die

Distributionen

44

Konvergenz der Testfunktionen sogar gleichmig ist. Durch den bergang zur Distribution
erhlt man eine kanonische Abbildung
L2
D' , f a Tf ,
vermge derer sich jede L2-Funktion auch als Distribution auffassen lt. Der Kern dieser
Abbildung sind diejenigen quadrat-integrierbaren Funktionen, die fast berall Null sind.
iii) Die Dirac-Distribution ist nicht regulr.

Viele aus der Analysis bekannte Operationen bertrgt man auf Distributionen, indem man sie
auf ihre Argumente anwendet - also auf die Testfunktionen.

5.7 Definition (Multiplikation mit Funktionen)

Das Produkt einer Distribution
T : D C
mit einer beliebig oft differenzierbaren Funktion g C ist definiert als die Distribution
g T : D C, (g T ) [ ] := T [ g ] .
Das Produkt ist wohldefiniert, da fr jede Testfunktion D auch das Produkt
g
wieder kompakten Trger hat.

5.8 Definition (Translation und Dilation einer Distribution)

Fr eine Distribution T D definiert man die Translation um die Strecke a R als die Distribution
a T : D
C , ( a T ) [ ] := T [ a ]
und die Dilation um den Faktor a R* als die Distribution
a T : D
C , (a T ) [ ] := T

a a 1 = a T a 1 .

5.9 Definition (Ableitung einer Distribution)

Die Ableitung einer Distribution T D ist definiert als das Funktional
T: D C, T[ ]:= - T[ ].
Offensichtlich ist die Ableitung wieder ein stetiges Funktional, also eine Distribution.

Das negative Vorzeichen in Definition 5.9 ist motiviert durch die Ableitung von regulren Distributionen Tf mit einer stetig-differenzierbaren Funktion f. Durch partielle Integration erhlt
man unter Bercksichtigung der Tatsache, da Testfunktionen kompakten Trger haben:

Distributionen

45

(Tf )' [ ] = Tf [ ' ] = f ( t ) ' ( t ) dt = [ f ( t ) ( t ) ] + f ' (t) (t) dt =

R

Tf ' [ ] ,
also in diesem Fall

(Tf ) ' = Tf '

5.10 Beispiel (Ableitung der Heaviside-Distribution)

Die Heaviside'sche Sprungfunktion ist definiert als
0 t < 0
.
H: R C, H( t ) :=
1 t 0
Sie hat aufgefat als regulre Distribution TH als Ableitung die Dirac-Distribution 0.
Beweis. Sei D eine Testfunktion. Dann gilt

TH ' [ ] = TH [ ' ] = H ( t ) ' ( t ) dt = ' ( t ) dt = [ ( t ) ] 0 = (0) = 0 [ ], QED.

R

5.11 Definition (Konvergenz von Distributionen)

Eine Folge von Distributionen Tn D, n N, konvergiert gegen eine Distribution T D,
Tn
T,
D'
wenn sie auf allen Testfunktionen konvergiert, d.h. wenn fr jede Testfunktion D gilt:
lim Tn [ ] = T [ ] .
n

In diesem Sinne konvergieren die in Satz 5.4 betrachteten Funktionen aufgefat als Distributionen gegen die Dirac-Distribution.

5.12 Beispiel
Der Grenzwert

2 n := lim

N Z

n= N

2 n

existiert als Grenzwert von Distributionen.

Zum Beweis beachte man, da eine Aussage ber Testfunktionen zu zeigen ist. Diese haben
nach Definition kompakten Trger, so da sich beide unendlichen Reihen auf eine endliche
Summe reduzieren. Wir werden diese Distribution noch einmal in Satz 6.9 berechnen.

Fourier-Transformation temperierter Distributionen

46

6 Fourier-Transformation temperierter Distributionen

In diesem Kapitel bertragen wir die Fourier-Transformation, die wir bisher fr Funktionen
aus den Klassen L1 und L2 kennen, auf die grere Klasse der Distributionen. Allerdings werden wir nicht den allgemeinsten Fall, sondern nur den Fall temperierter Distributionen betrachten. Als Hauptsatz dieses Kapitels berechnen wir den Grenzwert der Dirichlet-Kerne und
folgern daraus mit der Fourier-Transformation temperierter Distributionen die PoissonFormel.

6.1 Satz (Testfunktionen und temperierte Funktionen)

Die Inklusion
D S

der Testfunktionen in die Klasse der temperierten Funktionen

ist stetig, d.h.

impliziert
,
D
S

und hat dichtes Bild, d.h. zu jeder temperierten Funktion S existiert eine Folge von
Testfunktionen
( ) N , D ,
mit

.
S

Beweis. ad i) Fr die Stetigkeit ist zu zeigen, da eine Nullfolge von Testfunktionen in D auch
eine Nullfolge in S ist, d.h. bzgl. der Familie der Semi-Normen
f

n ,k

:= sup
tR

( 1+

) f ( )( t )
n

, k, n N,

gegen Null konvergiert.

Nach Voraussetzung haben alle Testfunktionen einer gegebenen Nullfolge ihren Trger in einem festen Kompaktum. Die gleichmige Konvergenz gegen Null aller Ableitungen auf diesem Kompaktum impliziert die Konvergenz gegen Null in jeder Semi-Norm.
ad ii) Um zu zeigen, da D eine dichte Teilmenge von S ist, whlen wir eine C-Funktion
: R
C mit | [ 1, 1] 1 und supp () [ -2, 2 ]
und bezeichnen mit
N , N N*,
die um den Faktor N gestreckte Funktion
N : R
C mit N | [ N, N ] 1 und supp (N) [ -2N, 2N ].
Zu einer gegebenen temperierten Funktion f S bilden wir die Folge

Distributionen

47

(f N := f N )NN

von Testfunktionen mit kompaktem Trger. Aus der Leibniz-Formel

k
D k (f f N ) = D k [ ( 1 N ) f ] = D i (1 N ) D k i f
i =0 i
k

erhalten wir unter Bercksichtigung von

Di ( 1 N ) =

1
(D i ) , i 1, und
Ni

supp ( 1 N ) R [ N, N

die gesuchten Grenzwerte

lim f f N

k ,n

= 0 , k, n N, QED.

6.2 Bemerkung
Die in Definition 5.1 angegebene Topologie von D ist echt feiner als die von S induzierte Unterraumtopologie. Insbesondere ist D bzgl. der Unterraum-Topologie nicht vollstndig.

6.3 Definition (Temperierte Distribution)

Eine Distribution T D heit temperiert, wenn sie auch bezglich der grberen von S auf D
induzierten Topologie stetig ist.

6.4 Satz (Temperierte Distribution)

Jede temperierte Distribution T lt sich eindeutig zu einer stetigen linearen Abbildung Ttemp
auf S fortsetzen.
D

Ttemp
C

Hierdurch entsprechen die temperierten Distributionen genau den stetigen linearen Funktionalen auf dem Vektorraum der temperierten Funktionen.
Beweis. Eine temperierte Distribution ist stetig bzgl. jeder der in der Definition von S auftretenden Semi-Normen. Als lineare Abbildung ist sie in jeder dieser Semi-Normen gleichmig
stetig. Da D nach Satz 6.1 ein dichter Teilraum von S ist, kann man T stetig nach S fortsetzen,
und diese Fortsetzung ist eindeutig bestimmt, QED.

6.5 Bemerkung (Temperierte Distributionen)

i) Die Dirac-Distribution ist temperiert.
ii) Jedes Polynom P definiert durch Integration gem Bemerkung 5.6 eine regulre Distribution TP. Diese Distribution ist temperiert.

Distributionen

48

6.6 Definition (Fourier-Transformation temperierter Distributionen)

Die Fourier-Transformation einer temperierten Distribution
T: S C
ist definiert als die Komposition
T := F [ T ] := T o F : S
C ,
d.h. fr eine temperierte Funktion S ist definiert:

( F [ T ] ) [ ]:= T [ F [ ] ].
Wegen der Stetigkeit der Fourier-Transformation temperierter Funktionen (Satz 4.14)
F :S
S

ist die Fourier-Transformation einer temperierten Distribution wieder eine temperierte Distribution.

6.7 Lemma (Fourier-Transformation der Dirac-Distribution)

i) Die Fourier-Transformation der Funktion eia - aufgefat als regulre Distribution - ist die
Dirac-Distribution, genauer: Es gilt

(e ia ) ^ =

2 a

als Aussage ber temperierte Distributionen.

ii) Die Fourier-Transformation der Dirac-Distribution ist die Exponentialfunktion

( a )^

1
e ia .
2

Beweis. ad i) Nach der Umkehrformel, Satz 4.15, gilt fr eine temperierte Funktion

(T ) [ ] = (T ) [ ] = e
^

e ia

e ia

ia

( ) d = 2 ( a ) = 2 a [ ] .

ad ii) Nach Definition gilt fr eine temperierte Funktion S

(a ) ^ [ ] = a [ ] = (a ) =

1
(t ) e ia (t ) dt =
2 R

1
Te [ ], QED.
2 ia

Wir beweisen als eine weitere Anwendung des Permanenz-Prinzips, da sich unter FourierTransformation Translation und Skalierung bei temperierten Distributionen genauso verhalten
wie bei Funktionen.

Distributionen

49

6.8 Lemma (Translation und Dilatation bei Fourier-Transformation temperierter Distributionen)

Es sei T S ' eine temperierte Distribution. Dann gilt

( a T )^

= e a T und (a T ) = a a 1 T .
^

Beweis. Der Beweis besteht in der Anwendung von Lemma 4.7 auf die Definition 5.8, QED.

6.9 Satz (Konvergenz der Dirichlet-Kerne)

Die in Definition 3.6 eingefhrten Dirichlet Kerne DN, N N, konvergieren als Distribution:
lim

1
D N = 2 n .
2
nZ

Beweis. Sei D eine vorgegebene Testfunktion. Wir fhren die Behauptung auf den periodischen Fall zurck: Wir definieren die periodische C-Funktion
:R
C , (t ) := ( t + 2n ) .
nZ

Die Funktion ist wohldefiniert, da kompakten Trger hat. Wir setzen zur Abkrzung (vgl.
Beispiel 5.12)
T := 2 n .
nZ

Einerseits gilt
T [ ] = 2 n [ ] = ( 2n ) = ( 0
nZ

nZ

Andererseits gilt
N
N
1
1
1
int
(
)
DN [ ] =
e
t
dt

2
n = N 2 R
n = N 2 kZ

n = N

1
2

int
e
0

( t + 2k ) dt =
kZ

2 ( k +1)
int

2 k
N

n = N

1
e int (t + 2k ) dt
(t ) dt =

n = N
kZ 0

1
2

int
e ( t ) dt =
0

c [ ] .

n = N

Mit Satz 3.9 folgt:

lim

1
D N [ ] = c n [ ] = ( 0 ) = T [ ] , QED.
2
nZ

6.10 Folgerung (Poisson Formel)

Es gilt folgende Aussage als Gleichheit temperierter Distributionen
1

n = 2 n .

nZ
nZ

Distributionen

50

Beweis. Wir stellen die linke Seite der Gleichung von Satz 6.9
1
2 n
e in = n
2 nZ
Z
als Fourier-Transformation temperierter Distributionen dar: Nach Lemma 6.7, Teil ii) gilt
1
e in = n .
2
Wir erhalten
1

n =

nZ

1
2

nZ

nZ

2 n

, QED

6.11 Beispiel (Transformationsformel der Theta-Funktion)

Wir wenden die Poisson-Formel auf eine bestimmte temperierte Funktion an, nmlich auf die
Gauss-Funktion
f: R
C , f (t ) := e at

mit festem, aber beliebigem Parameter a > 0. Mit Folgerung 6.10 erhalten wir:
1
2

f ( n) = f (2n) .

nZ

nZ

Fr die Gauss-Kurve
g: R
R, g (t ) := e

t2
2

gilt nach Beispiel 4.4

g = g .
Es ist
1
.
2a

f = b g mit b =
Es folgt nach Lemma 4.7

f = b b1 g = b b1 g = b b2 f .
Wir erhalten
1
2

f ( n)

nZ

b
2

f ( b n ) = f ( 2 n ) ,
2

nZ

nZ

d.h.
b
2

nZ

a ( b2 n ) 2

nZ

a ( 2 n ) 2

Distributionen

51
1
2 a

n2
4a

nZ

= e a 4 n

2 2

nZ

Mit
:= 4a > 0
folgt fr die Theta-Funktion
( ) := e n , > 0,
2

nZ

die Transformationsformel

1
e

nZ

n2

= e n ,
2

nZ

d.h.
1
1
( ) := ( ), > 0 .

Faltung

52

7 Faltung
In diesem Abschnitt definieren wir die Faltung zweier Funktionen und erweitern die Definition auf die Faltung einer Distribution mit einer Funktion. Wir beweisen den Faltungssatz ber
die Fourier-Transformation einer Faltung. Das Hauptresultat dieses Kapitels ist das AbtastTheorem von Shannon fr frequenzbeschrnkte Signale.

7.1 Bemerkung (Integrierbarkeit im Produktraum)

Fr zwei integrierbare Funktionen
f , g L1
ist die Funktion zweier Vernderlicher
R 2 C , ( x , y) a f ( x ) g ( y)
integrierbar, ebenso die Funktion
R 2 C , ( x , y) a f ( x ) g ( y x ) .
Nach dem Satz von Fubini ([For1983], 7, Satz 7) ist - bis auf eine Nullmenge - fr jedes feste y R die Einschrnkung
R C , x a f ( x ) g( y x )
integrierbar, und das Integral definiert eine integrierbare Funktion
R C , y a f ( x ) g( y x ) dx .
R

Aufgrund von Bemerkung 7.1 kann man die Faltung mit einer L1-Funktion definieren:

7.2 Definition (Faltung)

Eine integrierbare Funktion
g L1
definiert eine C-lineare Abbildung, die Faltung mit g,
L1 L1 , f a f * g mit (f * g ) ( ) := f ( t ) g( t ) dt .
R

Offensichtlich ist das Faltungsprodukt kommutativ, d.h. es gilt

f * g = g *f .

Distributionen

53

Der Vektorraum L1 bildet bzgl. Addition und Faltung von Funktionen eine kommutative
C-Algebra ohne 1-Element. Die Fourier-Transformation berfhrt die Faltung in ein Produkt.
Da das Produkt zweier integrierbarer Funktionen nicht notwendig wieder integrierbar sein
mu, setzen wir bei der Umkehrung beide Faktoren als temperiert voraus.

7.3 Satz (Fourier-Transformation der Faltung von Funktionen)

i) Fr die Fourier-Transformation der Faltung zweier integrierbarer Funktionen
f , g L1 (R )
gilt die Formel

(f * g )^ =

2 f g .

ii) Umgekehrt gilt fr zwei temperierte Funktionen

f, gS
die Formel
^
2 (f g ) = f g

Beweis. ad i) Die angegebene Formel folgt durch explizites Einsetzen der Definition, die Substitution
t-y=s
und die Anwendung des Satzes von Fubini:

(f g )^ () =

1
(f g )( t ) e it dt = 1 f ( y) g( t y) e it dt dy

2 R
2 R2

1
1
f ( y) g(s) e i( s + y ) ds dy =
f(y) e iy dy g(s) e is ds = 2 f ( ) g( ) .

2 R2
2 R
R
Die Faltung zweier integrierbarer Funktionen ist wieder integrierbar, ihre FourierTransformierte ist stetig nach Lemma 4.5. Daher macht Teil i) eine Aussage ber die Gleichheit zweier stetiger, aber nicht notwendig integrierbarer Funktionen.
ad ii) Das Produkt zweier temperierter Funktionen ist wieder temperiert, also insbesondere
integrierbar. Daher ist die Fourier-Transformierte wohldefiniert. Wir fhren den Beweis auf
die Aussage von Teil i) zurck, indem wir als Korollar des Umkehrsatzes 4.15 die Formel
verwenden

h ( x ) = h ( x ) = (1h ) ( x ) .
Nach Teil i) gilt

(f * g)

^^
= 2 f g = 2 (f g ) .

Die Fourier-Transformation temperierter Funktionen ist ein Isomorphismus nach Satz 4.15,
also gilt auch

Distributionen

54
^
f * g = 2 (f g ) , QED.

7.4 Definition (Faltung einer Distribution)

Es sei T D ' eine Distribution und g D eine Testfunktion. Dann definieren wir als die Faltung von T mit g die Funktion
(T g ) : R C mit (T g ) ( x ) := T [ ( x g ] ,
wobei
(
(
x g : R
C , ( x g )(y ) := g (x y ) .

7.5 Bemerkung (Faltung einer Distribution)

i) Die in Definition 7.4 eingefhrte Faltung

(T g ) : R C
ist eine beliebig oft differenzierbare Funktion. Sie heit die Regularisierung der Distribution T durch die Funktion g.
ii) Analog zu Definition 7.4 kann man die Faltung einer temperierten Distribution mit einer
temperierten Funktion definieren.
iii) Im Falle von Distributionen mit kompaktem Trger wie der Dirac-Distribution, kann man
auch Faltungen mit Funktionen aus den greren Funktionenklassen C oder der Klasse C der
stetigen Funktionen definieren.
Definition 7.4 verallgemeinert die in Definition 7.2 eingefhrte Faltung integrierbarer Funktionen. Es gilt:

7.6 Lemma (Faltung einer regulren Distribution)

Im Falle einer regulren Distribution
T = Tf
mit einer lokal-integrierbaren Funktion f gilt fr die Faltung mit einer Testfunktion g die
Gleichheit von Funktionen
Tf g = f g .
Beweis. Es gilt

(f * g ) () := f ( t ) g( t ) dt ,
R

andererseits ist

(Tf g ) () = Tf [ ( g] = f ( t ) g ( t ) dt , QED.
R

Distributionen

55

7.7 Lemma (Faltung einer Distribution)

Es seien T S ' eine temperierte Distribution und g S eine temperierte Funktion. Dann gilt
fr die Anwendung auf eine Testfunktion S

(T g ) [ ] = T [ (1g ) ] .
Beweis.

(T g ) [ ] = T [ ( t g ] ( t ) dt = Ty [ g( t y) ] ( t ) dt = Ty [ g( t y) ( t ) ] dt
R

Wir verwenden - ohne Beweis - als Folgerung aus der Stetigkeit der Distribution, da wir die
Integration und die Anwendung der Distribution vertauschen drfen. Wir erhalten

T [ g( t y) ( t ) ] dt = T g( t y) ( t ) dt = T ( g )( y t ) ( t ) dt = T [ ( g ) ]
y

7.8 Beispiel (Faltung der Dirac-Distribution)

Die Regularisierung der Dirac-Distribution mit einer Testfunktion g S ist die translatierte
Testfunktion:
a g = a g .
Insbesondere wirkt die Dirac-Distribution im Nullpunkt 0 als Einheit bezglich des Faltungsproduktes.
Beweis. Es gilt

( a g )( t ) = a [ ( t g ] = g ( t a ) = ( a g ) ( t ) , QED.
Der Faltungssatz 7.3 lt sich auf die Faltung einer Distribution erweitern.

7.9 Satz (Fourier-Transformation der Faltung mit einer Distribution)

Es sei T S ' eine temperierte Distribution und g S eine temperierte Funktion. Dann gilt

(T g )^ =

1
^
T g .
2 T g und (T g ) =
2

Beweis. ad i) Sei S eine temperierte Testfunktion. Wir berechnen die linke Seite mit
Lemma 7.7

(T g )^ [ ] = (T g ) [ ] = T [ ( 1g ) ]
Fr die rechte Seite gilt mit der Faltungsformel fr Funktionen, Satz 7.3,

( )

2 T g [ ] = T

] [

2 g = T

2 (g )

] = T [ (

g ) ] .

Distributionen

56

Die Formel des zweiten Teils folgt wie im Beweis von Satz 7.3 aus dem ersten Teil, QED.

Die Bedeutung des folgenden Theorems 7.10 liegt darin, da es die Rekonstruktion einer
Funktion aus einem diskreten Satz von Funktionswerten erlaubt - unter der Voraussetzung,
da die Fourier-Transformation der Funktion nur Frequenzen aus einem beschrnkten Intervall enthlt.

7.10 Satz (Abtast-Theorem von Shannon)

Gegeben sei eine stetige, quadratintegrierbare Funktion
f L1 L2
mit endlicher Bandbreite, d.h. die Fouriertransformation f L2 habe kompakten Trger, o.E.
supp f [ , ] .
Dann ist die Funktion bereits durch die Folge ( f (n) )nZ ihrer Funktionswerte bestimmt, es
gilt punktweise
f (t ) =

f (n )

nZ

sin ( (t n ) )
, t R.
(t n )

Beweis. Wir bezeichnen mit

: R
[ 0, 1 ]
die charakteristische Funktion des Intervalles [ -, ] im Frequenzbereich. Hier gilt nach Voraussetzung
f = f .
Wegen der Integrierbarkeit von f ist die Fourier-Transformierte f stetig (Lemma 4.5). Wegen
f ( ) = f ( ) = 0
knnen wir die Einschrnkung
f | [ ,

zu einer periodischen stetigen Funktion F auf R fortsetzen. Sie hat nach Korollar 3.11 die Fourier-Reihe
F( x ) =

c [F] e

nZ

inx

mit Fourier-Koeffizienten
1
c n [F] =
2
Nach dem Umkehrsatz 4.15 gilt

F() e

in

d .

Distributionen

57

f (t) =

1
2

1
2

it
f ( t ) e d =

it
f ( t ) e d =

1
2

F( t ) e

it

d .

Diese Gleichheit der Funktionswerte gilt zunchst bis auf eine Nullmenge. Da beide Seiten
jedoch stetige Funktionen sind, stimmen sie punktweise berein, insbesondere gilt
c n [F] =

1
f ( n ) , n Z.
2

Auf die Gleichung

1
f = f =
2

f ( n ) e

nZ

in

1
2

f (n) ( e

nZ

in

wenden wir die Fourier-Transformation an. Einerseits gilt

f ( t ) = f ( t ) .
Andererseits fassen wir die beiden Funktionen
e-in und
nach Bemerkung 5.6 als temperierte Funktionen auf und berechnen nach Satz 7.3, Teil ii),
Lemma 6.7 und Lemma 7.8:
1
e in * = n * = n .
2

( e in ) ^ =

bertrgt man Beispiel 4.6 auf das Intervall [ -, ], so gilt:

( x ) = 2

sin( x )
.
x

Insgesamt erhalten wir

f (t) =

1
sin( ( t + n ) )
f(n) 2
,

( t + n )
2 nZ

also
f ( t ) = f(n)
nZ

sin( ( t n ) )
, QED.
( t n )

7.11 Bemerkung (Abtastdistanz)

Falls die Fourier-Transformierte ihren Trger im Intervall
[-, ], N,
hat, gilt analog zu Satz 7.10
f (t) = f (
nZ

sin ( t n )
n)
.

t n

Distributionen

58

Bei einem greren Frequenzbereich mu also die Abtastdistanz um den Faktor :=

ver

ringert werden.
Beweis. Wir reduzieren die Behauptung durch Skalierung auf Satz 7.10. Wir betrachten die
skalierte Funktion
g := ( 1 f ) .
Ihre Fourier-Transformation lautet nach Lemma 4.7
g =

( )

1
f = f

und hat kompakten Trger

supp g [ , ].
Wir wenden Satz 7.10 auf die Funktion g an der Stelle s R an und erhalten
f ( s) =

f( n)

nZ

sin( (s n ) )
,
( s n )

bzw. mit
t := s
die Behauptung
f ( t ) = f( n)
nZ

sin( t n )
, QED.
t n

Als direkte Folgerung aus der Poisson-Formel und der Faltungsformel lt sich eine anschauliche Darstellung des Abtastvorganges in Satz 7.10 geben.

7.12 Bemerkung (Abtastung)

Zu einer gegebenen Signalfunktion f nennt man die temperierte Distribution
f S := f n
nZ

die Abtastung (Sampling) von f. Durch Fourier-Transformation erhlt man mit der Faltungsformel (Satz 7.9) unter etwas allgemeineren Voraussetzungen, der Poisson-Formel (Folgerung
6.10) und Lemma 7.8
^

fS :=

f n = f 2 n = 2 n f ,
2
nZ
nZ
nZ

d.h.
fS () = f ( 2n ) .
nZ

Distributionen

59

Falls f bandbeschrnkt im Intervall [ -, ] ist, gilt

f = fS .
Hieraus folgt, da die Funktion gerade ist,
f =

1
f S ,
2

d.h. man kann die bandbeschrnkte Funktion f aus ihrer Abtastung fS gewinnen.

Kontinuierliche Wavelet-Transformation

60

8 Kontinuierliche Wavelet-Transformation
In diesem Kapitel beginnen wir mit der Wavelet-Theorie. Die Wavelet-Transformation kann
in Analogie zur Fourier-Trnasformation gesehen werden. In beiden Fllen werden 1dimensionale zeitliche Signale f(t) in ihr Frequenzspektrum zerlegt. Diese Zerlegung geschieht ohne Informationsverlust, so da sich das Ausgangssignal aus seinem Frequenzspektrum wieder zurckgewinnen lt.
Die Fourier-Transformation liefert die Frequenzanalyse f ( ) ohne Information ber den genauen Zeitpunkt, zu dem die einzelnen Frequenzen auftreten. Dennoch enthlt die FourierTransformierte die volle Information, denn mit Hilfe der inversen Fourier-Transformation
kann man das Signal gem dem Umkehrsatz ja wieder rekonstruieren.
Eine Wavelet-Transformation liefert die Information besser voneinander abgegrenzt: Man erhlt sowohl die Frequenzanalyse als auch die Zeitpunkte des Auftretens der einzelnen Frequenzen. Folgendes Beispiel illustriert den Sachverhalt: Der Komponist bringt die Musik in
Form einer Wavelet-Transformation (Partitur) auf das 2-dimensionalen Notenpapier, das Orchester macht daraus in einer inversen Wavelet-Transformation hrbare Musik.
Zwischen beiden Arten der Signaltransformation steht die von D. Gabor eingefhrte "gefensterte" Fourier-Transformation, die zu jedem Zeitpunkt nur ein kleines Zeitfenster des Signals
betrachtet und fr diesen Ausschnitt eine Fourier-Analyse durchfhrt. Unter einem Zeitfenster
verstehen wir dabei eine auf der Zeitachse definierte Funktion, die nur in einer kleinen Umgebung von t = 0 von Null verschieden ist.
Nach der Definition der Wavelet-Transformation stellt die Umkehrformel fr die WaveletTransformation (Satz 8.11) das Hauptresultat dieses Kapitels dar.

8.1 Algorithmus (Gefensterte Fourier-Transformation)

Input. Signal f, Zeitfenster .
Output. Familie von Fourier-Tranformierten f , b zu zeitverschobenen Zeitfenstern
b, b R.

Fr jeden Zeitpunkt b R
Bilde Fourier-Transformation des Zeitfensters bei b
1
f ,b ( ) :=
f ( t ) ( t b) e i t dt

2 R
Abbildung 2 Gefensterte Fourier-Transformation

8.2 Algorithmus (Wavelet-Transformation)

Input. Signal f, Zeitfenster .

Kontinuierliche Wavelet-Transformation

61

Output. Familie von Wavelet-Tranformierten von f zu skalierten und zeitverschobenen Zeitfenstern

1
a

b (a ) , (a, b) R* x R.

Fr jeden Zeitpunkt b R und Skalenparameter a R*

Bilde Wavelet-Transformation
W [f ] (a , b)

1
a

f ( t ) ( ) ( t ) dt
b

Abbildung 3 Wavelet-Transformation

8.3 Bemerkung (Gefensterte Fourier-Transformation versus

Wavelet-Transformation)
Bei der gefensterten Fourier-Transformation erfat jede Abtastfunktion
t a ( t b) e i t
ein Fenster der festen Gre
supp
um den Zeitpunkt b und berstreicht dieses Fester mit harmonischen Schwingungen der variablen Frequenzen .
Bei der Wavelet-Transformation erfat jede Abtastfunktion
ta

1
a

a ( t ) =

tb

a
a

ein Fenster der variablen Gre

1
supp()
a
um den Zeitpunkt b und berstreicht dieses Fenster mit einer Schwingung des skalierten Wavelets ("kleine Welle") a .

8.4 Schreibweise (Wavelet)

Fr die Komposition der Operationen Translation, Skalierung und Normierung bei einer
Funktion
:R
C
fhren wir die Schreibweise

Kontinuierliche Wavelet-Transformation

62

b,a :=

b,a ( t ) =

b a ,

ein. Es gilt also

Der Faktor

1
a

t b

.
a
a

stellt sicher, da und b,a dieselbe L2-Norm haben.

8.5 Definition (Wavelet und Wavelet-Transformation)

Ein Wavelet ist eine quadrat-integrierbare Funktion
L2,
deren Fourier-Transformation sogar logarithmisch quadrat-integrierbar ist, d.h.
0 < c := 2

()

d < (Zulssigkeitsbedingung).

Die Wavelet-Transformation einer quadrat-integrierbaren Funktion f L2 mit dem Wavelet

ist die Funktion

W[ f ]: R* x R C, W [ f

] (a, b):=

1
f ( t ) b,a ( t ) dt .
c R

Die Wavelet-Transformation einer Funktion sollte in Analogie zur Fourier-Transformation in

Definition 4.2 gesehen werden. Ein wesentlicher Unterschied zwischen beiden Transformationen ist die Tatsache, da die Wavelet-Transformierte eine Funktion zweier Vernderlicher
ist.

8.6 Lemma (Wavelet-Transformation als Faltung)

Fr jeden festen Skalenfaktor a R* ist die Wavelet-Transformation bezglich der zeitlichen
Translation eine Faltung:
W [ f

] ( a, b ) =

1
a c

(f *

( b) .

Ihre Fourier-Transformation bzgl. des Argumentes b hat die Gestalt

( W [ f ] ) (a, ) =
^

2 a
^
f ( ) ( a ).
c

Kontinuierliche Wavelet-Transformation

63

^
Als Fourier-Transformation der L1-Funktion f ist fr jedes feste a R* die Funktion

b a W [ f ] (a, b)
stetig und erfllt
lim W [ f ] (a , b) = 0.

b + /

Beweis. ad i)
W [ f

] (a, b) =
1
a c

1
f ( t ) b,a ( t) dt =
c R

f ( t) (

a c

( b t ) dt =

f ( t ) (
R

1
a c

(f *

tb
) dt =
a

( b)

ad ii) Nach Satz 7.3 folgt aus Teil i)

( W [ f ] ) (a, ) =
^

2 a
c

( f (

( a )1

) )( ) =

2 a
^
f ( ) ( a ) .
c

Die letzte Aussage folgt aus Lemma 4.5, QED.

8.7 Beispiel (Haar Wavelet)

Die Haar'sche-Funktion (Definition 2.8)
1 0 t <1 2

:R
[ 1, 1 ] , (t ) := 1 1 2 t < 1
0
sonst

ist quadrat-integrierbar. Sie hat die Fourier-Transformation

: R
C , () =

i
i
sin(x )


e 2 sin sinc mit sinc(x ) :=
,
x
2
4
4

und es gilt
()
2 d

< .

Also ist die Haar'sche Funktion ein reelles Wavelet.

Beweis. Bezeichnet = [1,1] die charakteristische Funktion des Intervalles [-1, 1], so gilt
= 1 1 1 3 ,
4

also mit Lemma 4.7

i
1
1 i

( ) = 4 [(e 1 e 3 ) ] () = [e 4 e 4 ] ( ) .
4
4
4

Kontinuierliche Wavelet-Transformation

64

Es ist
[e

3
4

]=

e
e

3
4

i
2

=e

2i sin

,
4

und nach Beispiel 4.6 gilt

( ) =
4

sinc .

Die Abschtzung

()

d < .

folgt aus der Abschtzung des Integranden

()

sin 4 ()
,
3

der sowohl fr 0 also auch fr integrierbar ist, QED.

8.8 Bemerkung (Wavelet)

Die Fourier-Transformierte eines Wavelets L1 ist stetig (Lemma 4.5); also gilt wegen der
logarithmischen Quadrat-Integrierbarkeit
(0) = ( t ) dt ,
0=
R

d.h. der Mittelwert des Wavelets verschwindet.

8.9 Lemma (Erzeugung von Wavelets)

Wenn die k-te Ableitung, k 1, einer quadrat-integrierbaren Funktion existiert und wiederum quadrat-integrierbar ist, d.h.
(k ) L2 ,
so ist sie ein Wavelet
:= (k ) .
Beweis. Fr die Fourier-Transformation gilt nach Satz 4.13
( ) := (i) k ( ) .
Es folgt - da die Fourier-Transformation nach Satz 4.17 eine Isometrie ist -

Kontinuierliche Wavelet-Transformation

()

( )

()

d =

2k

d +

( )

2k

65

d =

2k

d =

L2

( )

+ (k )

d +

2k

2
L2

2
L2

( )

+ (k )

2
L2

, QED.

8.10 Beispiel (Wavelet Mexikaner-Hut)

Die Funktion
t
d2
: R
R, (t ) := 2 e 2
dt

t
1

= (1 t 2 ) e 2 mit := 2 4 ,

heit Mexikaner-Hut. Sie ist durch den Faktor so normiert, da

= 1.

L2

Ihre Fourier-Transformation berechnet sich nach Satz 4.13 und Beispiel 4.4 als
( ) = e
2

2
2

mit der Zulssigkeitsbedingung

( )

d =

e
3

d = 2

d = 2

(e ) d =
2

2 e
2
2
2
2
2
+ 2 e d = e 2 = .
2
0
0
0

Also ist der Mexikaner-Hut ein reelles Wavelet.

Beim Beweis der Isometrie-Eigenschaft und der Umkehrformel fr die WaveletTransfomation bentigen wir, da das Wavelet die Zulssigkeitsbedingung erfllt.

8.11 Satz (Wavelet-Transformation als Isometrie)

Fr ein Wavelet L2(R) ist die Wavelet-Transformation

W : L ( R)
L R * x R,
2

da db

a2

eine Isometrie.
Beweis. Wir setzen Zur Abkrzung fr die beiden Hilbert-Rume
da db

X := L2 ( R) und Y := L2 R * x R, 2 .
a

Kontinuierliche Wavelet-Transformation

66

Wir berechnen die Norm des Bildes, indem wir auf die zweite Vernderliche die FourierTransformation anwenden und ausnutzen, da diese eine Isometrie ist (Satz 4.17). Auerdem
wenden wir Lemma 8.6 an und die Gleichheit (Bemerkung 4.3)
^

( a ) = (a ) .
Wir erhalten
W [ f

2
c R

2
Y

= W [ f
R R
^

( a )

] ( a, b )

da
db 2 =
R
a

2
da 2
f () d 2 =
c R
a

( )

2
c R
( )
2
=

c R

W [ f

] ^ ( a, )

da
d 2 =
a

2
da
f () d =
2
a

(a )

2
d f () d =

d f () d = f
2

2
X

= f

2
X

, QED.

8.12 Satz (Umkehrformel der Wavelet-Transformation)

Fr die Wavelet-Transformation

W : L ( R)
L R * x R,
2

da db

a2

mit einem Wavelet L2(R) gilt die Umkehrformel

f (t ) =

1
c

W [ f

] (a, b) b,a (t ) da 2db

a

R*xR

fr alle f L2(R).

Beweis. Der folgende Beweis beruht auf der Formel von Calderon. Wir setzen

W [ f ] (a, b)

1
c

F( t ) :=

b,a

R2

(t)

da db
.
a2

Dann gilt
F( t ) :=

1
c

1
c

W [ f ] (a, b) ( )( t b) db a

( W [ f ] (a, ) ( ) ) ( t )

da
2

da
a a

1
c

( f * (

Anwendung des Faltungssatzes 7.3 und der Formel aus Bemerkung 4.3
^

(a ) ( t )

( a t ) = (a t )

da
a a2

Kontinuierliche Wavelet-Transformation

67

liefert
2
F( t ) = f ( t )
c

) (t)
(a 1
^

2
f ( t )
c

(a t )

2
da
= f ( t )
2
c
a a

da 2
= f (t)
c
a

(a t )
( a t )

( )

d = f ( t ) .

Da die Fourier-Transformation ein Isomorphismus ist (Satz 4.17), folgt

F = f, QED.

da
=
a a2

Gibbsches Phnomen

9 Gibbsches Phnomen

68

Schnelle Fourier-Transformation

10 Schnelle Fourier-Transformation

69

Fouriertheorie und Quantencomputing

11 Fouriertheorie und Quantencomputing

70

Bildkompression

12 Bildkompression

71

Wavelet-Frame

72

13 Wavelet-Frame
Die Wavelet-Transformation transformiert eine Funktion einer Vernderlichen f(t) in eine
Funktion zweier Vernderlichen W[ f ] (a, b). Aus dieser lt sich nach Satz 8.12 das Ausgangssignal zurckgewinnen. Somit enthlt die Wavelet-Transformierte viel redundante Information. In diesem Kapitel geht es darum, diese Redundanz zu verringern. Wir werden in
(Satz 13.10) ein Resultat von der Art des Abtast-Theorem von Shannon beweisen: Unter geeigneten Voraussetzungen enthlt bereits eine diskrete Folge
(a, b) R* x R
von Skalierungsparametern a und zugehrigen Translationen b die vollstndige Information
eines beliebigen Signals.

13.1 Definition (Skalierungs- und Translationsparametern)

i) Wir whlen einen festen Zoom-Faktor
a>1
und betrachten als Folge von Skalierungsparametern die Potenzen
ak := ak, k Z.
Auerdem whlen wir eine feste Translations-Distanz
b>0
und betrachten zu jedem festen Skalierungsparameter ak, k Z, die Folge von Translationen
bk,m := m b ak, m Z.
deren Lnge ein Vielfaches von
b ak
ist. Durch die Abhngigkeit von ak wird sichergestellt, da die Translationsschritte zu verschiedenen Skalierungen ineinander enthalten sind.
ak

a = a1 = 2
a0 = 1

a-1 = 0.5
b= 1

Abbildung 4 Gitter zum Wavelet-Sampling mit a=2, b=1

bk,m

Wavelet-Frame

73

ii) Fr ein Wavelet setzen wir unter Verwendung von Schreibweise 8.4 zur Abkrzung
k , m := b k ,m ,a k , (k, m ) Z 2 ,
also
k, m ( t ) =

1
ak

b k ,m

t m b ak

ak
ak

a k ( t ) =

1
( a k t m b ) , (k, m ) Z 2 .
ak

Nach der Umkehrformel (Satz 8.11) kann man jede Funktion aus ihrer Wavelet-Transformation rekonstruieren.

13.2 Bemerkung (Anforderung an die diskrete WaveletTransformation)

i) Welche Voraussetzungen mssen ein Wavelet , der Zoom-Faktor a und die TranslationsDistanz b erfllen, damit die Wavelet-Transformation einer beliebigen Funktion f L2 bereits
durch die Folge ihrer Wavelet-Koeffizienten

( W [ f ]( a

, bm,n )

( m , n ) Z 2

festgelegt ist? Wann lt sich in diesem Falle das Ausgangssignal stetig aus seinen WaveletKoeffizienten rekonstuieren?
ii) Um diese Frage zu formalisieren, fassen wir die Wavelet-Transformation mit als ein
Skalarprodukt im Hilbert-Raum L2(R) auf:
W [ f

] ( a, b ) =

1
1
f ( t ) b, a ( t ) dt =
< f , b,a >

c R
c

und betrachten fr einen festen Zoom-Faktor a und eine feste Translations-Distanz b die hierdurch definierte lineare Abbildung
T : L2 ( R)
C Z , T(f ) := (< f , m ,n > )m ,nZ 2 .
2

Dann heien die in Teil i) formulierten Fragen: Unter welchen Voraussetzungen liegt das Bild
dieser Abbildung im Hilbert-Raum l2(Z2), wann ist T eine stetige Abbildung zwischen Hilbert-Rumen und wann ist die Abbildung injektiv mit stetiger Umkehrung?

13.3 Beispiel (Haar Wavelet)

Nach Satz 2.9 ist die aus dem Haar'schen Wavelet mit Zoom-Faktor a = 2 und TranslationsDistanz b = 1 abgeleitete Folge

( )(
m ,n

m , n )Z 2

Wavelet-Frame

74

eine Hilbert-Basis des Hilbertraumes L2(R). Insbesondere gilt fr alle f L2(R)

< f ,

f=

m,n

> m, n .

( m , n ) Z 2

Nach der Parseval'schen Gleichung (Korollar 1.9)

2

( m ,n ))Z 2

< f , m ,n >

ist die Abbildung

T : L2 ( R)
l 2 ( Z 2 ), T(f ) := (< f , m ,n > )( m ,n )Z 2
ein isometrischer Isomorphismus von Hilbert-Rumen, insbesondere also stetig mit stetiger
Umkehrabildung.

Dieses Beispiel wird im folgenden verallgemeinert. Zuchst wird die Parseval'sche Gleichung
fr eine Hilbert-Basis zu einer Abschtzung fr einen Frame verallgemeinert.

13.4 Definition (Frame)

Eine Folge (xi)iI von Elementen eines Hilbert-Raumes X heit ein Frame von X, wenn es
Konstanten
0<AB
gibt, so da fr alle x X gilt:
A x

iI < x , x i >

B x

Man nennt A und B ein Paar von Frame-Konstanten. Falls man A = B whlen kann, so heit
der Frame straff.

13.5 Bemerkung (Frame)

i) Jeder Frame eines Hilbert-Raumes X ist ein Erzeugendensystem, d.h. fr einen Frame (xi)iI
gilt
span < x i : i I > = X.
Zum Beweis gengt es zu zeigen, da der Orthogonalraum nur aus dem Nullvektor besteht,
d.h.
= 0 fr alle i I y = 0 .

y, x i

Diese Aussage folgt aus der linken Seite der Frame-Abschtzung wegen 0 < A:
A y

iI < y, x i >

, QED.

ii) Jede Hilbert-Basis (xi)iI ist ein straffer Frame mit Frame-Konstanten

Wavelet-Frame

75
A=B=1

wegen der Parseval-Gleichung (Korollar 1.9)

x

= iI < x , x i >

Wir erinnern an die Berechnung der Norm in einem Hilbert-Raum, insbesondere fr beschrnkte, symmetrische Operatoren.

13.6 Lemma (Norm in einem Hilbert-Raum)

i) In einem Hilbert-Raum X kann man die Norm eines Elementes x X berechnen als
x = sup x , y .
y =1

ii) Fr eine lineare stetige Abbildung zwischen zwei Hilbert-Rumen

f: X Y
existiert die Operator-Norm
f := sup f ( x ) <
x =1

und berechnet sich als

f = sup

x =1, y =1

< f ( x ), y > .

Wenn f zustzlich symmetrisch ist, d.h.

< f ( x ), y > = < x , f ( y) > fr alle x X, y Y,
so gilt bereits
f = sup < f ( x ), x > .
x =1

Beweis. ad ii) vgl. [Heu1986], Satz 29.5.

13.7 Satz (Frame-Operator)

Ein Frame (xi)iI in einem Hilbert-Raum X mit Frame-Konstanten A und B definiert eine lineareAbbildung
T:X
l 2 (I ) , T( x ) = (< x , x i > )iI .
i) Diese Abbildung ist stetig und injektiv mit Norm
T B .
Die Umkehrabbildung
T 1 : T ( X )
X

Wavelet-Frame

76

ist ebenfalls stetig mit Norm

1
.
A

T 1
ii) Bezeichnet

T* : l 2 ( I )
X ,
den adjungierten Operator und whlt man speziell
B := T

und A :=

1 2

so hat der Frame-Operator

S :=

2
(T * o T ) : X X
A+B

des Frames folgende Eigenschaften:

Fr jedes x X berechnet sich

2
x, x i x i
A + B iI

S( x ) =

Fr den Abstand von der Identitt gilt:

id S

B A
.
A+B

Der Frame-Operator eines straffen Frames ist die Identitt

S=

1
(T * o T ) = id X .
A

Beweis. ad i) Die Frame-Bedingung

T( x )

= < x, x i >

B x

<

iI

zeigt, da T wohldefiniert und durch

B beschrnkt ist. Fr x 0 folgt aus

0<A x

T( x )

da T(x) 0. Also ist die lineare Abbildung T injektiv. Die Umkehrabbildung auf dem Bild
T 1 : T (X)
X
erfllt fr alle y = T(x) T(X):
T 1 ( y)
also ist T-1 durch

= T 1 (T( x ))

1
beschrnkt.
A

= x

1
T(x )
A

1
y
A

Wavelet-Frame

77

ad ii) Als stetiger Operator hat T einen adjungierten Operator T*, der durch die Eigenschaft
< T( x ), y > = < x , T * ( y) > fr alle x X, y l2(I)
charakterisiert ist ([HS1971], Definition 22.1). Der adjungierte Operator ist ebenfalls stetig
mit gleicher Norm. O. E. sei I = N. Fr beliebiges x X ist die Folge
N

s N := x, x i x i
i=0

N N

eine Cauchy-Folge: Fr M N ist nach Lemma 13.6

s N sM
M

i = N +1

= sup < s N s M , z >

z =1

< x, x i >

sup

z =1 i = N +1

< x, x

= sup
z =1

< xi , z >

i = N +1

i = N +1

> < xi , z >

< x, x i >

B.

Da die Reihe

< x, x i >

B x

iN

konvergiert, lt sich der Reihenrest

M

iN +1

< x, x i >

beliebig klein abschtzen. Da der Hilbert-Raum vollstndig ist, wird durch die unendliche
Reihe
2
x, x i x i
A + B iN
ein Element von X definiert.
Andererseits ist fr jedes Element e X
A+B
< S( x ), e > = < T( x ), T(e) > =
2

< x, x
iN

(< x, x i > )i , (< e, x i > )i

> < e, x i > = < x , x i > < x i , e > ,

iN

also
S( x ) =

2
x, x i x i .
A + B iN

Insbesondere gilt
S( x ), x =

2
2
< x, x i > < x i , x > =

< x, x i >
A + B iN
A + B iN

Mit den Frame-Bedingungen folgt hieraus

Wavelet-Frame

78
2A
x
A+B

< S( x ), x >

2B
x
A+B

und
2B

1
x
A + B

2A

< (id S) ( x ), x > 1

x
A + B

also mit Lemma 13.6:

id S

B A
, QED.
A+B

13.8 Definition (Wavelet-Frame)

Ein Tupel (, a, b) mit einem Wavelet L2(R), einem Zoom-Faktor a > 1 und einer Translations-Distanz b > 0 heit Wavelet-Frame, wenn die erzeugte Folge

( )(
m ,n

m , n )Z 2

quadrat-integrierbarer Funktionen einen Frame im Hilbert-Raum L2(R) bildet. Ist dieser Frame
straff, so spricht man von einem straffen Wavelet-Frame.

Man kann zeigen, da eine beliebige quadrat-integrierbare Funktion L2(R) bereits dann
ein Wavelet ist, d.h. zustzlich logarithmisch quadrat-integrierbar ist, wenn das Tupel (, a, b)
die Frame-Bedingung von Definition 13.4 erfllt ([LMR1998], Lemma 2.1.3). Denn dann gilt
mit jedem Paar von Frame-Konstanten (A, B):
()

b ln a R

d B .

Insbesondere definiert das Haar-Wavelet einen straffen Wavelet-Frame (, 2, 1), der zugehrige Frame ist sogar eine Hilbert-Basis.

13.9 Lemma (Straffer Frame und Hilbert-Basis)

Fr ein normiertes Wavelet L2(R), d.h.
=1,
erzeugt jeder straffer Wavelet-Frame (, a, b) mit Frame-Konstanten A = B = 1 eine HilbertBasis von L2(R).
Beweis. Jedes Element des Frames
m,n :=

1
b a L 2 ( R), (m, n ) Z 2 ,
a m m ,n m

Wavelet-Frame

79

hat dieselbe L2-Norm wie , also sind auch alle Elemente des Frames auf die Lnge 1 normiert. Zum Nachweis der Orthogonalitt berechnen wir fr ein gegebenes Frame-Mitglied
:= m,n

= (k,l ) < , k ,l >

= < , >

+ (k ,l ) (m,n ) < , k ,l >

+ (k ,l )(m,n ) < , k ,l >

Die Aussage
0 = (k ,l ) (m,n ) < , k ,l >

liefert die Orthogonalitt des Frames. Die Frame-Bedingung folgt aus der Parseval'schen
Gleichung
f

= (m ,n )Z 2 < f , m ,n >

und damit ist der Frame auch vollstndig, d.h. fr alle f L2(R) gilt
f = (m,n )Z 2 < f , m,n > m,n , QED.

Der folgende Satz 13.10 zeigt, unter welchen Voraussetzungen ein Wavelet bei einem geeigneten Zoom-Parameter a fr verschiedene Translations-Distanzen b einen Wavelet-Frame
(, a, b) bildet.

13.10 Satz (Wavelet-Frame)

Gegeben sei ein Wavelet und ein Zoom-Faktor a > 1. Wir setzen voraus:
0 < m( , a ) := inf

[1,a

(a m )

, M ( , a ) := sup

[1,a mZ

mZ

(a m )

< .

i) Es gebe Konstanten K, > 0, so da

(s ) := sup

(a ) (a

[1,a ] mZ

+ s)

gleichmig in s R die Abschtzung

1

1 2
( s ) K
2
1+ s

erfllt. Dann existiert eine Schranke bmax > 0, so da fr alle Translations-Distanzen

0 < b < bmax
das Tupel (, a, b) ein Wavelet-Frame ist.
ii) Im Falle a = 2 (Verdopplung) ist (, 2, b) ein Wavelet-Frame, wenn die TranslationsDistanz b die Abschtzung

Wavelet-Frame

80

m(, 2) > 2
l=0

2
2
2
1 ( 2l + 1 ) 1 ( 2l + 1 )

b
b

mit
1 ( s ) := sup

(2
]

[1, 2 mZ

m+n

nN

) (2 n (2 m + s )) <

erfllt. In diesem Fall gelten fr jedes Paar von Frame-Konstanten (A, B) die Abschtzungen
1

2
2

2
2

( 2l + 1 ) A
m(, 2 ) 2 1 ( 2l + 1 ) 1
b

b
b
l =0

2
2

2

( 2l + 1 ) .
M (, 2 ) + 2 1 ( 2l + 1 ) 1
B
b

b
b
l =0

Beweis. ad i)
1. Wir berechnen fr eine gegebene Funktion f L2 unter Benutzung der IsometrieEigenschaft der Fourier-Transformation (Satz 4.17)
2

< f , m ,n >

= < f , m ,n >

f ( y)

m,n

= < f , m,n > < m ,n , f , > =

( y ) dy m , n ( ) f ( ) d
R

Nach Lemma 4.7 gilt

ib
m,n ( ) = a m e m ,n (a m )

und
ib y
m,n ( y ) = a m e m ,n (a m y ) .

Wir erhalten
< f , m ,n >

ib
( y )
a m f ( y) (a m y) (a m ) f ( ) e m ,n
d dy =
R
R

am

(a m y) ( a m ( y z ) ) f ( y z ) einba m z dz dy
f ( y)
R

Wir verwenden Satz 6.9 - nach Anwendung der Skalierung 1 , = b a m , -

nZ

in z

2
2 :
kZ k

Wavelet-Frame

81

Also

n Z

< f , m,n >

a f ( y) (a

n Z

(a m ( y z )) f ( y z ) e inba m z dz dy =
y )

2
2
2
k ) dy .
k) f ( y
f ( y) (a m y) (a m y

b am
b
b R
kZ
Insgesamt erhalten wir

< f , m,n >

( m , n ) Z 2

2
2
2
(a m y ) (a m y
k ) dy .
k ) f ( y ) f ( y

b am
b
b kZ mZ R

2. Der Summand fr k = 0 ist

m Z R

(a m y)

f ( y )

dy .

Wir schtzen ihn ab durch

m Z R

(a m y)

f ( y ) dy =

R m Z

sup
[ ]
R

y 1,a

mZ

(a m y )

(a m y )

f ( y ) dy

2

f ( y ) dy = M ( , a ) f

bzw.

m Z R

(a m y)

f ( y )

(a m y)
dy inf
y[1, a ]
mZ
R

2

f ( y ) dy = m( , a ) f

3. Die brigen Summanden fr k 0 werden betragsmig abgeschtzt, indem wir die Ungleichung von Cauchy-Schwarz zunchst auf das Integral und dann auf die Summation ber
den Index m anwenden:
y ) (a m y

2
2
k ) f ( y ) f ( y
k ) dy
b
b am

(a m y ) (a m y

2
2
k ) f ( y ) f ( y
k ) dy =
b
b am

(a

kZ * mZ R

kZ * m Z R

kZ * m Z R

2
k)
(a m y) (a m y
b

kZ*

1
2

f ( y)

2
k)
(a m y ) (a m y
b

(
a
y
)

(
a
y

k)

m
m

mZ
b
R

1
2

2
f ( y
k ) dy
b am
1

2
f ( y ) dy

Wavelet-Frame

82

f ( z ) dz

2
(a m z ) (a m z +
k)

b
mZ R

1
2

Dabei haben wir im zweiten Integral bei festem (k, m) die Substitution
z = y

2
k
b am

vorgenommen. Bei der ueren Summation ber den Index k schtzen wir jeden Summanden
ab

(a m y) (a m y

mZ R

R mZ

(a m y
(a m y)

2
k)
b

2
k)
b

f ( y) dy sup
R

y[1,a ] mZ

2

k f
b

f ( y ) dy =
(a m y ) (a m y

2
k)
b

und analog

mZ R

(a m y) (a m y +

2
k)
b

f ( y )

2
dy
k f
b

Zusammen also

kZ*

(a m y
k)
(a m y )

mZ
b
R

2
(a m z ) (a m z +
k)

b
mZ R

2
f ( y ) dy

f ( z ) dz

kZ*

2
2 2

k) (
k) .
( b
b

Nach Voraussetzung konvergiert die Reihe

1

kZ*

2
2 2

k) (
k ) =: C(b ) .
( b
b

4. Wegen
lim C( b) = 0 .
b 0

existiert eine Konstante bmax > 0 mit

f ( y )

dy

Wavelet-Frame

83
m(, a ) C( b) > 0 fr alle 0 < b < bmax.

Fr jede dieser Translation-Distanzen b ist (, a, b) ein Wavelet-Frame mit

2
( m(, a ) C( b)
b

( m , n )Z 2

< f, m ,n >

2
( M ( , a ) + C( b )
b

ad ii) Wir schtzen die in obigem Beweis, Teil 3 auftretende Summe

S :=

dy (2

y) (2 m y

kZ* mZ R

2
2 m
k ) f ( y) f ( y
2 k)
b
b

schrfer ab: Jeder Summationsindex k Z* lt sich eindeutig zerlegen in ein Produkt

k = 2 n j mit n N und ungeradem j Z.
Bei der Summation

... = ...

kZ *mZ

j ungerade nN mZ

substituieren wir
m=n+l
und erhalten die Abschtzung
S=

(2

n+l

j ungerade nN lZ R

(2

j ungerade lZ R

n +l

nN

(2

j ungerade lZ R nN

n+l

2 n 2 l y
y)
b

2 l

j f ( y ) f ( y
2 j) dy
b

2
2 l

y) 2 n 2 l y
j f ( y ) f ( y
2 j) dy =
b
b

2
2 l

y) 2 n 2 l y
j f ( y ) f ( y
2 j) dy =
b
b

( 2 n +l y ) 2 n 2 l y 2 j

b
j ungerade lZ R nN

2
( 2 n + l y ) 2 n 2 l y

b
nN

1
2

1
2

f ( y )

f ( y 2 2 l j) dy

j
( 2 n +l y ) 2 n 2 l y

j ungerade lZ R nN

f ( y ) dy

1
2

Wavelet-Frame

84

(2 n +l y)
2 n 2 l y +
j

nN
b

2
f ( y ) dy

2
n l
n +l
j
( 2 y) 2 2 y

j ungerade lZ R nN

( 2 n + l y ) 2 n 2l y + 2 j

b
lZ R nN

2
f ( y ) dy

2
f ( y ) dy

Wieder schtzen wir bei der ueren Summation ber j Z jeden Summanden einzeln ab:

(2
lZ

R nN

(2

n +l

R lZ nN

sup

(2
]

[1, 2 lZ

n+l

nN

2

y ) 2 n 2 l y
b

2
f ( y ) dy =

2

y ) 2 n 2 l y
b

f ( y )

n +l

2 n 2 l
)
j
b

dy

2
2
f ( y ) dy 1
j f
b

und analog

(2
lZ

R nN

n +l

2

y) 2 n 2 l y +
b

2
2
f ( y) dy 1

j f

Zusammen erhalten wir

1

2 2 2
S 1
j 1
j f
b b
j ungerade

2
2
2
2
= 2 1 (2 j + 1) 1 (2 j + 1) f
b
b

j= 0

Also ist (, 2, b) ein Wavelet-Frame fr alle Translations-Distanzen b mit

m(, 2 ) > 2
l =0

2
2
2
( 2l + 1 ) .
1 ( 2l + 1 ) 1
b

In diesem Fall erfllen die Wavelet-Konstanten (A, B) die oben genannten Abschtzungen,
QED.

Das Haar'sche Wavelet hat kompakten Trger, aber es ist nicht differenzierbar. Wir benutzen
Satz 13.10 zur Konstruktion eines weiteren Wavelets, des Meyer-Wavelets, mit entgegengesetzten Eigenschaften: Das Meyer-Wavelet ist zwar differenzierbar, aber es hat keinen kompakten Trger. In beiden Fllen erzeugt der Wavelet-Frame (, 2, 1) eine Hilbert-Basis von
L2(R).

Wavelet-Frame

85

13.11 Definition (Meyer-Wavelet)

Das Meyer-Wavelet L2 ist ber seine Fourier-Transformierte L2 definiert: Mit der
Hilfsfunktion
0

3
:R
[ 0, 1 ] , ( x ) := 10 x 15x 4 + 6x 5

x0
0 x 1
1 x

definieren wir
: R
C , ( ) :=

1
e 2 [ w( ) + w ( )] ,
2

mit
3
2
4

sin [ 2 ( 2 1) ] 3 3

4
8
3
w( ) := cos [ ( 1) ]

2 4
3
3

0
sonst

und definieren
( t ) ,
:R
C, (t ) :=
ber die inverse Fourier-Transformierte von .

Da kompakten Support hat

8
2
2 8
supp [ , ] [ , ] ,
3
3
3 3
ist logarithmisch-quadratintegrierbar, also ein Wavelet.

13.12 Bemerkung (Meyer-Wavelet)

Entscheidend bei der Wahl der Hilfsfunktion in Definition 13.11 ist, da sie 2-mal stetig
differenzierbar ist mit

Randverhalten (x) = 0 fr x 0 und (x) = 1 fr 1 x

1 1
und Symmetrie bzgl. des Punktes ,
2 2
(x) = 1 - (1 - x) .

Wavelet-Frame

86

13.13 Satz (Meyer-Wavelet)

Das Meyer-Wavelet L2 ist beliebig oft differenzierbar. Das Tupel (, 2, 1) ist ein Wavelet-Frame, der sogar eine Hilbert-Basis von L2 ist.
Beweis. i) Da die Funktion
L2
kompakten Trger hat, ist ihre Fourier-Transformation beliebig oft differenzierbar. Ihre Ableitungen knnen analog zu Satz 4.13 berechnet werden.
ii) Um Satz 13.10, Teil ii) anzuwenden, zeigen wir
m(, 2 ) = M (, 2 ) =

mZ

(2 m )

1
:
2

Sei [ 1, 2 ] vorgegeben, o. E. [ 1, 2 ] . Dann gibt es

entweder genau ein k Z mit

2
4
8
< 2 k <
< 2 k +1
3
3
3
In diesem Falle gilt
3 k
3 k +1
2 =
2 ,
2
4
also

mZ

(2 m )

1
2

2 3 k
3

sin 2 1 + cos2 2 k +1 1

2 2
2 4

1
=
2

oder es gibt ein genau ein k Z mit

2k =

4
.
3

In diesem Falle gilt

mZ

(2 m )

1 2 3 2
3 4
3 8
sin
1 + sin 2
1 + cos 2
1
2

2 2 3
2 2 3
2 4 3
1 2
1
2
.
+ cos 2 =
sin 0 + sin
2
2
2 2

iii) Mit den Bezeichnungen von Satz 13.10 gilt

1 ( 2 ( 2l + 1 ) ) = 0 , l N:
Denn fr jedes [1, 2] gilt

Wavelet-Frame

87

( 2 n + m ) = 0 oder ( 2 n + m + 2 n 2 (2l + 1) ) = 0 fr l, n N, m Z.
Nach Satz 13.10, Teil ii), ist (, 2, 1) ein Wavelet-Frame mit den Frame-Konstanten
1
1
A B ,
b
b
also A = B = 1.
iv) Das Meyer-Wavelet ist normiert:

2
2 2
3

2
3
3

cos2 y 1 dy =
sin 2 y 1 dy +

2 4 8

2 2
2 4
4
y
y

4
2

sin 2 (z ) dz + cos2 (z ) dz =

30
30
2

2
1 + cos2 (z ) dz
2

3 0

Wegen der Symmetrie

1

( x ) + ( 1 x ) = 1, d.h. x + = 1 x ,
2
2

gilt
1

1
2

cos 2 (z ) dz = cos
2

1
2

1
2

1

2
2 (z ) dz + cos 2 1 2 z dz =

0
1
2

cos 2 (z ) dz + sin
2

2 (z ) dz = 2 .

Es folgt

2 3
= 1.
3 2

Nach Lemma 13.9 definiert der Wavelet-Frame (, 2, 1) eine Hilbert-Basis, QED.

13.14 Satz (Rekonstruktion aus den Wavelet-Koeffizienten)

Es seien (, a, b) ein Wavelet-Frame mit Frame-Operator
S: L2 L2
und f L2 ein Signal.

Wavelet-Frame

88

i) Wenn der Frame eine Hilbert-Basis ist, so gilt

W [ f ]( a

f = c

(m , n )

, b m , n ) m, n .

ii) Im Falle eines straffen Frames mit Frame-Konstanten A = B gilt

f=

c
A

W [ f ]( a

(m, n )

, b m , n ) m, n .

iii) Im Falle allgemeiner Frame-Konstanten 0 < A B gilt

f=

2 c

(A + B) (
m,n )

W [ f

] ( a m , bm, n ) S1 ( m, n ) .

Dabei kann S-1 durch die Partialsummen der geometrischen Reihe

S 1 =

( id S )

kN

approximiert werden, deren Konvergenzgeschwindigkeit vom Verhltnis

B A
<1
B+A
abhngt.
Beweis. Alle Aussagen folgen aus Satz 13.7, Teil ii). Zum Beweis von Teil iii) verwenden wir
die Darstellung
S (f ) =

W [ f ] ( a m , b m , n ) m , n .
(A + B) (
m, n )

2 c

Man zeigt ([Heu1986], Satz 12.4), da aus der Abschtzung

id S

BA
< 1
B+ A

die Konvergenz der Neumann'schen Reihe

F :=

( id S )

kN

in der Operator-Norm folgt. Dann gilt:

(id S) F = ( id S ) k = F id
k =1

und F (id S) = ( id S
k =1

also
F - S F = F - id und F- F S = F - id,
d.h.
S F = id und F S = id.
Es folgt

) k = F id ,

Wavelet-Frame

89
F = S-1

und
f = (S1 S) (f ) =

W [ f ]( a
(A + B) ()

2 c

, b m , n ) S1 ( m , n ) , QED.

m, n

13.15 Bemerkung (Mexikaner-Hut)

Der Mexikaner-Hut aus Beispiel 8.10 definiert einen Wavelet-Frame (, 2, ) mit den Wavelet-Konstanten
A 3.223 und B 3.596, also

B A
0.0547 .
B+ A

Multi-Skalen-Analyse

90

14 Multi-Skalen-Analyse
Die Multi-Skalen-Analyse zerlegt ein Signal in seine Bestandteile wachsender Detailge.
Jede Skala hat eine feste Genauigkeit, durch Verdopplung des Skalierungsparamter erhlt man
Details doppelter Genauigkeit. Mathematisch gesehen stellt sich der gesamte Proze als eine
sukzessive Projektion des Ausgangssignals auf abgeschlossene Unterrume des HilbertRaumes dar.
In diesem Kapitel beziehen wir alle aus einer Funktion
L2
durch Skalierung und Translation abgeleiteten Funktionen
k , m L2 , (k, m ) Z 2 ,
mit
k , m ( t ) :=

1
2

m2 k

2 k ) ( t ) =

t m 2k

2k
2k

1
=
( 2 k t m )
k
2

auf den festen Zoom-Parameter a = 2 (Verdopplung) und die feste Translations-Distanz b = 1.

Basis der Multiskalen-Analyse ist eine Skalierungsfunktion , die bezglich der Verdopplung
selbsthnlich ist.

14.1 Beispiel (Skalierungsfunktion)

Die einfachste Skalierungsfunktion ist die charakteristische Funktion
= [0, 1] L2 .
Sie erfllt die "Skalierungsgleichung"
= h 0 1,0 + h 1 1,1
mit
h 0 = h1 =

1
,
2

denn
1, 0 = 2 [0, 1 2 ] und 1,1 = 2 [1 2, 1] .

Multi-Skalen-Analyse

0.5

91

0.5

-1,0

0.5

-1,1

Abbildung 5 Skalierungsfunktion

14.2 Definition (Skalierungsfunktion)

Eine Funktion
L2
heit Skalierungsfunktion, wenn sie mit geeigneten Koeffizienten h m C , k Z , eine Gleichung
=

mZ

1,m (Skalierungsgleichung)

erfllt, d.h. wenn fr alle x R gilt

(x ) = 2 h m (2 x m ) .
mZ

Die Skalierungsfunktion heit orthonormal, wenn die Folge ihrer Translationen

( m ) mZ
ein Orthonormal-System im Raum L2 ist.

Offensichtlich ist die Skalierungsfunktion von Beispiel 14.1 orthonormal.

14.3 Lemma (Orthogonalittsrelation)

Es sei L2 eine orthonormale Skalierungsfunktion.
i) Die Skalierungskoeffizienten
hm C, m Z,
aus der Skalierungsgleichung erfllen die Orthogonalittsrelationen

Multi-Skalen-Analyse

92

mZ

h m+ 2n = 0,n fr jedes n Z .

ii) Wenn zustzlich kompakten Trger hat, so sind nur endlich viele Skalierungskoeffizienten
hm , m Z ,
von Null verschieden.
Beweis. ad i) Nach Voraussetzung gilt
2 h m m 1 , 2 h s n s 1 =

0, n = , n =

m ,s Z

m Z

2 h m m 1 , h s 2 n + s 1 =
2

m , j Z

s Z

h m h j+ 2 n 2 m 1 , j 1 =
2

m Z

hm +2n .

ad ii) Zusammen mit

( m ) mZ
bilden auch die skalierten Funktionen
( 1,m = 2 m 1 ) mZ
2

ein Orthonormal-System. Aus der Skalierungsgleichung

=

mZ

1,m

folgt fr jedes k Z
, 1,k =

mZ

1,m , 1,k = h k .

Im Falle eines kompakten Trgers supp sind fr groe Werte von k die Trger disjunkt
supp supp 1,k = ,
also
hk = 0, QED.

14.4 Bemerkung (Unterraum-Struktur zu einer Skalierungsfunktion)

Fr eine gegebene Skalierungsfunktion fat man den Unterraum
V0 := span C 0,m : m Z L2
als den Raum der Signale mit Details der Mindestgre 2 0 = 1 auf, der in den Raum
V1 := span C 1,m : m Z L2

Multi-Skalen-Analyse

93

der Signale mit Details der Mindestgre 2 1 =

1
eingebettet ist. Die Orthogonalprojektion
2

V-1 V0
projiziert auf den niederfrequenten Teilraum der Signale mit Details doppelter Mindestgre.
Das orthogonale Komplement

W0 := V0 V1
1
erfassen. Wir iterie2
ren das Verfahren, die niederfrequenten Anteile herauszuprojizieren, und setzen fr beliebiges
k Z:

ist der Raum der Signale, welche die Details der genauen Gre 2 1 =

Vk := span C k ,m : m Z L2
der Unterraum der Signale mit Details der Mindestgre 2 k und

Wk := Vk Vk 1 ,
der Unterraum der Signale mit Details der genauen Gre 2k-1. Das Ergebnis ist eine aufsteigende Folge von Unterrumen von Signalen:

0 ... V2 V1 V0 V1 V2 ... L2
Hinzunahme feinerer Details zu hheren Frequenzen

Re duktion auf grbere Details zu niedrigeren Frequenzen

Wir zeigen, da diese Unterraum-Struktur bereits unter einer schwachen Zusatzvoraussetzung

an die Skalierungsfunktion eine separable Ausschpfung des gesamten Hilbert-Raumes liefert.

14.5 Satz (Multi-Skalen-Analyse)

Eine orthonormale Skalierungsfunktion
L2 L1 mit ( 0 ) 0
erzeugt eine Multi-Skalen-Analyse, d.h. die aufsteigende Folge
0 ... V2 V1 V0 V1 V 2 ... L2
von abgeschlossenen Unterrumen des Hilbert-Raumes L2
Vk := span C k ,m : m Z , k Z ,
ist eine separable Ausschpfung:
0 = I Vk und L2 = U Vk .
kZ

kZ

Multi-Skalen-Analyse

94

Beweis. i) Die Skalierungsgleichung liefert

V0 V1 ,
und durch weitere Skalierung folgt
Vk+1 Vk fr alle k Z.
ii) Zum Beweis der Ausschpfungseigenschaft ist zu zeigen, da der Orthogonalraum von
L2 = U Vk
kZ

nur die Null enthlt.

Wir bezeichnen mit
Pk : L2
V k , k Z ,
die Orthogonalprojektion und betrachten ein beliebiges Element f L2 mit
Pk (f ) = 0 fr alle k Z.
Zu vorgegebenem > 0 whlen wir eine Funktion g L2, deren Fourier-Transformation g kompakten Trger hat
supp g [ R , R ], R R,
und die Fourier-Transformation von f approximiert
f g < .
Dann gilt auch
f g < .
Es folgt
Pk (g ) = Pk (g ) Pk (f ) = Pk ( g f

und
Pk (g ) = Pk ( g f

g f < .

Fr jedes k N ist die Folge

1
k ,m =

k
m
2

2k 2

mZ
eine Hilbert-Basis von Vk, also gilt
Pk (g )

mZ

g, k ,m

mZ

g, k ,m

Unter Verwendung von

k ,m ( ) = 2 k e im 2

( 2 k )

Multi-Skalen-Analyse

95

gem Lemma 4.7 berechnen wir

g( ) ( 2 ) e

g, k ,m = 2 k

im 2 k

d =

k
2 k 1
g( ) ( 2 k ) e im 2 d .

2
Fr den Grenzbergang

k -

d
2
betrachten wir die Hilbert-Rume L
2 k , 2 k , k 1

der trigonometrischen Monome

, in denen jeweils die Folgen

(e

im 2 k

m Z

nach Satz 3.11 eine Hilbert-Basis sind. Das feste Integrationsintervall

[ R, R ]
ist fr groe Werte von -k enthalten in den Intervallen

[2

, 2 k .

Damit ist
g, k ,m
bis auf den Faktor

2 der m-te Fourier-Koeffizient der Funktion

d
2
g 2 k L
2 k , 2 k ,

2 k 1

Es gilt also fr groe Werte von -k

mZ

g, k ,m

= 2 g 2 k

und insgesamt
Pk (g )

= 2 g 2 k

Wegen
L1

Multi-Skalen-Analyse

96

ist nach Lemma 4.5 die Fourier-Transformierte stetig. Da g auerdem kompakten Trger
hat, folgt im Grenzbergang
lim g 2 k = g ( 0 ) ,

also
lim Pk ( g ) = lim 2 g 2 k
k

= 2 g

( 0

und
2

= g

2 ( 0

Aus der Abschtzung

f f g + g +

2 ( 0

folgt die Behauptung

f = 0.
iii) Es sei eine Funktion
f I Vk
kZ

vorgegeben. Zu vorgegebenem > 0 whlen wir als Approximation von f eine stetige Funktion f L2 mit kompaktem Trger
supp f [ R , R ] , R R,
und
f f <.
Es folgt fr alle k Z
f = Pk ( f

Pk ( f ) Pk ( f

( P ( f ) P ( f ) )+ P ( f )

+ Pk ( f

< + Pk ( f

da fr die Orthogonalprojektion Pk gilt

Pk = 1.
Wir berechnen
Pk ( f

mZ

f , k ,m

f ( x ) ( x ) dx

k ,m

mZ

Multi-Skalen-Analyse

97
R

(x )

mZ R

dx =

dx

2 k R m

( 2 k x m)

2 k

mZ

k ,m ( x

dx

(z

dz = f

mZ 2 k R m

(z

dz

mZ I k , m

mit Intervallen

I k , m = 2 k R m, 2 k R m ,
die fr groes k bzgl. m paarweise disjunkt sind:

(z

dz

mZ I k , m

(z

dz .

U I k,m

mZ

Da die Lnge der Intervalle im Grenzwert k verschwindet, folgt aus dem Satz von der
majorisierten Konvergenz
lim
k

(z )

dz = 0 ,

=0

mZ I k , m

also insgesamt
lim Pk ( f
k

und
f .
Da > 0 beliebig ist, folgt
f = 0, QED.

Die Multi-Skalen-Analyse hat die wichtige Eigenschaft, da sie ber ihre Skalierungsfunktion
ein Wavelet liefert. Und dieses Wavelet erzeugt sogar einen Wavelet-Frame (, 2, 1), der
eine Hilbert-Basis ist.

14.6 Satz (Wavelets einer Multi-Skalen-Analyse)

Es sei L2 L1 mit
( 0 ) 0
eine orthonormale Skalierungsfunktion mit Skalierungsgleichung
=

m Z

1, m .

Multi-Skalen-Analyse

98

Definiert man die folgenden Koeffizienten

g m : = ( 1) m h1 m C , m Z ,
so gilt:
i) Die Funktion

:=

m Z

1, m L2

ist ein Wavelet.

ii) Bzgl. der zu gehrigen Multi-Skalen-Analyse ist fr jedes k Z die Familie

1
k , m =

k k

m
2
2

2k
mZ

eine Hilbert-Basis des Orthogonalraumes

Wk := Vk Vk 1 .
Insbesondere ist das Tupel (, 2, 1) ein Wavelet-Frame, der sogar eine Hilbert-Basis von L2
liefert.
Beweis. Die Funktion
:=

mZ

1,m L2

ist wohldefiniert, weil die Folge ( 1,m ) mZ ein Orthonormal-System ist und die Koeffizienten
(gm)mZ quadrat-summierbar sind nach Lemma 14.3

m Z

gm

m Z

hm

=1< .

Es gengt, die Hilbert-Basis Eigenschaft fr k = 0 zu zeigen. Nach Definition gilt V1 .

Zunchst steht auf allen Translationen
m, m Z,
der Skalierungsfunktion senkrecht steht: Wir berechnen - unter Verwendung von
m 1,k = 1, 2 m+ k
, m =

k , s Z

h s 1, k , m 1,s =

( 1)

s Z

k , sZ

h s 1, k , 1, 2 m + s =

h1 2 m s h s = h1 2 ( m + s ) h 2 s
s Z

1+ 2

h 2 ( m+ )

2 ( m+s )

1 2 ( m + s ) 1

s Z

h 1+2 s = 0 .

s Z

Also gilt

W0 := V0 V1 .

k , s Z

h 2 s +1 =

h s k , 2 m + s =

Multi-Skalen-Analyse

99

Die Folge ( m )mZ ist ein Orthogonalsystem:

m , n =

( 1)

kZ

k ,lZ

g l 1, 2 m + k , m 1, 2 n + l =

k ,lZ

g l 2 m + k , 2 n +l =

h 1k ( 1) h12( m n ) k = h h 2 ( m n ) k = 0,m n .
k

Die Folge ( m )mZ ist vollstndig im Unterraum W0 - oder gleichwertig: Die Folge

( m )mZ

( m )mZ

ist vollstndig im Unterraum

V1 = V0 W0 .
Hierfr ist nur die Darstellbarkeit der Funktion -1,0 zu zeigen. Wie verwenden die Parsevalsche Gleichung (Korollar 1.9):

mZ

mZ

mZ

kZ

kZ

2
k

2
0, 2 m + k

1,0 , m

1,0 , 1, 2 m + k

kZ

kZ
2

1, 0 , m

0, 2 m + k

mZ

=
2

1,0 , 1, 2 m+ k

h 1+ 2 m

+ h 2 m

mZ

hm

=1

nach Lemma 14.3. Andererseits gilt

1,0

=1.

Nach Satz 14.5 schpfen die Rume (Vk )kZ und damit auch die Rume (Wk )kZ den gesamten Hilbert-Raum L2 aus.
Die Zulssigkeitsbedingung folgt aus dem bereits in Kapitel 12 erwhnten allgemeinen Sachverhalt ([LMR1998], Lemma 2.1.3), da ein fester Frame (, a, b) mit Frame-Konstante A die
Zulssigkeitbedingung
c = 2
R

d = 2 A b ln a <

erfllt. Daher ist (, 2, 1) ein Wavelet-Frame, der sogar eine Hilbert-Basis von L2 liefert,
QED.

14.7 Bemerkung (Wavelets einer Multi-Skalen-Analyse)

Die orthonormale Skalierungsfunktion aus Beispiel 14.1 definiert ber ihre Multi-SkalenAnalyse das Haar-Wavelet. Es gibt jedoch Wavelets, die nicht ber eine Multiskalenanalyse
gewonnen werden knnen, vgl. [LMR1998], Kapitel 2.2.

Multi-Skalen-Analyse

100

Nach Satz 14.6 erhlt man ein Wavelet, wenn man von einer orthonormalen Skalierungsfunktion ausgeht, die eine schwache Zusatzvoraussetzung erfllt. Das aus der Folge ihrer Skalierungs-Koeffizienten (h k )kZ konstruierte Wavelet liefert einen Frame, der sogar eine HilbertBasis ist. Welche Voraussetzungen mu umgekehrt eine Folge von Koeffizienten

(h k )kZ
erfllen, damit sie als Skalierungs-Koeffizienten eine solche Skalierungsfunktion definieren?
Wir betrachten die Frage im Frequenzraum und formulieren eine notwendige Bedingung:

14.8 Lemma (Skalierung im Frequenzraum)

i) Eine Funktion
L2
erfllt genau dann die Skalierungsgleichung

mZ

1,m ,

wenn fr ihre Fourier-Tranformierte gilt

( ) = H (

) ( )
2
2

mit der trigonometrischen Reihe

H ( ) :=

1
h m e ik ,

2 mZ

dem Fourier-Filter der Skalierungs-Koeffizienten (h m )mZ .

ii) Eine Skalierungsfunktion L2 ist genau dann orthonormal, wenn fr ihre Fourier-Transformation gilt

( + k 2)

kZ

1
fr fast alle R.
2

Fr eine orthonormale Skalierungsfunktion

L1 L2 mit ( 0 ) 0
gilt bereits
( 0

1
und ( k 2 ) = 0 fr k 0.
2

iii) Das Fourier-Filter einer orthonormalen Skalierungsfunktion

L1 L2 mit ( 0 ) 0
erfllt die Orthogonalittsbedingung

Multi-Skalen-Analyse

101
H( )

+ H( +

= 1, R .

Insbesondere gilt H( 0 ) = 1 und H( ) = 0, d.h.

m Z

( 1 )

= 2 und

hm = 0 .

m Z

Beweis. ad i) Zum Beweis wenden wir auf die Darstellung

= 2 hm m 1
mZ

die Fourier-Transformation und die Formeln von Lemma 4.7 an:

() = 2

i
1

h m e 2 .

2 mZ
2
m

Die umgekehrte Richtung folgt aus der Tatsache, da die Fourier-Transformation ein Isomorphismus ist.
ad ii) Fr eine orthonormale Skalierungsfunktion gilt
o,m = , m = , e m = () e imd =
2

( + k 2)

e imd .

kZ

Die periodische Funktion

R
C , a

( + k 2 )

k Z

hat also den m-ten Fourier-Koeffizienten

0,m
.
2
Aus Satz 3.11 folgt die Behauptung

( + k 2)

kZ

1
fr fast alle R.
2

In der umgekehrten Richtung erhlt man aus der Berechnung der Fourier-Koeffizienten die
Orthonormalitt.
Nun sei
L1 L2 orthonormal mit ( 0 ) 0 .
Wir whlen eine Funktion g L2, g 0, mit
supp g [ 1, 1 ] .
Analog zum Beweis von Satz 14.5 gilt fr groe Werte von -k
Pk g
Nach Satz Satz 14.5 gilt

= Pk g

mZ

g, k ,m

= 2 g 2 k

Multi-Skalen-Analyse

102
2

lim Pk g

= g

= g

andererseits
2

lim 2 g 2 k

= 2 ( 0

Es folgt
( 0

1
.
2

Da die Fourier-Transformierte stetig ist, gilt die Gleichung

( + k 2)

kZ

1
2

fr alle Argumente R, insbesondere also fr = 0. Hieraus folgt

( k 2 ) = 0 fr k 0.
ad iii) Aus der Skalierungsgleichung im Fourier-Raum folgt nach Teil i) unter der Voraussetzung
( 0 ) 0
die Gleichung
H(0) = 1.
Zum Beweis der Orthogonalittsbedingung des Fourier-Filters berechnen wir nach Teil i)
und ii)
1
= ( + 2 k
2 k Z

k Z

H + 2 k
2

kZ

k Z
2

+ 2 k
2

k Z

+ 2 k
2

H + k
2

+ k
2

H + + 2k
2

+ H +
2

kZ

+ H +
2

+ + 2 k
2

+ + 2k
2

1
2

also

H

+ H +
2

= 1 fr alle R, QED.

Der folgende Satz formuliert hinreichende Bedingungen dafr, da eine Koeffizientenfolge als
Folge von Skalierungskoeffizienten von einer Skalierungsfunktion stammt.

Multi-Skalen-Analyse

103

14.9 Satz (Konstruktion von Skalierungsfunktionen)

Gegeben sei ein Fourier-Filter
H L2 , H ( ) :=

Orthogonalittsbedingung
H( )

1
h m e im , mit

2 mZ

+ H( +

= 1 fr alle R

Normierung
H(0) = 1

Hlderstetigkeit im Nullpunkt, d.h.

es gibt C, > 0 mit H (0) H ( ) < C

fr alle R

und "Cohen-Bedingung", d.h.

ohne Nullstelle im Intervall , .
2 2

Dann konvergieren die Funktionen ( m )mZ

m ( ) :=

1
2

m m ()
2 j [ 2 , 2 ]

H
j=1

im Hilbert-Raum L2 gegen eine Funktion , deren inverse Fourier-Transformation L2 eine

orthonormale Skalierungsfunktion ist.
Beweis. [LMR1998], Satz 2.4.7.

Wir studieren nun Fourier-Filter H, welche die Voraussetzungen von Satz 14.9 erfllen. Dabei
beschrnken wir uns auf trigonometrische Polynome mit reellen Skalierungskoeffizienten:
H L2 , H ( ) :=

1 N
h k e ik , h k R fr k = 0,..., N .

2 k =0

Die Beschrnkung auf Polynome bewirkt, da die resultierenden Skalierungsfunktionen kompakten Trger haben. Da die Skalierungskoeffizienten reell sind, ist die Funktion
q := H

L2

wegen
H ( )= H ( )
ein gerades trigonometrisches Polynom
q ( )= q ( )
mit

Multi-Skalen-Analyse

104
q 0, q ( 0 ) = 1 und q ( ) + q ( + ) = 1.

Die Fourier-Reihe eines geraden trigonometrischen Polynoms mit rellen FourierKoeffizienten enthlt nur cos-Terme. Wegen der Periodizittsbedingung enthlt die FourierEntwicklung von q zudem nur ungerade Koeffizienten. Also gehrt q zur Menge der trigonometrischen Reihen
1
1

K := f L2 [ 0, 2 ] : f 0, f ( ) = + a k cos ( 2 k 1) , a k = .
2 k 1
2

k 1
Diese Menge ist konvex, ihre endlich-dimensionalen Teilmengen trigonometrischer Polynome

1
1 N
K N := f L2 [ 0, 2 ] : f 0, f ( ) = + a k cos (2 k 1) , a k = , N N,
2
2 k =1

k 1
sind konvexe und beschrnkte Teilmengen von RN. Damit lassen sie sich als konvexe Kombination ihrer Extremalpunkte darstellen:

14.10 Satz (Extremalpunkt)

Fr jede konvexe und beschrnkte Menge
N
1 N
1

K N := f L2 [ 0, 2 ] : f 0, f ( ) = + a k cos (2 k 1) , a k = , N N,
2 k =1
2
k =1

ist die Funktion

q N K N , q N ( ) := 1

sin

2 N 1

sin

2 N 1

t dt
t dt

ein Extremalpunkt von KN.

Beweis. Vgl. [LMR1998], Lemma 2.4.21. Man konstruiert qN als Durchschnitt von N-1 SttzHyperflchen und der durch die Gleichung
N

a
k =1

1
2

definierten Hyperflche. Dieses System von N linear-unabhngigen linearen Gleichungen in

N Vernderlichen hat eine eindeutig bestimmte Lsung.

14.11 Beispiel (Daubechies-Wavelets im berblick)

Die Extremalpunkte aus Satz 14.10 liefern eine Folge von Wavelets, die DaubechiesWavelets N, N 2. Ihre Bedeutung liegt darin, da sie kompakten Trger haben und mit
wachsendem N immer bessere Differenzierbarkeitseigenschaften. Auerdem liefert jedes N
ber den Wavelet-Frame (N, 2, 1) eine Hilbert-Basis von L2.
Wir gehen aus von dem Extremalpunkt fr N = 2.

Multi-Skalen-Analyse

105

sin

q 2 K 2 , q 2 () := 1

t dt

sin

.
3

t dt

Es ist

sin

t dt =

3
1
2
cos + cos 3 + ,
4
12
3

also

sin

t dt =

4
3

und
q2 ( ) =

1 9
1
+ cos cos 3 .
2 16
16

Fr das Fourier-Filter machen wir den Ansatz

3

H 2 ( ) = h k e ik mit h k R, k = 0, 1, 2, 3.
k =0

Die Gleichung
q= H

liefert ber einen Koeffizientenvergleich das folgende System von vier quadratischen Gleichungen:

h 0 + h1 + h 2 + h 3 = 1

h1h 0 + h 2 h1 + h 3 h 2 =

h 2 h 0 + h 3 h1 = 0

h 3h 0 =

9
16

1
.
16

Es hat die eindeutige Lsung

h0 =

1 3
3 3
3+ 3
1+ 3
, h1 =
, h2 =
, h3 =
.
4 2
4 2
4 2
4 2

Das Fourier-Filter H ist als trigonometrische Polynom Hlder-stetig und hat - wie sein Quadrat q - keine Nullstelle im Intervall

2 , 2 .

Multi-Skalen-Analyse

106

Nach Satz 14.9 konvergieren die Funktionen ( m )mZ

m ( ) :=

1
2

m m ()
2 j [ 2 , 2 ]

H
j=1

gegen die Fourier-Transformation einer orthonormalen Skalierungsfunktion . Das zugehrige Wavelet 2, heit 2-tes Daubechies-Wavelet. Sein Wavelet-Frame (2, 2, 1) ist eine Hilbert-Basis von L2 aus stetigen Funktionen mit kompaktem Trger.
Die allgemeine Konstruktion fr beliebiges N N liefert das N-te Daubechies-Wavelet N,
dessen Frame (N, 2, 1) ebenfalls eine Hilbert-Basis ist. Das N-te Daubechies-Wavelet hat
kompakten Trger. Seine Differenzierbarkeitsklasse Ck wchst linear mit N; bereits fr N = 5
ist 5 stetig differenzierbar.

Schnelle Wavelet-Transformation

107

15 Schnelle Wavelet-Transformation
Unter der schnellen Wavelet-Transformation versteht man Algorithmen zur schnellen Berechnung der diskreten Wavelet-Transformation. Die Analyse berechnet die Folge der WaveletKoeffizienten eines gegebenen Signals, die Synthese rekonstruiert aus den WaveletKoeffizienten das Ausgangssignal.
Alle vorgestellten Algorithmen beruhen auf der Multi-Skalen-Analyse und benutzen als wesentliche mathematische Operationen Faltungsoperatoren im Hilbert-Raum l2(Z).

15.1 Bezeichnung (Skalierungsfunktion und Wavelet)

Wie legen in diesem Kapitel eine feste Multi-Skalen-Analyse zugrunde, die von einer orthonormalen Skalierungsfunktion
L2 L1 mit ( 0 ) 0
und Skalierungsgleichung
=

mZ

1,m

erzeugt wird. Es sei das gem Satz 14.6 erzeugte orthonormale Wavelet
=

mZ

1,m L2 mit g m : = ( 1) m h1 m C , m Z .

Da einen Wavelet-Frame (, 2, 1) bildet, ist ein beliebiges Signal bereits durch seine Wavelet-Koeffizienten bzgl. des Frames festgelegt. Diese Koeffizienten sind die Fourier-Koeffizienten, da der Frame sogar eine Hilbert-Basis von L2 ist. Die zu analysierenden Signale werden als Elemente des Grundraumes
f V0 := span C 0,m : m Z , k Z ,
vorausgesetzt und dort durch ihre Fourier-Koeffizienten
< f, 0,m >, m Z,
beschrieben. Allgemein bezeichnen wir mit
Vk := span C k ,m : m Z , k Z ,
den Raum der Signale mit Details der Mindestgre 2k und mit
Wk := span C k ,m : m Z Vk 1 , k Z ,
den Raum der Signale mit Details der genauen Gre 2k, das orthogonale Komplement von Vk
in Vk-1.

15.2 Definition (Zerlegungs-Operatoren)

Fr eine summierbare Folge

Schnelle Wavelet-Transformation

108

(h m )mZ l 1 (Z )
von Skalierungskoeffizienten definieren wir auf dem Hilbert-Raum l2 = l2(Z) die linearen
Operatoren:

"Faltung" mit den Skalierungskoeffizienten

H: l2 l2, H (c) m :=

n - 2m

n Z

c n und H*: l2 l2, H * (c) m :=

n Z

m - 2n

cn

und "Faltung" mit den abgeleiteten Koeffizienten

G: l2 l2, G(c) m :=

n Z

n - 2m

c n und G*: l2 l2, G * (c) m :=

n Z

m - 2n

cn .

15.3 Bemerkung
i) Die beiden Operatoren G und H sind durch die l1-Norm von (hn)nZ bzw. (gn) nZ beschrnkt.
ii) Die Paare (H, H*) und (G, G*) sind jeweils zueinander adjungiert:
< H(x), y > = < x, H*(y) > und < G(x), y > = < x, G*(y) >.
iii) Die Operatoren haben im Unterschied zur blichen Faltung einen Faktor 2 bei der Verschiebung des Index.

Der folgende Algorithmus berechnet die Wavelet-Koeffizienten eines Signals f V0 aus dem
Grundraum auf einer Anzahl von Skalen mit immer grberen Details bezglich der orthogonalen Zerlegung
K

V 0 = VK Wk , K 1.
k =1

Er ermittelt die Fourier-Koeffizienten von f

in den Rumen Wk der Details der genauen Gre 20,21,...,2K-1

und im Raum VK der Details der Mindestgre 2K.

15.4 Algorithmus (Schnelle Wavelet-Analyse)

Input.

Signal f V0 , reprsentiert durch seine Fourier-Koeffizienten

c0m := < f, 0,m >, m Z.

Anzahl der gewnschten Skalen K 1

Output.

Fourier-Koeffizienten der Projektion von f auf VK

Schnelle Wavelet-Transformation

109
cKm := < f, K,m >, m Z,

Wavelet-Koeffizienten aus Wk von f

dkm := < f, k,m >, m Z, k = 1,...,K.

Algorithmus.

k=1
kK
dk = G (ck-1)
ck = H (ck-1)
k=k+1
Abbildung 6 Schnelle Wavelet-Analyse

Beweis. Wir definieren

dk := (dkm)mZ mit dkm := < f, k,m >
und ck := (ckm)mZ mit ckm := < f, k,m >, m Z, k Z,
und zeigen fr alle k 1:
ck = H (ck-1) und dk = G (ck-1).
Aus der Skalierungsgleichung
0,0 = h n 1,n
nZ

folgt
k ,m = h n k 1,n + 2 m ,
nZ

also
c k m = f , k ,m = h n f , k 1,n + 2 m = h n c k 1 n + 2 m = h n-2m c k 1n = H (c k 1 ) m .
nZ

nZ

nZ

Mit der Definition des Wavelet

0,0 = g n 1,n
nZ

folgt
d k m = f , k ,m = g n f , k 1,n + 2 m = g n c k 1 n + 2 m = g n-2m c k 1 n = G(c k 1 ) m , QED.
nZ

nZ

nZ

Schnelle Wavelet-Transformation

110

Der folgende Algorithmus rekonstruiert die Funktion

f V0 := span C 0,m : m Z L2 .
aus ihren Wavelet-Koeffizienten zu Skalen mit Details verschiedener Gre gem der orthogonalen Zerlegung
K

V 0 = VK Wk , K 1.
k =1

15.5 Algorithmus (Schnelle Wavelet-Synthese)

Input.

Fourier-Koeffizienten der Projektion von f auf VK

cKm := < f, K,m >, m Z.

Wavelet-Koeffizienten aus Wk von f

dkm := < f, k,m >, m Z, k = 1,...,K.

Output.

Signal f V0 , reprsentiert durch seine Fourier-Koeffizienten

c0m := < f, 0,m >, m Z.

Algorithmus.

k=K
k1
ck-1 = H*(ck) + G*(dk)
k=k-1
Abbildung 7 Schnelle Wavelet-Synthese

Beweis. Aufgrund der orthogonalen Zerlegungen

V k 1 = Vk Wk
und bzgl. der ausgezeichneten Hilbert-Basen dieser Rume gilt

mZ

f , k 1,m k 1,m = f , k ,i k ,i + f , k ,i k ,i
iZ

iZ

also

m Z

mZ

k 1

k 1

k 1, m = ( c k i k ,i + d k i k , i
i Z

k 1,m = ( c k i h j k 1, j+ 2 i + d k i g j k 1, j+ 2i ) .
iZ jZ

Schnelle Wavelet-Transformation

111

Durch Koeffizientenvergleich bei

j + 2i = m, d.h. j = m - 2i
folgt
c k 1 m = ( c k i h m 2 i + d k i g m 2i ) = H * (c k ) m + G * (d k ) m , QED.
iZ

15.6 Bemerkung (Komplexitt)

Im Falle

von Signalen f mit nur endlich vielen von Null verschiedenen Fourier-Koeffizienten
(c 0 m ) mZ der Anzahl n

und der Verwendung einer festen Skalierungsfunktion mit nur endlich vielen Skalierungskoeffizienten der Anzahl N << n

hat die schnelle Wavelet-Analyse die Komplexitt O(n).

Beweis. [LMR1998], Kapitel 2.3. Entscheidend ist, da sich bei jedem Skalenbergang
k a k+1
die Anzahl der von Null verschiedenen Koeffizienten (c k m ) mZ in etwa halbiert.

Zusammenfassung

16 Zusammenfassung

Kapitel 1 Hilbert-Rume

Satz (Beste Approximation durch ein Orthonormal-System)

Kapitel 2 L2-Rume

Satz (Hilbert-Raum der quadrat-summierbaren Folgen)

Satz (Hilbert-Basis der Haar'schen Funktionen)

Kapitel 3 Fourier-Reihen

Satz (Gleichmige Konvergenz der Fourier-Reihe unter DifferenzierbarkeitsVoraussetzungen)

Korollar (Hilbert-Basis der trigonometrischen Monome)

Kapitel 4 Fourier-Integrale

Satz (Umkehrformel der Fourier-Transformation)

Satz (Fourier-Transformation als L2-Isomorphismus)

Kapitel 5 Distributionen

Definition (Distribution)

Kapitel 6 Fourier-Transformation temperierter Distributionen

Satz (Konvergenz der Dirichlet-Kerne)

Kapitel 7 Faltung

Satz (Fourier-Transformation der Faltung von Funktionen)

Satz (Abtast-Theorem von Shannon)

Kapitel 8 Kontinuierliche Wavelet-Transformation

Definition (Wavelet und Wavelet-Transformation)

Satz (Umkehrformel der Wavelet-Transformation)

Kapitel 9 Gibbsches Phnomen

Kapitel 10 Schnelle Fourier-Transformation

Kapitel 11 Fouriertheorie und Quantencomputing

Kapitel 12 Bildkompression

Kapitel 13 Wavelet-Frame

Satz (Wavelet-Frame)
Satz (Rekonstruktion aus den Wavelet-Koeffizienten)

Kapitel 14 Multi-Skalen-Analyse

112

Schnelle Wavelet-Transformation
Satz (Wavelets einer Multi-Skalen-Analyse)
Satz (Konstruktion von Skalierungsfunktionen)

Kapitel 15 Schnelle Wavelet-Transformation

Algorithmus (Schnelle Wavelet-Analyse)

Algorithmus (Schnelle Wavelet-Synthese)

113

Literatur

114

17 Literatur
[AAG2000] Ali, Syed Twareque; Antoine, Jean-Pierre; Gazeau, Jean-Pierre: Coherent States, Wavelets and their Generalizations. Springer, New York 2000
[Bla1998] Blatter, Christian: Wavelets - Eine Einfhrung. Vieweg, Wiesbaden 1998
[Bur1998] Burke Hubbard, Barbara: The World According to Wavelets. A K Peters, Natick,
Massachusetts, 2ed 1998
[BNB2000] Bachmann, Georg; Narici, Lawrence; Beckenstein, Edward: Fourier and Wavelet
Analysis. Springer, New York et al. 2000
[Dau1992] Daubechies, Ingrid: Ten Lectures on Wavelets. CBMS-NSF Regional Conference
Series in Applied Mathematics; 61. SIAM, Philadelphia 1992
[For1983] Forster, Otto: Analysis 3. Integralrechnung im Rn mit Anwendungen. Vieweg,
Braunschweig 1983
[For1985] Forster, Otto: Fourierreihen und andere Orthogonalentwicklungen der Mathematischen Physik. Vorlesung Wintersemester 1973/74. Nachdruck Mathematisches Institut der
LMU, Mnchen 1985
[Heu1986] Heuser, Harro: Funktionalanalysis. Teubner, Stuttgart 1986
[HS1971] Hirzebruch, Friedrich; Scharlau, Winfried: Einfhrung in die Funktionalanalysis.
Bibliographisches Institut, Mannheim et al. 1971
[LMR1998] Louis, Alfred; Maa, Peter; Rieder, Andreas: Wavelets. Theorie und Anwendungen. Teubner, Stuttgart 1998
[Rud1973] Rudin, Walter: Functional Analysis. Tata McGraw-Hill. New Delhi 1973
[Wei1976] Weidmann, Joachim: Lineare Operatoren in Hilbertrumen. Teubner, Stuttgart
1976
[Woj1997] Wojtaszczyk, P.: A Mathematical Introduction to Wavelets. Cambridge University
Press, Cambridge 1997