Anwendung Von Methoden Der Linearen Algebra Auf Die Bildbearbeitung

Anwendung von Methoden der Linearen Algebra
auf die Bildbearbeitung
Diplomarbeit
zur Erlangung des akademischen Grades

einer Magistra der Naturwissenschaften
an der Karl-Franzens-Universität Graz
vorgelegt von:
Sonja BRUNNER
am Institut für Mathematik und Wissenschaftliches Rechnen
Begutachter: Ao.Univ.-Prof.i.R. Dr.phil. Jens Schwaiger
Graz, 2017
Eidesstattliche Erklärung
Ich erkläre an Eides statt, dass ich die vorliegende Arbeit selbstständig verfasst, andere als
die angegebenen Quellen/Hilfsmittel nicht benutzt und die den benutzten Quellen wörtlich
und inhaltlich entnommenen Stellen als solche kenntlich gemacht habe.
............... ............... ........................

Ort Datum Unterschrift
Danksagung
An dieser Stelle möchte ich mich bei all denjenigen bedanken, die mich während der
Entstehungsphase dieser Diplomarbeit unterstützt und motiviert haben.
Zuerst gebührt mein Dank Herrn Prof. Schwaiger, der meine Diplomarbeit betreut und
begutachtet hat. Durch sein kritisches Hinterfragen haben sich einige wertvolle Hinweise
ergeben. Zudem hat er mich dazu gebracht über meine Grenzen hinaus zu denken. Ohne
seine ausgiebige Unterstützung wäre Vieles nicht umsetzbar gewesen. Herzliches Danke-
schön!
Ebenfalls möchte ich mich bei meinem Freund Lukas bedanken, der mich während dieser
Zeit mental unterstützt hat. Darüber hinaus bedanke ich mich für seine Zeit, welche er
aufgebracht um mir bei meiner Arbeit zu helfen.
Ein besonderer Dank gilt meinen Mitbewohnerinnen Anja und Carina, da sie mir über die
gesamte Dauer meines Studiums einen starken emotionalen Rückhalt gaben. Ein herzliches
Dankeschön für den Beistand während der Entstehungsphase dieser Arbeit und das gute
Zusprechen.
Des Weiteren danke ich meinen Freundinnen Eva und Teresa, welche bereits seit mehr als
10 Jahren an meiner Seite sind. Besonderen Dank für die motivierenden Worte während
der gesamten Zeit meines Studiums.
Abschließend möchte ich mich bei meinen Eltern herzlich bedanken. Durch ihre Unterstüt-
zung wurde mir dieses Studium ermöglicht. Zudem einen besonderen Dank dafür, dass sie
stets ein offenes Ohr für all meine Anliegen und Probleme hatten.
Kurzzusammenfassung
Derzeit ist vermehrt Literatur über die Wavelttransformation aus der Sicht der Analysis
vorhanden. Aus diesem Grund bietet die vorliegende Diplomarbeit einen Überblick über
die Grundlagen der Wavelettransformation aus der Sicht der Linearen Algebra.
Im Fokus dieser Arbeit steht das Auffinden einer lokalen Waveletbasis, um eine schnelle
und effiziente Kompression von Daten zu erhalten. Zudem sollen die Vorteile, gegenüber
der Fouriertransformation, verdeutlicht werden. Für eine leichtere Verständlichkeit wird
dies lediglich im Vektorraum l2 (ZN ) betrachtet.
Vorerst wird dargelegt, warum die Wavelettransformation für eine Kompression von Daten
besser geeignet ist, als die Fouriertransformation. Da aber die Fouriertransformation eine
schnelle Berechnung ermöglicht, wird dieser Zugang dennoch etwas genauer betrachtet.
Um eine Waveletbasis zu erhalten, benötigt man zwei Vektoren, denen bestimmte Eigen-
schaften zugeordnet sind. Welche das sind, und wie man solche zwei Vektoren am besten
auffindet, wird in dieser Arbeit theoretisch aufgearbeitet. Anhand eines Beispiels, welches
die Daubechies D6 Wavelet thematisiert, wird die Herleitung zweier solcher Vektoren
dargelegt. Abschließend wird ein Anwendungsbeispiel, welches mit Matlab programmiert
wurde, erläutert. Dabei wird eine Kompression von Daten im eindimensionalen, als auch
im zweidimensionalen Fall, untersucht.
Die vorliegende Diplomarbeit wendet sich an Leser mit mathematischen Vorkenntnis-

sen höherer Studienjahre. Dabei werden Kenntnisse über Anwendungen der Linearen
Algebra und der Fourriertransformation vorausgesetzt.
4
Abstract
From the point of view of analysis, an increasing number of literature about the Wavelet
Transformation is currently available. Therefore, this thesis will provide an overview on the
fundamental theory of the Wavelet Transformation from the perspective of Linear Algebra.
The main focus of this diploma thesis is to detect a local Wavelet basis in order to receive
a fast and efficient compression of data. For the purpose of comprehensibility, this thesis
will focus on the Vector space l2 (ZN ).
As a first step, it will be examined why the Wavelet Transformation is more appropriate
for the compression of data than the Fourier Transformation. Due to the fact that the
Fourier Transformation facilitates a quicker calculation, this approach will be regarded
more precisely. In order to gain a Wavelet basis, two vectors with certain characteristics are
required. These characteristics will be theoretically illustrated and it will be discussed how
those vectors can be obtained. By means of an example, which characterises the Daubechies
D6 Wavelet, a derivation of two vectors will be showed. As a last step, an application
example which is programmed with Matlab will be presented. In this process, both an
example in the one-dimensional case and an example on the two-dimensional case will be
examined.
The following thesis is addressed to readers of higher academic years who dispose of
mathematical prior knowledge. Knowledge in the field of the applications of Linear Algebra
and the Fourier Transformation is required.
5
Inhaltsverzeichnis
1 Einleitung 7
2 Mathematisches Lexikon 10
2.1 Raum l2 (ZN ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Raum l2 (Z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Aufbau von Wavelets in ZN 28

3.1 Daubechies D6 Wavelet in ZN . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Anwendung 40
4.1 Beispiel in 1D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Beispiel in 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5 Resümee 52
Literatur 53
Abbilungsverzeichnis 53
1 Einleitung
Nahezu jeder von uns wird im Alltag von Bildern begleitet. Manche wollen diese auch
per Mail weiterleiten. Steht eine Bandbreite von 128 KB/s zur Verfügung, so benötigt ein
Bild mit vier Megapixel circa 12 Minuten, um verschickt zu werden. Durch eine geeignete
Kompression der Daten kann diese Zeit deutlich verkürzt werden.1 Die Komprimierung von
Daten ist in einigen Bereichen erwünscht und auch notwendig. So auch beim FBI. Wird
ein Verdächtiger festgenommen, so kann man ihm aufgrund seines Fingerabdruckes die
Straftat nachweisen. (Abhängig vom Vergehen natürlich.) Das Durchlaufen der Datenbank,
in der alle Fingerabdrücke abgespeichert sind, dauerte oft viel zu lange. Darum wurden
einige Verdächtige, ohne Sicherheit, ob sie schuldig waren oder nicht, wieder frei gelassen
und konnten abtauchen. Demzufolge wurde ein Verfahren gesucht, dass die Größe einer
solchen Fingerabdruckinformation, diese beträgt circa 2 Mbyts, auf 1% reduziert. Dadurch
verläuft die Speicherung, das Retrieval (= Wiederauffinden gespeicherter Daten) und auch
die Übermittlung offensichtlich schneller und kostengünstiger. Mit Hilfe der Wavelettrans-
formation gelang dieser Durchbruch. Wavelets können lokale Änderungen in einer Funktion
bzw. einem Bild entdecken und codieren.2
Die Fouriertransformation, sowie die Wavelettransformation, beschäftigen sich mit Si-

gnalen. Bekanntlich zerlegt die Fouriertransformation ein Signal in seine unabhängigen
Modi, wobei jeder Modus eine andere Frequenz besitzt. Zudem haben diese keine zeitliche
Lokalisierung. Somit kann man am Fourierkoeffizienten nicht erkennen, wo das Signal
einen Maximalwert oder eine Sprungstelle hat. Die Wavelet-Zerlegung bietet hingegen eine
Lokalisierung und ersetzten somit die Fourier-Zerlegung. So kann man Sprungstellen oder
Extremstellen anhand der Waveletkoeffizienten genau feststellen. Die fehlende Lokalisierung
der Fouriertransformation bringt vor allem bei der Bildbearbeitung Nachteile mit sich.
Betrachtet man zum Beispiel ein Landschaftsbild, welches verschiedene Texturen (Wälder,
1
Vgl. [ 3] Bredies und Lorenz. Mathematische Bildverarbeitung. 2011, S.13.
2
Vgl. [ 1] Bergh, Ekstedt und Lindberg. Wavelets mit Anwendungen in Signal- und Bildverarbeitung. 1999,
S.13.
7
Äcker, Seefläche, u.s.w) aufweist, so erzeugt die Fouriertransformation zwar charakte-
ristische Muster, allerdings lässt sich dadurch nur festellen, welche Texturen auftreten.
Wünschenswert wäre auch zu wissen, wo diese Texturen lokalisiert sind. Im Allgemeinen
wird das Bild in kleine Quadrate zerlegt, welche der Fouriertransformation unterzogen
werden. Somit wird nicht das gesamte Bild Fourier-transformiert, sondern lediglich diese
kleinen, homogenen Quadrate. Dennoch ist die Fouriertransformation aufgrund der Inva-
rianz und Symmetrieeigenschaft der periodischen Grundfunktionen e ein sehr bekanntes
Verfahren.3
Die Wavelettransformation geht über diese Funktionen hinaus, was eine Ergänzung der
Fouriertransformation liefert. So wird uns die Fouriertransformation im Laufe dieser Arbeit
immer wieder unterkommen.
Entscheidend für eine wünschenswerte Lokalisierung ist die Wahl der Basis. Die Fourier-
basis ist in einigen Bereichen sehr effizient, allerdings ist sie nicht lokal. Ziel einer guten
Datenkompression ist es, eine lokale Basis zu finden, welche leicht zu verfeinern ist. Auch
ihre Berechnung und Approximation soll so unkompliziert wie möglich sein. Wavelets bieten
solch eine lokale Basis und werden somit vor allem in der Kompression von Bild-, Video-
oder Audiodatein eingesetzt.
Lokale Basen bringen den Vorteil, dass ein Signal bzw. eine Funktion stellenweise analysiert
werden kann. Wenn ein bestimmter Koeffizient in der Entwicklung des Signals bzw. der
Funktion sehr groß ist, kann dieser schnell identifiziert werden. Hinzukommend kann
überprüft werden, was diesem Koeffizienten zugeordnet ist. Betrachte ein Video, wo sich
ein Frame (=Bild pro Sekunde) nur kaum vom vorherigen unterscheidet. Angenommen, der
Hintergrund und die Gegebenheiten zwei hintereinander folgender Frames bleiben gleich,
es bewegt sich lediglich der Kopf einer Person. Anstatt das gesamte Frame zu überarbeiten,
wird der Unterschied zwischen einem Frame und dem darauffolgenden betrachtet. Die
Koeffizienten der Basisvektoren, welche sich weit weg von dem bewegten Kopf befinden,
werden durch die Bewegung nicht verändert. Ausschließlich ein paar wenige Koeffizienten
der Basisvektoren, welche sich in der Nähe des Kopfes befinden, benötigen eine Überar-
beitung. Dieses Update bedarf relativ wenige Bits, was eine hohe Kompressionrate bietet.
Demnach liefert eine lokale Basis das gewünschte Ergebnis - eine gute Kompression.4
Des Weiteren ermöglicht eine lokale Basis das Anwenden von Filtern. Es könnte beispiels-
3
Vgl. [ 2] Blatter. Wavelets - Eine Einführung, S.6-9.
4
Vgl. [ 5] Frazier. An Introduction to Wavelets Through Linear Algebra. 1999, S.166.
8
weise sein, dass die hohen Frequenz-Komponenten eines Signals sehr kleine Koeffizienten
haben, so dass diese Werte, ohne große Auswirkungen, gelöscht werden können, oder auch,
dass diese hohen Frequenzen vom Menschen gar nicht wahrgenommen werden. Die fehlende
Wahrnehmung solcher Komponenten kommt vor allem bei Audiodateien vor. Mit einer
mehrfach lokalisierten Entwicklung kann man recht schnell herausfinden, welche Kompo-
nenten weggelassen werden können und welche nicht. Wenn das Endsignal zufriedenstellend
ist, sowie die Bits verringert wurden, so hat man das Ziel einer Kompression erreicht.5
Zum Inhalt Diese Diplomarbeit erläutert Grundlagen der Wavelettransformation in

l2 (ZN ). Dabei repräsentiert das zweite Kapitel ein mathematisches Lexikon, welches eine
gute Ausgangsbasis, für eine leichtere Verständlichkeit der folgenden Kapitel, schaffen soll.
Die für diese Arbeit relevanten Begriffe der Fouriertransformation, sowie einige Rechenre-
geln und Begriffsdefinitionen werden hierbei wiederholt.
Ziel des dritten Kapitels ist es, einen Überblick über Waveletbasen und deren Eigenschaften
darzulegen. Dabei wird der Ansatz der Fouriertransformation erweitert, um eine Wavelet-
basis zu erhalten. Mittels zwei Vektoren wird eine lokalisierte Orthonormalbasis, welche
die Waveletbasis darstellt, erzeugt. Die für diese zwei Vektoren notwendigen Eigenschaften
werden erläutert und abschließend wird anhand eines Beispiels, welches die Daubechies D6
Wavelets repräsentiert, eine Herleitung solcher Vektoren dargelegt.
Das letzte Kapitel zeigt eine praktische Anwendung der Daubechies D6 Wavelts. Dabei
wird sowohl im eindimensionalen, als auch im zweidimensionalen Fall, ein Exempel mittels
Matlab präsentiert.
5
9
2 Mathematisches Lexikon
Bevor wir uns mit dem genauen Aufbau von Wavelts beschäftigen, werden ein paar wichtige
mathematische Grundlagen dargelegt. Diese sollen dem Verständnis der folgenden Kapitel
dienen.
Definition 2.0.1 Sei (K, +, ·) ein Körper, V eine nichtleere Menge. Gegeben seien zwei
Verknüpfungen ⊕ und :
⊕: V × V → V, (a, b) 7→ a ⊕ b;
: K × V → V, (α, a) 7→ α a.
(V, ⊕, ) heißt ein Vektorraum über K, wenn folgende Gesetze erfüllt sind:
• (V, ⊕) ist eine abelsche Gruppe

(d.h.: die Verknüpfung ⊕ ist assoziativ und kommutativ und es existieren ein neutrales
und inverses Element.)
• ∀α, β ∈ K, v ∈ V : (αβ) v = α(β v).
• Es gelten die Distributivgesetze, also ∀α, β ∈ K, v, w ∈ V :
α (v ⊕ w) =α v ⊕ α w,
(α + β) v =α v ⊕ β v.
• Für das Einselement 1 des Körpers gilt ∀v ∈ V : 1 v = v.
Da (V, ⊕) kommutativ und assoziativ ist, gibt es ein neutrales Element. Somit existiert ein
Element 0 ∈ V mit v ⊕ 0 = v für alle v ∈ V . Das inverse Element bezüglich ⊕ wird −v
genannt. Folglich hat v − w dieselbe Bedeutung wie v ⊕ (−w).1
1
Vgl. [ 4] Desch. Lineare Algebra. 2013, S.46.
10
Definition 2.0.2 Sei V ein komplexer Vektorraum und seien λ, µ ∈ C. Eine Abbildung

V × V → C


f:

(a, b) 7→ ha, bi

heißt Sesquilinearform, wenn gilt: hλa + µb, ci = λha, ci + µhb, ci

ha, λb + µci = λha, bi + µha, ci
Eine Sesquilinearform heißt
(a) hermitesch, wenn gilt: ha, bi = hb, ai
(b) positiv definit, wenn gilt: ha, ai ≥ 0 und ha, ai = 0 ⇔ a = 0
Ein inneres Produkt auf V ist eine hermitesche, positiv definite Sesquilinearform h·, ·i
von V × V nach C.2
Bemerkung: Andere Schreibweisen für das innere Produkt sind: (a, b), (a|b) oder ha|bi. In
diesem Skriptum werde ich ausschließlich diese ha, bi Schreibweise verwenden.
Definition 2.0.3 Sei V ein Vektorraum über K ∈ {R, C}. Eine Norm auf V ist eine
Abbildung

V → K



x 7→ kak

mit folgenden Eigenschaften.
(1) Definitheit: Für alle a ∈ V ist kak ≥ 0. Die Norm kak ist genau dann Null, wenn
a = 0.
(2) Homogeniät: Für alle a ∈ V und alle λ ∈ K gilt kλak = |λ|kak.
(3) Dreiecksungleichung: Für alle a, b ∈ V gilt ka + bk ≤ kak + kbk.
Ist V ein Vektorraum mit einer Norm k·k, so heißt (V, k·k) ein normierter Vektorraum.
Der Abstand zweier Vektoren a, b ∈ V ist durch d(a, b) = ka − bk definiert. Dabei ist d eine
Metrik auf V .
2
Vgl. [ 4] Desch. Lineare Algebra. 2013, S. 134.
11
Bemerkung: Für V = Rn ist die p-Norm von großer Relevanz. Diese ist definiert durch:
 1/p
n
X
p
kakp =  |aj | für 1 ≤ p < ∞.
j=0
Pn
• Ist p = 1, so spricht man von der Summennorm (kak1 = j=0 |aj |).
P 1/2
n 2
• Ist p = 2, so bezeichnet man die Norm als euklidische Norm (kak2 = j=0 |aj | ).
2.1 Raum l2 (ZN )
Definition 2.1.1 Der Vektorraum l2 (ZN ) definiert durch
l2 (ZN ) := {(an )n∈Z | an ∈ C , an+N = an ∀n ∈ Z}
ist mit der gewöhnlichen komponentenweisen Addition, sowie dem Produkt mit einem
Skalar, ein N-dimensionaler Vektorraum über C. Zudem ist (an )n∈Z ∈ l2 (ZN ) mit der
Periode N periodisch.
Proposition 2.1.1 Das innere Produkt auf l2 (ZN ) ist definiert durch:
N
X −1
ha, bi = ak bk für alle a, b ∈ l2 (ZN ).
k=0
Beweis: Seien a, b, c ∈ l2 (ZN ) und λ ∈ C.

(1) Sesquilinearität: zu zeigen ist: hλa + µb, ci = λha, ci + µhb, ci
ha, λb + µci = λha, bi + µha, ci
N
X −1 N
X −1
hλa + µb, ci = (λak + µbk )ck = λak ck + µbk ck
k=0 k=0
N
X −1 N
X −1 N
X −1 N
X −1
= λak ck + µbk ck = λ ak ck + µ bk ck
k=0 k=0 k=0 k=0
= λha, ci + µhb, ci
N
X −1 N
X −1
ha, λb + µci = ak (λbk + µck ) = ak λbk + ak µck
k=0 k=0
N
X −1 N
X −1 N
X −1 N
X −1
= ak λbk + ak µck = λ ak bk + µ ak ck
k=0 k=0 k=0 k=0
= λha, bi + µha, ci
12
(2) positiv definit: zu zeigen ist ha, ai ≥ 0 und ha, ai = 0 ⇔ a = 0
N
X −1
ha, ai = ak ak = a0 a0 + a1 a1 + ... + aN −1 aN −1
k=0
= |a0 |2 + |a1 |2 + ... + |aN −1 |2 ≥ 0
N
X −1
ha, ai = 0 ⇔ ak ak = 0 ⇔ ak = 0 für k = 0, ..., N − 1.
k=0
Somit ist dies für alle ak mit k = 0, ..., N − 1 gültig. Definiere m = kN + r mit 0 ≤ r < N .
Sei am = 0, so ist 0 = ar = ar+N = ar+2N = ... = ar+kN = am = 0. Folglich ist dies für
alle a ∈ l2 (ZN ) gültig.
(3) hermitesch: zu zeigen ist ha, bi = hb, ai
N
X −1 N
X −1 N
X −1
hb, ai = bk ak = bk ak = ak bk = ha, bi.
k=0 k=0 k=0
Definition 2.1.2 Sei U eine Teilmenge von l2 (ZN ). Man nennt U einen Unterraum
von l2 (ZN ), wenn gilt
(1) U ist nicht leer.
(2) Sind u, v ∈ U und λ, µ ∈ K, so ist auch λu + µv ∈ U .3
Definition 2.1.3 Sei b ∈ l2 (ZN ). Dann nennt man (b1 , b2 , ..., bn ) eine Basis von l2 (ZN ),
wenn folgende zwei Bedingungen erfüllt sind:
(1) (b1 , b2 , ..., bn ) sind linear unabhängig.

(das bedeutet: ∀ λ1 , λ2 , ..., λn ∈ C : ⇒
P
i=Z λi bi =0 λ1 = λ2 = ... = λn = 0)
(2) (b1 , b2 , ..., bn ) ist ein Erzeugendensystem von l2 (ZN ).

(das bedeutet: ∀ a ∈ l2 (ZN ) ∃ λ1 , ..., λn ∈ C : a =
P
i∈Z λi bi )
Definition 2.1.4 Sei (b1 , b2 , ..., bn ) ∈ l2 (ZN ). Dann heißt (b1 , b2 , ..., bn ) ein Orthonor-
malsystem, wenn für alle i, j ∈ {1, ..., n} gilt


1,
 falls i = j
hai , aj i = δi,j = .

0,

falls i 6= j
3
Vgl. [ 4] Desch. Lineare Algebra. 2013, S.20.
13
Ist zugleich (b1 , b2 , ..., bn ) eine Basis von l2 (ZN ), so heißt (b1 , b2 , ..., bn ) eine Orthonor-
malbasis von l2 (ZN ).
Bemerkung: Die letzten drei Definitionen sind für jeden Vektorraum V über K = {R, C}
mit einem inneren Produkt h·, ·i gültig.
Definition 2.1.5 Sei l2 (ZN ) ein endlich erzeugter Vektorraum über einem Körper K =
{R, C} mit einer Basis (b1 , ..., bN ). Dann heißt N die Dimension von l2 (ZN ).
(mathematische Notation: dim(l2 (ZN )) = N )
Proposition 2.1.2 Der Vektorraum l2 (ZN ) hat die Dimension N und l2 (ZN ) ist isomorph
∼ CN )
zu CN := {(a0 , ..., aN −1 ) | ai ∈ C, 0 ≤ i ≤ N − 1}.(mathematische Notation: l2 (ZN ) =
Beweis: Die Funktion ϕ : CN → l2 (ZN ) sei definiert durch ϕ ((a0 , ..., aN −1 )) = (bm )m∈Z .
Für m ∈ Z mit m = kN + r, 0 ≤ r ≤ N − 1 gilt bm = ar . Dann ist (bm )m∈Z ∈ l2 (ZN ), da
m + N = (k + 1)N + r gilt. Das bedeutet: bm+N = ar = bm .
Nun zeigen wir, dass ϕ linear ist.
ϕ(λa + b) = ϕ((λ0 a0 + b0 , λ1 a1 + b1 , ..., λN −1 aN −1 + bN −1 ))
= ϕ((λ0 a0 , ..., λN −1 aN −1 ) + (b0 , ..., bN −1 ))
= ϕ((λ0 a0 , ..., λN −1 aN −1 )) + ϕ((b0 , ..., bN −1 ))
= λϕ((a0 , ..., aN −1 )) + ϕ((b0 , ..., bN −1 ))
= λϕ(a) + ϕ(b)
Die Funktion ψ : l2 (ZN ) → CN sei definiert durch ψ((bm )m∈Z ) = (b0 , ..., bN −1 ). Dann
ist ψ(ϕ(a0 , ..., aN −1 )) = ψ((bm )m∈Z = (b0 , ..., bN −1 ). Da bm = br für 0 ≤ r ≤ N − 1 mit
r = 0N + r gilt, ist (b0 , ..., bN −1 ) = (a0 , ..., aN −1 ). Das bedeutet ψ ◦ ϕ = idCN .
Umgekehrt ist ϕ(ψ(bm )m∈Z ) = ϕ((b0 , ..., bN −1 )) = (bm )m∈Z da bkN +r = br . Somit können
wir sagen, dass ϕ eine bijektive lineare Abbildung ist. Infolgedessen ist l2 (ZN ) isomporh
zu CN .
Da CN die Dimension N hat, hat auch ϕ(CN ) = l2 (ZN ) die Dimension N . Ist {c0 , ..., cN −1 }
eine Basis von CN , so ist {ϕ(c0 ), ..., ϕ(cN −1 )} eine Basis von l2 (ZN ).

Proposition 2.1.3 Da CN mit ha, bi =

P
i∈Z ai bi ein Vektorraum mit innerem Produkt
ist, ist auch l2 (CN ) mit hu, vi = hϕ−1 (u), ϕ−1 (v)i ein Vektorraum mit innerem Produkt.
14
Es gilt sogar
N
X −1
hu, vi = ui vi .
i=0
Beweis: Es sei ϕ((u0 , ..., uN −1 )) = (u0 , u1 , ..., uN −1 , u0 , ..., uN −1 , ...) und
u = (u0 , ..., uN −1 , u0 , ..., uN −1 , ...) und v = (v0 , ..., vN −1 , v0 , ..., vN −1 , ...).
Dann ist
hu, vi = hϕ1 (u), ϕ−1 (v)iCN .
Zudem ist
ϕ−1 (u) = (u0 , ..., uN −1 ) und ϕ−1 (v) = (v0 , ..., vN −1 ).
Somit gilt
N −1
hu, vi = hϕ−1 (u), ϕ−1 (v)i =
X
ui vi .
i=0
Definition 2.1.6 Sei a ∈ l2 (ZN ). Für m ∈ Z definiere â ∈ CZ durch

N −1
an e−2πimn/N .
X
âm =
n=0
Die Funktionˆ: l2 (ZN ) → l2 (ZN ), welche a zu â macht, nennt man die diskrete Fourier-
transformation (DFT).4
Bemerkung: Für â ∈ CZ gilt âm+N = âm . Um dies zu zeigen benötigt man die Eulersche
Formel eit = cos(t) + i sin(t). So ist
N −1 N −1 N −1
an e−2πi(m+N )n/N = an e−2πimn/N e−2πin = an e−2πimn/N = âm .
X X X
âm+N =
n=0 n=0 n=0
Dies gilt, da der Faktor e−2πin = cos(−2πn) + i sin(−2πn) = 1 ist.
4
Vgl. [ 5] Frazier. An Introduction to Wavelets Through Linear Algebra. 1999, S. 105.
15
Definition 2.1.7 Die Fourierbasisvektoren Fn sind im Raum l2 (ZN ) definiert durch
1 2πinm/N
(Fn )m = e für n = 0, 1, 2, ..., N − 1.
N
Da wir wissen, dass der Raum l2 (ZN ) die Dimension N hat, reicht es aus, die lineare
Unabhängigkeit von {F0 , F1 , ..., FN −1 } zu betrachten, um zu verstehen, warum (Fn )m
tatsächlich eine Basis in l2 (ZN ) ist. Wir betrachten vorerst das innere Produkt
N −1 N −1
1 2πikm/N 1 2πilm/N
X X
hFk , Fl i = (Fk )m (Fl )m = e e
m=0 m=0
N m N m
N −1 N −1
1 1
e2πikm/N e−2πilm/N
X X
= e2πikm/N e2πilm/N =
N2 m=0
N2 m=0

N −1 N −1
 1
1 1 m 
 falls k = 0
N
X X
= e2πim(k−l)/N = e2πi(k−l)/N =
N2 N2 
m=0 m=0 0

falls k 6= l.
Der letzte Schritt lässt sich erklären, indem man die geometrische Reihe betrachtet. (2.1.7)

N −1 N, falls e2πi(k−l)/N = 1


X m
2πi(k−l)/N
e =
(e2πi(k−l)/N )N − 1
falls e2πi(k−l)/N 6= 1

m=0 

e2πi(k−l)/N − 1
 
falls N | k − l
 
N
 N
 falls k = l
= =
 1−1 

 falls N - k − l 0

falls 0 ≤ k, l ≤ N.
e2πi(k−l)/N
Sei nun
N
X −1 N
X −1
0 = hFj , λm Fm i = λm hFj , Fm i
m=0 m=0
1
= λ0 · 0 + λ1 · 0 + ... + λj · + ... + λN −1 · 0
N
1
= λj ·
N
Dieses innere Produkt ist genau dann 0, wenn λj = 0. Somit folgt λj = 0 was λj = 0
impliziert und die lineare Unabhängigkeit ist bewiesen.

Definition 2.1.8 Sei a ∈ l2 (ZN ). Für n ∈ Z definiere ǎ ∈ CN durch

−1
1 NX
ǎn = am e2πimn/N , für alle n ∈ Z.
N m=0
16
Die Funktion ˇ : l2 (ZN ) → l2 (ZN ) nennt man die inverse Fouriertransformation
(IDFT).5
Proposition 2.1.4 (Umkehrung der Fouriertransformation in l2 (ZN ))

1 PN −1
Für a ∈ l2 (ZN ) gilt (â)ˇ= a. Somit ist an = âm e2πimn/N .
N m=0
Beweis: Sei
N −1 −1 −1 −1
1 2πimk/N NX 1 NX N
al e−2πiml/N =
X X
((â)ˇ)k = e al e2πim(k−l)/N
m=0
N l=0
N l=0 m=0

N −1 N −1

1 X X m a

k falls k = l
= al e2πi(k−l)/N =
N 
l=0 m=0 0

falls k 6= l
Der letzte Schritt lässt sich erklären, indem man die geometrische Reihe wie oben betrachtet
(2.1.7).

In der Umsetzung erfordert die Wavelettransformation ein paar einfache Rechenschritte,

wie zum Beispiel die Faltung eines Signals mit zwei Filtern.
Definition 2.1.9 Für a, b ∈ l2 (ZN ) ist die Faltung a ∗ b ∈ l2 (ZN ) durch folgende Kom-
ponenten definiert:
N
X −1
(a ∗ b)m = an bm−n
n=0
für alle m ∈ Z.6
Bemerkung: Auch die Faltung ist periodisch, das heißt (a ∗ b)n = (a ∗ b)n+N . Seien
PN −1 PN −1
a, b ∈ l2 (ZN ). Dann ist (a ∗ b)n+N = l=0 al bn+N −l = l=0 al bn−l = (a ∗ b)n . Es gilt
bn+N −l = bn−l da b ∈ l2 (ZN ) periodisch ist.
5
6
17
Zudem ist die Faltung auch kommutativ und assoziativ. Dies gilt da
N
X −1 N
X −1
(a ∗ b)n = ai · bn−i = bl · an−l = (b ∗ a)n
i=0 i=n−l
N
X −1 N
X −1 N
X −1
(a ∗ (b ∗ c))n = ak · (b ∗ c)n−k = ak br · cn−k−r
k=0 k=0 r=0
N
X −1 N
X −1 N
X −1 N
X −1
= ak · br · cn−k−r = ak · bk+r−k · cn−(k+r)
k=0 r=0 k=0 r=0
N
X −1 N
X −1 N
X −1
= ak · bm−k · cn−k = (a ∗ b)m · cn−m
m=0 k=0 m=0
= ((a ∗ b) ∗ c)n

Bei der Assoziativität wird m = k + r von der zweiten auf die dritte Zeile verwendet.
Beispiel Seien a = (2, 1, 0, 2) und b = (2i, 0, 1, i) Vektoren in l2 (Z4 )

3
X
(a ∗ b)0 = a−n bn
n=0
= a0 b0 + a−1 b1 + a−2 b2 + a−3 b3
= a0 b0 + a3 b1 + a2 b2 + a1 b3
= 2 · 2i + 2 · 0 + 0 · 1 + 1 · i = 5i
3
X
(a ∗ b)1 = a1−n bn = 1 · 2i + 2 · 0 + 2 · 1 + 0 · i = 2 + 2i
n=0
X3
(a ∗ b)2 = a2−n bn = 0 · 2i + 1 · 0 + 2 · 1 + 2 · i = 2 + 2i
n=0
X3
(a ∗ b)3 = a3−n bn = 2 · 2i + 0 · 0 + 1 · 1 + 2 · i = 1 + 5i
n=0
So ergibt sich:
a ∗ b = (5i, 2 + 2i, 2 + 2i, 1 + 5i)
Folgendes Lemma zeigt uns, wie die diskrete Fouriertransformation mit Faltungen zusam-
menhängt.
18
Lemma 2.1.5 Sei a, b ∈ l2 (ZN ). Für alle m ∈ Z gilt:
(a ∗ b)ˆm = âm b̂m .
Beweis: Nach Definition gilt

N −1
(a ∗ b)n e−2πimn/N
X
(a ∗ b)ˆm =
n=0
N −1 N −1
an−k bk e−2πimn/N
X X
=
n=0 k=0
N −1 N −1
an−k bk e−2πim(n−k)/N e−2πimk/N
X X
=
n=0 k=0
N −1 N −1
bk e−2πimk/N an−k e−2πim(n−k)/N .
X X
=
k=0 n=0
In der letzten Summe wird nun der Index l = n − k eingeführt. Dann erhalten wir
N −1 N −1−k N −1
−2πim(n−k)/N −2πiml/N
al e−2πiml/N .
X X X
an−k e = al e =
n=0 l=−k l=0
Setzt man dies ein, so ergibt sich

N −1 N −1
bk e−2πimk/N al e−2πiml/N = âm b̂m .
X X
(a ∗ b)ˆm =
k=0 l=0
7
Definition 2.1.10 Sei f ∈ l2 (ZN ). Definiere Tf : l2 (ZN ) → l2 (ZN ) durch
Tf (b) = f ∗ b
für alle b ∈ l2 (ZN ). Jede Transformation T mit der Form T = Tf , mit f ∈ l2 (ZN ), nennt
man Faltungsoperator.8
Definition 2.1.11 Sei m ∈ l2 (ZN ). Definiere T(m) : l2 (ZN ) → l2 (ZN ) durch
T(m) (b) = (mb̂)ˇ.
Den Vektor mb̂ erhält man durch die komponentenweise Multiplikation von m und b̂. So ist
(mb̂)n = mn b̂n für alle n. Jede Transformation mit dieser Form nennt man Fourier’schen
Multiplikationsoperator.9
7
Vgl. [ 5] Frazier. An Introduction to Wavelets Through Linear Algebra. 1999, S. 137-138.
8
9
19
Definition 2.1.12 Sei a ∈ l2 (ZN ) beliebig. Definiere ã ∈ l2 (ZN ) durch
ãn = a−n = aN −n
für alle n ∈ Z. So nennt man ã die konjugierte Spiegelung von a.10
Bemerkung: Von nun sind alle ã, b̃ u.s.w. wie in der Definition aufzufassen.
Definition 2.1.13 Sei a ∈ l2 (ZN ) und k ∈ Z. Definiere
(Rk a)n = an−k
für n ∈ Z. Dann nennt man Rk a die Translation von a um k bzw. Rk stellt eine
Translation (Verschiebung) um k dar.11
Bemerkung: Die Translation ist mit Rk : l2 (ZN ) → l2 (ZN ) eine lineare Abbildung, da
Rk (λa + b)n = (λa + b)n−k = (λa)n−k + (b)n−k = λ(a)n−k + (b)n−k
= λRk (a)n + Rk (b)n
gilt.
Folgendes Lemma wird für den Beweis des darauffolgenden Satzes benötigt.
Lemma 2.1.6 Sei a ∈ l2 (ZN ) und k ∈ Z. Dann gilt
X−1
k+N N
X −1
al = al .
l=k l=0
Beweis: Für k ≤ l ≤ k + N − 1 sei l = rl + kl N mit 0 ≤ rl < N (Division mit Rest). Dann

folgt {rl | k ≤ l ≤ k + N − 1} = {0, 1, ..., N − 1}. Da rl = rl 8 gilt N |l − l 8 ⇒ l−l 8 = 0
(da 0 ≤ |l − l 8 | < N − 1). Infolgedessen gilt
X−1
k+N X−1
k+N X−1
k+N N
X −1
al = arl +kl N = arl = al .
l=k l=k l=k l=0
Satz 2.1.1 Sei a ∈ l2 (ZN ) und k ∈ Z. Für alle m ∈ Z gilt dann
(Rk a)ˆm = e−2πimk/N âm .

10
11
20
N −1 N −1
(Rk a)n e−2πimn/N = an−k e−2πimn/N .
X X
(Rk a)ˆm =
n=0 n=0
Im nächsten Schritt ändern wir den Index durch l = n − k. (Dank Lemma 2.1.6 ist dies
möglich.) Beachte dabei, dass k eine fixe Zahl ist und n die Summationsvariable. Ist n = 0,
dann folgt l = −k. Ist n = N − 1, so folgt l = N − k − 1. Durch n = l + k erhalten wir
N −k−1 N −k−1
−2πim(l+k)/N −2πimk/N
al e−2πiml/N .
X X
(Rk a)ˆm = al e =e
l=−k l=−k
Wir behaupten nun, dass

N −k−1 N −1
al e−2πiml/N = al e−2πimn/N = âm
X X
l=−k n=0
gilt. Wenn das stimmt, setzt man dies in die obige Gleichung ein und das Lemma ist bewiesen.
Also müssen wir noch diese Behauptung beweisen. Beachte, dass al sowie e−2πiml/N
periodische Funktionen mit der Variable l und der Periode N sind. Sei 0 ≤ k ≤ N − 1.
Dann gilt
N −k−1 −1 N −k−1
−2πiml/N −2πim(l+N )/N
al e−2πiml/N .
X X X
al e = al+N e +
l=−k l=−k l=0
Bei der ersten der letzten beiden Summen wählen wir n = l + N und bei der zweiten sei
n = l. So folgt
N −k−1 N −1 N −k−1 N −1
al e−2πiml/N = al e−2πimn/N + al e−2πimn/N = al e−2πimn/N .
X X X X
l=−k n=N −k n=0 n=0
Sei k ∈ Z beliebig. Dann existiert ein r so, dass k0 = k + rN ∈ {0, 1, 2, ..., N − 1}. Durch
Änderung der Summationsvariable durch l0 = l − rN erhalten wir
N −k−1 N −k−rN
X −1 N −k−1
−2πiml/N −2πim(l0 +rN )/N 0
al0 e−2πiml /N
X X
al e = al0 +rN e =
l=−k l0 =−k−rN l0 =−k0
dank der Periodizität von a und der Exponentialfunktion. Im Falle k 0 ∈ {0, 1, 2, ..., N − 1}
ist die letzte Summe âm .
12
Bemerkung: Dies zeigt eine Einschränkung der diskreten Fouriertransformation. Durch
dieses Lemma, sowie der Tatsache, dass |eiθ | = 1 folgt |(Rk a)ˆm | = |âm | für alle m. Anhand
der Größenordnung der DFT können wir a nicht von der Translation Rk a unterscheiden.
Der Ort der Besonderheiten von a sind nicht durch |â| festgelegt.
12
Vgl. [ 5] Frazier. An Introduction to Wavelets Through Linear Algebra. 1999, S. 120-121.
21
2.2 Raum l2 (Z)
Bisher wurden unendliche periodische Folgen besprochen. Dieses Kapitel hingegen beschäf-
tigt sich mit unendlichen Folgen, welche nicht periodisch sind. So definieren wir eine Folge
von komplexen Zahlen durch
z = (...z−2 , z−1 , z0 , z1 , z2 , ...) bzw. z = (zn )n∈Z .
Wir beschränken uns hier auf Folgen, welche quadratsummierbar sind, das heißt
X
|zn |2 < +∞.
n∈Z
P
Definition 2.2.1 Eine Reihe von komplexen Zahlen n∈Z wn konvergiert (gleichmäßig),
wenn die Folge der Partialsummen
+N
X
sN = wn
n=−N
P
(gleichmäßig) konvergiert. Zudem können wir sagen, n∈Z wn konvergiert absolut, wenn
n∈Z |wn |
P
konvergiert.
Bemerkung: Zur Erinnerung, die Folge (sN )N ∈Z konvergiert, wenn lim sN = s gilt, mit
N →∞
s ∈ l2 (Z). Zudem ist (sN )N ∈Z gleichmäßig konvergent, wenn ein s ∈ l2 (Z) existiert, so dass
lim ksN − sk = 0.
N →∞
Definition 2.2.2 Der Raum l2 (Z) gilt als der Raum der quadratsummierbaren komplexen
Folgen in Z und ist definiert durch:
X
l2 (Z) = {z = (zn )n∈Z |zn ∈ C für alle n und |zn |2 < +∞}.
n∈Z
Mit der gewöhnlichen komponentenweisen Addition, sowie dem Produkt mit einem Skalar,
ist l2 (Z) ein Vektorraum über C.
Sei z, w ∈ l2 (Z). Das innere Produkt auf l2 (Z) ist definiert durch:
X
hz, wi = z n wn .
n∈Z
Dieses innere Produkt ist wohldefiniert, da die Summe absolut konvergiert. Es lässt sich
mit Hilfe der Cauchy-Schwarzsche Ungleichung zeigen:
 2
N
X N
X N
X
 |zn wn | ≤ |zn |2 |wn |2
n=−N n=−N n=−N
≤ kzk2 kwk2 < ∞ für alle N.
22
Also können wir sagen, diese Summe ist beschränkt. Infolgedessen gibt es keine weiteren
Hürden die Eigenschaften eines inneren Produktes zu überprüfen.
Definition 2.2.3 Den Raum L2 ([−π, π)) nennt man den Raum der komplexen Funktionen
f , welche quadrat-integrierbar sind.
Z π
L2 ([−π, π)) = f : [−π, π) → C | |f (θ)|2 dθ < ∞
−π
Definition 2.2.4 Die Funktion ˆ: l2 (Z) → L2 ([−π, π)) für z ∈ l2 (Z) definiert durch
X
ẑθ = zn einθ
n∈Z
nennt man die Fouriertransformation in l2 (Z).13
Definition 2.2.5 Für f ∈ L2 ([−π, π)) nennt man die Funktion ˇ : L2 ([−π, π)) → l2 (Z)
definiert durch
Z π
1
fˇn = hf, einθ i = fθ e−inθ dθ
2π −π
die inverse Fouriertransformation in L2 ([−π, π)).14
Definition 2.2.6 Für z ∈ l1 (Z) gilt

X
kzk1 = |zn |.
n∈Z
Bemerkung: Man nennt k · k1 die l1 -Norm.
Proposition 2.2.1 Der Raum l1 (Z) ist ein Unterraum von l2 (Z).
Beweis: Seien x, y ∈ l1 (ZN ). Dann gilt aufgrund der Dreiecksungleichung

X X X
|xn + yn | ≤ |xn | + |yn | ≤ kxk1 + kyk1 .
|n|≤N |n|≤N |n|≤N
|xn + yn | < ∞ und der Raum l1 (Z) ist beschränkt. Wir müssen noch
P
Somit ist |v|≤N
zeigen, dass l1 (Z) ⊆ l2 (Z) ist. Sei x ∈ l1 (Z), dann gilt

N
X −1 N
X −1
|ai | ≤ kak1 ⇔ |ai |2 ≤ |ai | kak1 ⇔ |ai |2 ≤ |ai | kak1 = kak21 ∈ l2 (Z).
i=0 i=0
Folglich ist l1 (Z) ein Unterraum von l2 (Z).

13
14
23
Lemma 2.2.2 Sei z ∈ l2 (Z) und w ∈ l1 (Z). Dann ist z ∗ w ∈ l2 (Z) und es gilt
kz ∗ wk ≤ kwk1 kzk.
Beweis: Für alle m ∈ Z gilt aufgrund der Cauchy-Schwarzschen Ungleichung

X X
|zm−n ||wn |1/2 |wn |1/2

zm−n wn ≤
n∈Z n∈Z
 1/2  1/2
X X
≤ |zm−n |2 |wn |  |wn |
n∈Z n∈Z
 1/2
1/2  X
= kwk1 |zm−n |2 |wn | .
n∈Z
Folglich gilt
2
X X
2

kz ∗ wk =
zm−n wn
m∈Z n∈Z
X X
≤ kwk1 |zm−n |2 |wn |
m∈Z n∈Z
X X
= kwk1 |wn | |zm−n |2 .
n∈Z m∈Z
Setzt man den Summenindex k = m − n so erhalten wir für alle n, 2 = kzk2 .

k∈Z |zk |
P
Setzt man dies ein, so erhalten wir
kz ∗ wk2 ≤ kwk21 kzk2 .
Auf die zu zeigende Gleichung kommt man schlussendlich durch Anwendung der Wurzel.
15
Satz 2.2.1 (Satz von Plancherel)

Seien f, g ∈ L2 ([−π, π)). Dann gilt
Z π
1
fˆ(θ)ĝ(θ)dθ = hfˆ, ĝi.
X
hf, gi = fn gn =
n∈Z
2π −π
Beweis: Sei f die inverse Fouriertransformation einer Funktion h. Dann gilt

1 π 1 π π
Z Z Z
hf, gi = f (θ)g(θ)dθ = h(ξ)g(θ)eiξθ dξdθ
2π −π 2π −π −π
1 π
Z π
1 π
Z Z Z π
= h(ξ) g(θ)eiξθ dθdξ = h(ξ) g(θ)e−iξθ dθdξ
2π −π −π 2π −π −π
1 π
Z
= h(ξ)ĝ(ξ)dξ = hfˆ, ĝi.
2π −π
15
24
Aufgrund vom Satz von Fubini 16 ist das Vertauschen der Integrationsreihenfolge erlaubt.

Bemerkung: Es wurde hier das für den Raum L2 ([−π, π)) definierte Skalarprodukt verwen-
det, welches wie folgt definiert ist:
Z π
1
hf, gi = f (θ)g(θ)dθ.
2π −π
Dabei ist es nicht deutlich, dass hierfür die positive Definitheit gilt. So betrachten wir
f ∈ L2 ([−π, π) mit f (θ) = eiωθ mit θ ∈ [−π, π).
1 π 1 π iωθ −iωθ
Z Z
hf, f i = f (θ)f (θ)dθ = e e dθ
2π −π 2π −π
Z π
1 1
= 1 dθ = 2π = 1 > 0
2π −π 2π
Lemma 2.2.3 Sei v, w ∈ l1 (Z) und z ∈ l2 (Z). Dann gilt
(z ∗ w) ˆθ = ẑθ ŵθ .
Beweis: Angnommen z ∈ l1 (Z). Dann gilt für alle θ ∈ [−π, π)

X XX
(z ∗ w) ˆθ = (z ∗ w)n einθ = zn−k wk ei(n−k)θ eikθ
n∈Z n∈Z k∈Z
X X
= wk eikθ zn−k ei(n−k)θ
k∈Z n∈Z
X X
= wk eikθ zm eimθ = ẑθ ŵθ .
k∈Z m∈Z
Da m = n − k, folgt die obige Aussage. Der Austausch der Summen ist berechtigt, da wir
z, w ∈ l1 (Z) angenommen haben und dadurch die Doppelsumme absolut konvergiert.
Ziel ist es allerdings, dies für z ∈ l2 (Z) zu zeigen. Hier müssen wir jedoch sehr aufpassen,
da ẑ und (z ∗ w) ˆ in L2 ([−π, π)) wie in Definition 2.2.4 interpretiert wird. Für jede positive
Zahl N , definieren wir eine Reihe zN durch zNn = zn , für |n| ≤ N und zNn = 0, für |n| > N .
Dann ist zN ∈ l1 (Z) und für dieses gilt
(zN ∗ w)ˆ = ẑN ŵ. (2.1)

16
Dieser Satz gibt an, unter welchen Bedingungen man mehrdimensionale Integrale mit Hilfe von eindimen-
sionalen Integralen berechnen kann.
25
Betrachen wir nun den Grenzwert der Norm für N → ∞ auf beiden Seiten. Für die linke
Seite beachte, dass kzN − zk → 0 für N → ∞. Infolge von Lemma 2.2.2 gilt nun
kzN ∗ w − z ∗ wk = k(zN − z) ∗ wk ≤ kzN − zkkwk1 → 0 f ür N → ∞.
Aufgrund vom Satz von Plancherel 2.2.1 folgt nun
k(zN ∗ w)ˆ− (z ∗ w)ˆk → 0 f ür N → ∞.
Für die rechte Seite der Gleichung (2.1) beachte vorerst, dass
X X
wn einθ ≤

|ŵθ | = |wn | = kwk1 .
n∈Z n∈Z
Durch diese Ungleichung, sowie dem Satz von Plancherel, erhalten wir schlussendlich
Z π
2 1
kẑN ŵ − ẑ ŵk = |ẑNθ ŵθ − ẑθ ŵθ |2 dθ
2π −π
Z π
1
≤ kwk21 |ẑNθ − ẑθ |2 dθ = kwk21 kẑN − ẑk2
2π −π
= kwk21 kzN − zk2 → 0 f ür N → ∞.
Dadurch können wir sagen, für N → ∞ konvergiert die linke Seite der Gleichung (2.1)
in L2 ([−π, π)) gegen (z ∗ w)ˆ, und die rechte Seite gegen ẑ ŵ. Somit gilt (z ∗ w)ˆ= ẑ ŵ in
L2 ([−π, π)) und das Lemma ist bewiesen.
17
Definition 2.2.7 Sei z ∈ l2 (Z) und n ∈ N.
(1) Die konjugierte Spiegelung von z ist definiert durch z̃n = z−n .
(2) Es sei z ∗ ∈ l2 (Z) definiert durch zn∗ = (−1)n zn .
Proposition 2.2.4 Sei z ∈ l2 (Z). Dann gilt
(z ∗ )ˆθ = ẑθ+π .
Beweis: Nach Definition ist
(z ∗ )ˆθ = zn∗ einθ =

X X
(−1)n zn einθ
n∈Z n∈Z
X X
= (eiπ )n zn einθ = zn ein(θ+π) = ẑθ+π
n∈Z n∈Z
17
26
18
Bemerkung: Für m ∈ N, N = 2m und a, a∗ ∈ l2 (ZN ) mit a∗ = (−1)n an gilt, (a∗ )ˆn = ân+m
für alle n. Der Beweis ist zu diesem hier analog.
18
27
3 Aufbau von Wavelets in ZN
Wie in der Einleitung kurz angesprochen, hat die Fouriertransformation Einschränkungen

aufgrund ihrer Basis. Grund dafür ist, dass ihre Elemente nicht lokalisiert sind. Ein Vektor
a ∈ l2 (ZN ) ist in einem Bereich um n0 lokalisiert, wenn einige Komponenten a(n) von a Null
oder sehr klein sind. Lediglich ein paar wenige Werte von n in der Nähe von n0 sind größer
als Null. Die Fourierbasis ist nicht lokalisiert, da alle Komponenten von Fm (n) für alle
n ∈ ZN die gleiche Größenordnung (1/N) haben. Somit sind alle Vektoren der Fourierbasis
gleichmäßig verteilt, was das Gegenteil einer lokalisierten Basis darstellt. Betrachten wir
die Basis B = {v0 , ..., vN −1 } in l2 (ZN ), so dass alle Basiselemente in B lokalisiert sind.
Einen lokalisierten Vektor a können wir dann wie folgt darstellen:
N
X −1
a= λn vn für λ ∈ C. (3.1)
n=0
Wir betrachten nun ausschließlich den Teil von a, der sich in der Nähe eines bestimmten
Punktes n0 befindet. So können wir alle Basisvektoren in der Nähe von n0 , welche Null oder
unwesentlich klein sind, von der Summe (3.1) ausschließen. Dadurch wird das Verhalten in
der Nähe von n0 nicht signifikant geändert. Man ersetzt also eine Summe von N Termen
durch eine kleinere Summe, welche ausschließlich den Teil von a berücksichtigt, welcher
sich in der Nähe von n0 befindet. Vorteil solch einer Basis ist, dass man ein Signal lokal
analysieren kann.1
Das Auffinden solcher Basen ist jedoch nicht sehr einfach. Zudem ist es wünschenswert,
diese mit einem schnellen Algorithmus bestimmen zu können. Das Endziel ist es, eine
Basis zu erhalten, deren Elemente räumlich und frequenziell bestimmt sind. Dann würde
die Entwicklung der Koeffizienten eines Vektors mit solch einer Basis räumliche und
freuquenzielle Informationen liefern. Somit erhalten wir zeitgleich eine räumliche und
frequenzielle Analyse eines Vektors. Diese Vorteile bringt eine Waveletbasis mit sich.
Allgemein kann man sagen, dass die diskrete Fouriertransformation die Frequenz eines
1
28
Signals betrachtet. So kann man mittels der Fouriertransformation ein Signal nach Zeit /
Frequenz, oder Ort / Frequenz analysieren.
Möchte man nun aus der Einheitsbasis E eine neue Basis B, dessen Elemente räumlich
und frequenziell lokalisiert sind, bilden, so soll diese Berechnung schnell und effizient sein.
Andernfalls ist B für Audio- und Videodateien, mit einer realistischen Größe, nutzlos.
Fokussieren wir uns vorerst darauf, wie man solch eine Berechnung schnell abwickeln kann.
Dazu betrachten wir
a ∗ b = (âb̂)ˇ. (3.2)
Ob uns dieser Ansatz hilfreich ist, wird sich noch zeigen.2 Wir betrachten vorerst noch ein
paar wichtige Eigenschaften.
Satz 3.0.1 Sei T : l2 (ZN ) → l2 (ZN ) eine lineare Transformation. Dann gilt, T ist genau
dann ein Faltungsoperator, wenn T ein Fourier Multiplikationsoperator ist. Für einen
gegebenen Faltungsoperator Ta , mit m = â, gilt Ta = T(m) . Umgekehrt, für einene gegebenen
Fourier Multiplikationsperator T(m) , mit a = m̂, gilt T(m) = Ta .
Beweis: Im ersten Fall sei m = â. Aufgrund der umgekehrten Fouriertransformation, sowie
der Gültigkeit von Lemma 2.1.5 gilt:
Ta (b) = a ∗ b = ((a ∗ b)ˆ)ˇ= (âb̂)ˇ= (mb̂)ˇ= T(m) (b)
für alle b ∈ l2 (ZN ). Der zweite Fall mit a = m̂ ist analog.

3
Lemma 3.0.1 Sei a, b ∈ l2 (ZN ). Für alle k ∈ Z gilt:
(a ∗ b̃)k = ha, Rk bi (3.3)
(a ∗ b)k = ha, Rk b̃i (3.4)

N
X −1 N
X −1
ha, Rk bi = an Rk bn = an bn−k
n=0 n=0
N
X −1
= an b̃k−n = (b̃ ∗ a)k
n=0
= (a ∗ b̃)k
2
3
29
Durch die Gültigkeit der Kommutativität der Faltung ist die Gleichung (3.3) bewiesen. Für
die zweite Gleichung funktioniert der Beweis analog. Man ersetzt lediglich b durch b̃, mit
der Berücksichtigung, dass ˜b̃ = b.
4
Bemerkung: Dies gilt auch für z, w ∈ l2 (Z).
−1
Betrachte ein b ∈ l2 (ZN ), so dass B = {Rk b}N 2
k=0 eine Orthonormalbasis von l (ZN )
ist. Die Entwicklung der Koeffizienten von einem Vektor a in B ist das innere Produkt
hb, Rk ai. Durch Gleichung (3.3) sind diese Koeffizienten nichts anderes als die Komponenten
von b ∗ ã, was uns zu
(b)B = b ∗ ã
führt. (Dabei soll die Schreibweise (b)B darauf hinweisen, dass die Koeffizienten von b für die
Orthonormalbasis B verwendet werden.) Mittels der schnellen Fouriertransformation kann
man diese Faltung rasch berechnen. Also können wir sagen, dass durch eine Translation
eines einzigen Vektors a, die Änderung der euklidischen Basis E, zu einer gesuchten Basis
B, schnell berechnet werden kann. Bemerkenswerterweise gibt es eine einfache Bedingung in
Bezug auf die diskrete Fouriertransformation von a, welche all solche Basen charakterisieren.
Diese wird im folgenden Lemma dargelegt. Vorerst noch zwei wichtige Eigenschaften, welche
wir für den Beweis dieses Lemmas benötigen werden.5
Proposition 3.0.2 Für alle b ∈ l2 (ZN ) gilt:
(b̃)ˆn = b̂n
Beweis: Nach Definition

N −1 N −1 N −1
b̃k e−2πink/N = bN −k e−1πink/N =
X X X
(b̃)ˆn = b−k e−2πin(−k)/N = b̂n
k=0 k=0 k=0
6
N −1 2
 Menge {Rk a}k=0 ist genau dann eine Orthonormalbasis in l (ZN ),
Proposition 3.0.3 Die

1
 k=0
wenn ha, Rk ai = δk = gilt.

0

sonst
4
5
6
Vgl. [ 6] Pinos. Discrete Wavelets on ZN . 2014, S.29.
30


1
 für k = j
−1
Beweis: Ist {Rk a}N
k=0 eine Orthonormalbasis, so gilt hRk a, Rj ai = δi,j = .

0

für k 6= j


1
 für k = 0
Da ha, Rk ai = hR0 a, Rk ai = gilt, ist eine Richtung bereits bewiesen.

0

für k 6= 0
−1
Nun ist noch zu zeigen, dass ha, Rk ai = δk impliziert, dass {Rk a}N
k=0 eine Orthonormalbasis
ist. Definiere l = j − k und betrachte



1
 für l = 0
hRk a, Rj ai = ha, Rj−k ai = ha, Rl ai = .

0

für l 6= 0
−1
Lemma 3.0.4 Sei a ∈ l2 (ZN ). Dann ist B := {Rk a}N
k=0 genau dann eine Orthonormal-
basis in l2 (ZN ), wenn |ân | = 1, für alle n ∈ ZN .
Beweis: Betrachte die Delta-Funktion δ ∈ l2 (ZN )


wenn k ≡ 0(N )

1,

δk =

0,

sonst.
Durch Einsetzten weiß man, dass δ̂k = 1 für alle k gilt. Aufgrund der Proposition 3.0.3 ist
−1
{Rk a}N 2
k=0 genau dann eine Orthonormalbasis in l (ZN ), wenn ha, Rk ai = δk gilt. Durch
das Lemma 3.0.1 gilt ha, Rk ai = a ∗ ãk , und somit ist ha, Rk ai = δk äquivalent zu a ∗ ã = δ.
Durch die Umkehrung der Fouriertransformation, Lemma 2.1.5 und Proposition 3.0.2
können wir sagen, dass dies das Gleiche ist wie
1 = δ̂n = (a ∗ ã)ˆn = ân (ã)ˆn = ân ân = |ân |2
für alle n.
7
Obwohl es einerseits erfreulich ist, durch diese einfache Bedingung zeigen zu können,
dass B eine Orthonormalbasis ist, ist es andererseits auch enttäuschend. Da die Fourierba-
−1
sis nicht räumlich lokalisiert ist, können wir keine Orthonormalbasis der Form {Rk a}N
k=0
7
31
finden, die die gewünschten Eigenschaften hat. Grund dafür ist die Vorschrift |ân | = 1.
Durch Satz 2.1.1 sowie |(Rk a)ˆn | = |ân | hat jedes Element von Rk a die gleichen Merk-
male. Diese Beobachtung ist für unsere Pläne, eine räumlich lokalisierte Basis zu finden,
nicht ganz umsonst, da wir durch eine kleine Änderung zu unserem gewünschten Ziel
kommen. Anstelle eines einzelnen Vektor a, betrachten wir zwei Vektoren u und v die eine
Orthonormalbasis bilden.8
Definition 3.0.1 Sei N eine gerade Zahl, also N = 2m für m ∈ N. Eine Orthonormalbasis
in l2 (ZN ) mit der Form
{Rk u}m−1 m−1

k=0 ∪ {Rk v}k=0
für u, v ∈ l2 (ZN ), nennt man eine first-stage Waveletbasis. Manchmal bezeichnet man
den Vektor u als Vaterwavelet und v als Mutterwavelet.9
Bevor wir uns mit den Eigenschaften der beiden Vektoren u und v beschäftigen, noch ein
paar notwendige Merkmale. Wir holen in Erinnerung, dass wir am Ende des 1. Kapitels
für a∗ ∈ l2 (ZN ), a∗n = (−1)n an für alle n definiert haben.
Folgende Gleichung brauchen wir, um das nachstehende Lemma zu beweisen. Für alle
a ∈ l2 (ZN ) ist


2an , wenn n ist gerade

(a + a∗ )n = an (1 + (−1)n ) = (3.5)

0, wenn n ist ungerade

Lemma 3.0.5 Sei m ∈ N, N = 2m, und a ∈ l2 (ZN ). Dann ist {R2k a}m−1
k=0 genau dann
eine orthonormale Menge mit m Elementen, wenn
|ân |2 + |ân+m |2 = 2
für n = 0, 1, 2, ..., m − 1
Beweis: Wir haben bereits in Lemma 3.0.4 gesehen, dass {R2k a}m−1
k=0 genau dann eine
orthonormale Menge mit m Elementen ist, wenn gilt:



1,
 wenn k = 0
(a ∗ ã)2k = ha, R2k ai =

0,

wenn k = 1, 2, ..., m − 1.
8
9
32
Durch die definierte Gleichung (3.5) gilt nun

2(a ∗ ã)n ,

 wenn n ist gerade
(a ∗ ã + (a ∗ ã)∗ )n =

0,

wenn n ist ungerade.
Diese Beobachtung ist genau dann gültig, wenn
a ∗ ã + (a ∗ ã)∗ = 2δ.
Wir wissen, dass die DFT invertierbar ist, sowie, dass δ̂n = 1 für alle n. Wendet man dies
auf beide Seiten der Gleichung an, so erhalten wir ein Resultat, welches genau dann gültig
ist, wenn
(a ∗ ã)ˆn + (a ∗ ã)nˆ∗ = 2 für n = 0, 1, 2, ..., N − 1. (3.6)
Aufgrund von Proposition 3.0.2 und Lemma 2.1.5 folgt nun
(a ∗ ã)ˆn = ân (ã)ˆn = ân ân = |ân |2 .
Kombiniert man diese Gleichung mit Proposition 2.2.4, so erhalten wir
(a ∗ ã)ˆ∗n = (a ∗ ã)ˆn+m = |ân+m |2 .
Setzt man dies in die zwei Summanden der Gleichung (3.6) ein, so erhalten wir
|ân |2 + |ân+m |2 = 2
für n = 0, 1, ..., m − 1, was äquivalent zu der Orthonormalität von {R2k a}m−1

k=0 ist.
10
Definition 3.0.2 Sei m ∈ Z, N = 2m und u, v ∈ l2 (ZN ). Für n ∈ Z ist A(n) als

Systemmatrix von u und v definiert durch:
 
1  ûn v̂n 
A(n) = √  
2 ûn+m v̂n+m
Definition 3.0.3 Sei A eine N × N Matrix in C. Man nennt A unitär, wenn A inver-
tierbar ist und A−1 = At , wobei At die konjugiert transponierte Matrix von A darstellt.
Bemerkung: Zur Erinnerung, A ist invertierbar, wenn es eine Matrix A−1 gibt, so dass
AA−1 = A−1 A = E gilt.
10
Vgl. [ 6] Pinos. Discrete Wavelets on ZN . 2014, S.31-32.
33
Lemma 3.0.6 Sei A eine N × N Matrix in C. Dann gilt:
A ist genau dann unitär, wenn ...
• ...die Spalten von A eine Orthonormalbasis in CN bilden.
• ...die Zeilen von A eine Orthonormalbasis in CN bilden.
Beweis: Sei A unitär, dann gilt

n
X X
δij = (At A) ij = (At )ik akj = aki akj = haj , ai i.
k=j k=j
wobei aj die j-te Spalte von A bezeichnet. Also gilt, dass {a1 , a2 , ..., an } eine Orthonormal-
basis ist. Aufgrund der Gleichheitszeichen ist die Äquivalenz bereits bewiesen.
Der Beweis für die zweite Aussage ist mit dem Ansatz δij = (AAt )ij analog.

Nun haben wir alles Nötige zusammen, um die Charakterisierung der beiden Vektoren u
und v, welche die Vater- bzw. Mutterwavelet repräsentieren, darzulegen.
Satz 3.0.2 Sei m ∈ N und N = 2m. Sei u, v ∈ l2 (ZN ). Dann gilt:
B = {R2k u}m−1 m−1

k=0 ∪ {R2k v}k=0
= {u, R2 u, R4 u, ...RN −2 u, v, R2 v, R4 v, ...RN −2 v}
ist genau dann eine Orthonormalbasis von l2 (ZN ), wenn die Systemmatrix A(n) von u und
v für alle n = 0, 1, ..., m − 1 unitär ist.
Also: B ist genau dann eine first-stage Waveletbasis in l2 (ZN ), wenn
|ûn |2 + |ûn+m |2 = 2
|v̂n |2 + |v̂n+m |2 = 2
und
ûn v̂n + ûn+m v̂n+m = 0
für alle n = 0, 1, 2, ..., m − 1.
Beweis: Aufgrund von Lemma 3.0.6 wissen wir, dass eine N × N Matrix genau dann unitär
ist, wenn die Spalten von A eine Orthonormalbasis in CN bilden. Durch Lemma 3.0.5 wissen
34
wir, dass {R2k u}m−1 2 2
k=0 genau dann eine orthonormale Menge ist, wenn |ûn | +|ûn+m | = 2 für
alle n = 0, 1, 2, ..., m−1. Das gleiche gilt auch für {R2k v}m−1
k=0 . Das heißt aber nichts anderes,
als dass die zwei Spalten von A(n) jeweils die Norm 1 haben, für alle n = 0, 1, ..., m − 1.
Wir behaupten nun
hR2k u, R2j vi = 0 für alle j, k = 0, 1, ..., m − 1 (3.7)
genau dann, wenn
ûn v̂n + ûn+m v̂n+m = 0 für alle n = 0, 1, ..., m − 1. (3.8)
Wenn wir schaffen, dies zu zeigen, sind wir fertig, da die Gleichung (3.8) aussagt, dass die
Spalten von A(n) orthonormal sind. Betrachten wir vorerst die Gleichung (3.7), welche
äquivalent ist zu
(u ∗ ṽ)2k = hu, R2k vi = 0, für alle k = 0, 1, 2, ..., m − 1.
Dies wissen wir, da (3.7) genau dann gilt, wenn hu, R2k vi = 0 (das ist leicht zu überprüfen
und ähnelt dem Beweis von Propostition 3.0.3), sowie aufgrund von Lemma 3.0.1. Mit der
Gleichung (3.5) und a = u ∗ ṽ ist dies äquivalent zu
u ∗ ṽ + (u ∗ ṽ)∗ = 0,
da die ungeraden Indizes automatisch 0 werden. Aufgrund der DFT können wir sagen, dies
ist äquivalent zu
(u ∗ ṽ)ˆ+ (u ∗ ṽ)∗ )ˆ= 0.
Durch Lemma 2.1.5 und Proposition 3.0.2 gilt nun
(u ∗ ṽ)∗ )ˆn = ûn v̂n .
Schlussendlich folgt durch Proposition 2.2.4
((u ∗ ṽ)∗ )ˆn = ûn+m v̂n+m .
Beachte, dass die linke Seite der Gleichung (3.8) mit der Periode m periodisch ist. So ist
diese für alle n = 0, 1, 2, 3, ..., m − 1 genau dann gleich 0, wenn es für alle n gleich 0 ist.
Daher ist (3.8) äquivalent zu (3.7)
11
11
35
Lemma 3.0.7 Sei m ∈ N, N = 2m und u ∈ l2 (ZN ) so, dass {R2k u}m−1
k=0 eine orthonormale
Menge mit m Elementen ist. Definiere v ∈ l2 (ZN ) durch
vk = (−1)k−1 u1−k für alle k.
Dann ist {R2k u}m−1 m−1 2

k=0 ∪ {R2k v}k=0 eine first-stage Waveletbasis in l (ZN ).
Beweis: Setzte m̃ für das m, welches in der für v̂ definierten Summe der diskreten Fou-
PN −1
riertransformation vorkommt. Also: âm̃ = n=0 an e−2πim̃n/N für alle m̃ = 0, 1, 2, ..., N − 1.
(Um eine Verwechslung mit dem hier definierten m ∈ N zu vermeiden.)
Sei nun k = 1 − n und vk wie oben definiert, dann gilt
N −1 N −1
−2πim̃n/N
(−1)n−1 u1−n e−2πim̃n/N
X X
v̂m̃ = vn e =
n=0 n=0
N −1 N −1
k −2πim̃(1−k)/N −2πim̃/N
uk (e−iπ )−k e2πim̃k/N
X X
= uk (−1) e =e
k=0 k=0
N −1
= e−2πim̃/N uk e−2πi(m̃+m)k/N = e−2πim̃/N ûm̃+m .
X
k=0
Demzufolge ist
v̂m̃+m = e−2πi(m̃+m)/N ûm̃+2m = e−2πim/N e−2πim̃/N ûm̃ = −e−2πim̃/N ûm̃ ,
da für N = 2m ûm̃+2m = ûm̃+N = ûm̃ und e−2πim/N = e−iπ = −1 gilt. Durch Lemma
3.0.5 und der Orthogonalität von {R2k u}m−1
k=0 folgt
|v̂m̃ |2 + |v̂m̃+m |2 = |ûm̃+m |2 + |ûm̃ |2 = 2 für m = 0, 1, 2, ..., m − 1.
Schlussendlich ist nun
ûm̃ v̂m̃ + ûm̃+m v̂m̃+m = ûm̃ e2πim̃/N ûm̃+m − ûm̃+m e2πim̃/N ûm̃ = 0.
Verwendet man Satz 3.0.2, so erhalten wir, dass u und v eine first-stage Wavelet Basis
erzeugen.
12
Allgemein kann man sagen, es ist nicht sofort ersichtlich, dass {R2k u}m−1 m−1
k=0 ∪ {R2k v}k=0
eine Orthonormalbasis in l2 (ZN ) ist. Dennoch ist es nicht allzu schwer, sich ein u und v so
12
Vgl. [ 6] Pinos. Discrete Wavelets on ZN . 2014, S.34.
36
zu konstruieren, dass die Systemmatrix A(n) für alle n = 0, 1, 2, ..., m − 1 unitär ist.
Wenn man die Bedingungen von Lemma 3.0.4, sowie Satz 3.0.2 vergleicht, so merkt man
schnell die Unterschiede. Lemma 3.0.4 verlangt das |b̂n |2 gleich 1 ist, für alle n. Hingegen
beansprucht Satz 3.0.2 lediglich, dass der Mittelwert von |ûn |2 und |ûn+m |2 gleich 1 ist.
Das ermöglicht uns zum Beispiel |ûn |2 = 2 und |ûn+m |2 = 0 zu wählen. Dann fordert die
Gleichung (3.8), dass v̂n = 0, was von der Gleichung |v̂n |2 + |v̂n+m |2 = 2 dann |v̂n+m |2 = 2
abverlangt. In diesem Fall sind die Komponenten v̂n vom Basisvektor der Fourierreihe
PN −1
Fn , gegeben durch v = n=0 v̂n Fn = 0. Das bedeutet, v hat keine Komponenten in der
Richtung von Fn . Dies erlaubt uns u so zu wählen, dass man lediglich die niedrigen Frequenz-
Komponenten erhält, bzw. durch v die hohen Frequenz-Komponenten. So bezeichnet man u
oft als Tiefpassfilter bzw. v als Hochpassfilter. Dies erklärt die Zweckmäßigkeit der Mutter-
bzw. Vaterwavelet. Bildet man eine Basis mittels zwei Vektoren (Mutter- und Vaterwavelet),
anstelle von einen (wie im Lemma 3.0.4), so bringt dies einige Vorteile mit sich. Es gibt
dadurch weniger Einschränkungen und eine größere Vielfalt an Möglichkeiten.13
3.1 Daubechies D6 Wavelet in ZN
Wir setzten voraus, dass N > 6 eine gerade natürliche Zahl ist, und M = N/2. Zudem soll
der Vektor u ∈ (ZN ) sechs Koeffizienten ungleich 0 besitzen. Dank Lemma 3.0.7 finden wir
−1 M −1
ein v, so dass {R2k v}M
k=0 ∪ {R2k u}k=0 eine first-stage Wavelet Basis ist.
Wir betrachten vorerst die Identität der trigonometrischen Funktionen

5
πn πn

cos2 + sin2 = 1.
N N
Ausgerechnet erhalten wir dann:

πn πn πn πn πn

cos10 + 5 cos8
sin2 + 10 cos6 sin4
N N N N N
(3.9)
πn πn πn πn πn

+10 cos4 sin6 + 5 cos2 sin8 + sin10 = 1.
N N N N N
Zudem gilt
π(n + M ) πn π πn

cos = cos + = − sin
N N 2 N
π(n + M ) π

sin = cos N .
N n
13
37
Wenn wir bn und bn+M wie folgt definieren
πn πn πn πn πn

10 8
bn = cos + 5 cos sin2 + 10 cos 6
sin4
N N N N N
πn πn πn πn πn

4
bn+M = 10 cos sin6 + 5 cos 2
sin8 + sin 10
N N N N N
gilt wegen (3.9)
bn + bn+M = 1, für alle n.
Anschließend wählen wir u ∈ l2 (ZN ), so, dass |ûn |2 = 2bn und somit ist
|ûn |2 + |ûn+M |2 = 2 für alle n = 0, 1, ...., M − 1.
Unsere Konstruktion des Vektors u ist ein potentieller Wavelet Generator. Wir können bn
umschreiben als
πn πn πn πn πn

6
bn = cos cos4 + 5 cos2 sin2 + 10 sin 4
N N N N N
" √ 2
πn πn πn

= cos6 cos2 − 10 sin2
N N N
√ #
πn πn

2
+ (5 + 2 10) cos sin2
N N
Wir definieren û ∈ l2 (ZN ) durch
√ πn
−5πin/N πn 3
√
πn

ûn = 2e cos cos2 − 10 sin2
N N N
q √
πn

πn

+ i 5 + 2 10 cos sin
N N
Dann ist |ûn |2 = 2bn leicht zu überprüfen. Wenn wir die Eulersche Formel eix = cos(x) +
i sin(x) für alle x ∈ R, sowie die Doppelwinkelfunktionen anwenden, erhalten wir
!3
√ −2πi4n/N 3πin/N eπin/N + e−πin/N
1 2πn

ûn = 2e e 1 + cos
2 2 N
√ q √
10 2πn 5 + 2 10 2πn

− 1 − cos +i sin .
2 N 2 N
Um dies zu vereinfachen, wählen wir
√ √ q √
a=1− 10, b=1+ 10, c= 5 + 2 10.
38
Durch erneute Anwendung der Eulerschen Formel und Ordnen der Terme, erhalten wir
√
2 −2πi4n/N 2πin/N 3 a b 2πin/N c 2πin/N

−2πin/N −2πin/N
ûn = e (e + 1) + (e +e ) + (e −e ) .
8 2 4 4
Um die bestmögliche Lokalisierung zu erhalten, können wir u in folgender Form schreiben
u = (u0 , u1 , ..., u5 , ..., 0).
Dies impliziert
5
uk e−2πikn/N .
X
ûn =
k=0
An dieser Stelle können wir bereits überprüfen, dass

√
2
u= (b + c, 2a + 3b + 3c, 6a + 4b + 2c, 6a + 4b − 2c, 2a + 3b − 3c, b − c, 0, ..., 0).
32
Nutzt man diese Werte für 0 ≤ n ≤ 5 und setzt un = 0 für 6 ≤ n ≤ N − 1, so erhalten

wir ein u ∈ l2 (Z), so dass |ûn |2 + |ûn+m |2 = 2 gilt. Wir definieren nun v ∈ l2 (ZN ) durch
vk = (−1)k−1 u1−k für alle k, wie in Lemma 3.0.7. So folgt, dass u und v eine first-stage
Wavelet Basis in l2 (ZN ) bilden. Um dies zu verdeutlichen
v0 = −u1 v1 = u0 vN −1 = −u5
vN −3 = u4 vN −2 = −u3 vN −1 = u2
und vn = 0 für 2 ≤ n ≤ N − 4. Folglich ist
v = (−u1 , u0 , 0, ..., 0, −u5 , u4 , −u3 , u2 ).
Auch der Vektor v hat lediglich sechs Komponenten ungleich 0. Daher auch der Name D6
Wavelets.
14
14
Vgl. [ 5] Frazier. An Introduction to Wavelets Through Linear Algebra. 1999, S.238-241.
39
4 Anwendung
In diesem Kapitel betrachten wir die Vorteile der Daubechies D6 Waveletbasis, welche im
vorherigen Kapitel hergeleitet wurde. Dabei werfen wir einen Blick auf den eindimensiona-
len, sowie auf den zweidimensionalen Fall. Die Idee dieser Beispiele stammt aus dem Buch
„An Introduction to Wavelets Through Linear Algebra“ von Michael W. Fazier.
4.1 Beispiel in 1D
Die Ausgangsfunktion dieses Beispiels ist gegeben durch f (x) = sin(2π|x|0,9 ). Dabei be-
trachten wir diese Funktion für N = 512 Koeffizenten. Ziel ist es, diese Anzahl zu kom-
primieren, und dennoch eine gute Approximation der Ausgangssituation zu erhalten.
Zu Beginn definieren wir uns die Vektoren u und v, welche eine Daubechies D6 Wavletbasis
erzeugen. Anschließend erstellen wir eine Matrix („D6Base“ im Matlab-Code), dessen Ein-
träge die Koeffizienten der Vektoren u und v sind. Die D6 - Basis D6Base= d0 , ..., dN −1 ,
wobei alle dj ∈ RN , ist dann gegeben durch dj = (dj0 , ..., djN −1 ) mit djl = ul−2j und
dj+(N/2)j = vl−2j , mit 0 ≤ j < N/2 und 0 < l ≤ N .
Nach Implementierung der Ausgangsfunktion berechnen wir die Testdaten, welche die
Funktionswerte von f (x) darstellen und im Code als „testdata“ bezeichnet werden. An-
schließend betrachten wir das Skalarprodukt hD6Base, testdadai und suchen von diesen
Summanden das Maximum bezüglich den Absolutbeträgen des Minimums und Maximums
dieser Werte. Folgend wird überprüft, wie viele Summanden betragsmäßig größer als ein
beliebig gewählter Rekonstruktionskoeffizient, zum Beispiel 30%, dieses Maximums sind.
Anschließend werden all diese Werte aufsummiert und somit ist die Rekonstruktion der
Funktion abgeschlossen.
Die Implementierung in Matlab sieht wie folgt aus:
40
1 f u n c t i o n 1D
2 clc ; clear ; close all ;
3
4 % Eingabe
5 N = 512;
6 M = N/ 2 ;
7 rec_cf = 0 . 3 ;
8
9 D6Base = z e r o s (N ) ;
10 % D a u b e c h i e s D6 K o e f f i z i e n t e n d e f i n i e r e n
11 a0=1−s q r t ( 1 0 ) ;
12 b0=1+s q r t ( 1 0 ) ;
13 c0=s q r t (5+2∗ s q r t ( 1 0 ) ) ;
14
15 u0=( s q r t ( 2 ) / 3 2 ) ∗ ( b0+c0 ) ;
16 u1=( s q r t ( 2 ) / 3 2 ) ∗ ( 2 ∗ a0+3∗b0+3∗c0 ) ;
17 u2=( s q r t ( 2 ) / 3 2 ) ∗ ( 6 ∗ a0+4∗b0+2∗c0 ) ;
18 u3=( s q r t ( 2 ) / 3 2 ) ∗ ( 6 ∗ a0+4∗b0−2∗c0 ) ;
19 u4=( s q r t ( 2 ) / 3 2 ) ∗ ( 2 ∗ a0+3∗b0−3∗c0 ) ;
20 u5=( s q r t ( 2 ) / 3 2 ) ∗ ( b0−c0 ) ;
21
22 U = z e r o s ( 1 ,N ) ;
23 V = z e r o s ( 1 ,N ) ;
24
25 U(1)= u0 ;U(2)= u1 ;U(3)= u2 ;U(4)= u3 ;U(5)= u4 ;U(6)= u5 ;
26 V(1)=−u1 ;V(2)= u0 ;V(N)=u2 ;V(N−1)=−u3 ;V(N−2)=u4 ;V(N−3)=−u5 ;
27 % Es wird e i n e Matrix aus den Vektoren U und V e r s t e l l t , wobei d i e Werte immer um −2 j
28 % v e r s c h o b e n werden
29 f o r ( j = 1 :N/ 2 )
30 tmp=a r r a y S h i f t (−2∗ j ,U ) ;
31 tmp1=a r r a y S h i f t (−2∗ j ,V ) ;
32
33 D6Base ( j , : ) = tmp ;
34 D6Base (M)+ j , : ) = tmp1 ;
35 end
36
37 % Ausgangsfunktion
38 f o r ( i = 1 :N)
39 x=−2+i / 1 2 8 ;
40 t e s t d a t a ( i )= s i n ( 2 ∗ p i ∗ abs ( x ) ^ 0 . 9 ) ;
41 end
42 t = p r o c e s s F o r P l o t ( −1 ,1 ,N ) ;
43
44 % Berechnung d e r T e s t k o e f f i z i e n t e n
45 t e s t c o e f f = z e r o s ( 1 ,N ) ;
46 f o r ( i = 1 :N)
41
47 tmp = D6Base ( i , : ) ;
48 t e s t c o e f f ( i ) = dot ( tmp , t e s t d a t a ) ;
49 end
50
51 % Komprimierung und R e k o n s t r u k t i o n
52 [ t r a n s f o r m e d d a t a , k ] = r e c o n s t r u c t F u n c t i o n ( t e s t c o e f f , D6Base , r e c _ c f , N ) ;
53
54 % Z e i c h n e t d i e A u s g a n g s f u n k t i o n und d i e a n g e n a e h e r t e Funktion
55 figure
56 subplot (3 ,1 ,1);
57 plot ( t , testdata , ’r ’ );
58 x l i m ([ −1 1 ] ) ;
59 xlabel ( ’n ’ )
60 legend ( ’ testdata ’ ) ;
61
62 subplot (3 ,1 ,2);
63 plot ( t , transformeddata ) ;
64 a x i s ( [ −1 1 −1 1 ] ) ;
65 x l i m ([ −1 1 ] ) ;
66 legend ( ’ transformeddata ’ ) ;
67
68 % Z e i c h n e t b e i d e Funktionen i n einem B i l d
69 figure
70 plot ( t , testdata , t , transformeddata , ’ r ’ , ’ LineWidth ’ , 1 . 1 ) ;
71 legend ( ’ testdata ’ , ’ transformeddata ’ ) ;
72 xlabel ( ’n ’ )
73 x l i m ([ −1 1 ] ) ;
74 dim = [ . 4 5 . 0 1 . 3 .3];
75 s t r = { ’ Number o f summands : ’ , k , ’ reconstruction cf : ’ , rec_cf };
76 a n n o t a t i o n ( ’ t e x t b o x ’ , dim , ’ S t r i n g ’ , s t r , ’ FitBoxToText ’ , ’ on ’ ) ;
77
78 % V e r s c h i e b u n g d e r Werte um k
79 f u n c t i o n [ temp ] = a r r a y S h i f t ( k , a r r a y )
80 temp = a r r a y ’ ;
81 temp = c i r c s h i f t ( temp , k ) ;
82 temp = temp ’ ;
83 end
84
85 f u n c t i o n [ temp K_] = r e c o n s t r u c t F u n c t i o n ( c o e f f , D6Base , r e c _ c f , N)
86 temp = z e r o s ( 1 ,N ) ;
87 K_ = 0 ;
88 Min_=min ( c o e f f ) ;
89 Max_=max( c o e f f ) ;
90 Abs_=max( abs (Min_ ) , abs (Max_ ) ) ;
91 % Anzahl d e r Werte , w e l c h e g r . a l s ( r e c _ c f ∗100)% d e s Maximums von | Min ( c o e f f ) |
92 % und | Max( c o e f f ) | s i n d , bestimmen
42
93 f o r ( j = 1 :N)
94 i f ( abs ( c o e f f ( j )) >( r e c _ c f ∗Abs_ ) )
95 K_=K_+1;
96 end
97 end
98 end
99 % Die oben bestimmten Werte werden a ufsu mmi ert
100 f o r ( i = 1 :N)
101 xi = 0;
102 f o r ( j = 1 :N)
103 i f ( abs ( c o e f f ( j )) >( r e c _ c f ∗Abs_ ) )
104 x i = x i + c o e f f ( j ) ∗ D6Base ( j , i ) ;
105 end
106 end
107 temp ( i ) = x i ;
108 end
109 % Berechnung d e r F u n k t i o n s w e r t e
110 f u n c t i o n [ tmp ] = p r o c e s s F o r P l o t ( a , b , N)
111 tmp = z e r o s ( 1 ,N ) ;
112 tmp ( 1 ) = a ;
113 n=N;
114 f o r ( j = 2 :N)
115 tmp ( j )=a+( j / ( n −1) )∗( b−a ) ;
116 end
117 end
Dieser Code liefert folgende Ausgabe:
Abbildung 4.1:
1. Reihe: Ausgangsfunktion - 2. Reihe: komprimierte Funktion
43
Abbildung 4.2: Von 512 Koeffizienten auf 210 reduziert
4.2 Beispiel in 2D
Für ein besseres Verständnis der Anwendung im zweidimensionale Fall, benötigen wir noch
zusätzliches theoretisches Hintergrundwissen.
Definition 4.2.1 Der Vektorraum l2 (ZN × ZM ) ist definiert durch
l2 (ZN × ZM ) = {f : Z × Z → C | fi+N,j+M = fi,j für alle i, j ∈ Z}.
Zudem ist l2 (ZN × ZM ) ein Unterraum von CZ×Z .
Bemerkung: Auf l2 (ZN × ZM ) ist durch hF, Gi =

P
0≤i<N Fi,j Gi,j ein inneres Produkt
0≤j<M
definiert. Betrachte F, G, H ∈ l2 (ZN × ZM ) und λ ∈ Z
X X X
hλF + G, Hi = (λFi,j + Gi,j ) Hi,j = λ Fi,j Hi,j + Gi,j + Hi,j
0≤i<N 0≤i<N 0≤i<N
0≤j<M 0≤j<M 0≤j<M
= λhF, Hi + hG, Hi
Proposition 4.2.1 Ist {B0 , ..., BN −1 } eine Basis von l2 (ZN ) und {C0 , ..., CM −1 } eine
Basis von l2 (ZM ), so ist
{Di,j | 0 ≤ i ≤ N − 1, 0 ≤ j ≤ M − 1}
eine Basis von l2 (ZN × ZM ), wenn Di,j (k, l) = Bi (k) · Cj (l) gilt.
44
Beweis: Wir überprüfen vorerst ob Di,j ∈ l2 (ZN × ZM ) gilt. Sei
Di+N,j+M (k, l) = Bi+N (k) · Cj+M (l) = Bi (k) · Cj (l) = Di,j (k, l)
Dies gilt, da B ∈ l2 (ZN ) und somit mit der Periode N periodisch ist und C ∈ l2 (ZM ) und
somit mit der Periode M periodisch ist.
Als nächstens überprüfen wir die lineare Unabhängigkeit von {Di,j | 0 ≤ i ≤ N − 1, 0 ≤
j ≤ M − 1}. Sei
 
N
X −1 M
X −1 N
X −1 M
X −1
αi,j Di,j = 0 ⇒  αi,j Cj (m) Bi (n) = 0 für alle n und alle m.
i=0 j=0 i=0 j=0
Für ein festes m ist also

 
N
X −1 M
X −1
 αi,j Cj (m) Bi = 0
i=0 j=0
Da Bi eine Basis von l2 (ZN ) ist gilt

M
X −1 M
X −1
αi,j Cj (m) = 0 für alle i und alle m ⇔ αi,j Cj = 0 ∈ l2 (ZM ) für alle i.
j=0 j=0
Da Cj eine Basis von l2 (ZM ) ist, folgt
αi,j = 0 für alle i und alle j.
Zu guter Letzt zeigen wir, dass Di,j ein Erzeugendensystem bildet. Sei F ∈ l2 (ZN × ZM ).
Für ein festes n mit 0 ≤ n ≤ N − 1 ist Fn , definiert durch Fn (m) = F (n, m), ein Element
PM −1
aus l2 (ZM ). Also existieren eindeutig bestimmte αj (n), so dass Fn = j=0 αj (n)Cj . Da
Fn+N = Fn ist, gilt αj (n) = αj (n + N ) für alle j und alle n. Somit ist αj ∈ l2 (ZN ) für alle
PN −1
0 ≤ j ≤ M − 1. Folglich existiert αi,j ∈ C, so dass αj = i=0 αi,j Bi . Daher ist
M
X −1 N
X −1 M
X −1 N
X −1
F (n, m) = αi,j Bi (n)Cj (m) = αi,j Di,j (n, m)
j=0 i=0 j=0 i=0

Bemerkung: Wir wissen nun, dass Di,j eine Basis von l2 (ZN × ZM ) ist. Dies impliziert:
dim(l2 (ZN × ZM )) = N · M .
Proposition 4.2.2 Sei {B0 , ..., BN −1 } eine Orthonormalbasis von l2 (ZN ) und {C0 , ..., CM −1 }
eine Orthonormalbasis von l2 (ZM ). Dann ist
{Di,j | 0 ≤ i − 1, 0 ≤ j − 1}
eine Orthonormalbasis von l2 (ZN × ZM ).
45


1,
 falls (i, j) = (k, l)
Beweis: Ziel ist es hDi,j , Dk,l i = δ(i,j),(k,l) = zu zeigen.

0,

falls (i, j) 6= (k, l)
X X
hDi,j , Dk,l i = Di,j (u, v)Dk,l (u, v) = Bi (u)Bk (u) Cj (v)Cl (v)
0≤i,k<N 0≤i,k<N
0≤j,l<M 0≤j,l<M
 
X X
=  Cj (v)Cl (v) Bi (u)Bk (u)
0≤i,k<N 0≤j,l<M
X X
= hCj , Cl i Bi (u)Bk (u) = hCj , Cl i Bi (u)Bk (u)
0≤i,k<N 0≤i,k≤N −1


1,
 falls j = l und i = k
= hCj , Cl i hBi , Bk i = δj,l δi,k =

0,

falls j 6= l oder i 6= k.

Für das Beispiel in 2D gehen wir anfangs gleich wie im eindimensionalen Fall vor. Wir
definieren uns Matrizen Di,j ∈ RN ×N , so dass (Di,j )u,v = diu · djv , wobei di bzw. dj wie im
eindimensionalen Fall gemeint sind. Danach ordnen wir der Matrix A ∈ RN ×N mit A =
γi,j Di,j mit γi,j = hA, Di,j i =
P
(au,v )0≤u,v<N ein quadratisches Bild zu. So ist A = 0≤i,j<N
P
0≤c,d<N au,v (Di,j )u,v . Dabei wird die Matrix Di,j mit der Funktion „createD62D“ gebildet.
Hierbei werden alle Einträge zweier ausgewählter Zeilen der D6Basis jeweils miteinander
multipliziert. Die dabei enstandenen Produkte repräsentieren die Einträge der neuen N ×N -
Matrix. Mit der Funktion „Coordinates“ werden die Koeffizienten von γi,j berechnet.
Anschließend wählen wir einen Rekonstruktionskoeffizienten „rec_cf “ zwischen 0 und 1
und suchen das Maximum µ := max0≤i,j<N|γi,j | auf. Eine Näherung für A ist gegeben
|γi,j | < rec_cf · µ

0,

durch A∗ = ∗ D , wobei γ ∗ =
P
0≤i,j<N γi,j i,j i,j . Das bedeutet,

γi,j

|γi,j | ≥ rec_cf · µ
die Annährung für A ist dann:
A∗ =
X
γi,j Di,j mit I = {(i, j) | |γi,j | ≥ rec_cf · µ}.
(i,j)∈I
∗ , welche kleiner als rec_cf · µ sind 0

Die Kompression geschieht hier, indem wir alle γi,j
setzten. (Diese Operationen werden in der Hilfsfunktion „Coord2Matrix“ durchgeführt.)
Die Implementierung in Matlab sieht wie folgt aus:
46
1 f u n c t i o n 2D
2 clc ; clear ; close all ;
3
4 % Eingabe
5 N = 32;
6 M = N/ 2 ;
7 rec_cf = 0 . 2 ;
8
9 D6Base = z e r o s (N ) ;
10
11 a0=1−s q r t ( 1 0 ) ;
12 b0=1+s q r t ( 1 0 ) ;
13 c0=s q r t (5+2∗ s q r t ( 1 0 ) ) ;
14
15 u0=( s q r t ( 2 ) / 3 2 ) ∗ ( b0+c0 ) ;
16 u1=( s q r t ( 2 ) / 3 2 ) ∗ ( 2 ∗ a0+3∗b0+3∗c0 ) ;
17 u2=( s q r t ( 2 ) / 3 2 ) ∗ ( 6 ∗ a0+4∗b0+2∗c0 ) ;
18 u3=( s q r t ( 2 ) / 3 2 ) ∗ ( 6 ∗ a0+4∗b0−2∗c0 ) ;
19 u4=( s q r t ( 2 ) / 3 2 ) ∗ ( 2 ∗ a0+3∗b0−3∗c0 ) ;
20 u5=( s q r t ( 2 ) / 3 2 ) ∗ ( b0−c0 ) ;
21
22 U = z e r o s ( 1 ,N ) ;
23 V = z e r o s ( 1 ,N ) ;
24
25 U(1)= u0 ;U(2)= u1 ;U(3)= u2 ;U(4)= u3 ;U(5)= u4 ;U(6)= u5 ;
26 V(1)=−u1 ;V(2)= u0 ;V(N)=u2 ;V(N−1)=−u3 ;V(N−2)=u4 ;V(N−3)=−u5 ;
27
28 f o r ( j = 1 :N/ 2 )
29 tmp=a r r a y S h i f t (−2∗ j ,U ) ;
30 tmp1=a r r a y S h i f t (−2∗ j ,V ) ;
31
32 D6Base ( j , : ) = tmp ;
33 D6Base (M)+ j , : ) = tmp1 ;
34 end
35
36 % E r s t e l l t e i n B i l d mit u n t e r s c h i e d l i c h e n Grauwerten
37 f o r ( i = 1 :N)
38 f o r ( j =1:N)
39 A( i , j )=1+ c o s (−1+2∗ i /N)+ s i n (−1+2∗ j /N ) ;
40 end
41 end
42 B = A;
43
44 % Kompression und R e k o n s t r u k t i o n
45 c = Coord2Matrix ( C o o r d i n a t e s (B, D6Base ,N) , r e c _ c f , D6Base ,N ) ;
46
47
47 % Zeichnen der B i l d e r
48 figure
49 subplot (1 ,2 ,1)
50 imshow (B , [ ] )
51 subplot (1 ,2 ,2)
52 imshow ( c , [ ] )
53 % V e r s c h i e b u n g d e r Werte um k
54 f u n c t i o n [ temp ] = a r r a y S h i f t ( k , a r r a y )
55 temp = a r r a y ’ ;
56 temp = c i r c s h i f t ( temp , k ) ;
57 temp = temp ’ ;
58 end
59 % a l l e E i n t r a e g e z w e i e r a u s g e w a e h l t e r Z e i l e n werden j e w e i l s m i t e i n a n d e r m u l t i p l i z i e r t
60 % d i e e n s t a n d e n e n Produkte r e p r a e s e n t i e r e n d i e E i n t r a e g e d e r neuen Matrix
61 f u n c t i o n [ tmp ] = createD62D ( i 0 , j 0 , D6Base , N)
62 tmp = z e r o s (N ) ;
63 f o r ( i = 1 :N)
64 f o r ( j =1:N)
65 tmp ( i , j )=( D6Base ( i 0 , i ) ) ∗ ( D6Base ( j 0 , j ) ) ;
66 end
67 end
68 end
69 % d i e e i n z e l n e n Z e i l e n d e r Matrix werden i n einem Vektor h i n t e r e i n a n d e r g e r e i h t
70 f u n c t i o n [ tmp ] = d o t M a t r i x (A, B, N)
71 helpA = A ( 1 , : ) ;
72 helpB = B ( 1 , : ) ;
73
74 f o r ( i = 2 :N)
75 helpA = [ helpA A( i , : ) ] ;
76 helpB = [ helpB B( i , : ) ] ;
77 end
78 tmp = dot ( helpA , helpB ) ;
79 end
80 % b e r e c h n e t das S k a l a r p r o d u k t z w e i e r M a t r i z e n
81 f u n c t i o n [ tmp ] = C o o r d i n a t e s (A, D6Base ,N)
82 tmp = z e r o s (N ) ;
83 f o r ( i = 1 :N)
84 f o r ( j =1:N)
85 tmp ( i , j )= d o t M a t r i x (A, createD62D ( i , j , D6Base ,N) , N ) ;
86 end
87 end
88 end
89
90 f u n c t i o n [ Coordtmp ] = Coord2Matrix ( Coord , r e c _ c f , D6Base , N)
91 Min_= min ( Coord ( : ) ) ;
92 Max_= max( Coord ( : ) ) ;
48
93 K_= max( abs (Min_ ) , abs (Max_ ) ) ;
94 Coordmod = z e r o s (N ) ;
95 Coordmod = Coord ;
96 % Werte , w e l c h e k l e i n e r a l s ( r e c _ c f ∗100)% d e s Maximums von | Min ( Coord ) | und
97 % | Max( Coord ) | s i n d bestimmen und 0 s e t z t e n
98 f o r ( i = 1 :N)
99 f o r ( j =1:N)
100 i f ( abs ( Coord ( i , j )) <( r e c _ c f ∗K_) )
101 Coordmod ( i , j ) = 0 ;
102 end
103 end
104 end
105 Coordtmp = z e r o s (N ) ;
106 f o r ( u = 1 :N)
107 f o r ( v = 1 :N)
108 tmp = z e r o s (N ) ;
109 f o r ( i = 1 :N)
110 f o r ( j =1:N)
111 h e l p = createD62D ( i , j , D6Base ,N ) ;
112 tmp ( i , j ) = h e l p ( u , v ) ;
113 end
114 end
115 Coordtmp ( u , v ) = d o t M a t r i x ( Coordmod , tmp , N ) ;
116 end
117 end
118 end
Dieser Code bringt uns folgende Ausgabe:
49
Abbildung 4.3: links: Ausgangsbild - rechts: komprimiertes Bild
Man kann dies auf jedes beliebige Bild anwenden. Betrachten wir das Bild in Abbildung
4.4. Folgender Code ermöglicht die Konvertierung eines beliebigen Farbbildes zu einem
Graufarbenbild. Auf dessen Basis kann der Algorithmus zur Datenkompression angewandt
werden.
1 A = imread ( ’ s m i l y . j p g ’ ) ;
2 [ X, map ] = g r a y 2 i n d (A, 6 4 ) ;
3 A = i m 2 s i n g l e (X( : , : , 1 ) ) ;
4 F i g u r e imshow (A , [ ]);
„Imread“ ermöglicht es, ein Bild mit einem beliebigen Format als multidimensionales Array
mit uint8 Zahlenwerten zu importieren, wobei die Dimensionen des Arrays vom Bildformat
abhängig sind. Der Befehl „gray2ind(A,n)“ erzeugt aus einem Intensitätsbild A ein indizier-
tes Bild X mit n Grauwerten. Der Befehl „im2single(X,(: , : , 1))“ konvertiert die uint8
Zahlenwerte in Single Werte, welche mit „imshow“ ausgegeben bzw. visuallisiert werden.
Abbildung 4.4: Ausgangsbild
50
Abbildung 4.5:
links: Ausgangsbild in Grautönen - rechts: komprimiertes Bild
51
5 Resümee
Ziel dieser vorliegenden Arbeit war es, eine räumlich lokalisierte Waveletbasis zu ermitteln
und ihre Vorteile darzulegen. Zu diesem Zweck wurden vorerst wichtige mathematische
Begriffe, welche für den Aufbau einer Waveletbasis notwendig sind, dargelegt. Was die
Fouriertransformation betrifft, so konnte gezeigt werden, dass durch eine Translation ei-
nes einzigen Vektors a, die Änderung der euklidischen Basis E, zu einer gesuchten Basis
B zwar schnell berechnet werden kann, diese aber nicht die gewünschten Eigenschaften
hat. Grund dafür ist, dass die Fourierbasis nicht räumlich lokalisiert ist. Folglich wurde
eine Orthonormalbasis mittels zwei Vektoren u und v definiert. Mit den Eigenschaften
|ûn |2 + |ûn+m |2 = 2 und |v̂n |2 + |v̂n+m |2 = 2, sowie ûn v̂n + ûn+m v̂n+m = 0, repräsentiert dies
eine Waveletbasis. Zusätzlich konnte gezeigt werden, dass man einen der beiden Vektoren
durch den anderen mittels vk = (−1)k−1 u1−k darstellen kann. Was das Auffinden einer
Waveletbasis betrifft, so wurde durch die Herleitung der Daubechies D6 Waveletbasis eine
Anwendung der dargelegten Theorie geboten. Mittels der Beispiele im eindimensionalen
und zweidimensionalen Fall, konnte festgestellt werden, dass eine Komprimierung mit Hilfe
einer Waveletbasis schnell und effizient ist. Dies zeigt, dass das Ziel dieser Arbeit erreicht
wurde.
Diese Arbeit beschäftigt sich in erster Linie mit dem Raum l2 (ZN ), da der Hintergrund der
Wavelettransformation in ZN leicht übermittelt werden kann. Überdies wäre es interessant,
die dargelegte Theorie im Raum der reellen Zahlen zu betrachten. Ein Vorteil wäre, dass die
Multiskalenanalyse in R zur Anwendung kommt. Die Multiskalenanalysie ist ein Verfahren,
welches die Approximationseigenschaften der Wavelettransformation beschreibt. Zudem
veranschaulicht sie die Möglichkeit des Algorithmus der schnellen Wavelettransformation,
was in einigen Kompressionsverfahren genützt wird.
Insgesamt konnte durch diese Arbeit bestätigt werden, dass man mit Hilfe der Wavelettrans-
formation eine schnelle und effiziente Kompression von Daten erhält.
52
Literatur
[1] Jöran Bergh, Fredrik Ekstedt und Martin Lindberg. Wavelets mit Anwendungen in
Signal- und Bildverarbeitung. Berlin Heidelberg New York: Springer-Verlag, 1999.
[2] Christian Blatter. Wavelets - Eine Einführung. url: https://people.math.ethz.

ch/~blatter/Wavelets.pdf.
[3] Kristian Bredies und Dirk Lorenz. Mathematische Bildverarbeitung. Einführung in

Grundlagen und moderne Theorie. 1. Auflage. Berlin: Vieweg + Teubner Verlag, 2011.
[4] G. Desch. Lineare Algebra. Vorlesungsskript zur Linearen Algebra I und II. Graz:
Institut für Mathematik und wissenschaftliches Rechnen, Karl-Franzens-Universität,
2013.
[5] W. Michael Frazier. An Introduction to Wavelets Through Linear Algebra. New York:
Springer-Verlag, 1999.
[6] Alberto Debernardi Pinos. Discrete Wavelets on ZN . 2014. url: http://www.maia.

ub.es/~soria/TFM-Alberto.pdf.
[7] The Discrete Fourier Transform. url: http://web.abo.fi/fak/mnf/mate/kurser/

fourieranalys/chap5.pdf.
Abbildungsverzeichnis
4.1 1. Reihe: Ausgangsfunktion - 2. Reihe: komprimierte Funktion . . . . . . . 43

4.2 Von 512 Koeffizienten auf 210 reduziert . . . . . . . . . . . . . . . . . . . . 44
4.3 links: Ausgangsbild - rechts: komprimiertes Bild . . . . . . . . . . . . . . . . 50
4.4 Ausgangsbild . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.5 links: Ausgangsbild in Grautönen - rechts: komprimiertes Bild . . . . . . . . 51
53

Anwendung Von Methoden Der Linearen Algebra Auf Die Bildbearbeitung

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Anwendung Von Methoden Der Linearen Algebra Auf Die Bildbearbeitung

Hochgeladen von

Copyright:

Verfügbare Formate

Anwendung von Methoden der Linearen Algebra

auf die Bildbearbeitung

zur Erlangung des akademischen Grades

an der Karl-Franzens-Universität Graz

am Institut für Mathematik und Wissenschaftliches Rechnen

Begutachter: Ao.Univ.-Prof.i.R. Dr.phil. Jens Schwaiger

............... ............... ........................

Die vorliegende Diplomarbeit wendet sich an Leser mit mathematischen Vorkenntnis-

3 Aufbau von Wavelets in ZN 28

Die Fouriertransformation, sowie die Wavelettransformation, beschäftigen sich mit Si-

Zum Inhalt Diese Diplomarbeit erläutert Grundlagen der Wavelettransformation in

• (V, ⊕) ist eine abelsche Gruppe

• ∀α, β ∈ K, v ∈ V : (αβ) v = α(β v).

• Es gelten die Distributivgesetze, also ∀α, β ∈ K, v, w ∈ V :

• Für das Einselement 1 des Körpers gilt ∀v ∈ V : 1 v = v.

heißt Sesquilinearform, wenn gilt: hλa + µb, ci = λha, ci + µhb, ci

(a) hermitesch, wenn gilt: ha, bi = hb, ai

(b) positiv definit, wenn gilt: ha, ai ≥ 0 und ha, ai = 0 ⇔ a = 0

mit folgenden Eigenschaften.

(2) Homogeniät: Für alle a ∈ V und alle λ ∈ K gilt kλak = |λ|kak.

(3) Dreiecksungleichung: Für alle a, b ∈ V gilt ka + bk ≤ kak + kbk.

2.1 Raum l2 (ZN )

Definition 2.1.1 Der Vektorraum l2 (ZN ) definiert durch

l2 (ZN ) := {(an )n∈Z | an ∈ C , an+N = an ∀n ∈ Z}

Beweis: Seien a, b, c ∈ l2 (ZN ) und λ ∈ C.

= |a0 |2 + |a1 |2 + ... + |aN −1 |2 ≥ 0

(1) U ist nicht leer.

(2) Sind u, v ∈ U und λ, µ ∈ K, so ist auch λu + µv ∈ U .3

(1) (b1 , b2 , ..., bn ) sind linear unabhängig.

(2) (b1 , b2 , ..., bn ) ist ein Erzeugendensystem von l2 (ZN ).

ϕ(λa + b) = ϕ((λ0 a0 + b0 , λ1 a1 + b1 , ..., λN −1 aN −1 + bN −1 ))

= ϕ((λ0 a0 , ..., λN −1 aN −1 ) + (b0 , ..., bN −1 ))

= ϕ((λ0 a0 , ..., λN −1 aN −1 )) + ϕ((b0 , ..., bN −1 ))

= λϕ((a0 , ..., aN −1 )) + ϕ((b0 , ..., bN −1 ))

Proposition 2.1.3 Da CN mit ha, bi =

Beweis: Es sei ϕ((u0 , ..., uN −1 )) = (u0 , u1 , ..., uN −1 , u0 , ..., uN −1 , ...) und

u = (u0 , ..., uN −1 , u0 , ..., uN −1 , ...) und v = (v0 , ..., vN −1 , v0 , ..., vN −1 , ...).

hu, vi = hϕ1 (u), ϕ−1 (v)iCN .

ϕ−1 (u) = (u0 , ..., uN −1 ) und ϕ−1 (v) = (v0 , ..., vN −1 ).

Definition 2.1.6 Sei a ∈ l2 (ZN ). Für m ∈ Z definiere â ∈ CZ durch

Dies gilt, da der Faktor e−2πin = cos(−2πn) + i sin(−2πn) = 1 ist.

Definition 2.1.8 Sei a ∈ l2 (ZN ). Für n ∈ Z definiere ǎ ∈ CN durch

Proposition 2.1.4 (Umkehrung der Fouriertransformation in l2 (ZN ))

In der Umsetzung erfordert die Wavelettransformation ein paar einfache Rechenschritte,

für alle m ∈ Z.6

Beispiel Seien a = (2, 1, 0, 2) und b = (2i, 0, 1, i) Vektoren in l2 (Z4 )

= a0 b0 + a−1 b1 + a−2 b2 + a−3 b3

a ∗ b = (5i, 2 + 2i, 2 + 2i, 1 + 5i)

(a ∗ b)ˆm = âm b̂m .

Beweis: Nach Definition gilt

Setzt man dies ein, so ergibt sich

Definition 2.1.10 Sei f ∈ l2 (ZN ). Definiere Tf : l2 (ZN ) → l2 (ZN ) durch

Definition 2.1.11 Sei m ∈ l2 (ZN ). Definiere T(m) : l2 (ZN ) → l2 (ZN ) durch

T(m) (b) = (mb̂)ˇ.

für alle n ∈ Z. So nennt man ã die konjugierte Spiegelung von a.10

Definition 2.1.13 Sei a ∈ l2 (ZN ) und k ∈ Z. Definiere

(Rk a)n = an−k

Rk (λa + b)n = (λa + b)n−k = (λa)n−k + (b)n−k = λ(a)n−k + (b)n−k

= λRk (a)n + Rk (b)n

Lemma 2.1.6 Sei a ∈ l2 (ZN ) und k ∈ Z. Dann gilt

Beweis: Für k ≤ l ≤ k + N − 1 sei l = rl + kl N mit 0 ≤ rl < N (Division mit Rest). Dann

Satz 2.1.1 Sei a ∈ l2 (ZN ) und k ∈ Z. Für alle m ∈ Z gilt dann

(Rk a)ˆm = e−2πimk/N âm .