Wavelet khác gì so với biến đổi Fourier truyền thống?

Biến đổi Fourier chỉ cung cấp thông tin phổ tần số trên toàn bộ miền thời gian mà không định vị được thời điểm xuất hiện của các tần số. Ngược lại, phân tích wavelet sử dụng các hàm sóng có độ dài hữu hạn co giãn đa quy mô, cho phép định vị đồng thời cả thời gian và tần số của các biến đổi đột ngột trong tín hiệu phi dừng.

Phân tích đa độ phân giải (MRA) trong wavelet là gì?

Phân tích đa độ phân giải MRA là khung lý thuyết toán học phân rã không gian tín hiệu thành chuỗi các không gian con xấp xỉ lồng nhau. Mỗi mức phân giải gồm một phần xấp xỉ tần số thấp do hàm tỉ lệ đảm nhiệm và phần chi tiết tần số cao do hàm wavelet trích xuất.

Làm thế nào để chọn họ wavelet phù hợp cho bài toán xử lý tín hiệu?

Việc chọn họ wavelet phụ thuộc vào đặc tính tín hiệu và mục tiêu xử lý: họ Haar phù hợp với tín hiệu có bước nhảy nhọn; họ Daubechies và Symlet tối ưu cho xử lý ảnh và khử nhiễu nhờ giá mang compact và số mômen triệt tiêu cao; trong khi wavelet Morlet thích hợp cho phân tích phổ thời gian-tần số liên tục của chuỗi thời gian khí tượng và y sinh.

Phương pháp khử nhiễu bằng ngưỡng wavelet hoạt động như thế nào?

Khử nhiễu wavelet dựa trên nguyên lý tập trung năng lượng: tín hiệu hữu ích tập trung vào một số ít hệ số wavelet biên độ lớn, còn nhiễu phân bố đều với biên độ nhỏ. Bằng cách áp dụng hàm ngưỡng mềm lên các hệ số chi tiết rồi biến đổi ngược, tín hiệu được làm sạch mà vẫn bảo toàn các cạnh và điểm dị biệt.

Phân tích wavelet là gì? Nguyên lý và ứng dụng

Phân tích wavelet là một phương pháp toán học dùng để biểu diễn và biến đổi tín hiệu từ miền thời gian sang miền thời gian-tần số bằng cách phân tích tín hiệu dựa trên các hàm sóng cơ sở có độ dài hữu hạn được gọi là wavelet. Không giống như các phương pháp biến đổi truyền thống chỉ biểu diễn tín hiệu trên một miền duy nhất, phương pháp này cho phép định vị đồng thời cả vị trí không-thời gian và tần số của các thành phần dao động trong tín hiệu. Kỹ thuật này đóng vai trò quan trọng trong việc xử lý các tín hiệu phi dừng, nhận dạng mẫu, khử nhiễu và nén dữ liệu số trong khoa học tự nhiên lẫn kỹ thuật.

Bản chất toán học và sự hình thành của phân tích wavelet

Trong phân tích tín hiệu cổ điển, biến đổi Fourier biểu diễn tín hiệu qua tích phân với các hàm sóng sin và cosin có giá mang vô hạn. Cách tiếp cận này giả định tín hiệu là dừng theo thời gian, khiến thông tin về thời điểm xuất hiện của các biến đổi đột ngột hoặc các tần số tức thời bị phân tán trên toàn bộ trục thời gian. Nhằm khắc phục hạn chế trên, biến đổi Fourier thời gian ngắn (short-time Fourier transform, STFT) sử dụng một hàm cửa sổ trượt có độ rộng cố định để phân tích từng đoạn tín hiệu. Tuy nhiên, theo nguyên lý bất định Heisenberg-Gabor, tích độ phân giải thời gian và độ phân giải tần số bị chặn dưới bởi một hằng số, nghĩa là việc chọn một cửa sổ cố định trong STFT không thể tối ưu hóa đồng thời cho cả vùng tần số thấp lẫn vùng tần số cao.

Khái niệm wavelet được đề xuất nhằm tạo ra một cửa sổ phân tích có khả năng tự động co giãn kích thước theo tần số. Theo công trình nền tảng của Grossmann và Morlet (1984), biến đổi wavelet được xây dựng từ một hàm sóng cơ sở gọi là wavelet mẹ (mother wavelet), ký hiệu là $\psi(t)$ , thỏa mãn điều kiện tích phân bình phương khả tích và điều kiện chấp nhận được (admissibility condition):

C_\psi = \int_{-\infty}^{\infty} \frac{|\hat{\psi}(\omega)|^2}{|\omega|} d\omega < \infty

Trong đó, $\hat{\psi}(\omega)$ là biến đổi Fourier của hàm wavelet mẹ $\psi(t)$ , và $\omega$ là tần số góc. Điều kiện này hàm ý rằng giá trị trung bình theo thời gian của wavelet mẹ phải triệt tiêu, tức là:

\int_{-\infty}^{\infty} \psi(t) dt = 0

Từ hàm wavelet mẹ $\psi(t)$ , một họ các hàm wavelet con được sinh ra thông qua hai tham số biến đổi: tham số tỉ lệ $a$ (với $a > 0$ ) điều khiển độ co giãn, và tham số dịch chuyển $b$ (với $b \in \mathbb{R}$ ) điều khiển vị trí dịch chuyển theo thời gian:

\psi_{a,b}(t) = \frac{1}{\sqrt{a}} \psi\left(\frac{t - b}{a}\right)

Hệ số chuẩn hóa $\frac{1}{\sqrt{a}}$ đảm bảo năng lượng của hàm wavelet không đổi trên mọi tỉ lệ biến đổi.

So sánh biến đổi Wavelet với các phương pháp phân tích miền tần số

Để hiểu rõ ưu thế của phân tích wavelet trong việc xử lý các dạng dữ liệu phức tạp, bảng so sánh dưới đây tổng hợp các đặc tính kỹ thuật cốt lõi giữa biến đổi Fourier liên tục, biến đổi Fourier thời gian ngắn và biến đổi wavelet:

Đặc tính kỹ thuật	Biến đổi Fourier (FT)	Biến đổi Fourier thời gian ngắn (STFT)	Biến đổi Wavelet (WT)
Hàm cơ sở	Sóng sin và cosin có giá mang vô hạn	Sóng sin điều chế bằng cửa sổ thời gian cố định	Wavelet có giá mang hữu hạn, co giãn đa quy mô
Biểu diễn miền	Miền tần số thuần túy	Miền thời gian - tần số với lưới ô chữ nhật cố định	Miền thời gian - quy mô / thời gian - tần số đa phân giải
Độ phân giải thời gian	Không có khả năng định vị thời gian	Cố định trên toàn bộ phổ tần số	Tốt ở tần số cao (cửa sổ thời gian hẹp)
Độ phân giải tần số	Tối ưu cho toàn dải phổ	Cố định trên toàn bộ phổ tần số	Tốt ở tần số thấp (cửa sổ thời gian rộng)
Loại tín hiệu thích hợp	Tín hiệu dừng tuần hoàn hoàn toàn	Tín hiệu gần dừng (quasistationary)	Tín hiệu phi dừng, có đột biến hoặc chuyển tiếp nhanh

Biến đổi Wavelet liên tục và Biến đổi Wavelet rời rạc

Phân tích wavelet được phân chia thành hai phương thức tính toán chính tùy thuộc vào bản chất của các tham số tỉ lệ và dịch chuyển:

1. Biến đổi Wavelet liên tục

Biến đổi wavelet liên tục (continuous wavelet transform, CWT) cho phép các tham số $a$ và $b$ biến thiên liên tục trên tập số thực. Tích phân biến đổi của tín hiệu $x(t)$ được định nghĩa như sau:

X_{w}(a, b) = \int_{-\infty}^{\infty} x(t) \psi_{a,b}^*(t) dt = \frac{1}{\sqrt{a}} \int_{-\infty}^{\infty} x(t) \psi^*\left(\frac{t - b}{a}\right) dt

Trong đó, ký hiệu dấu hoa thị $*$ biểu thị phép liên hợp phức. Theo Torrence và Compo (1998), CWT là công cụ trực quan và mạnh mẽ nhất để lập bản đồ phổ năng lượng thời gian-tần số (scalogram) của các chuỗi thời gian địa vật lý, khí hậu và y sinh học, giúp phát hiện chu kỳ dao động và các hiện tượng chuyển tiếp bất thường.

2. Biến đổi Wavelet rời rạc

Trong tính toán số và xử lý tín hiệu số thực nghiệm, việc tính toán liên tục dẫn đến sự dư thừa thông tin và chi phí tính toán lớn. Biến đổi wavelet rời rạc (discrete wavelet transform, DWT) lấy mẫu các tham số $a$ và $b$ theo dạng lưới nhị phân (dyadic sampling):

a = 2^j, \quad b = k 2^j \quad (j, k \in \mathbb{Z})

Khi đó, họ hàm wavelet rời rạc được viết dưới dạng:

\psi_{j,k}(t) = 2^{-j/2} \psi(2^{-j}t - k)

Trong đó, $j$ là chỉ số mức phân giải tỉ lệ và $k$ là chỉ số dịch chuyển vị trí không gian-thời gian.

Phân tích đa độ phân giải và Thuật toán hình tháp Mallat

Một bước đột phá lý thuyết đưa phân tích wavelet vào thực tiễn kỹ thuật là khung lý thuyết phân tích đa độ phân giải (multiresolution analysis, MRA) do Stephane Mallat (1989) phát triển. Khung lý thuyết MRA định nghĩa một chuỗi các không gian con đóng lồng nhau trong không gian hàm khả tích bình phương $L^2(\mathbb{R})$ :

\{0\} \subset \dots \subset V_2 \subset V_1 \subset V_0 \subset V_{-1} \subset V_{-2} \subset \dots \subset L^2(\mathbb{R})

Mỗi không gian xấp xỉ $V_j$ được sinh bởi phép tịnh tiến của hàm tỉ lệ (scaling function) $\phi(t)$ . Phần bù trực giao của không gian $V_j$ trong không gian $V_{j-1}$ chính là không gian chi tiết $W_j$ , sao cho:

V_{j-1} = V_j \oplus W_j

Không gian $W_j$ được sinh bởi phép tịnh tiến của hàm wavelet $\psi(t)$ . Dựa trên cấu trúc MRA, Mallat (1989) đã đề xuất thuật toán hình tháp sử dụng cặp ngân hàng bộ lọc trực giao liên hợp:

Bộ lọc thông thấp (low-pass filter) $h[n]$ : Tính toán các hệ số xấp xỉ biểu diễn xu hướng chung và thành phần tần số thấp của tín hiệu.
Bộ lọc thông cao (high-pass filter) $g[n]$ : Tính toán các hệ số chi tiết biểu diễn các biến thiên nhanh và thành phần tần số cao của tín hiệu.
Phép giảm mẫu (downsampling by 2): Loại bỏ một nửa số mẫu sau mỗi tầng lọc để duy trì tổng số mẫu dữ liệu không đổi, tạo nên thuật toán phân tích nhanh với độ phức tạp tính toán tuyến tính $O(N)$ .

Các họ Wavelet thông dụng và tiêu chí lựa chọn

Tùy thuộc vào đặc tính đối xứng, độ dài giá mang và số mômen triệt tiêu (vanishing moments), nhiều họ wavelet khác nhau đã được thiết kế cho các bài toán chuyên biệt:

Họ Wavelet Haar: Là dạng wavelet trực chuẩn đơn giản nhất ra đời bởi Alfréd Haar (1910), có dạng hàm bước gián đoạn. Tuy có giá mang hẹp nhất nhưng tính khả vi kém, chỉ thích hợp cho việc phát hiện các bước nhảy biên cạnh nhọn trong tín hiệu.
Họ Wavelet Daubechies (dbN): Được phát triển bởi Ingrid Daubechies (1988), đây là họ wavelet trực chuẩn có giá mang compact với số mômen triệt tiêu xác định trước bằng $N$ . Họ này có độ trơn tăng dần theo bậc $N$ và được sử dụng rộng rãi nhất trong xử lý tín hiệu và ảnh số.
Họ Wavelet Symlet (symN): Biến thể sửa đổi từ Daubechies nhằm đạt tính gần đối xứng nhất có thể, giúp hạn chế sự méo pha trong các thuật toán lọc số.
Họ Wavelet Coiflet (coifN): Được thiết kế để cả hàm tỉ lệ lẫn hàm wavelet đều có các mômen triệt tiêu, tối ưu cho việc xấp xỉ hàm đa thức trơn.
Wavelet Morlet và Mexican Hat: Các hàm wavelet phức và thực liên tục, thường dùng trong biến đổi CWT để phân tích phổ chuỗi thời gian tự nhiên và tín hiệu điện sinh học.

Khử nhiễu và nén tín hiệu dựa trên Wavelet

Một trong những thành tựu nổi bật nhất của phân tích wavelet là phương pháp ước lượng và lọc nhiễu không tham số do David Donoho (1995) công bố. Nguyên lý khử nhiễu wavelet dựa trên tính chất tập trung năng lượng: tín hiệu hữu ích thường tập trung vào một số ít hệ số wavelet có biên độ lớn, trong khi nhiễu trắng ngẫu nhiên phân bố đều trên tất cả các hệ số với biên độ nhỏ.

Thuật toán khử nhiễu tiêu chuẩn gồm ba bước:

Thực hiện biến đổi DWT trên tín hiệu quan sát bị nhiễm nhiễu để thu được tập hệ số wavelet.
Áp dụng hàm ngưỡng lên các hệ số chi tiết. Donoho (1995) đã đề xuất quy tắc ngưỡng mềm (soft-thresholding) với ngưỡng phổ quát $\lambda = \sigma \sqrt{2 \ln N}$ , trong đó $\sigma$ là độ lệch chuẩn của nhiễu và $N$ là độ dài chuỗi tín hiệu:
$\eta_{\text{soft}}(w, \lambda) = \text{sgn}(w) \max(|w| - \lambda, 0)$
Thực hiện biến đổi DWT ngược (inverse DWT) từ các hệ số đã xử lý để tái cấu trúc tín hiệu đã làm sạch.

Donoho (1995) chứng minh rằng phương pháp ngưỡng mềm wavelet đạt tốc độ hội tụ tiệm cận tối ưu minimax trên một dải rộng các không gian hàm trơn Besov, vượt trội hơn các bộ lọc tuyến tính truyền thống trong việc bảo toàn các cạnh và điểm dị biệt của tín hiệu.

Ứng dụng thực tiễn trong khoa học và công nghệ

Nhờ khả năng phân tích đa quy mô linh hoạt, phân tích wavelet được ứng dụng sâu rộng trong nhiều lĩnh vực khoa học và kỹ thuật:

Chuẩn nén ảnh số và video: Chuẩn nén ảnh JPEG 2000 sử dụng biến đổi wavelet rời rạc hai chiều với cặp bộ lọc lưỡng trực giao Cohen-Daubechies-Feauveau (CDF 9/7 cho nén có tổn hao và Le Gall 5/3 cho nén không tổn hao) thay thế cho biến đổi cosin rời rạc (DCT), loại bỏ hoàn toàn hiệu ứng phân khối ở tỉ số nén cao.
Phân tích tín hiệu y sinh: Tách sóng, nhận dạng các phức bộ QRS trong điện tâm đồ (ECG), phân lập các nhịp sóng delta, theta, alpha, beta trong điện não đồ (EEG) nhằm hỗ trợ chẩn đoán tự động bệnh lý tim mạch và động kinh.
Khí tượng thủy văn và biến đổi khí hậu: Phân tích các chu kỳ dao động mùa, chu kỳ El Niño - Dao động Nam bán cầu (ENSO), và dự báo lưu lượng dòng chảy lũ lụt từ dữ liệu quan trắc chuỗi thời gian nhiều năm.
Địa chấn học và thăm dò địa vật lý: Tách lọc sóng phản xạ địa chấn tầng sâu, phát hiện vết nứt đứt gãy địa chất trong công tác thăm dò dầu khí và cảnh báo sớm động đất.

Hạn chế và các hướng phát triển nâng cao

Mặc dù sở hữu nhiều ưu điểm vượt trội, biến đổi wavelet rời rạc cổ điển vẫn tồn tại một số nhược điểm kỹ thuật nhất định:

Tính nhạy cảm với dịch chuyển (shift sensitivity): Do quá trình giảm mẫu (downsampling) ở mỗi tầng phân tích, một phép dịch chuyển nhỏ của tín hiệu đầu vào có thể làm phân bố năng lượng giữa các hệ số wavelet tại các mức phân giải bị thay đổi đáng kể.
Khả năng định hướng hạn chế trong không gian nhiều chiều: Biến đổi DWT hai chiều tiêu chuẩn chỉ tách được ba hướng phân tích chính (ngang, dọc và đường chéo), gặp khó khăn khi mô tả các đường cong uốn lượn mượt mà trong ảnh số.
Hiện tượng méo rìa (boundary effects): Tại các biên mút của chuỗi dữ liệu, phép tích chập yêu cầu các phương pháp mở rộng biên như đối xứng hoặc tuần hoàn, có thể gây sai lệch trong vùng ảnh hưởng nón (cone of influence).

Nhằm khắc phục những giới hạn này, nhiều cấu trúc wavelet cải tiến đã được nghiên cứu và chuẩn hóa. Đáng chú ý, Selesnick và cs. (2005) đã tổng quan biến đổi wavelet phức cây kép (dual-tree complex wavelet transform, DTCWT). Phương pháp này sử dụng hai cây bộ lọc DWT song song với các bộ lọc thông thấp thỏa mãn điều kiện dịch pha xấp xỉ một phần tư chu kỳ (Hilbert transform pair), đem lại tính bất biến dịch chuyển gần như hoàn hảo và tăng cường số hướng chọn lọc lên sáu hướng độc lập trong không gian hai chiều.