Composite Wavelet Matrix-Based Transforms and Applications

1. Problemstellung

Die herkömmliche Wavelet-Denoising-Methode basiert auf der Verwendung einer einzelnen orthogonalen Wavelet-Basis (z. B. Daubechies, Haar, Symmlets). Obwohl diese Methoden effizient sind und Eigenschaften wie Energieerhaltung und perfekte Rekonstruktion bieten, leiden sie unter einer fundamentalen Einschränkung:

• Abhängigkeit von der Basiswahl: Die Leistung des Denoisings hängt stark von der Wahl der spezifischen Wavelet-Basis ab. Keine einzelne Basis ist für alle Signaltypen (die oft eine Mischung aus glatten Komponenten, lokalen Spitzen, oszillierenden Texturen und intermittierenden Ausbrüchen aufweisen) optimal.
• Suboptimale Ergebnisse: Die Festlegung auf eine einzige Basis kann in einigen Signalbereichen zu einer Überglättung führen, während in anderen Bereichen das Rauschen nicht ausreichend unterdrückt wird.
• Begrenzter Suchraum: Der klassische Ansatz beschränkt sich auf Filterbänke (Filterbanks), die als zwei-Kanal-Systeme definiert sind. Dies schließt viele andere orthogonale Operatoren aus, die theoretisch bessere Sparsity-Eigenschaften (Verdünnung der Koeffizienten) bieten könnten.

Das Ziel der Arbeit ist es, zu untersuchen, ob der Verzicht auf die strikte Filterbank-Struktur zugunsten eines breiteren Raums orthogonaler Operatoren die Denoising-Leistung verbessern kann, ohne die Stabilität und Rekonstruierbarkeit zu verlieren.

2. Methodik

Die Autoren entwickeln einen algebraischen Ansatz, bei dem orthogonale Wavelet-Matrizen als Bausteine für neuartige, zusammengesetzte (composite) Transformationen dienen.

A. Mathematische Grundlage

Anstatt den diskreten Wavelet-Transform (DWT) nur als rekursiven Filteralgorithmus zu betrachten, wird er als orthogonale Matrix $W$ ($N \times N$) dargestellt. Die Transformation eines Signals $\tilde{y}$ erfolgt durch $d = W\tilde{y}$. Da $W$ orthogonal (oder unitär im komplexen Fall) ist, gelten:

• Energieerhaltung (Parseval-Gleichung).
• Numerische Stabilität.
• Perfekte Rekonstruktion durch $W^T$ (bzw. $W^*$).

B. Konstruktion zusammengesetzter Matrizen

Die Kernidee besteht darin, bekannte Wavelet-Matrizen durch algebraische Operationen zu kombinieren, um neue unitäre Matrizen zu erzeugen, die nicht mehr zwingend klassischen Filterbänken entsprechen, aber die Orthogonalität bewahren. Die untersuchten Operationen sind:

1. Matrixprodukt ($W = W_1 \cdot W_2$): Die sequenzielle Anwendung zweier verschiedener Wavelet-Transformationen.
   • Wichtiges theoretisches Ergebnis: Das Produkt zweier orthogonaler Wavelet-Matrizen ist zwar orthogonal, kann aber nicht als einzelne klassische zwei-Kanal-Wavelet-Filterbank (mit einem einzigen Skalierungs- und Wavelet-Filter) dargestellt werden (siehe Proposition 3.1 und Beweis im Anhang). Die resultierenden Atome sind komplexere Mischungen, die direkt aus den Spalten der Matrix abgelesen werden müssen.
2. Kronecker-Produkt ($W_1 \otimes W_2$): Ermöglicht die natürliche Erweiterung auf mehrdimensionale Signale (z. B. Bilder) unter Beibehaltung der Orthogonalität.
3. Diagonal-Block-Matrizen ($W = \text{diag}(W_1, W_2, \dots)$): Ermöglicht die Anwendung unterschiedlicher Wavelet-Basen auf verschiedene Segmente eines Signals (adaptive Darstellung für inhomogene Signale).
4. Ähnlichkeitstransformationen ($W^T A W$): Wird ebenfalls untersucht, zeigt sich jedoch oft als weniger effektiv für das Denoising, da sie Skalen und Positionen mischen und die Sparsity verschlechtern.

C. Evaluierungsmaßstäbe

Um die Leistung zu quantifizieren, verwenden die Autoren:

• Lorenz-Kurven: Zur Visualisierung der Energieverteilung. Eine stärkere Abweichung von der Diagonalen (stärkere Konzentration der Energie in wenigen Koeffizienten) deutet auf eine bessere Komprimierbarkeit und damit besseres Denoising hin.
• Mittlerer quadratischer Fehler (MSE): Als primäre Metrik für die Denoising-Leistung unter Verwendung des universellen Schwellenwerts (Universal Thresholding) von Donoho und Johnstone.
• Komplexitätsindex: Basierend auf der Shannon-Entropie der normierten Energieverteilung der Koeffizienten.

3. Wichtige Beiträge

1. Erweiterung des Transformationsraums: Die Arbeit beweist, dass man den Raum der zulässigen Transformationen über die klassischen Filterbänke hinaus erweitern kann, indem man algebraische Kombinationen orthogonaler Matrizen nutzt.
2. Theoretische Charakterisierung: Es wird gezeigt, dass Produkt-Transformationen ($W_1 W_2$) zwar perfekt rekonstruierbar sind, aber keine klassische Wavelet-Struktur (Polyphase-Matrix mit vollem Rang) besitzen. Sie bilden jedoch eine orthonormale Basis mit komplexeren Atomen.
3. Nachweis der verbesserten Sparsity: Die zentrale Erkenntnis ist, dass zusammengesetzte Transformationen die Signalenergie stärker in weniger Koeffizienten konzentrieren als einzelne Basen. Dies führt direkt zu einer besseren Rauschunterdrückung bei identischen Schwellenwertregeln.
4. Praktische Anwendbarkeit: Die Methoden wurden erfolgreich auf synthetische Benchmark-Signale, turbulente atmosphärische Daten und Bilddenoising angewendet.

4. Ergebnisse

Die Autoren führten umfangreiche Simulationen und Anwendungen durch:

• Benchmark-Signale (Donoho-Johnstone):

  • Auf den Testsignalen Doppler, Blocks, HeaviSine und Bumps erzielten die Produkt-Transformationen ($W_1 W_2$) konsistent einen niedrigeren mittleren quadratischen Fehler (MSE) als jede einzelne verwendete Basis.
  • Die Lorenz-Kurven zeigten eine signifikant stärkere Energiekonzentration für die zusammengesetzten Matrizen.
  • Auch bei komplexen Filtern (z. B. komplexe Daubechies 6 kombiniert mit Haar) zeigten die Produkt- und Kronecker-Transformationen die besten Ergebnisse.

• Adaptive Block-Transformationen:

  • Für Signale, die aus verschiedenen Segmenten mit unterschiedlichen Strukturen bestehen (z. B. eine Kombination aus den vier Benchmark-Signalen), führte die Verwendung einer Diagonal-Block-Matrix (jeweils mit der optimalen Basis für das Segment) zu einem niedrigeren MSE als jede einzelne globale Basis.

• Anwendung auf reale Daten:

  • Bilddenoising (Barbara-Bild): Das Barbara-Bild enthält sowohl glatte Flächen als auch hochfrequente, anisotrope Texturen (Schal). Die Produkt-Transformation (z. B. Symmlet 4 $\circ$ Coiflet 3) erhielt die feinen Streifenmuster und Kanten deutlich besser als einzelne Basen, die zu einer Überglättung neigten.
  • Turbulenzdaten: Bei der Analyse von Windgeschwindigkeits- und Temperaturdaten (Atmosphärische Turbulenz) zeigten die Produkt-Transformationen eine höhere Energiekonzentration in den Top-1% und Top-5% der Koeffizienten. Dies ermöglicht eine effizientere Trennung von kohärenten Wirbelstrukturen und Rauschen.

• Vergleich der Operationen:

  • Produkt & Kronecker: Übertrafen einzelne Basen deutlich.
  • Ähnlichkeitstransformationen: Zeigten oft schlechtere Ergebnisse als die ursprünglichen Basen, da sie die Sparsity-Struktur zerstörten.

5. Bedeutung und Fazit

Die Arbeit stellt einen Paradigmenwechsel in der Wavelet-Theorie für die Signalverarbeitung dar:

• Von Filterbänken zu Operatoren: Anstatt sich auf die strikte Struktur von Filterbänken zu konzentrieren, sollten Wavelet-Transformationen als orthogonale Operatoren betrachtet werden, die algebraisch kombiniert werden können, um besser an die Struktur des Signals anzupassen.
• Kein Kompromiss bei der Stabilität: Trotz der Loslösung von der klassischen Filterbank-Struktur bleiben die entscheidenden Eigenschaften (Energieerhaltung, perfekte Rekonstruktion, numerische Stabilität) erhalten. Der Standard-Pipeline (Transformieren -> Schwellenwert -> Invertieren) bleibt gültig.
• Praktischer Nutzen: Die Methode bietet eine einfache, aber effektive Möglichkeit, die Denoising-Leistung zu steigern, ohne komplexe neue Schwellenwertregeln einführen zu müssen. Die Verbesserung resultiert rein aus der besseren Anpassung der Transformationsbasis an das Signal.

Zusammenfassend zeigen Kulkarni und Vidakovic, dass „Wavelet-ähnliche" zusammengesetzte Matrizen eine leistungsfähige Erweiterung klassischer Methoden darstellen, die besonders für Signale mit heterogener Struktur und komplexe Texturen vorteilhaft ist.