企业官网建设流程全解析

本文只基于医学图像处理来讲解一些基础的小波变换，如内容有误，恳请纠正。

小波变换的基本概念

小波变换的英文是 Wavelet Transform（WT）。它是一类信号分析与变换方法，可以将信号或图像表示为不同尺度、不同位置的局部特征。

在医学图像中，CT、MRI、超声图像都可以进行小波变换。与只分析整体频率组成的方法相比，小波变换更适合研究图像中局部区域的变化，以及这些变化在不同尺度下的表现。

例如，心脏 MRI 中，心腔内部可能呈现相对平滑的区域，而心腔与心肌之间可能存在较明显的灰度变化。小波变换可以将整体结构信息与局部变化分解为不同的系数，为分割网络提供额外的特征表示。

为什么需要小波变换？

传统图像处理经常使用空间域和频率域两种思路。
空间域方法： 直接分析像素值、邻域差异和局部纹理。
傅里叶变换： 将信号分解为不同频率的正弦和余弦成分，便于分析整体频率组成。
小波变换： 同时关注局部位置和尺度，能够分析图像不同位置的结构变化。
傅里叶变换适合分析整体频率特征，但对局部变化发生在哪里的表达并不直接。小波变换通过局部化的基函数和滤波器组，在空间位置与频率尺度之间建立联系。

这对于医学图像很重要，因为分割的目标不仅是识别图像包含什么频率，还要判断某个解剖结构的边界出现在哪里，以及这些边界具有怎样的局部变化。

小波变换的核心思想：多分辨率分析

多分辨率分析（Multiresolution Analysis，MRA）是理解小波变换的关键。

可以将一张医学图像想象成包含不同层次的信息：
较粗的尺度：器官整体形态、心腔位置、组织的大致分布。
中等尺度：心肌厚度、心腔轮廓、组织之间的局部变化。
较细的尺度：边界细节、小结构、纹理和部分噪声。
小波变换通过滤波和尺度分解，将这些不同尺度的变化表示为不同的系数。需要注意，这种划分不是严格的解剖语义划分：低频并不等于器官，高频也不等于边缘，它们只是不同尺度与方向上的信号成分。

在医学图像分割网络中，研究者可以让网络分别处理这些系数，再融合为新的特征图。例如，低频分支负责提供整体形态信息，高频分支补充局部边界信息。这是小波与 U-Net、注意力机制等结构结合的一种常见设计

DWT 的全称与基本原理

DWT 的全称是 Discrete Wavelet Transform（离散小波变换）。

它通过低通滤波器（Low-pass Filter）和高通滤波器（High-pass Filter）分解输入信号。低通滤波器保留较缓慢的变化，高通滤波器提取较快速的变化。分解后通常再进行下采样，从而获得不同尺度的系数。

一维信号可以写成：

其中：
A：近似系数（Approximation Coefficients），主要反映低频信息。
D：细节系数（Detail Coefficients），主要反映高频变化。
对图像执行二维 DWT 时，需要分别处理两个空间方向，因此一级分解通常产生四个子带。

四个子带分别表示什么？

LL 子带：低频近似信息。 它通过两个方向的低通滤波获得，主要保留图像整体的灰度分布和较大尺度的结构。对于心脏 MRI，LL 可以提供心腔、心肌及周围区域的粗略形态信息，但它不一定能完整保留细小边界。

LH 子带：一个方向低通、另一个方向高通。 它突出某个方向上的灰度变化，因而对具有特定方向的边缘、纹理和结构变化产生响应。

HL 子带：与 LH 互补的方向性细节。 两者分别强调不同空间方向的变化，但究竟哪个对应水平、哪个对应垂直，取决于具体实现中滤波器与轴的排列方式。

HH 子带：两个方向都进行高通滤波。 它对斜向边缘、角点、细小纹理以及噪声等快速变化都可能产生响应。

在分割网络中，研究者可以保留四个子带，也可以只保留 LL，或者让 LL 与高频子带经过不同的卷积和注意力模块后再融合。不同选择对应不同的信息保留策略，并没有一个适用于所有数据集的固定方案。

多级 DWT 是什么？

一级 DWT 只分解一次。多级 DWT 则通常继续分解上一层的 LL 子带：

第二级继续分析较粗尺度的低频结构，能够形成层次化的多尺度表示。实际网络中，也可以在不同编码器层分别执行一级 DWT，而不是对同一张图像连续做多级分解。

例如，在三维心脏 MRI 中，一级分解可以帮助区分局部细节与较大尺度结构；第二级则进一步压缩空间分辨率，提取更粗的形态信息。但分解层数越多，空间尺寸越小，边界细节也越容易丢失。因此，层数需要结合输入尺寸和网络结构决定。

DWT 为什么适合医学图像分割？

DWT 的主要价值不是简单地“把图像变得更清晰”，而是显式地将不同尺度、不同方向的变化分开表示。

在传统图像分割中，可以依据小波系数进行阈值处理、边缘提取、纹理分析或区域特征构建。在深度学习分割中，则可以把子带作为网络输入或中间特征，让网络学习如何利用这些信息。

例如，WRANet 将 DWT 与残差注意力 U-Net 结合，并使用小波下采样模块处理特征图；MFR-UNet 也研究了基于 Haar 的小波卷积模块，将分解、特征处理和逆小波重建结合起来。

如单级 3D 分解作用是按尺度分解特征——把每个位置的信号拆成“低频粗轮廓 + 7 个高频细节”（每个轴独立做一次“低通/高通”二分（z 轴切一刀、y 轴切一刀、x 轴切一刀）。三刀下去，每块体素按“三轴各走低频还是高频”归堆，1+7 是组合数 2³ 的结构产物：3D 单级分解必然 8 块，其中只有全低通的 LLL 算低频，剩下 7 块各编码“某个轴向组合上的细节”。2D 单级就是 2²=4，LL + 3 个高频），让网络显式拿到粗细分层的信息。

整个过程在空间域操作——滤波器直接卷积实现。

其中小波基，换成任何基——db2、db6、sym8、coif——单级 3D 分解都还是这 8 块。变的是每块“切边的干净程度”，例如：

图像处理中常用的一些小波变换

SWT：平稳小波变换

SWT 的全称是 Stationary Wavelet Transform，也常称为不抽取小波变换。与标准 DWT 不同，SWT 不在每一级分解后进行常规的二倍下采样，而是通过调整滤波器的采样间隔完成多尺度分析。

它的主要特点是系数与输入保持相同的空间尺寸，因此在某些情况下，对输入图像发生小幅平移时，系数变化会比临界采样 DWT 更稳定。不过，SWT 会产生冗余表示，内存与计算成本通常更高。

在医学图像分割中，SWT 可以用于增强对边界位置的稳定表示，或者作为网络的辅助特征分支。例如，当目标结构较小、边界位置对最终评估影响较大时，可以研究 SWT 与 DWT 的差异。

但 SWT 并不保证分割结果更准确。对于三维体数据，冗余系数带来的显存成本也可能较高，因此通常更适合作为针对性实验，而不是默认替换 DWT。

WPT：小波包变换

WPT 的全称是 Wavelet Packet Transform（小波包变换）。

标准多级 DWT 通常继续分解 LL 子带，而 WPT 可以继续分解低频和高频子带。这样能够获得更加细分的频率表示，适合研究更丰富的纹理与频率特征。

在医学图像分割中，WPT 可以用于分析不同组织或病灶的纹理差异，也可以构建频率子带特征输入网络。但子带数量会随着分解层数迅速增加，特征维度与计算量也会增加。

如果你的任务是三维心脏 MRI 分割，我建议先掌握 DWT，再考虑 WPT。因为对 ACDC、M&Ms 或 WHS 而言，首先需要验证小波分解能否改善结构分割，之后再研究更细的频率划分是否有额外价值。

CWT：连续小波变换

CWT 的全称是 Continuous Wavelet Transform（连续小波变换）。

它通过连续变化的小波尺度和平移位置来分析信号。相较于离散小波变换，它可以提供更密集的尺度响应，但也可能带来更高的计算成本和冗余表示。

CWT 常见于时频分析、医学信号处理和多尺度特征研究。如果用于医学图像，通常需要明确使用的是二维还是三维连续小波，以及如何将其响应映射到分割网络。

医学图像分割中常见的小波基

理解 DWT 之后，需要进一步理解小波基。小波基决定滤波器的具体系数，因此会影响局部性、平滑性、对称性和频率响应。

小波基（Wavelet Basis）是构成小波变换的基本函数，可以理解为一组用于分析信号或图像的“参考模板”，不同的小波基具有不同的形状、支撑长度、对称性和频率响应，因此对图像中的平滑区域、边缘、纹理等特征具有不同的分析能力。

小波基与小波变换的关系是：小波变换提供分析信号的方法，而小波基决定具体使用什么样的函数来分析信号。例如，离散小波变换（DWT）通过对小波基函数进行尺度缩放和平移，将图像分解为不同频率的子带；在二维图像中，通常得到低频子带 LL 和三个高频子带 LH、HL、HH。

常见的小波基包括 Haar（即 db1）、Daubechies（db2、db4 等）、Symlet（sym4 等）、Coiflet（coif2 等）和双正交小波（bior 系列）。

在医学图像分割中，Haar 结构简单、计算开销小，适合快速验证；db、sym 等小波基则具有不同的滤波特性，可用于提取组织结构、边缘和细节信息。

具体选择哪种小波基，需要结合图像特征、网络结构以及分割实验结果进行判断，并不存在适用于所有医学图像的最优小波基。

以3D-DWT为例：

3D-DWT 与小波基的关系，可以理解为“变换方法”与“变换所使用的基函数”的关系。 以三维心脏 MRI 体数据为例，3D-DWT 规定了沿深度、高度和宽度三个空间方向进行低通、高通滤波及下采样的分解过程，而小波基（如 Haar、db4、sym4）则决定这些滤波器的具体系数和特性。使用不同的小波基对同一份体数据执行 3D-DWT，都会得到 8 个三维子带，但子带中的系数可能不同，所保留的结构和细节信息也会有所差异。因此，3D-DWT 决定“如何分解”，小波基决定“用什么样的滤波器来分解”；在医学图像分割中，可以固定网络结构，替换不同的小波基，通过实验比较它们对分割性能的影响。

Haar 小波：最基础、最容易实现英文名称：Haar Wavelet

常用标识：haar、db1

Haar 是最简单的正交小波之一。它的滤波器长度为 2，通过相邻样本的平均与差异完成分解，具有紧支撑、计算简单的特点。Haar 的低通滤波器和高通滤波器可以写为：

前者主要提取局部平均信息，后者提取相邻样本的差异。这种结构简单明了，因此非常适合用来理解小波分解的基本机制。

但 Haar 小波函数本身是不连续的。它对局部突变比较敏感，表达较平滑、复杂的变化时能力有限；高频系数也可能包含噪声。因此，Haar 简单、高效，并不意味着它一定适用于所有医学图像。

在医学图像分割中怎样使用？

例如，对一张心脏 MRI 切片进行一级 Haar DWT，可以得到 LL、LH、HL、HH 四个子带。LL 反映较大尺度的结构信息，其余三个子带提供不同方向的细节信息。网络可以对四个子带分别卷积，再将它们融合到 U-Net 编码器中。

如果输入的是三维心脏体数据，则可以使用 3D-Haar DWT 获得八个子带。这种方式适合用作三维网络的下采样或多尺度特征提取模块。

Daubechies 小波：db2、db3、db4

英文名称：Daubechies Wavelets

常用标识：db2、db3、db4、db6

Daubechies 小波是一类紧支撑正交小波，具有不同数量的消失矩。与 Haar 相比，它们可以使用更长的滤波器来表达更复杂的局部变化。

消失矩（Vanishing Moments）是理解 Daubechies 小波的重要概念。它表示小波函数对一定阶数以下的多项式成分具有零响应。直观地说，在较平滑的背景中，小波能够突出偏离这些平滑变化的局部成分。

以 db4 为例，它具有 4 个消失矩，滤波器长度为 8。相较于 Haar，它能够表达更丰富的局部变化，但滤波器较长，也意味着边界延拓方式可能对结果产生更明显的影响。

在医学图像分割中怎样使用？

在心脏 MRI 中，心腔、心肌与邻近组织之间可能存在复杂的灰度变化。db 小波可以用于多尺度特征提取，为网络提供不同于普通卷积的频率表示。

对三维 U-Net，可以在编码器的某一层执行 3D-db4 DWT，融合八个子带后继续编码。也可以仅保留 LL 子带用于粗尺度特征提取，同时把高频子带送入另一分支。

Symlet 小波：近似对称的滤波器

英文名称：Symlets

常用标识：sym2、sym4、sym5、sym8

Symlet 是一类近似对称的正交小波，设计目标之一是改善 Daubechies 小波的对称性。其滤波器仍具有有限长度，适合用于离散多尺度分析。

对称性对于图像分析有一定意义。滤波器的相位响应可能影响局部结构在分解结果中的位置，因此近似对称的小波值得用于边界敏感的任务。

不过，需要注意：对称性并不直接等于更准确的边界定位。实际效果还取决于滤波器、采样、填充和重建方法，以及后续网络如何融合特征。

在医学图像分割中怎样使用？

对于心脏 MRI，可以在 U-Net 的浅层特征图上进行 Symlet 分解，研究它是否能够改善心内膜和心外膜边界的表达。在三维任务中，也可以使用对应的三维滤波器组。

Coiflet 小波：兼顾小波函数与缩放函数的消失矩性质

英文名称：Coiflets

常用标识：coif1、coif2、coif3

Coiflet 是另一类正交小波，在小波函数与缩放函数的消失矩性质方面具有专门设计。不同阶数对应不同长度的滤波器。

Coiflet 可以用于分析较平滑的信号成分及其局部变化。相较于 Haar，它的滤波器更长，能提供不同的多尺度特征表示；但滤波器较长也会增加计算量和边界处理的复杂度。

在医学图像分割中怎样使用？

Coiflet 可以作为频率特征提取模块的候选小波。例如，在心脏 MRI 或 CT 中，将 coif1 或 coif2 用于一级 DWT，之后把低频和高频特征融合到分割网络中。

对于三维任务，建议先在中等分辨率的特征图上验证，而不是直接对高分辨率原始体数据做多级分解。这样更容易控制显存，并判断 Coiflet 是否带来真实的性能收益。

双正交小波：bior、rbio

双正交小波（Biorthogonal Wavelets）与上面几类的区别在于，它允许分解与重建使用不同的滤波器组，并且部分类型具有对称性或线性相位特性。

常见标识包括 bior2.2、bior3.5、bior4.4 等。它们适合用于需要进行小波分解与逆变换的图像处理任务。

在医学分割网络中，双正交小波可以用于构建“分解—特征处理—重建”模块。不过，完美重建只表示在满足相应条件时能够恢复信号，并不保证分割精度一定提高。

二维小波与三维小波在医学图像分割中的区别

选择小波模块时最重要的实际问题之一。以DWT为例：

二维：2D-DWT

对每张切片的两个空间轴分别进行分解。
输入形状：B*C*H*W。
每个通道通常得到四个子带。
每个子带的高、宽通常减半。
适合 2D U-Net、2D Transformer，以及以切片为单位的训练流程。
意义： 可以提取当前切片的局部边界和多尺度纹理，但不能直接利用相邻切片的空间连续性。

三维：3D-DWT

对体数据的三个空间轴进行分解。
输入形状：B*C*D*H*W。
每个通道通常得到八个子带。
每个子带的三个空间维度通常减半。
适合 3D U-Net、UNETR 以及其他三维分割模型。
意义： 可以显式提取三个方向上的多尺度变化，并与三维编码器、解码器融合。但层间距不均匀、各向异性以及显存限制都需要考虑。