计算一个平稳小波变换：
所得的
DiscreteWaveletData 表示一个由变换系数组成的树：
逆变换对输入进行重新构建：
获取一个由属性组成的完整列表：
获取数据和系数的维度：
使用
Automatic 仅获取在逆变换中所用的系数：
使用
或者
来找到可用的小波系数：
提取特定的系数数组：
提取对应于小波索引组成的列表的某些小波系数：
提取小波索引匹配一个模式的所有系数：
使用一个较高的精细度来增加频率分辨率：
在较小的精细度下，信号的更多能量留在
中：
在更进一步修正下，
被分解为更多分量：
使用不同小波群，计算平稳小波变换：
比较系数：
使用不同的小波群来捕获不同的特点：
使用
WaveletListPlot 在一个共用水平轴上绘制系数：
对于纵坐标，绘制一个共用垂直轴：
使用
WaveletScalogram，将系数可视化为以时间和精细度为变量的函数：
当鼠标指针移过一个系数时，系数指数作为工具提示条出现：
常量数据：
所有系数都很小，除了粗系数
：
数据在最高可解析频率处振荡（Nyquist 频率）：
只有第一个细系数
非零：
具有大的不连续性的数据：
粗系数
具有和数据相同的大规模结构：
细系数对不连续性敏感：
具有空间和频率结构的数据：
粗系数
对数据的局部均值进行跟踪：
第一个细系数识别了振荡区域：
所有系数在一个共用的垂直轴上：
计算一个二维平稳小波变换：
查看小波系数组成的树：
进行逆变换以得到原先的信号：
使用
将每个系数可视化为一个
MatrixPlot：
将小波系数在较高的精细度上可视化：
在二维情况下，可以计算在每个方向上的过滤器操作的向量：
将这些向量解释为二进制数字展开，我们就获得了小波索引数字：
获取一个 Haar 小波的低通和高通滤波器：
所得的二维滤波器是在两个方向上的滤波器的外积：
step 数据的小波变换：
具有一个垂直不连续性的数据：
只有垂直细系数，小波索引
，是非零的：
具有水平不连续性的数据：
只有水平细系数，小波索引
，是非零的：
计算一个三维平稳小波变换：
查看所有系数组成的树：
进行逆变换以得到原先的信号：
三维十字形矩阵的小波变换：
可视化小波系数：
原数据的能量保留在变换的系数内：
对于每个图像通道，小波系数通常作为数据数组给出：
通道数目和原始图像的维度是相同的：
将所有系数作为
Image 对象而不是数据数组得到：
获取原始的
Image 对象，而不对颜色层级重新进行尺度调整：
将
系数的逆变换作为一个
Image 对象得到：
默认情况下，对每个声音通道，系数作为数据列表给出：
通道数目和原始声音中的数据长度是相同的：
将
系数作为一个
Sound 对象得到：
系数作为一个
Sound 对象进行逆变换：
的一个图像.
.
给出，其中 
是 data 的最小维度. »
层包括粗系数 
和细系数 
，其中 
表示输入 data. 
和 
给出，其中 
是对应的 wspec 的滤波器长度，而 
是输入 data 的长度. »
给出. »
是低通滤波器系数，而 
是为每个小波群定义的高通滤波器系数. 
和 
的维度与输入 data 的维度相同.
来提取系数图像：
上的小波变换：
给出：
层上的粗系数由 
给出：
层上的细系数由 
给出：
层的粗系数：
层的细系数：
层上的逆小波变换由 
给出：
上的粗系数 
：
上的粗系数 
：
和 
小波系数：
系数合并起来：
系数比较：
范例
例 
范围 
