DiscreteWaveletDataオブジェクトから役に立つ特性を抽出することができる：

特性の完全リストを得る：

データと係数の次元を得る：

Normalを使ってすべてのウェーブレット係数を明示的に得る：

また，Allを引数として使ってすべての係数を得る：

Automaticを使って逆変換で使われる係数のみを得る：

"TreeView"または"IndexMap"を使ってどのウェーブレット係数が使えるかを見る：

特定の係数配列を抽出する：

ウェーブレット指標指定のリストに対応するいくつかのウェーブレット係数を抽出する：

ウェーブレット指標がパターンにマッチするすべての係数を抽出する：

WaveletBestBasisを使ってウェーブレットパケット係数の最適化基底を計算する：

全係数のブロック格子中の最良基底をハイライトする：

"BasisIndex"を使って最良基底を抽出する：

計算された最良基底はデフォルトでWaveletListPlotのような関数で使われる：

より高い細分化レベルを使って周波数分解機能を高める：

細分化レベルが低いと，信号エネルギーの多くの部分が{0,0}に残される：

より高い細分化レベルを使うと，{0,0}はさらに要素に分解される：

いろいろなウェーブレット族を使ってウェーブレットパケット変換を計算する：

係数を比較する：

ウェーブレットのいろいろな族を使って異なる特徴を捉える：

HaarWavelet（デフォルト）：

DaubechiesWavelet：

BattleLemarieWavelet：

BiorthogonalSplineWavelet：

CoifletWavelet：

MeyerWavelet：

ReverseBiorthogonalSplineWavelet：

ShannonWavelet：

SymletWavelet：

WaveletListPlotを使って，係数を共通の水平軸上でプロットする：

共通の垂直軸に対してプロットする：

WaveletScalogramを使って係数を時間と細分化レベルの関数として可視化する：

マウスポインタが係数上に来ると係数指標がツールチップとして表示される：

データの最高の木としての表現のWaveletScalogram：

定数データ：

係数は粗い係数{0,0,…}を除いてすべて小さい：

分解可能な最高の周波数（ナイキスト(Nyquist)周波数）で振動するデータ：

小さくないのは最初の詳細化係数{1}とその粗い子係数{1,0,0,…}のみである：

大きい不連続箇所のあるデータ：

粗い係数{0,…}はデータと同じ大きいスケールの構造を持つ：

詳細化係数は不連続箇所に敏感である：

空間構造と周波数構造の両方を持つデータ：

粗い係数{0,…} はデータの局所平均を辿る：

最初の詳細化係数{1}とその粗い子係数{1,0,…}は振動を表す：

すべての係数を共通の垂直軸に対してプロットする：

二次元ウェーブレットパケット変換を計算する：

ウェーブレット係数の木構造を見る：

逆変換をするともとの信号に戻る：

WaveletMatrixPlotを使ってさまざまなウェーブレット係数を可視化する：

最高の木表現のWaveletMatrixPlot：

二次元では，各方向のフィルタリング操作のベクトルが計算できる：

これらのベクトルを二進数展開として解釈するとウェーブレット指標の数が得られる：

Haarウェーブレットのローパスフィルタとハイパスフィルタを得る：

結果の2Dフィルタは2方向のフィルタの外積である：

ステップデータのウェーブレット変換：

垂直に不連続性を有するデータ：

すべての水平および対角の詳細化係数，つまりウェーブレット指標{___,2|3,___}は0である：

水平に不連続性を有するデータ：

すべての垂直および対角上の詳細化係数，つまりウェーブレット指標 {___,1|3,___}は0である：

対角に不連続性を有するデータ：

すべての水平および垂直の詳細化係数，つまりウェーブレット指標{___,1|2,___}は0である：

三次元ウェーブレットパケット変換を計算する：

すべての係数のブロック格子ビュー：

逆変換でもとの信号を復元する：

三次元クロス配列のウェーブレット変換：

ローパスウェーブレット係数{___,0}を可視化する：

もとのデータのエネルギーは変換された係数内に保存されている：

Imageオブジェクトを変換する：

逆変換するとImageオブジェクトが再構築される：

ウェーブレット係数は通常各画像チャンネルのデータのリストとして与えられる：

代りにすべての係数をImageオブジェクトとして得る：

カラーレベルの再スケールを施していない生のImageオブジェクトを得る：

{0,1}係数の逆変換をImageオブジェクトとして行う：

画像データのパケット変換から係数の最高の木を計算する：

WaveletImagePlotを使って階層的な格子で最高の木をプロットする：

Soundオブジェクトを変換する：

逆変換するとSoundオブジェクトが再構築される：

デフォルトで，係数は各サウンドチャンネルのデータのリストとして与えられる：

{0,1}係数をSoundオブジェクトとして得る：

Sound オブジェクトとしての{1,1} 係数の逆変換：

サウンドデータのパケット変換から係数の最高の木を計算する：

MenuViewを使って係数の最高の木をブラウズする：

Paddingの設定値は"Periodic"を含みArrayPadのメソッドのものと同じである：

"Reversed"：

"ReversedNegation"：

"Reflected"：

"ReflectedDifferences"：

"ReversedDifferences"：

"Extrapolated"：

充填で境界効果を除くことができる：

デフォルトの"Periodic"充填を使う：

"Extrapolated"充填を使うと非周期的なデータでは境界効果が薄くなる：

デフォルトで，WorkingPrecision->MachinePrecisionが使われる：

より精度の高い計算を使う：

ゼロに近い数では，確度が正しい桁数のよりよい指標になる：

WorkingPrecision->∞を使って厳密計算を行う：

デフォルトの再構築木には最高の細分化レベルの係数が含まれる：

エネルギーが少ない数の係数に集中している再構築木を選ぶ：

共通の垂直軸に対して係数の最高の木をプロットする：

画像データについてのデフォルトの再構築木係数を可視化する：

係数が最小の総対数エネルギーを持つ再構築木を計算する：

行列データの可逆圧縮：

最高の木のウェーブレットパケット変換では多くの係数が0である：

圧縮サイズの尺度として非零の係数を数える：

もとのデータの非零の値：

データの長さ：