有用的属性可以从 DiscreteWaveletData 对象中提取：

获取属性的全部列表：

获取数据和系数维数：

使用 Normal 明确获取所有小波系数：

使用 All 作为一个参数获取所有系数：

使用 Automatic 只获得用于逆变换的系数：

使用 "TreeView" 或 "IndexMap" 找到哪个小波系数可用：

提取指定的系数阵列：

提取多个对应于小波索引指标列表的小波系数：

提取小波索引与模式匹配的所有系数：

使用 WaveletBestBasis 计算小波包系数的最优基：

在所有系数的块网格中突出最佳基：

使用 "BasisIndex" 提取最佳基：

在诸如 WaveletListPlot 的函数中，默认情况下，使用已计算的最佳基：

使用更高的精细度增加频率分辨率：

更小的精细度，更多的信号能量存在于 {0,0}：

更高的精细度，{0,0} 分解进更多的分量中：

使用不同的小波族计算小波包变换：

比较系数：

使用不同的小波族，捕捉不同的特征：

HaarWavelet （默认的）：

DaubechiesWavelet:

BattleLemarieWavelet:

BiorthogonalSplineWavelet:

CoifletWavelet:

MeyerWavelet:

ReverseBiorthogonalSplineWavelet:

ShannonWavelet:

SymletWavelet:

使用 WaveletListPlot 在共同横轴上绘制系数：

在共同纵轴上绘制：

利用 WaveletScalogram 把系数可视化为关于时间和精细层的函数：

当鼠标光标移过一个系数时，系数索引以工具提示条的形式出现：

数据的最佳树表示的 WaveletScalogram：

常数数据：

所有系数都小，除了粗系数 {0,0,…}：

在最高可解析的频率（奈奎斯特频率）的数据振荡：

只有第一个细节系数 {1} 和它的粗子系数 {1,0,0,…} 不小：

具有很大不连续的数据：

粗系数 {0,…} 具有与数据一样大的结构规模：

细节系数对不连续很明感：

具有空间和频率的结构的数据：

粗系数 {0,…} 跟踪数据的局部均值：

第一个细节系数 {1} 与它的粗子系数 {1,0,…} 代表振荡：

在共同垂直轴上的所有系数：

计算一个二维的小波包变换：

小波系数树的视图：

进行逆变换找回原始的信号：

使用 WaveletMatrixPlot 可视化不同的小波系数：

最佳树表述的 WaveletMatrixPlot：

二维中，每个方向的滤波操作矢量是可以计算的：

作为二进制数字扩展来诠释这些向量，可以生成小波索引数：

获得哈尔小波的低通和高通滤波器：

由此得到的二维滤波器是两个方向滤波器的外积：

阶梯数据的小波变换：

具有垂直不连续的数据：

所有水平和对角细节系数，小波索引 {___,2|3,___} 为零：

具有水平不连续的数据：

所有垂直和对角细节系数，小波索引 {___,1|3,___} 为零：

具有对角不连续的数据：

所有垂直和水平细节系数，小波索引 {___,1|2,___} 为零：

计算一个三维小波包变换：

所有系数的块网格视图：

三维交叉阵列的小波变换：

可视化低通小波系数 {___,0}：

变换系数时，原始数据的能量是守恒的：

变换一个 Image 对象：

逆变换产生一个重构的 Image 对象：

小波系数通常以每个图像通道的数据列表形式给出：

获取以 Image 对象表示的所有系数：

获取原 Image 对象，没有调整色彩级别：

以 Image 对象的形式获得 {0,1} 系数的逆变换：

从图像数据的包变换中计算系数的最优树：

使用 WaveletImagePlot 在分层网格中绘制最优树：

变换一个 Sound 对象：

逆变换产生一个重构的 Sound 对象：

默认情况下，系数是以每个声通道的数据列表的形式给出：

以 Sound 对象的形式给出系数 {1,1}：

以 Sound 对象的形式给出系数 {1,1} 的逆变换：

从声数据的包变换中计算系数的最优树：

使用 MenuView 浏览最优树系数：

Padding 的设置与 ArrayPad 的方法一样，包括 "Periodic"：

"Reversed":

"ReversedNegation":

"Reflected":

"ReflectedDifferences":

"ReversedDifferences":

"Extrapolated":

填充可以去除边界效应：

默认情况下使用 "Periodic" 填充：

"Extrapolated" 填充减少非周期数据的边界效应：

默认情况下，使用 WorkingPrecision->MachinePrecision：

使用更高精度的计算：

随着数字接近于零，Accuracy 可以更好地表明正确的数字：

使用 WorkingPrecision->∞ 进行确切计算：

默认的重构树包含最大精细度的系数：

选择一个重构树，其中能量集中在少量的系数中：

在共同垂直轴上绘制最佳树系数：

可视化图像数据的默认的重构树系数：

计算重构树，其系数具有最小的总对数能量：

矩阵数据的无损压缩：

在最佳树中，小波包表示的许多系数为零：

作为一个压缩大小的测量计数非零系数：

原始数据中的非零值：

数据长度：