【導(dǎo)讀】從傅里葉變換到小波變換，并不是一個完全抽象的東西，完全可以講得很形象。小波變換有著明確的物理意義，如果我們從它的提出時所面對的問題看起，可以整理出非常清晰的思路。
下面我就按照傅里葉-->短時傅里葉變換-->小波變換的順序，講一下為什么會出現(xiàn)小波這個東西、小波究竟是怎樣的思路。（反正題主要求的是通俗形象，沒說簡短，希望不會太長不看。。）
一、傅里葉變換
關(guān)于傅里葉變換的基本概念在此我就不再贅述了，默認大家現(xiàn)在正處在理解了傅里葉但還沒理解小波的道路上。（在第三節(jié)小波變換的地方我會再形象地講一下傅里葉變換）
下面我們主要將傅里葉變換的不足。即我們知道傅里葉變化可以分析信號的頻譜，那么為什么還要提出小波變換？答案就是“對非平穩(wěn)過程，傅里葉變換有局限性”。看如下一個簡單的信號：
做完FFT（快速傅里葉變換）后，可以在頻譜上看到清晰的四條線，信號包含四個頻率成分。
一切沒有問題。但是，如果是非平穩(wěn)信號呢？
如上圖，最上邊的是頻率始終不變的平穩(wěn)信號。而下邊兩個則是頻率隨著時間改變的非平穩(wěn)信號，它們同樣包含和最上信號相同頻率的四個成分。
做FFT后，我們發(fā)現(xiàn)這三個時域上有巨大差異的信號，頻譜卻非常一致。尤其是下邊兩個非平穩(wěn)信號，我們從頻域上無法區(qū)分它們，因為它們包含的四個頻率的信號的成分確實是一樣的，只是出現(xiàn)的先后順序不同。
可見，傅里葉變換處理非平穩(wěn)信號有天生缺陷。它只能獲取一段信號總體上包含哪些頻率的成分，但是對各成分出現(xiàn)的時刻并無所知。因此時域相差很大的兩個信號，可能頻譜圖一樣。
然而平穩(wěn)信號大多是人為制造出來的，自然界的大量信號幾乎都是非平穩(wěn)的，所以在比如生物醫(yī)學(xué)信號分析等領(lǐng)域的papers中，基本看不到單純傅里葉變換這樣naive的方法。
上圖所示的是一個正常人的事件相關(guān)電位。對于這樣的非平穩(wěn)信號，只知道包含哪些頻率成分是不夠的，我們還想知道各個成分出現(xiàn)的時間。知道信號頻率隨時間變化的情況，各個時刻的瞬時頻率及其幅值——這也就是時頻分析。
二、短時傅里葉變換（Short-time Fourier Transform, STFT）
一個簡單可行的方法就是——加窗。我又要套用方沁園同學(xué)的描述了，“把整個時域過程分解成無數(shù)個等長的小過程，每個小過程近似平穩(wěn)，再傅里葉變換，就知道在哪個時間點上出現(xiàn)了什么頻率了。”這就是短時傅里葉變換。
看圖：
時域上分成一段一段做FFT，不就知道頻率成分隨著時間的變化情況了嗎！
用這樣的方法，可以得到一個信號的時頻圖了：
——此圖像來源于“THE WAVELET TUTORIAL”
圖上既能看到300Hz, 200 Hz, 100 Hz, 50 Hz四個頻域成分，還能看到出現(xiàn)的時間。兩排峰是對稱的，所以大家只用看一排就行了。
是不是棒棒的？時頻分析結(jié)果到手。但是STFT依然有缺陷。
使用STFT存在一個問題，我們應(yīng)該用多寬的窗函數(shù)？
窗太寬太窄都有問題：
窗太窄，窗內(nèi)的信號太短，會導(dǎo)致頻率分析不夠精準，頻率分辨率差。窗太寬，時域上又不夠精細，時間分辨率低。
（這里插一句，這個道理可以用海森堡不確定性原理來解釋。類似于我們不能同時獲取一個粒子的動量和位置，我們也不能同時獲取信號絕對精準的時刻和頻率。這也是一對不可兼得的矛盾體。我們不知道在某個瞬間哪個頻率分量存在，我們知道的只能是在一個時間段內(nèi)某個頻帶的分量存在。 所以絕對意義的瞬時頻率是不存在的。）
看看實例效果吧：
——此圖像來源于“THE WAVELET TUTORIAL”
上圖對同一個信號（4個頻率成分）采用不同寬度的窗做STFT，結(jié)果如右圖。用窄窗，時頻圖在時間軸上分辨率很高，幾個峰基本成矩形，而用寬窗則變成了綿延的矮山。但是頻率軸上，窄窗明顯不如下邊兩個寬窗精確。
所以窄窗口時間分辨率高、頻率分辨率低，寬窗口時間分辨率低、頻率分辨率高。對于時變的非穩(wěn)態(tài)信號，高頻適合小窗口，低頻適合大窗口。然而STFT的窗口是固定的，在一次STFT中寬度不會變化，所以STFT還是無法滿足非穩(wěn)態(tài)信號變化的頻率的需求。
三、小波變換
那么你可能會想到，讓窗口大小變起來，多做幾次STFT不就可以了嗎？！沒錯，小波變換就有著這樣的思路。
但事實上小波并不是這么做的（關(guān)于這一點，方沁園同學(xué)的表述“小波變換就是根據(jù)算法，加不等長的窗，對每一小部分進行傅里葉變換”就不準確了。小波變換并沒有采用窗的思想，更沒有做傅里葉變換。）
至于為什么不采用可變窗的STFT呢，我認為是因為這樣做冗余會太嚴重，STFT做不到正交化，這也是它的一大缺陷。
于是小波變換的出發(fā)點和STFT還是不同的。STFT是給信號加窗，分段做FFT；而小波直接把傅里葉變換的基給換了——將無限長的三角函數(shù)基換成了有限長的會衰減的小波基。這樣不僅能夠獲取頻率，還可以定位到時間了~
【解釋】
來我們再回顧一下傅里葉變換吧，沒弄清傅里葉變換為什么能得到信號各個頻率成分的同學(xué)也可以再借我的圖理解一下。
傅里葉變換把無限長的三角函數(shù)作為基函數(shù)：
這個基函數(shù)會伸縮、會平移（其實是兩個正交基的分解）。縮得窄，對應(yīng)高頻；伸得寬，對應(yīng)低頻。然后這個基函數(shù)不斷和信號做相乘。某一個尺度（寬窄）下乘出來的結(jié)果，就可以理解成信號所包含的當(dāng)前尺度對應(yīng)頻率成分有多少。于是，基函數(shù)會在某些尺度下，與信號相乘得到一個很大的值，因為此時二者有一種重合關(guān)系。那么我們就知道信號包含多少該頻率的成分。
（看，這兩種尺度能乘出一個大的值，所以信號包含較多的這兩個頻率成分，在頻譜上這兩個頻率會出現(xiàn)兩個峰）
以上，就是粗淺意義上傅里葉變換的原理。
如前邊所說，小波做的改變就在于，將無限長的三角函數(shù)基換成了有限長的會衰減的小波基。
這就是為什么它叫“小波”，因為是很小的一個波嘛~
從公式可以看出，不同于傅里葉變換，變量只有頻率ω，小波變換有兩個變量：尺度a（scale）和平移量 τ（translation）。尺度a控制小波函數(shù)的伸縮，平移量 τ控制小波函數(shù)的平移。尺度就對應(yīng)于頻率（反比），平移量 τ就對應(yīng)于時間。
當(dāng)伸縮、平移到這么一種重合情況時，也會相乘得到一個大的值。這時候和傅里葉變換不同的是，這不僅可以知道信號有這樣頻率的成分，而且知道它在時域上存在的具體位置。
而當(dāng)我們在每個尺度下都平移著和信號乘過一遍后，我們就知道信號在每個位置都包含哪些頻率成分。
看到了嗎？有了小波，我們從此再也不害怕非穩(wěn)定信號啦！從此可以做時頻分析啦！
做傅里葉變換只能得到一個頻譜，做小波變換卻可以得到一個時頻譜！
↑：時域信號
↑：傅里葉變換結(jié)果
——此圖像來源于“THE WAVELET TUTORIAL”
↑：小波變換結(jié)果
小波還有一些好處：
1. 我們知道對于突變信號，傅里葉變換存在吉布斯效應(yīng)，我們用無限長的三角函數(shù)怎么也擬合不好突變信號：
然而衰減的小波就不一樣了：
2. 小波可以實現(xiàn)正交化，短時傅里葉變換不能。
以上，就是小波的意義。
以上只是用形象地給大家展示了一下小波的思想，希望能對大家的入門帶來一些幫助。畢竟如果對小波一無所知，直接去看那些堆砌公式、照搬論文語言的教材，一定會痛苦不堪。
在這里推薦幾篇入門讀物，都是以感性介紹為主，易懂但并不深入，對大家初步理解小波會很有幫助。文中有的思路和圖也選自于其中：
1. THE WAVELET TUTORIAL
2. WAVELETS：SEEING THE FOREST AND THE TREES
3. A Really Friendly Guide to Wavelets
4. Conceptual wavelets
但是真正理解透小波變換，這些還差得很遠。比如你至少還要知道有一個“尺度函數(shù)”的存在，它是構(gòu)造“小波函數(shù)”的關(guān)鍵，并且是它和小波函數(shù)一起才構(gòu)成了小波多分辨率分析，理解了它才有可能利用小波做一些數(shù)字信號處理；你還要理解離散小波變換、正交小波變換、二維小波變換、小波包……這些內(nèi)容國內(nèi)教材上講得也很糟糕，大家就一點一點啃吧~有問題歡迎私信我。水平有限，但一定幫助。
第一次在知乎寫這么長的回答，多數(shù)圖都是用MATLAB和PPT自己畫出來的，都是利用實驗室搬完磚之余的時間一點點弄的，歡迎分享，如轉(zhuǎn)載還請跟我說一聲哈~
評論中的一些問題的回答：
1. 關(guān)于海森堡不確定性原理
不確定性原理，或者叫測不準原理，最早出自量子力學(xué)，意為在微觀世界，粒子的位置與動量不可同時被確定。但是這個原理并不局限于量子力學(xué)，有很多物理量都有這樣的特征，比如能量和時間、角動量和角度。體現(xiàn)在信號領(lǐng)域就是時域和頻域。不過更準確一點的表述應(yīng)該是：一個信號不能在時空域和頻域上同時過于集中；一個函數(shù)時域越“窄”，它經(jīng)傅里葉變換的頻域后就越“寬”。
如果有興趣深入研究一下的話，這個原理其實非常耐人尋味。信號處理中的一些新理論在根本上都和它有所相連，比如壓縮感知。如果你剝開它復(fù)雜的數(shù)學(xué)描述，最后會發(fā)現(xiàn)它在本質(zhì)上能實現(xiàn)就源于不確定性原理。而且大家不覺得這樣一些矛盾的東西在哲學(xué)意義上也很奇妙嗎，世界觀感覺就此被改變了。。
2. 關(guān)于正交化
什么是正交化？為什么說小波能實現(xiàn)正交化是優(yōu)勢?
簡單說，如果采用正交基，變換域系數(shù)會沒有冗余信息，等于是用最少的數(shù)據(jù)表達最大的信息量，利于數(shù)值壓縮等領(lǐng)域。JPEG2000壓縮就是用正交小波變換。
比如典型的正交基：二維笛卡爾坐標系的（1,0）、（0,1），用它們表達一個信號顯然非常高效，計算簡單。而如果用三個互成120°的向量表達，則會有信息冗余，有重復(fù)表達。
但是并不意味著正交一定優(yōu)于不正交。比如如果是做圖像增強，有時候反而希望能有一些冗余信息，更利于對噪聲的抑制和對某些特征的增強。
3. 關(guān)于瞬時頻率
原問題：圖中時刻點對應(yīng)一頻率值，一個時刻點只有一個信號值，又怎么能得到他的頻率呢？
很好的問題。如文中所說，絕對意義的瞬時頻率其實是不存在的。單看一個時刻點的一個信號值，當(dāng)然得不到它的頻率。我們只不過是用很短的一段信號的頻率作為該時刻的頻率，所以我們得到的只是時間分辨率有限的近似分析結(jié)果。這一想法在STFT上體現(xiàn)得很明顯。小波等時頻分析方法，如用衰減的基函數(shù)去測定信號的瞬時頻率，思想也類似。
4. 關(guān)于小波變換的缺點
這要看和誰比了。
A.作為圖像處理方法，和多尺度幾何分析方法（超小波）比：
對于圖像這種二維信號的話，二維小波變換只能沿2個方向進行，對圖像中點的信息表達還可以，但是對線就比較差，這時候ridgelet（脊波）, curvelet（曲波）等多尺度幾何分析方法就更有優(yōu)勢了。
B. 作為時頻分析方法，和HHT比：
相比于HHT等時頻分析方法，小波依然沒脫離海森堡測不準原理的束縛，某種尺度下，不能在時間和頻率上同時具有很高的精度；以及小波是非適應(yīng)性的，基函數(shù)選定了就不改了。
知識有限，暫時想到的有這些。
推薦閱讀：
