有用的属性可以从 DiscreteWaveletData 对象中提取：

获取属性组成的完整列表：

获取数据和系数维度：

使用 Normal 来明确地获取所有小波系数：

另外，也使用 All 作为一个变量以获取所有系数：

使用 Automatic 仅获取在逆变换中使用的系数：

使用 "TreeView" 或者 "WaveletIndex" 来查看可用的小波系数：

提取特定的系数数组：

提取对应于小波指标指定的某些小波系数：

提取小波指标匹配一个模式的所有系数：

使用一个更高的精细度来增加频率分辨率：

在较小的精细度下，更多的信号能量留在 {0,0} 中：

在进一步修正下，{0,0} 被分解为更多的分量：

使用不同小波群，计算小波包变换：

比较系数：

使用不同小波群来获取不同的特色：

HaarWavelet （默认）：

DaubechiesWavelet:

BattleLemarieWavelet:

BiorthogonalSplineWavelet:

CoifletWavelet:

MeyerWavelet:

ReverseBiorthogonalSplineWavelet:

ShannonWavelet:

SymletWavelet:

使用 WaveletListPlot 在共用水平轴上绘制系数：

纵坐标为共用垂直轴：

使用 WaveletScalogram 将系数可视化为一个关于时间和精细度的函数：

当鼠标指针移过一个系数时，系数指标作为工具提示条出现：

常量数据：

所有系数都是小的，除了粗系数 {0,0,…}：

数据在最高可分辨频率（Nyquist 频率）处振荡：

只有第一个细系数 {1} 和它的粗子系数 {1,0,0,…} 不小：

具有大不连续性的数据：

粗系数 {0,…} 具有和数据相同大规模的结构：

细系数对不连续点敏感：

具有空间和频率结构的数据：

粗系数 {0,…} 跟踪数据的局部均值：

第一个细系数 {1} 和它的粗子系数 {1,0,…} 表示振荡：

在一个共用垂直轴上的所有系数：

计算一个二维平稳小波包变换：

查看小波系数组成的树：

逆变换以取得原始信号：

使用 dwd[…,"MatrixPlot"] 将每个系数可视化为一个 MatrixPlot：

可视化对角细系数 {3} 和它的子系数 {3,__}：

在二维情况下，在每个方向上滤波器操作的向量可以被计算：

将这些向量解释为二进制数字展开，我们得到了小波指标数字：

获取 Haar 小波的低通和高通滤波器：

所得的二维滤波器是二个方向上的滤波器的外积：

步骤数据的小波变换：

具有垂直不连续性的数据：

所有水平和对角细系数，小波指标 {___,2|3,___}，为零：

具有水平不连续性的数据：

所有垂直和对角细系数，小波指标 {___,1|3,___} 是零：

计算一个三维小波包变换：

列出所有计算得到的小波系数：

逆变换以取得原始信号：

一个三维交叉数组的小波变换：

可视化低通小波系数 {___,0}：

原始数据的能量在变换后的系数内的守恒的：

对 Audio 对象进行变换：

逆变换给出重建的音频信号：

默认情况下，对于每个声音通道，以数据列表形式给出系数：

以 Audio 对象形式获取 {1,1} 系数：

作为 Audio 对象对 {1,1} 系数进行逆变换：

对 Sound 对象进行变换：

逆变换给出重建的音频对象：

用 MenuView 查看所有系数：

对一个 Image 对象进行变换：

逆变换给出一个重构 Image 对象：

小波系数作为数据列表对每个图像通道给出：

将所有系数作为 Image 对象得到：

获取原始 Image 对象，而不对颜色层级进行重新调整：

将 {0,1} 系数的逆变换作为一个 Image 对象得到：

默认情况下，使用 WorkingPrecision->MachinePrecision：

使用高精度计算：

使用 WorkingPrecision->∞ 以进行精确计算：