定常ウェーブレット変換を計算する：

結果のDiscreteWaveletDataは変換係数の木構造を表している：

逆変換を行うと入力が再構築される：

DiscreteWaveletDataオブジェクトから有用な特性を抽出することができる：

全特性のリストを得る：

データと係数の次元を求める：

Normalを使ってウェーブレットのすべての係数を明示的に求める：

Allを引数として使ってすべての係数を得ることもできる：

Automaticを使って逆変換に使われた係数だけを求める：

"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明らかにする：

特定の係数配列を抽出する：

ウェーブレットの指標指定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：

WaveletListPlot等の関数では，デフォルトでAutomatic係数が使われている：

周波数分解能を上げるためにより高い細分化のレベルを使う：

細分化レベルを下げるとより多くの信号エネルギーが{0,0,0}に残される：

細分化レベルをより高めると，{0,0,0}はさらに多くの成分に分解される：

いろいろなウェーブレット族を使って定常ウェーブレ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，係数を共通水平軸上でプロットする：

共通垂直軸に対してプロットする：

WaveletScalogram使い，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くると，係数指標がツールチップとして現れる：

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：

非零であるのは第1詳細化係数{1}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：

第1詳細化係数は振動している箇所を突き止める：

すべての係数を共通垂直軸に対してプロットする：

二次元定常ウェーブレット変換を計算する：

ウェーブレット係数の木を見る：

逆変換をするともとの信号に戻る：

dwd[…,"MatrixPlot"]を使って各係数をMatrixPlotとして可視化する：

より高い細分化レベルでウェーブレット係数を可視化する：

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：

垂直方向に不連続性を有するデータ：

垂直詳細化係数，つまりウェーブレット指標{…,1}のみが非零である：

水平方向に不連続性を有するデータ：

水平詳細化係数，つまりウェーブレット指標{…,2}のみが非零である：

三次元定常ウェーブレット変換を計算する：

すべての係数の木構造を見る：

逆変換でもとの信号に戻る：

三次元クロス配列のウェーブレット変換：

ウェーブレット係数を可視化する：

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配列として与えられる：

もと画像のチャンネル数と次元数は同じである：

すべての係数をデータの配列ではなく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：

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：

もとのサウンドのチャンネル数とデータの長さは等しい：

{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{0,0,1}係数の逆変換：

MenuViewを使ってすべての係数をブラウズする：

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

より精度の高い評価を使う：

WorkingPrecision->∞を使って厳密計算を行う：

ウェーブレットに基づく簡単な逆網点化：

GaussianFilterを詳細化係数に適用する：

ウェーブレット変換を使ってノイズのあるデータを微分する：

平行移動回転変換(TRT, Translation-Rotation-Transform)は線形要素を入力信号から取り除くことで境界効果を少なくするために使われる：

HaarWaveletには消失モーメントがあるので，のウェーブレット変換を行うためにこれを選ぶ：

詳細化係数がデータの微分を与える．ノイズを最小にするために細分化レベル4の係数が選ばれる：

微分された値を再スケールする：

ウェーブレットに基づいた数値微分を厳密な数値微分と比較する：

標準的なWolfram言語の数値微分と比較する：

既存画像にテクスチャを加える：

両方の画像にウェーブレット変換を行う：

2つの画像の平均を取ることで両者の詳細化係数を組み合せる：

最初の画像の粗い係数を追加する：

組合わさったウェーブレット係数の新たなDiscreteWaveletDataを構築する：

組み合せた画像を再構築する：