计算一个平稳小波变换：

所得的 DiscreteWaveletData 表示一个由变换系数组成的树：

逆变换对输入进行重新构建：

可以从 DiscreteWaveletData 对象提取有用的属性：

获取一个由属性组成的完整列表：

获取数据和系数的维度：

使用 Normal 以明确获取所有小波系数：

也使用 All 作为一个变量以获取所有系数：

使用 Automatic 仅获取在逆变换中所用的系数：

使用 "TreeView" 或者 "IndexMap" 来找到可用的小波系数：

提取特定的系数数组：

提取对应于小波索引组成的列表的某些小波系数：

提取小波索引匹配一个模式的所有系数：

默认情况下，Automatic 系数在函数如 WaveletListPlot 中使用：

使用一个较高的精细度来增加频率分辨率：

在较小的精细度下，信号的更多能量留在 {0,0,0} 中：

在更进一步修正下，{0,0,0} 被分解为更多分量：

使用不同小波群，计算平稳小波变换：

比较系数：

使用不同的小波群来捕获不同的特点：

HaarWavelet （默认）：

DaubechiesWavelet：

BattleLemarieWavelet：

BiorthogonalSplineWavelet：

CoifletWavelet：

MeyerWavelet：

ReverseBiorthogonalSplineWavelet：

ShannonWavelet：

SymletWavelet：

使用 WaveletListPlot 在一个共用水平轴上绘制系数：

对于纵坐标，绘制一个共用垂直轴：

使用 WaveletScalogram，将系数可视化为以时间和精细度为变量的函数：

当鼠标指针移过一个系数时，系数指数作为工具提示条出现：

常量数据：

所有系数都很小，除了粗系数 {0,0,…}：

数据在最高可解析频率处振荡（Nyquist 频率）：

只有第一个细系数 {1} 非零：

具有大的不连续性的数据：

粗系数 {0,…} 具有和数据相同的大规模结构：

细系数对不连续性敏感：

具有空间和频率结构的数据：

粗系数 {0,…} 对数据的局部均值进行跟踪：

第一个细系数识别了振荡区域：

所有系数在一个共用的垂直轴上：

计算一个二维平稳小波变换：

查看小波系数组成的树：

进行逆变换以得到原先的信号：

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

将小波系数在较高的精细度上可视化：

在二维情况下，可以计算在每个方向上的滤波器操作的向量：

将这些向量解释为二进制数字展开，我们就获得了小波索引数字：

获取一个 Haar 小波的低通和高通滤波器：

所得的二维滤波器是在两个方向上的滤波器的外积：

step 数据的小波变换：

具有一个垂直不连续性的数据：

只有垂直细系数，小波索引 {…,1}，是非零的：

具有水平不连续性的数据：

只有水平细系数，小波索引 {…,2}，是非零的：

计算一个三维平稳小波变换：

查看所有系数组成的树：

进行逆变换以得到原先的信号：

三维十字形矩阵的小波变换：

可视化小波系数：

原数据的能量保留在变换的系数内：

对一个 Image 对象进行变换：

逆变换产生一个重建的 Image 对象：

对于每个图像通道，小波系数通常作为数据数组给出：

通道数目和原始图像的维度是相同的：

将所有系数作为 Image 对象而不是数据数组得到：

获取原始的 Image 对象，而不对颜色层级重新进行尺度调整：

将 {0,1} 系数的逆变换作为一个 Image 对象得到：

对一个 Sound 对象进行变换：

逆变换产生一个重建的 Sound 对象：

默认情况下，对每个声音通道，系数作为数据列表给出：

通道数目和原始声音中的数据长度是相同的：

将 {0,1} 系数作为一个 Sound 对象得到：

{0,0,1} 系数作为一个 Sound 对象进行逆变换：

使用 MenuView 浏览所有系数：

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：

一个简单的基于小波变换的逆半调：

在细系数上应用 GaussianFilter ：

使用小波变换微分噪声数据：

通过从输入信号减去线性成分使用翻译-旋转-变换（Translation-Rotation-Transform (TRT) ）减少边界效应：

因为 HaarWavelet 有一个消失矩，选择它来进行在 上的小波变换：

细节系数给出数据的微分. 选择精细层4的系数最小化噪声：

重新调整微分值：

比较基于小波的数值微分和全微分：

比较标准的 Wolfram 语言数值微分：

为一现存图像添加纹理：

对两个图像进行小波变换：

通过采用均值来组合两个图像的细节系数：

追加第一个图像的粗系数：

构建一个组合小波系数新的 DiscreteWaveletData：

重建组合图像：