任意の関数を離散ウェーブレット変換のすべての係数に適用する：

各係数ベクトルのウェーブレット指標にも依存する記号関数を適用する：

WaveletMapIndexedはContinuousWaveletDataやDiscreteWaveletDataに使うことができる：

結果は同じタイプのウェーブレットデータオブジェクトである：

変更されたデータは逆ウェーブレット変換のような他のウェーブレット関数で使うことができる：

DiscreteWaveletDataの指定した係数だけを変換する：

指標パターン{___, 1}を使って関数を詳細化係数だけに適用する：

指標パターン{___, 0}を使って関数を粗い係数だけに適用する：

ContinuousWaveletDataの指定された係数だけを変換する：

関数を最初のオクターブ{1,_}の係数だけに適用する：

関数を2番目のオクターブかつ最初の音{2,1}に含まれる係数を除外したすべての係数に適用する：

関数 f はその第2引数としてのウェーブレット指標に依存することがある：

ウェーブレット指標に恣意的に依存する関数を定義する：

この関数を連続ウェーブレット変換係数に適用する：

リストデータについては，f の第1引数として与えられた係数はリストである：

リストを変換する関数を適用する：

多次元データの場合，係数はそれと同じ深さの配列である：

同じ深さの配列係数を変換する関数を適用する：

画像データの場合，係数は f にImageオブジェクトとして与えられる：

係数はもとの画像と同じ数のチャンネルを持つ：

画像係数を変換する関数を適用する：

サウンドデータの場合，係数は二次元配列である：

1つの係数の次元：

2つの次元はチャンネル数とそのチャンネルのウェーブレット係数を指定する：

2チャンネルデータを変換する関数を適用する：

再構築されたSoundデータ：

短い指標を持つ係数はデータ中の小スケール構造に対応する：

無作為データの静的ウェーブレット変換からのすべての小スケール係数を0にする：

逆ウェーブレット変換はスケールが大きい場合にのみ変化する：

振幅幅の低いウェーブレット係数を除くことで簡単な閾値化処理を行う：

もとのデータと比較する：

小スケールの詳細化係数を0にすることで画像をぼやけさせる：

もとの画像と比較する：

小スケールの詳細化係数を増幅させることでが画像をシャープにする：

もとの画像と比較する：

マスク画像を使って画像をシャープにしたりぼやけさせたりする：

もとの画像と比較する：

非線形関数をサウンドデータのウェーブレット係数に適用する：

逆変換で再構築されたサウンドオブジェクトを得る：

ウェーブレットに基づいた縮小を条件付き平均について行う：

細分化レベル6までの離散ウェーブレット返還を計算する：

最も細かい詳細化係数について標準偏差 を計算する：

すべてのウェーブレット係数について標準偏差 を計算する：

ガウスの混合モデルを仮定すると，分散 は 対の の比で推定できる：

一係数の縮小推定は以下で与えられる：

WaveletMapIndexedを使って詳細化係数にマップする：

閾値化信号係数を再構築する：