# 고주파 성분과 저주파 성분의 분리

웨이블릿 변환은 신호를 고주파 성분과 저주파 성분으로 분리하는 데 매우 효과적인 도구이다. 이 과정은 신호의 세부 정보와 전체적인 윤곽을 파악하는 데 유용하며, 데이터 압축, 노이즈 제거, 패턴 인식 등 다양한 응용에 활용된다.

#### 신호의 분해 원리

신호 $\mathbf{x}$를 고주파와 저주파 성분으로 분리하기 위해 웨이블릿 변환은 필터 뱅크(filter bank) 방식을 사용한다. 이 방법에서 신호는 다음과 같은 두 가지 필터를 통과하게 된다:

1. **저역통과 필터 (Low-pass filter, $\mathbf{g}$)**: 신호의 저주파 성분을 통과시켜 신호의 전체적인 구조나 윤곽을 나타내는 성분을 추출한다. 이를 **상향 성분**(approximation coefficients)이라 한다.
2. **고역통과 필터 (High-pass filter, $\mathbf{h}$)**: 신호의 고주파 성분을 통과시켜 신호의 세부 정보나 변동성을 나타내는 성분을 추출한다. 이를 **세부 성분**(detail coefficients)이라 한다.

이를 수식으로 나타내면, 이산 웨이블릿 변환(DWT)은 다음과 같이 표현할 수 있다:

$$
\mathbf{a} = \mathbf{x} \ast \mathbf{g}
$$

$$
\mathbf{d} = \mathbf{x} \ast \mathbf{h}
$$

여기서, $\mathbf{a}$는 저주파 성분(상향 성분)을 나타내고, $\mathbf{d}$는 고주파 성분(세부 성분)을 나타낸다. $\ast$는 필터링 연산을 의미한다.

#### 필터링과 다운샘플링

신호를 분해할 때 필터링만 수행하는 것이 아니라, 결과를 효율적으로 저장하기 위해 **다운샘플링**(downsampling)을 적용한다. 다운샘플링은 신호의 샘플 수를 절반으로 줄이는 과정으로, 저주파 및 고주파 성분에서 불필요한 데이터 중복을 제거한다.

다음은 필터링과 다운샘플링을 함께 적용한 결과를 나타낸다:

$$
\mathbf{a}\[n] = \sum\_{k} \mathbf{x}\[k] \cdot \mathbf{g}\[2n - k]
$$

$$
\mathbf{d}\[n] = \sum\_{k} \mathbf{x}\[k] \cdot \mathbf{h}\[2n - k]
$$

여기서 $\mathbf{a}\[n]$과 $\mathbf{d}\[n]$은 각각 저주파 성분과 고주파 성분의 다운샘플링된 결과이다. 이 과정은 신호의 중요한 특징을 유지하면서도 데이터의 크기를 효율적으로 줄이는 역할을 한다.

#### 필터 뱅크 구조

웨이블릿 변환에서 사용되는 필터 뱅크 구조는 다단계 분석을 가능하게 한다. 일반적으로 신호는 저역통과 필터와 고역통과 필터를 거친 후 다운샘플링 되는데, 이 과정을 반복하면 신호를 여러 해상도 레벨에서 분석할 수 있다. 이러한 구조는 **다중 해상도 분석**(Multi-Resolution Analysis, MRA)이라 불리며, 신호의 다양한 세부 정보를 더욱 세밀하게 추출할 수 있게 해준다.

다음은 필터 뱅크 구조의 다이어그램이다:

{% @mermaid/diagram content="graph TD;
X\[신호 \mathbf{x}] --> A1\[저역통과 필터 \mathbf{g}] --> D1\[저주파 성분 \mathbf{a\_1}];
X --> B1\[고역통과 필터 \mathbf{h}] --> E1\[고주파 성분 \mathbf{d\_1}];
D1 --> A2\[저역통과 필터 \mathbf{g}] --> D2\[저주파 성분 \mathbf{a\_2}];
D1 --> B2\[고역통과 필터 \mathbf{h}] --> E2\[고주파 성분 \mathbf{d\_2}];" %}

여기서:

* $\mathbf{a\_1}$와 $\mathbf{d\_1}$은 첫 번째 레벨에서 추출된 저주파와 고주파 성분을 나타낸다.
* 이후 저주파 성분 $\mathbf{a\_1}$에 대해 동일한 필터링 과정을 반복하여 $\mathbf{a\_2}$와 $\mathbf{d\_2}$를 얻는다.

이 구조를 통해 고해상도에서 저해상도로의 변화를 단계별로 세분화할 수 있으며, 각각의 단계에서 신호의 다른 주파수 성분을 분석할 수 있다.

#### 역변환 (Reconstruction)

분해된 저주파 및 고주파 성분을 다시 원래의 신호로 복원하는 과정을 **역 이산 웨이블릿 변환**(Inverse Discrete Wavelet Transform, IDWT)이라고 한다. 이 과정은 저역통과 필터와 고역통과 필터를 사용하여 분해의 역순으로 수행된다. 저주파 성분과 고주파 성분을 업샘플링(up-sampling)하고, 각 필터를 거쳐 합산하여 원래 신호를 복원한다.

역변환의 수식은 다음과 같다:

$$
\mathbf{x}\[n] = \sum\_{k} \left( \mathbf{a}\[k] \cdot \mathbf{g}\[n - 2k] + \mathbf{d}\[k] \cdot \mathbf{h}\[n - 2k] \right)
$$

여기서 업샘플링된 신호의 결과를 다시 필터링하여 합산하는 방식으로 원래 신호 $\mathbf{x}$를 복원한다.

#### 신호 재구성의 중요성

분해와 재구성 과정의 가장 중요한 특징은 **손실 없는 복원 가능성**이다. 즉, 웨이블릿 변환은 필터링과 다운샘플링을 통해 신호를 분해할 때, 정보의 손실 없이 원래 신호를 완벽하게 복원할 수 있도록 설계되어야 한다. 이 특징은 데이터 압축이나 이미지 처리와 같은 응용 분야에서 매우 중요하다.

특정 웨이블릿 함수와 필터의 선택에 따라 신호의 분리 특성이 달라지며, 이러한 특성을 최적화하는 것은 다양한 응용에서 중요한 고려 사항이다.

#### 고주파 성분과 저주파 성분의 특징 분석

고주파 성분과 저주파 성분은 신호의 특성을 이해하는 데 중요한 역할을 한다. 이 두 성분은 신호에서 다음과 같은 정보를 제공한다:

1. **저주파 성분 (상향 성분)**:
   * 저주파 성분은 신호의 전체적인 형태나 윤곽을 나타낸다. 이 성분은 일반적으로 낮은 주파수 대역의 정보를 포함하고 있어, 이미지의 경우 배경이나 큰 영역의 색상 변화를 표현한다.
   * 예를 들어, 이미지의 밝기 분포와 같은 정보를 유지하며, 해상도를 줄여도 원본의 구조를 유지할 수 있다.
   * 저주파 성분은 신호가 여러 스케일에서 어떠한 패턴을 가지는지 파악하는 데 유용하며, 이를 통해 **다중 해상도 분석**이 가능해진다.
2. **고주파 성분 (세부 성분)**:
   * 고주파 성분은 신호의 급격한 변화나 세부적인 정보를 나타낸다. 이는 신호의 가장자리(edge)나 작은 세부 패턴, 이미지의 경우 텍스처(texture)를 포함한다.
   * 고주파 성분은 노이즈를 포함할 수 있으며, 이러한 성질을 활용해 노이즈 제거(denoising) 작업에서 중요하게 사용된다. 중요한 특징을 유지하면서 노이즈를 제거하기 위해 고주파 성분에서 필요 없는 부분을 필터링할 수 있다.
   * 신호 분석에서 고주파 성분의 집중된 영역은 신호 내에서 급격한 변동이 발생하는 부분을 의미하며, 이는 패턴 인식이나 경계 검출과 같은 응용에 활용될 수 있다.

#### 다중 해상도 분석을 통한 신호 분리 예제

웨이블릿 변환의 장점 중 하나는 다중 해상도 분석을 통해 신호를 다양한 해상도로 분리할 수 있다는 것이다. 이는 다음과 같은 방식으로 설명할 수 있다:

1. 신호 $\mathbf{x}$는 첫 번째 레벨에서 저주파 성분 $\mathbf{a\_1}$와 고주파 성분 $\mathbf{d\_1}$로 분리된다.
2. 저주파 성분 $\mathbf{a\_1}$은 더 낮은 해상도로 계속 분리되어 $\mathbf{a\_2}$와 $\mathbf{d\_2}$를 생성한다.
3. 이 과정은 원하는 레벨까지 반복할 수 있으며, 최종적으로 신호는 다양한 스케일에서의 저주파 및 고주파 성분의 집합으로 표현된다.

이와 같은 다단계 분해는 신호를 다각도로 분석할 수 있게 해주며, 특히 시간에 따라 주파수 성분이 변화하는 신호의 특성을 파악하는 데 유용하다.

#### 이산 웨이블릿 변환의 특징

고주파와 저주파 성분의 분리와 관련된 이산 웨이블릿 변환의 중요한 특징을 요약하면 다음과 같다:

* **국소화(Localization)**: 시간과 주파수 영역에서 신호를 동시에 국소화할 수 있어, 특정 시간대의 특정 주파수 정보를 추출하는 데 적합한다. 이는 특히 비정상 신호(non-stationary signal)에 대한 분석에서 유리한다.
* **효율성(Efficiency)**: 필터링과 다운샘플링 과정을 통해 데이터를 압축하고, 필요한 정보만을 유지할 수 있다. 이는 데이터 전송 및 저장 비용을 줄이는 데 기여한다.
* **다단계 처리(Multi-Level Decomposition)**: 신호를 여러 단계로 분해하여 다양한 해상도로 분석할 수 있어, 신호의 구조적 패턴을 다양한 스케일에서 이해하는 데 도움을 준다.

이러한 특징들 덕분에 이산 웨이블릿 변환은 이미지 처리, 오디오 신호 분석, 데이터 압축, 그리고 데이터의 잡음 제거와 같은 분야에서 널리 사용되고 있다.