웨이블릿 변환이란?

연속 신호 해석에 대한 동기

신호나 함수를 해석하는 가장 전통적인 방식으로는 푸리에 변환이 있다. 푸리에 변환은 신호를 주파수 도메인에서 파악하기에 용이하지만, 시간 축의 변화를 직접적으로 반영하기는 어렵다. 즉, 주파수 성분이 시간축의 어느 부분에서 발생하는지를 파악하는 데 한계가 존재한다. 시간-주파수 해석(Time-Frequency Analysis)에 대한 필요성이 증가함에 따라 단시간 푸리에 변환(STFT) 같은 방법이 고려되었으나, 창(window)의 크기를 고정해야 하는 한계가 여전히 남아 있었다. 웨이블릿 변환은 주파수 해상도와 시간 해상도를 다양하게 적용함으로써 보다 유연하게 신호를 해석하는 방법을 제공한다.

스케일 개념의 중요성

웨이블릿 변환의 핵심 특징 중 하나는 시간 축으로의 국소화와 함께 특정 스케일(scale)에 초점을 두어 신호를 해석할 수 있다는 점이다. 스케일이란 분석 창의 크기를 유연하게 조정하는 것을 의미한다. 스케일이 작을수록 시간축에 더 세밀하게 대응하고, 스케일이 클수록 시간축보다는 주파수 영역에서의 큰 흐름을 확인하는 데 적합하다. 푸리에 변환이 모든 주파수 성분을 동시에 파악하는 것과 달리, 웨이블릿 변환은 스케일의 변화에 따라 점차적으로 주파수 해석을 수행한다.

모함수와 변환 정의

웨이블릿 변환에서 가장 중요한 개념이 되는 것이 모함수(Mother Wavelet)다. 모함수는 시프트(shift)와 스케일(scale)이라는 두 가지 변환을 적용하여 전체 신호를 분석하는 데 쓰이는 기저 함수의 원형 역할을 한다. 모함수 $\psi(t)$를 정의하고, 이를 시프트와 스케일에 따라 변형시킨 함수를 통해 신호를 분해한다.

연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)은 실수 함숫값 $f(t)$에 대해 다음과 같이 정의할 수 있다.

$$W_f(a,b) = \int_{-\infty}^{\infty} f(t)\,\psi_{a,b}(t)\, dt$$

여기서

$$\psi_{a,b}(t) = \frac{1}{\sqrt{a}} \, \psi\Bigl(\frac{t - b}{a}\Bigr)$$

• $a$는 스케일 파라미터이며,

• $b$는 시간축에서의 시프트 파라미터다.

• $1 / \sqrt{a}$는 에너지가 변하지 않도록 정규화(normalization)하는 역할을 한다.

예시: 해석 흐름도

웨이블릿 변환이 신호에 적용되는 과정을 단순화하면 다음과 같은 흐름도로 나타낼 수 있다.

해당 계수 $W_f(a,b)$들은 나중에 시간축과 주파수축(또는 스케일축)에 대한 정보를 동시에 보여주는 시간-주파수(또는 시간-스케일) 표현을 형성한다.

스케일링과 시프팅의 기하학적 의미

모함수는 파동의 형태를 가진 어떤 기본 함수이며, 이를 시간축에서 확대하거나 축소하는 과정을 스케일링이라고 한다. 스케일링 파라미터가 커지면 주파수 해상도는 높아지지만 시간 해상도는 낮아지고, 반대로 스케일링 파라미터가 작아지면 시간 해상도는 높아지지만 주파수 해상도는 낮아진다. 이는 이미지나 신호를 여러 크기로 축소·확대하여 살펴보는 과정과 유사하다. 신호의 특정 부분을 모함수를 이용해 국소적으로 살피기 위해서는 시프트 파라미터를 통해 모함수를 시간축에서 평행 이동시키는 절차가 필요하다. 이 과정을 통해 원하는 시간 영역과 스케일(주파수 영역)에 초점을 맞춘 분석이 가능해진다.

웨이블릿 변환의 시간-주파수 해상도

웨이블릿 변환이 가지는 가장 큰 장점 중 하나는 시간축과 주파수축에서의 해상도가 스케일에 따라 동적으로 변한다는 것이다. 스케일 파라미터가 작은 구간, 즉 고주파 대역에서는 짧은 창 길이를 사용하여 높은 시간 해상도를 확보한다. 반면, 스케일 파라미터가 큰 구간, 즉 저주파 대역에서는 긴 창 길이를 사용하여 높은 주파수 해상도를 확보한다. 이러한 특성은 짧은 구간에 급격한 변화가 빈번히 일어나는 신호(가령, 충격파나 스파이크 등)를 분석할 때 매우 유용하다. 동시에, 긴 구간에 완만한 변화를 보이는 저주파 성분에 대해서도 충분히 정밀한 분석이 가능하다.

역변환과 완전 복원

웨이블릿 변환은 일종의 선형 변환(linear transform)으로서, 특정 조건을 만족하는 모함수와 적절한 정규화 계수를 사용하면 역변환을 통해 원신호를 정확히 복원할 수 있다. 이를 위해서는 모함수 $\psi(t)$가 해석 가능(admissible)해야 하는데, 일반적으로 다음 조건을 충족해야 한다.

$$\int_{-\infty}^{\infty} \psi(t)\, dt = 0$$

이른바 ‘밸런스가 맞는’ 모함수일수록 특정 주파수 대역에서 에너지가 집중되며, 이를 통해 스케일 변화에 따른 적절한 주파수 해석이 가능해진다. 모함수와 그 스케일·시프트 함수 집합이 만족해야 하는 이런 조건들은 웨이블릿 변환을 이용한 완전한 복원성을 이론적으로 보장한다.

다중해상도 해석(Multiresolution Analysis) 개념

웨이블릿 변환에서 특히 주목받는 이론적 기반 중 하나는 다중해상도 해석(Multiresolution Analysis, MRA)이다. 다중해상도 해석에서는 신호를 서로 다른 해상도(resolution) 단계별로 살펴볼 수 있게 구성한다. 시간축을 여러 단계로 나누면서 각 단계에서 세부 성분과 큰 흐름을 분리하여 동시에 관찰하는 방식이다. 이를 실현하기 위해서는 먼저 특정 스케일에서 신호를 근사화(approximation)하고, 나머지 세부 정보(detail)를 차이(difference)로 표현하는 과정을 반복한다. 이렇게 하면 낮은 스케일(고주파)에 대한 분석과 높은 스케일(저주파)에 대한 분석을 체계적으로 함께 수행할 수 있다.

다중해상도 해석은 이산 웨이블릿 변환(DWT)과 밀접한 관련이 있다. 일반적으로 이산 웨이블릿 변환은 필터뱅크(Filter Bank)를 통해 신호를 스케일과 주파수 대역별로 분리한다. 이러한 과정은 연속 웨이블릿 변환(CWT)과 달리 컴퓨터 기반 처리를 위한 디지털 형태로 구현되는데, 이때도 모함수와 스케일·시프트에 의해 정의되는 기저 함수를 사용한다. 다만 이산적인 스케일과 시프트를 적용한다는 차이가 있다.

대표적인 웨이블릿 계열

웨이블릿 변환을 활용하는 데 있어 어떤 모함수를 선택하느냐가 매우 중요하다. 직관적이고 간단한 예로는 Haar 웨이블릿이 있다. Haar 웨이블릿은 사각함수 형태로, 단순하지만 해석적으로 다소 거친 면이 있다. 좀 더 부드러운 모함수를 제공하는 웨이블릿으로 Daubechies 계열이 있으며, 이 웨이블릿들은 스케일링 함수와 모함수의 직교성(orthogonality)을 만족하고 여러 차수(order)에 따라 서로 다른 특성을 보인다.

모함수가 달라질 때 스케일 및 시프트를 적용하여 얻어지는 기저 함수들이 갖는 위상 특성, 중심 주파수, 지지(support)의 길이 등이 달라지고, 이에 따라 특정 신호에 대한 분석 효율이 달라진다. 해석 대상 신호의 특성(불연속 신호, 잡음 제거, 패턴 인식 등)에 따라 적절한 모함수를 선택해야 한다. 이러한 기본 웨이블릿 계열은 서로 다른 해석 능력과 수학적 특성을 바탕으로 폭넓게 사용되고 있다.

특이점 검출과 웨이블릿 변환

웨이블릿 변환은 신호에 잠재된 불연속점, 급격한 변화(에지) 등의 특이점을 효과적으로 검출하는 데도 유용하다. 푸리에 변환이나 단시간 푸리에 변환으로는 특정 구간에서 발생하는 급격한 변화를 명확히 포착하기 어려운 경우가 많다. 웨이블릿 변환은 시간 구간을 세밀하게 보며 스케일에 따른 세부 정보를 얻을 수 있으므로, 특이점 검출이나 이상 징후 감시에 탁월한 성능을 보인다. 특히, 고주파 대역에서 발생하는 급격한 변화는 작은 스케일을 적용한 웨이블릿 계수로부터 쉽게 포착될 수 있다.

비정상 신호 분석과 웨이블릿 변환

웨이블릿 변환은 고정된 주파수 성분을 가진 정상(stationary) 신호보다, 시간에 따라 주파수 특성이 달라지는 비정상(non-stationary) 신호에 더욱 적합하다. 비정상 신호에서는 특정 시간 구간에만 의미 있는 주파수 성분이 나타나는 경우가 많다. 예를 들어, 짧은 충격파가 발생하는 음향 신호나 진동 신호를 해석할 때, 웨이블릿 변환은 해당 구간에서 스케일을 줄여 높은 시간 해상도로 세밀하게 분석하는 한편, 다른 구간에서는 더 넓은 스케일로 전체적인 추세를 파악한다. 이처럼 다차원적인 해석이 가능하다는 점이 웨이블릿 변환의 가장 큰 장점 중 하나이다.

웨이블릿 변환 결과의 시각화

웨이블릿 변환 결과는 시간-스케일(time-scale) 평면에서 웨이블릿 계수로 나타낼 수 있다. 이를 시간-주파수(time-frequency) 평면으로 해석하기도 하는데, 스케일을 주파수에 대응시키는 변환 관계를 통해 2차원 상에서 계수의 세기를 색깔이나 높이로 표시하는 기법을 활용한다. 계수가 큰 구간은 해당 시간과 주파수(또는 스케일)에서 신호의 에너지가 집중된다는 의미를 가진다. 이러한 시각화 기법은 신호 분석뿐 아니라 이미지 처리, 패턴 인식 등 다양한 분야에서 효율적인 정보를 제공한다.