# 웨이블릿 변환의 주요 특징

#### 시간-주파수 국소화

웨이블릿 변환은 주어진 신호에서 특정 시점(time) 주변의 주파수 성분을 보다 효과적으로 포착할 수 있는 도구로 알려져 있다. 푸리에 변환이나 짧은 시간 푸리에 변환(STFT)과 달리 스케일(scale)이나 다중해상도(multi-resolution)의 개념을 통해, 넓은 주파수 대역은 상대적으로 긴 시간 폭으로 분석하고 좁은 주파수 대역은 짧은 시간 폭으로 분석한다. 이를 통해 신호가 특정 구간에서 가진 불연속성, 에지(edge) 정보 등을 정교하게 탐색할 수 있다. 임의의 실함수(혹은 복소함수) $f(t)$와 모함수(mother wavelet) $\psi(t)$가 주어졌을 때, 연속 웨이블릿 변환은

$$
W\_\psi(a,b)  =  \int\_{-\infty}^{\infty} f(t),\frac{1}{\sqrt{|a|}}\psi\Bigl(\frac{t - b}{a}\Bigr),dt
$$

와 같이 정의되는데, 여기서 $a$는 스케일 팩터, $b$는 시간 위치 파라미터에 해당한다. $|a|$가 작을수록 시간 해상도는 높아지고 주파수 해상도는 낮아지는 반면, $|a|$가 커질수록 시간 해상도는 낮아지지만 주파수 해상도는 높아진다. 이와 같은 스케일 조절 과정을 통해 웨이블릿 변환은 시간과 주파수 차원에서의 국소적 정보를 균형 있게 반영한다.

#### 다중해상도 특성

이산 웨이블릿 변환(DWT)은 스케일을 2진 계수로 취하는 방식을 토대로, 신호를 서로 다른 주파수 대역으로 분리하는 과정을 반복 수행한다. 이를 필터뱅크 이론과 연계해서 설명하면 저주파 통과 필터와 고주파 통과 필터를 각각 통과한 결과물을 다운샘플링 하는 구조로 이해할 수 있다. 그 결과, 저주파 대역은 더 조밀하게 샘플링되고 고주파 대역은 상대적으로 성긴 샘플링을 통해 분석된다. 이러한 다중해상도(multi-resolution) 구조는 $f(t)$의 계층적 표현을 가능하게 하며, 레벨(level)이 증가할수록 세밀한 특징을 포착할 수 있다. 또한 직교(orthogonal) 또는 준직교(orthonormal-like) 웨이블릿 계열을 사용할 경우 신호에 대한 중복(redundancy)을 줄이고 분석과 재구성이 정밀해진다.

#### 희소 표현과 에너지 집중

웨이블릿 변환은 신호의 특정 시간 구간에 존재하는 이상점(discoutinuity)이나 급격한 변화 정보를 상대적으로 적은 계수만으로 집중 표현하기 용이하다는 장점을 갖는다. 예를 들어, 급격한 에지는 고주파 대역에서 큰 웨이블릿 계수가 발생하지만 나머지 구간에서는 상대적으로 작은 계수만 발생하는 식으로 희소(sparse)하게 표현될 수 있다. 즉, 신호가 가진 주요 정보를 에너지가 잘 모이는 축으로 변환하기 때문에 잡음 제거(denoising), 압축(compression) 등 다양한 응용에 활용된다. 이러한 희소성(sparsity)은 파형이 시간축에서 짧게 수축된 모함수를 사용한다는 웨이블릿의 고유 특성 덕분이다.

#### 직교성과 에너지 보존

웨이블릿 변환은 적절한 모함수와 스케일링 함수를 설계함으로써, 변환 계열이 서로 직교(orthogonal)하거나 준직교(orthonormal-like) 관계를 가질 수 있다. 직교성을 만족하는 웨이블릿 계열을 이용하면, 신호의 에너지가 변환 전후에 보존된다는 중요한 성질을 확보할 수 있다. 예를 들어 $\mathbf{x} \in \mathbb{R}^N$라는 유한 길이 벡터 신호에 대해, 직교 웨이블릿 변환으로 얻은 웨이블릿 계수 벡터를 $\mathbf{w} \in \mathbb{R}^N$라고 할 때,

$$
|\mathbf{x}|*2^2  =  \sum*{i=1}^{N} x\_i^2  =  \sum\_{i=1}^{N} w\_i^2  =  |\mathbf{w}|\_2^2
$$

라는 등식이 성립한다. 이렇게 에너지가 정확히 보존되기 때문에, 신호를 재구성(reconstruction)하거나 노이즈 제거와 같은 후처리 작업을 수행할 때 계수 해석이 명확해진다. 뿐만 아니라 직교성은 필터뱅크 구현 시 연산 효율성을 높이는 장점을 제공한다.

#### 특이점 검출 능력

급격한 변화나 불연속점이 포함된 신호를 다룰 때, 웨이블릿 변환은 특이점(singularity)을 효과적으로 검출하는 능력을 보인다. 예를 들어 시간 영역에서 에지(edge)가 존재하는 구간은 고주파 대역에서 눈에 띄게 큰 웨이블릿 계수가 나타난다. 이러한 계수의 분포를 분석하면, 에지의 위치와 특징을 손쉽게 파악할 수 있다. 특히 2차원 영상 처리 분야에서 이미지의 선(edge)이나 코너(corner)와 같은 특징점을 검출할 때, 2차원 웨이블릿 변환을 적용해 픽셀 도단위 혹은 서브밴드(subband) 단위로 특이점을 파악하는 기법이 자주 쓰인다. 이는 모함수 자체가 짧은 시간폭에서 큰 값을 갖는 특성 덕분에 국소적 변화가 두드러지게 반영되기 때문이다.

#### 비선형 처리를 위한 유연성

신호에 포함된 노이즈나 이상치(outlier)를 제거하거나 압축하려는 목적이 있을 때, 웨이블릿 도메인에서의 비선형 연산이 단순하면서도 강력한 솔루션이 될 수 있다. 예를 들어 웨이블릿 계수에 대해 일정 임계값(threshold) 이하의 계수는 0으로 설정하고, 초과 계수만 남기는 소위 ‘하드 스레숄딩(hard thresholding)’ 또는 연속적인 수축 연산으로 정의되는 ‘소프트 스레숄딩(soft thresholding)’ 기법이 널리 쓰인다. 이러한 비선형 연산은 시간 영역에서 복잡해 보이는 필터링 과정을 상대적으로 간단한 계수 연산으로 처리할 수 있게 해주며, 필요에 따라 더 정교한 베이지안(Bayesian) 추정 방법이나 란소스(lasso) 기법도 웨이블릿 계수에 응용될 수 있다.

#### 국소기저와 유한 지지(Compact Support)

모함수와 스케일링 함수가 유한 길이(Compact Support)를 갖는 웨이블릿 계열을 사용할 경우, 시간축에서 신호를 분석할 때 국소(local) 영역의 정보를 더욱 효율적으로 반영할 수 있다. 예를 들어 다빈치(Daubechies) 계열의 웨이블릿은 짧지만 적당한 스무딩(smoothing) 성질을 갖도록 설계되어, 신호가 갖는 급격한 변화나 국소적 특징을 놓치지 않으면서도 불필요한 진동(ringing)을 완화한다. 이러한 유한 지지 특성은 필터뱅크로 구현될 때 실제 연산에서 유한 충격 응답(FIR) 필터 형태를 취하기 때문에, 연산량과 지연시간(latency)을 제어하기에도 유리하다.

#### 소멸모멘트(Vanishing Moments)의 이점

웨이블릿 계열을 설계할 때, 특정 차수 이상의 다항식을 웨이블릿 변환을 통해 사라지게(또는 정확히 표현되게) 하는 소멸모멘트(vanishing moments) 개념이 중요한 기준이 된다. 소멸모멘트가 $p$차까지 존재한다는 것은, $0$차부터 $p$차 차수의 다항식에 대해서는 웨이블릿 계수가 0이 됨을 의미한다. 가령 다빈치 웨이블릿으로 대표되는 정규(orthonormal) 웨이블릿 계열은 높은 차수의 소멸모멘트를 가지도록 설계되므로, 저주파 대역에서 부드러운 구간이 많은 신호를 변환했을 때 매우 희소(sparse)한 계수 벡터 구조가 나타난다. 이 덕분에 잡음 제거, 압축, 이상 검출 등 다양한 분야에서 웨이블릿 변환이 강력한 활용도를 갖는다.

#### Shift Invariance와 Stationary Wavelet Transform

표준적인 이산 웨이블릿 변환(DWT)은 다운샘플링 과정을 포함하므로, 입력 신호가 시간축에서 약간만 이동(shift)되어도 웨이블릿 계수가 크게 달라질 수 있다. 이는 시프트 불변성(shift invariance)이 결여된 구조 탓이다. 신호의 미세한 이동에 따라 분석 결과가 민감하게 변하면, 잡음 제거나 이상 검출과 같이 위치 정보가 중요한 응용에서 제약이 생길 수 있다. 이러한 문제를 보완하기 위해, 다운샘플링 단계를 수행하지 않는 정지 웨이블릿 변환(Stationary Wavelet Transform, SWT)이 제안되었다. SWT에서는 각 단계마다 필터를 적용하되 샘플링은 유지함으로써, 시프트 불변성을 어느 정도 확보한다. 다만 그 대가로 계수의 길이가 입력 신호 길이만큼 계속 유지되어 중복도가 커진다는 단점이 있다.

#### 실수 계수 vs. 복소 계수 웨이블릿

주로 실수 계수를 사용하는 웨이블릿 계열은 구현이 단순하고 필터뱅크로도 쉽게 연결되지만, 위상 정보를 다루는 데 제약이 생길 수 있다. 이를 해결하기 위해 복소(co-complex) 형태의 모함수를 사용하는 복소 웨이블릿 변환(Complex Wavelet Transform)이 제안되었고, 2차원 영상 처리에서는 방향성(directionality)과 위상(phasing) 정보를 더 정확하게 반영할 수 있다는 장점이 보고되었다. 예를 들어 듀얼 트리 복소 웨이블릿(Dual-Tree Complex Wavelet)은 실계수 DWT 대비 훨씬 더 적은 방향성 왜곡(aliasing)을 보이며, 에지 검출과 텍스처(texture) 분석 같은 시각적 특징 추출에 자주 활용된다. 다만 구조가 상대적으로 복잡해지고 연산량이 증가한다는 점은 트레이드오프(trade-off)로 남는다.

#### 경계 효과와 경계 조건

이산 웨이블릿 변환(DWT)을 실제 데이터에 적용할 때는 신호 혹은 이미지의 경계(단부) 부분 처리 방식이 중요하게 작용한다. 신호가 유한 길이이므로 필터 연산 시 경계 바깥쪽에 대한 정의가 필요하다. 주로 0으로 확장(Zero Padding)하거나 대칭 확장(Symmetric Extension), 또는 순환 확장(Periodic Extension) 등 여러 가지 경계 조건을 설정한다. 예를 들어 대칭 확장은 경계 바깥쪽을 신호의 마지막 구간과 대칭이 되도록 이어 붙이므로, 경계 부근에서 불필요한 진동(ringing)이나 변형(distortion)을 줄이는 데 효과적이라는 평가를 받는다. 반면에 순환 확장은 신호의 양쪽 끝을 연결해 원형 구조로 간주하므로, 주파수 해석에서는 편리하지만 시계열 분석에서 경계 근처에 인위적인 연결이 발생할 수 있다는 단점이 있다. 이러한 경계 조건은 웨이블릿 변환의 결과 계수에 직접적인 영향을 미치므로, 적용 분야와 데이터 특성에 맞게 적절히 선택하는 것이 중요하다.

#### 필터뱅크 구현의 중요성

이산 웨이블릿 변환의 필터뱅크(Filter Bank) 구현은 저주파 통과 필터와 고주파 통과 필터 한 쌍을 사용하고, 각 단계마다 다운샘플링을 수행하는 방식으로 이해할 수 있다. 시간 영역에서의 회선곱(Convolution)이나 주파수 영역에서의 곱셈 구조가 모두 동일한 결과를 나타내지만, 실제로는 시간영역 필터 뱅크 접근이 주로 활용된다. 구현 시 필터의 길이가 길어지면 경계 부근에서의 연산이 복잡해지며, 경계 처리 방법과 맞물려 연산량과 메모리 사용이 달라진다. 다빈치(Daubechies) 계열의 웨이블릿 필터는 비교적 짧고 유한 지지를 지녀, 실제 시스템에서 효율적으로 구현 가능하며 신호 재구성 과정에서의 손실이 적다. 필터뱅크 설계는 직교성, 정규성, 위상 특성 등 여러 조건을 만족해야 하므로, 용도에 따라 필터 계수와 구조를 주의 깊게 선택해야 한다.

#### 역변환(Inverse Transform)과 완전 재구성

웨이블릿 변환의 핵심 장점 중 하나는 분석(Analysis)와 합성(Synthesis) 과정이 명확히 분리되면서도, 역변환(Inverse Wavelet Transform)을 통해 원 신호를 완전히 재구성할 수 있다는 점이다. 적절한 직교(orthogonal) 웨이블릿 기저를 사용하면, 변환 과정에서의 손실(loss)이 발생하지 않고 에너지가 보존된다. 예를 들어 $\mathbf{x} \in \mathbb{R}^N$가 직교 웨이블릿 변환을 통해 $\mathbf{w} \in \mathbb{R}^N$로 사상되었다면,

$$
\mathbf{x} =  \mathbf{W}^{-1} \mathbf{w}
$$

로써 완벽하게 재구성된다. 여기서 $\mathbf{W}$는 웨이블릿 변환 연산을 의미하는 행렬(또는 필터뱅크 연산에 해당하는 조합)이다. 이는 신호에 대한 압축, 잡음 제거 후에도 복원 과정이 명확하다는 이점을 제공한다.

#### 리프팅(Lifting) 기법을 통한 효율적 구현

전통적인 필터뱅크 접근 방식 외에도, 웨이블릿 변환은 리프팅(Lifting) 기법으로 구현 가능하다. 리프팅 스킴(Lifting Scheme)은 필터 계수 연산을 단계적으로 분해해, 추가적인 메모리 연산을 줄이고 구조적인 단순화를 이룬다. 이를테면, 입력 샘플을 짝수 인덱스와 홀수 인덱스로 분할한 뒤, 홀수 인덱스 샘플을 짝수 인덱스 샘플을 이용해 예측(Predict)하고 업데이트(Update)하는 과정을 반복함으로써, 결과적으로 동일한 웨이블릿 계수를 얻게 된다. 리프팅 스킴은

```
# Pseudocode
Split x into x_even, x_odd
Predict x_odd from x_even
Update x_even from predicted x_odd
Repeat for next stages
```

형태로 단순화 가능하며, 하드웨어 구현에도 유리한 점이 있다. 게다가 리프팅 스킴은 정수 웨이블릿(Integer Wavelet Transform) 구성에도 자주 쓰여, 무손실(lossless) 이미지 압축 등에 응용 가능하다.

#### 메모리 사용량과 실시간 처리

웨이블릿 변환은 신호를 시간축 혹은 공간축에서 연속적으로 분해하므로, 처리 중간단계에서 발생하는 부분대역(subband) 계수의 저장이 필요하다. 직교 웨이블릿 변환(DWT)은 다운샘플링이 포함되어 각 계수 밴드의 길이가 점진적으로 줄어들기 때문에, 전체 메모리 부담이 크지 않은 편이다. 반면 정지 웨이블릿 변환(SWT)이나 복소 웨이블릿 변환(CWT)처럼 다운샘플링이 생략된 경우, 중복되는 계수가 증가해 메모리 사용량이 증가한다. 이를 고려해 실시간(real-time) 환경에서 구현할 때는, 필요한 밴드의 계수만을 순차적으로 처리하거나 스트리밍(streaming) 방식을 적용하는 최적화 전략이 동반된다.

#### 대표적인 웨이블릿 계열

웨이블릿 변환을 구현할 때는 서로 다른 특성을 지닌 다양한 웨이블릿 계열 중에서 용도에 맞는 모함수(mother wavelet)와 스케일링 함수를 선택하게 된다. 가장 기초적인 형태는 하르(Haar) 웨이블릿으로, 모함수가 단순한 직사 파형(step function) 형태를 띠고 있다. 하르 웨이블릿은 수식적으로 간단하나, 연속 미분이 불가능하여 에지 부근에서 진동(ringing)이 발생할 수 있다는 단점이 있다.

다빈치(Daubechies) 계열 웨이블릿은 하르 웨이블릿에서 발전된 형태로, 원하는 차수(order)에 따라 다른 길이의 유한 지지(Compact Support)를 갖도록 설계된다. 이 계열은 소멸모멘트(vanishing moments) 개념을 적극적으로 활용해, 부드러운 구간을 최소한의 계수로 표현할 수 있으며, 직교 또는 준직교 구조를 충족하도록 구성된다.

심렛(Symlets) 계열은 다빈치 계열의 불필요한 비대칭성을 완화하여, 필터의 위상 왜곡(phase distortion)을 줄이도록 설계된 웨이블릿 집합이다. 코이플렛(Coiflets)은 다빈치 웨이블릿에 비해 대칭성이 뛰어나며, 소멸모멘트의 개수에 비례해 스케일링 함수 자체가 높은 차수의 소멸모멘트를 갖도록 정밀하게 구성된다. 그 외에도 B스플라인(B-spline) 웨이블릿이나 바이오정규(Biorthogonal) 웨이블릿 등 여러 계열이 제안되어 있는데, 목적에 따라 짧은 필터 길이, 높은 정규성, 복소 구조 등에 우선순위를 두어 선택한다.