Daubechies 웨이블릿
일반적 정의와 역사
Daubechies 웨이블릿은 수학자 Ingrid Daubechies가 고안한 직교 웨이블릿 계열로서, 컴팩트 지지(Compact Support)를 가지면서도 스케일링 함수와 웨이블릿 함수가 동시에 직교성을 만족하도록 만들어진 것이 핵심이다. 직교성을 갖는다는 것은 시간축에서 서로 다른 스케일이나 이동에 대해서 상호 내적이 0이 되도록 구성되는 것을 의미한다. 이를 통해 잡음 억제나 신호 분해와 같은 목적에 더욱 높은 효율성을 보이게 되며, 특히 푸리에 변환과 달리 시간-주파수 해상도를 조절할 수 있다는 점에서 유용하다.
시간영역에서 지지가 유한하기 때문에 한정된 구간 바깥에서는 함수값이 0이 되며, 이 특성 덕에 실제 신호 분석시 계산 효율이 높고 자료 손실이 적은 장점이 존재한다. 이러한 특성은 Daubechies 웨이블릿이 많은 응용 분야에서 사실상의 표준으로 자리 잡은 이유 중 하나다. 또한 다중 해상도 분석(Multi-Resolution Analysis, MRA) 과정에서 이상적인 필터뱅크(Filter Bank)의 특성을 만족하도록 설계된 점이 수학적으로나 실용적으로 큰 의미를 지닌다.
Daubechies 웨이블릿 계열은 웨이블릿의 길이 혹은 차수를 결정하는 매개변수로 표시된다. 예를 들어 Daubechies 2(DB2), Daubechies 4(DB4) 등으로 표기하는데, 이는 웨이블릿과 스케일링 필터의 차수가 어떻게 설정되었는지를 말해 주는 지표다. 차수가 올라갈수록 소위 ‘소멸 모멘트(Vanishing Moments)’가 많아져서 저주파 성분과 고주파 성분을 더 예민하게 구분할 수 있다. 그러나 차수가 너무 높으면 필터 길이가 길어져서 시간 영역에서 과도하게 넓은 지지를 가질 수 있으므로, 실제로는 분석 목적에 맞는 차수를 적절히 선택하는 일이 중요하다.
기초 이론적 구성
Daubechies 웨이블릿은 기본적으로 다항식 근사 능력과 관련된 정규성(Regularity), 그리고 시간영역에서의 컴팩트 지지를 동시에 만족하는 스케일링 함수 $\phi(t)$와 웨이블릿 함수 $\psi(t)$를 구성하는 것이 골자다. 일반적으로 스케일링 함수 $\phi(t)$는 자기 유사성 관계인
를 충족한다. 여기서 ${ h_k }$는 스케일링 필터 계수 집합이며, 이는 직교나 최소 위상성 같은 조건을 만족하면서 해석적으로 결정된다.
웨이블릿 함수 $\psi(t)$는
로 정의되며, ${ g_k }$는 웨이블릿 필터 계수 집합이다. 이 계수들은 일반적으로 $g_k = (-1)^k h_{N-1-k}$ (또는 이와 유사한 형태)로 주어지는데, 이는 하이패스 필터가 저주파 영역을 전부 거르는 대신 고주파 성분을 통과시키도록 설계된 결과다.
스케일링 함수 $\phi(t)$와 웨이블릿 함수 $\psi(t)$가 직교성을 만족하게 하려면 다음과 같은 내적 조건을 만족해야 한다.
여기서 $\delta_{nm}$은 크로네커 델타로서 $n = m$일 때 1, 아닐 때 0이 된다. Daubechies 계열에서는 이러한 조건이 동시에 충족되도록 필터 계수를 최적화하여 얻는다.
필터뱅크 구조
Daubechies 웨이블릿 분석은 일반적으로 2개의 필터와 다운샘플링(2:1 비율)을 조합하여 구현된다. 스케일링 필터에 해당하는 로우패스(Low-pass) 필터 $h_k$와 웨이블릿 필터에 해당하는 하이패스(High-pass) 필터 $g_k$를 통해 신호 $\mathbf{x}$가 두 개의 부분대역으로 분할된다.
시간영역에서의 필터뱅크 수행 과정을 단순화하여 표현하면 다음과 같은 의사 코드 형태가 될 수 있다.
시간영역에서의 필터 결과는 approximation 계수(저주파 성분)와 detail 계수(고주파 성분)로 각각 저장된다. 이러한 아이디어가 다중 해상도 분석으로 이어지며, 더 높은 층의 분석을 위해 approximation 계수를 재귀적으로 분해해 나가는 방식이 적용된다.
계수 결정 원리
Daubechies 웨이블릿 계열의 필터 계수는 몇 가지 핵심 조건을 동시에 만족하도록 설계된다. 직교성, 컴팩트 지지, 높은 소멸 모멘트(Vanishing Moments) 등을 고려하여 $h_k$ 계수를 유도하는 과정은 다항식 근사성과도 연결된다. 시간영역에서 스케일링 함수 $\phi(t)$가 컴팩트 지지를 가지도록 하려면, 필터 길이가 유한하며 그 외 구간에서는 함수값이 0이 되도록 설정되어야 한다. 이때 $\phi(t)$와 $\psi(t)$의 직교성과 정규화를 동시에 달성하기 위해서 필터 계수들이 어떤 성질을 만족해야 하는지 해석적으로 접근하면 파라메터 스페이스가 자연스럽게 제한된다.
대체로 Daubechies $N$계열의 필터 계수를 구하기 위해서는 스케일링 다항식(P-splines 등)과 정규성(Regularity) 조건을 함께 고려한다. 필터 계수를 ${h_0, h_1, \dots, h_{2N-1}}$라 할 때, 이 계수들이 각종 유도방정식을 만족하도록 구성해야 한다. 예를 들어 스케일링 함수의 자기 유사성 방정식과 직교성 조건, 여러 차수의 적분이 0이 되는 소멸 모멘트 조건 등이 동시에 적용된다. 계수값은 실질적으로 적분 변환이나 다항 근사도, 또는 방정식 풀기를 통해 수치적으로 구해지기도 한다.
자기 유사성 방정식에 필터 계수를 대입해 나가면 계수 집합이 수많은 다항 방정식을 만족해야 하며, 각 계수 사이에는 특정 비선형 관계가 형성된다. 실제 해를 구하는 데는 흔히 다항식 근사나 적분 조건을 연결한 수치 해석 기법이 동원되며, $N$이 커질수록 해석적 접근보다는 수치적인 최적화 과정을 거치는 경우가 많다. 이렇게 구해진 ${h_k}$는 웨이블릿 필터 ${g_k}$와도 밀접한 연관성이 있으므로, 최소 위상(Minimum Phase) 조건 또는 대칭성(Symmetry) 조건 등을 추가로 적용할 수도 있다.
Daubechies 계열에서 가장 기초적인 모델인 DB2의 필터 계수는 비교적 짧고 단순하며, DB4처럼 차수가 높아질수록 필터 길이가 늘어나고 그만큼 표현력이 좋아진다. 다만 차수가 커지면 필터 계수가 길어져 시간축에서 계산 부담이 커질 수 있다는 점이 실용적 관점에서 고려된다. 결과적으로 스케일링 필터 계수는 낮은 차수에서도 직교성과 소멸 모멘트를 만족하며, 여러 조건 간 절묘한 균형점을 찾는 과정이 Daubechies 웨이블릿 설계의 본질이라 할 수 있다.
소멸 모멘트(Vanishing Moments)와 다항 근사
Daubechies 웨이블릿을 설계할 때 핵심적으로 고려되는 개념이 소멸 모멘트다. 소멸 모멘트 개수가 높다는 것은 웨이블릿 함수 $\psi(t)$의 적분이 특정 차수의 다항식에 대하여 모두 0이 된다는 것을 의미한다. 예를 들어 웨이블릿 함수가 $p(t)$라는 다항식에 대해
를 만족하면, 웨이블릿은 해당 차수의 다항식을 완전히 거르도록 동작한다. 이 특성은 신호의 저차 다항 성분(예: 직선, 2차곡선 등)을 잘 분리하고 억제할 수 있게 함으로써 노이즈 제거나 트렌드 분석 시 유리하게 작용한다.
차수가 $M$인 Daubechies 웨이블릿(예: DB$M$)의 경우, 보통 $M$개의 소멸 모멘트를 가지도록 설계된다. 이는 다시 말해 0차(상수항)부터 $(M-1)$차 다항식까지 모두 적분값이 0이 된다는 뜻이다. 만일 DB4 웨이블릿이라면 0차, 1차, 2차, 3차 다항식에 대한 적분이 0이 된다. 필터 계수가 늘어날수록 이와 같은 조건을 만족하기 위한 제약이 커지며, 그 결과 DB8이나 DB10과 같이 더 높은 차수로 갈수록 필터 길이 역시 길어진다. 반면 필터의 길이가 길어지면 시간축에서의 국소성이 떨어질 가능성이 있으므로, 소멸 모멘트 수와 실제 응용 시 요구되는 시간 해상도 사이의 균형점이 필요하다.
또 다른 관점에서는, 소멸 모멘트가 많을수록 스케일링 함수 $\phi(t)$가 높은 차수의 다항식을 잘 근사한다는 점과 연결된다. 스케일링 함수 $\phi(t)$를 여러 스케일에서 합성하면 다양한 스케일로 다항식을 근사할 수 있다. 이때 웨이블릿 함수 $\psi(t)$가 저차 다항식을 거르는 역할을 수행함으로써, 다항식 근사를 보강하거나 잡음 성분을 분리하는 식의 해석적 이점을 제공하게 된다.
프리퀀시 도메인 특징
Daubechies 웨이블릿은 주파수 영역에서도 특정 특성을 지닌다. 일반적으로 스케일링 필터 $h_k$가 저주파를 통과시키고 웨이블릿 필터 $g_k$가 고주파를 통과시킨다. 주파수 응답 관점에서 보면 스케일링 필터는 대역 통과 필터 중에서도 로우패스 영역이 최대한 부드럽고 안정적으로 되도록 설계된다. 따라서 에너지 집약도가 저주파 영역에 많이 분포된 신호를 분해할 때 효과적이다.
직교성을 만족하는 필터들은 주파수 축에서 자기상관(auto-correlation)이 최소화되어, 다른 스케일이나 다른 채널과 중첩되어도 상호 간섭이 적다. 이는 복원 과정에서 각 채널 간의 혼선(crosstalk)을 줄이는 데 결정적으로 작용한다. 주파수 응답에서 계수가 늘어날수록 로우패스 필터나 하이패스 필터 각각의 대역 거동이 좀 더 날카롭고 세부적인 분해가 가능해진다. 이 역시 시간영역 분석과 동일하게 차수 선택 문제와 직결되는 주제다.
다중 해상도 분석(MRA)에서의 활용
Daubechies 웨이블릿은 다중 해상도 분석(MRA, Multi-Resolution Analysis) 기법에서 표준적으로 쓰인다. 신호 $\mathbf{x}$가 주어졌을 때, 가장 먼저 스케일링 필터(로우패스)와 웨이블릿 필터(하이패스)를 적용해 저주파 성분(approximation)과 고주파 성분(detail)을 얻는다. 여기서 얻어진 저주파 성분은 다음 단계에서 다시 동일한 방식을 반복 적용하여 더 낮은 대역으로 분해할 수 있다. 이 재귀적 분해 과정을 그림으로 표현하면 아래와 같다:
이렇게 하면 신호에 담긴 다양한 주파수 대역을 시간 축 위에서 국소적으로 구분 지을 수 있으며, 노이즈 제거나 트렌드 추출, 이상 탐지 등에 용이하다. Daubechies 웨이블릿의 직교성과 소멸 모멘트가 높을수록 재구성 시 복원도가 높아지므로, 잡음이 섞인 데이터에서도 유용하게 쓰인다.
구현 시 고려 사항
Daubechies 웨이블릿을 실제 환경에 적용할 때는 신호의 길이와 필터 계수의 길이를 어떻게 맞출지 결정해야 한다. 일반적으로 이산 웨이블릿 변환(DWT)을 수행하면 변환 후 계수 벡터의 크기가 입력 신호 길이에 비해 절반가량으로 줄어들게 된다. 신호 길이가 2의 거듭제곱 형태라면 각 분해 단계에서 다운샘플링이 편리해지므로, 필터 콘볼루션 과정에서 인덱스 처리가 단순해지고 경계 조건(Boundary Condition)에 대한 고려도 상대적으로 수월하다. 그러나 실제 데이터는 반드시 2의 거듭제곱 길이를 가지지 않을 수 있으므로, Padding(제로 패딩 등) 기법이나 주기적 경계(Periodic Extension) 등을 사용해 변환에 적합하도록 신호 길이를 조정한다.
직교 웨이블릿 특성은 복원(Reconstruction) 시의 정확도에 큰 영향을 미친다. 경계 부근에서의 필터 연산 시에는 신호가 충분히 길지 않으면 계수 누락이 발생할 수 있어, 신호의 양 끝단에 적절한 가중을 두거나 보간 기법을 사용하기도 한다. Daubechies 웨이블릿 필터는 일반적으로 최소 위상(Minimum Phase) 혹은 근접 최소 위상을 추구하는 경우가 많아서, 분해와 복원 과정에서 수치적 안정성이 높은 편이다. 다만 필터 계수가 길어질수록 경계 효과가 커지기 때문에, 실제 응용에선 DB2나 DB4처럼 비교적 차수가 낮은 필터부터 시도해 본 후 단계적으로 필요한 차수를 높이는 식으로 접근하는 것이 일반적이다.
시간영역에서의 필터링은 주파수영역의 곱셈과 동등하지만, 실제로 FFT(고속 푸리에 변환)를 이용해 주파수영역에서 필터링을 하는 방식도 고려될 수 있다. 다만 웨이블릿 변환이 가진 시간-주파수 국소화 특성은 직접적 콘볼루션을 통해 구현하는 편이 해석적으로 더 명확할 때가 많다. 구현 시에는 FFT 기반 방식과 직접 콘볼루션 방식 각각의 계산 복잡도, 경계 처리, 라이브러리 지원 여부 등을 종합적으로 평가하여 결정한다.
행렬 표현
이산 웨이블릿 변환은 때때로 큰 행렬 곱셈으로 해석할 수도 있다. 예를 들어 1단계 분해를 고려하면, 입력 신호 벡터를 $\mathbf{x}$라 할 때 스케일링 필터와 웨이블릿 필터가 각각 한 행렬의 행들로 구성되어 곱해지는 형식을 생각해볼 수 있다. 간단한 예시로, DB2 같은 짧은 필터를 적용한다고 가정하면 로우패스 필터 행과 하이패스 필터 행이 교대로 배치된 변환 행렬 $\mathbf{W}$를 구성하여
로 나타낼 수 있다. 실제 Daubechies 필터 길이가 2$N$이라면 $\mathbf{W}$의 각 행은 필터 계수를 적절히 시프팅하여 배치하고, 열 방향으로는 다운샘플링을 고려한 형태가 된다. 다중 단계 분해를 수행하려면 이러한 분해 행렬을 반복 적용하거나, 혹은 블록 대각선 형태의 더 큰 행렬로 표현하기도 한다.
행렬 표현은 구현 시 직관적 이해를 돕지만, 대규모 데이터에 대해선 이 방식으로 실제 연산을 수행하기엔 행렬 곱셈의 차원이 매우 커질 수 있다. 따라서 주로 이론적 해석이나 소규모 예제에서 유용하게 쓰이며, 대규모 신호 처리에서는 필터 콘볼루션 및 다운샘플링 접근이 훨씬 효율적이다.
간단한 Python 예제
Daubechies 웨이블릿 변환을 Python에서 직접 구현하려면, 먼저 스케일링 필터와 웨이블릿 필터 계수를 정의한 후 신호에 대해 콘볼루션을 수행하고 다운샘플링 단계를 거친다. PyWavelets(pywt)와 같은 라이브러리를 사용하면 직접 필터를 구성할 필요 없이 편리하게 DB 계열의 웨이블릿을 적용할 수 있다. 아래 예시는 DB4 웨이블릿을 활용해 임의의 1차원 신호를 한 단계 분해하는 단순 코드다.
위 코드를 실행하면 approximation 계수와 detail 계수를 얻을 수 있다. Daubechies 계열에서 DB4는 비교적 높은 소멸 모멘트를 가지면서도 필터 길이가 지나치게 길지 않아 이미지 처리나 간단한 신호 분석에 자주 사용된다. DB2, DB6 등 다른 계열명을 파라메터로 바꿔가며 테스트할 수 있으며, 더 높은 차수로 갈수록 필터 길이가 늘어난다는 점에 유의해야 한다.
대표적인 계열 예시: DB2와 DB4
Daubechies 계열 중에서 가장 간단한 축에 속하는 DB2는 스케일링 필터와 웨이블릿 필터 각각의 길이가 4가 된다. 실제로 DB2 스케일링 필터 계수는 약간의 음수를 포함하며, 파동 모양이 상대적으로 짧고 뚜렷하여 간단한 주파수 대역 분리에 유용하다. DB2의 필터 계수는 상수항부터 1차 다항항까지 총 2개의 소멸 모멘트를 가지므로, 저차 다항식(예: 선형 트렌드)을 상당 부분 제거하거나 억제하는 데 효과적이다.
DB4는 그보다 필터 길이가 더 길고(8개 계수), 4개의 소멸 모멘트를 만족한다. 이는 상수항, 1차, 2차, 3차 다항식에 대한 적분값이 0이라는 뜻이므로, 더 복잡한 추세나 노이즈를 세밀하게 처리할 수 있다. 실제로 DB4는 간단한 신호 분석부터 이미지 처리에 이르기까지 다양한 응용에서 애용되며, 파이썬 라이브러리(PyWavelets)나 MATLAB 등에서도 표준 웨이블릿 중 하나로 바로 제공된다.
두 웨이블릿 모두 시간영역에서 컴팩트 지지를 가지므로, 신호 범위가 제한된 구간을 넘어서면 함수값이 0이 된다. 다만 DB4가 DB2보다 필터 길이가 2배로 늘어나는 만큼, 분해 시 경계부 처리가 복잡해질 가능성이 높다. 따라서 신호 길이가 짧거나 경계부 특성이 민감한 환경에서는 DB2를 먼저 시도해 보기도 한다. 반면 장기 트렌드가 존재하거나 상대적으로 긴 신호를 다룰 때는 DB4가 보다 면밀한 세부 분석을 제공할 수 있다.
스케일링 함수와 웨이블릿 함수의 실제 파형을 그려 보면, DB2의 경우 파형 폭이 짧고 중앙부에서 좌우 비대칭적인 형태를 띠며, DB4는 조금 더 길고 복잡한 꼬리를 가지면서 다중 극성을 나타낸다. 두 경우 모두 직교성·정규화 조건을 충족하기 때문에, 신호 재구성 시 원 신호의 에너지를 제대로 복원할 수 있다. 최소 위상의 특성 또한 DB2와 DB4 모두에서 유지되므로, 실제 디지털 필터를 구성해 하드웨어나 임베디드 환경에서 구현할 때도 안정성을 확보하기 용이하다.
경계부 처리와 필터 시프팅
이산 웨이블릿 변환 과정에서 주어진 신호를 필터 계수만큼 시프트하여 곱하고 적분(또는 이산 합)을 취하는 방식으로 분해한다. DB2처럼 계수가 4개이면 한 번의 콘볼루션 과정에서 신호의 4개 샘플을 곱해 더한 뒤 다운샘플링을 진행하고, DB4처럼 계수가 8개이면 8개 샘플을 사용한다. 이때 신호 양 끝단에 대한 처리가 중요한데, 신호 길이가 짧거나 특정 지점에서 불연속성이 있으면 필터가 적용되는 구간의 실제 데이터가 부족해질 수 있다.
이런 상황을 보완하기 위해 여러 가지 경계 조건(Extension 방식)이 사용된다. 0을 채워 넣는 zero-padding, 신호 양 끝부분의 값을 복제하는 symmetric extension, 혹은 주기적으로 신호를 이어붙이는 periodic extension 등이 대표적이다. Daubechies 웨이블릿 계열은 직교 필터 특성상 경계 처리가 잘못되면 재구성 시 에너지 손실이나 위상 왜곡이 발생할 수 있으므로, 활용하는 응용 분야에 따라 적절한 방식을 택하는 것이 필수적이다.
스케일링 필터와 웨이블릿 필터를 신호에 적용할 때, 필터 계수를 정확히 어느 위치에서부터 곱해 나갈지도 실제 구현에서는 고려해야 할 문제다. 주로 ‘필터 중심’을 기준으로 신호 샘플을 정렬하거나, 혹은 양쪽을 맞추어 콘볼루션을 진행하는 식으로 구체적인 시프팅 전략을 정한다. 일부 라이브러리(예: PyWavelets)는 내부적으로 권장되는 방식을 사용하므로 개발자가 직접 모든 세부를 조정할 필요는 없지만, 완전한 커스터마이징이 필요한 상황이라면 각 계수와 신호 샘플 간 인덱스 매핑을 세심하게 관리해야 한다.
일반적인 응용 분야
Daubechies 웨이블릿은 다양한 영역에서 활용된다. 신호 처리 분야에서는 잡음 제거와 특징 추출이 대표적 예시다. 잡음 제거 문제에서, 고주파 대역은 보통 잡음 성분이 많이 분포하므로 웨이블릿 변환 후에 detail 계수를 알맞게 임계값(Threshold)으로 소거하거나 축소하여 잡음 성분을 줄인다. 이렇게 수정된 계수를 역변환(Inverse Wavelet Transform)하면 원 신호에 비해 잡음이 감소된 형태를 얻을 수 있다. Daubechies 웨이블릿은 직교성이 뛰어나서 복원률이 높고, 소멸 모멘트가 많을수록 저차 다항 트렌드가 자동으로 제거되어 잡음 제거 효율이 좋아지는 경향을 보인다.
이미지나 영상 처리 분야에서도 Daubechies 웨이블릿은 고전적인 압축 알고리즘의 기반 요소 중 하나로 쓰인다. 이산 코사인 변환(DCT)에 비해 공간 국소화가 잘 되는 특성 덕에 블록 경계현상이 줄어드는 이점이 있는데, 다중 해상도 분석을 통해 이미지의 저주파 정보와 고주파 정보를 단계적으로 분리할 수 있기 때문이다. JPEG2000 같은 국제표준 이미지 압축 알고리즘이 대체적으로 웨이블릿 변환을 기반으로 하고 있는데, Daubechies 계열을 비롯한 직교 웨이블릿이 다중 스케일에서 시각적 품질과 압축 효율의 균형을 잘 맞추기 때문이다.
음성 인식이나 생체 신호(EEG, ECG 등) 분석에서도 Daubechies 계열은 자주 쓰인다. 복잡한 생체 신호에는 국소적 이벤트가 섞여 있기 마련인데, 웨이블릿 변환은 해당 이벤트를 주파수 성분별로 분리해 두었다가 필요할 때만 세부 대역을 집중적으로 살펴볼 수 있도록 지원한다. 예를 들어 뇌파(EEG) 분석에서는 특정 고주파 대역에서의 뾰족한 피크나 리듬을 웨이블릿 계수를 통해 쉽게 추적하고 통계화할 수 있다. Daubechies 웨이블릿은 잡음으로부터 중요한 생체 이벤트를 상대적으로 선명하게 구별해 주기 때문에 진단 시스템이나 피드백 시스템에서 활용도가 높다.
시간-주파수 해상도를 동적으로 조절해야 하는 신호 분석에서도 Daubechies 계열은 유리하다. 푸리에 변환은 주파수 해상도가 균일하다는 장점이 있지만, 시간 국소화가 어렵다. 반면 Daubechies 웨이블릿은 고주파 신호 구간에서는 가는 타임 윈도우(짧은 스케일)로 변환을 수행하고, 저주파 구간에서는 넓은 타임 윈도우(큰 스케일)로 변환하여 다양한 해상도에서 신호의 국소적 변화를 파악한다. 그 결과, 비정상 신호나 계단식 급변 구간이 있는 신호도 효과적으로 분석할 수 있다.
추가 구현 예시: 2단계 분해
Python에서 DB4 웨이블릿을 2단계까지 분해하려면 다음과 같은 절차가 가능하다. 첫 번째 단계에서 저주파 계수(approx)와 고주파 계수(detail)를 얻고, 그 저주파 계수를 다시 한 번 Daubechies 필터로 분해하면 2층 구조의 다중 해상도 분석 결과를 얻게 된다.
1단계 detail 계수는 원 신호에서 가장 높은 주파수 대역에 해당한다. 2단계 detail 계수는 더 낮은 대역의 변동을 포착한다. 최종적으로 남는 2단계 approximation 계수는 매우 저주파 영역이며, 원 신호의 전반적인 트렌드를 나타낸다. 신호 분석에서 정확히 몇 단계까지 분해할지는 신호 길이와 분석 목적에 따라 달라진다.
역변환(Inverse Transform)과 완전 복원
Daubechies 웨이블릿은 분해와 복원을 모두 지원한다. 분해 과정에서 로우패스 필터와 하이패스 필터를 적용해 얻었던 approximation 계수와 detail 계수를 역으로 결합하는 방식이 역변환이다. 역변환 때는 필터 뱅크 구조가 상향식(Up-sampling) 콘볼루션과 합산 과정을 통해 진행된다. 로우패스 필터와 하이패스 필터가 직교성을 만족하면, 원 신호의 에너지가 손실 없이 복원되므로 $L^2$ 노름(또는 에너지 규준)이 일정하게 유지된다. 이러한 완전 복원(Perfect Reconstruction) 특성은 디지털 신호 처리에서 매우 중요한데, 웨이블릿 분해로 얻은 계수들을 임의로 가공하거나 임계값을 적용한 뒤에도, 무손실 또는 최소한의 손실만으로 원 신호를 재구성할 수 있다.
역변환은 수식으로 표현하면 분해 때 정의했던 필터 계수와 정확히 짝을 이룬다. 스케일링 필터의 역변환용 계수와 웨이블릿 필터의 역변환용 계수가 다소 상이할 때도 있지만, Daubechies 계열에서 대부분의 경우 동일 계수를 사용하되 시간축 반전이나 위상 보정을 취하여 재구성한다. 예를 들어 스케일링 함수 $\phi(t)$와 웨이블릿 함수 $\psi(t)$의 자기 유사성 방정식을 고려하면, 역변환은 다음과 같은 형태로 제시된다.
이 식을 분해 계수에 대응시켜 재귀적으로 합성해 가면, 다중 해상도 분석에서 가장 낮은 대역(즉, 최종 스케일의 approximation 계수)부터 역으로 올라오면서 원 신호가 복원된다. 이러한 절차에서는 필터의 직교성 덕분에 채널 간 혼선이 최소화되며, 복원 시 위상 왜곡이나 스펙트럼 누락 현상도 상대적으로 적다.
직교성 vs. 준직교성
Daubechies 웨이블릿은 기본적으로 완전 직교(Orthogonal) 계열로 분류된다. 그러나 일부 파라메터를 변형하거나 위상 특성을 달리 설계하면 준직교(Biorthogonal) 형태도 만들 수 있다. 준직교 웨이블릿은 서로 다른 두 쌍의 필터 계수를 사용해 분해와 복원을 처리하며, 그 대신 일부 시간영역 특성(대칭성, 위상 응답 등)을 강화할 수 있다. Daubechies가 초기에 고안한 ‘Daubechies 정계(orthonormal basis)’와는 조금 다르지만, 같은 맥락에서 소멸 모멘트를 유지하면서도 대칭성을 갖도록 필터를 조절할 수 있다.
직교 웨이블릿은 분해와 복원에서 동일 필터(또는 반전된 형태)를 사용하므로, 구현이 상대적으로 단순하고 에너지 보존 특성이 깔끔하다. 반면 준직교 구조에서는 분해용 필터와 복원용 필터가 다르기 때문에, 필터 계수 관리가 조금 복잡해진다. 그럼에도 대칭성이 필요한 영상 처리나 2D 변환 상황에서 경계부 인공물(artifact)을 줄이는 데는 준직교 웨이블릿이 더 적합한 사례도 있다. Daubechies 계열 중에는 특정 상황에서 양방향 대역 필터를 따로 사용하는 변형이 존재하지만, 본질은 소멸 모멘트와 컴팩트 지지, 그리고 적절한 위상 특성을 어떻게 확보하느냐로 귀결된다.
역사적 맥락과 참고 자료
Ingrid Daubechies는 1988년 발표된 논문과 1992년 저서 "Ten Lectures on Wavelets" 등을 통해 직교 웨이블릿 이론을 체계화하였다. 이 과정에서 컴팩트 지지를 갖는 스케일링 함수를 구성하는 문제를 해결함으로써 웨이블릿 분석의 실용적 활용 범위를 넓힌 공로를 인정받았다. 초기에는 필터 계수 계산이 상당히 복잡했으나, 이후 수치 해석 기법과 전산 능력의 발전으로 DB2, DB4, DB6 등 다양한 차수의 필터 계수가 표준 라이브러리에 탑재되기에 이른다.
파이썬의 PyWavelets(pywt), MATLAB의 Wavelet Toolbox, R의 wavelets 패키지 등은 모두 Daubechies 계열을 포함한 다양한 웨이블릿을 손쉽게 활용할 수 있도록 제공한다. 연구 논문이나 실무에서도 Daubechies 계열을 언급할 때는 DB2, DB4처럼 차수를 명시하거나, 각 계수표를 직접 인용하는 경우가 많다. 필터 계수는 각 차수마다 고유의 실수값들이 정밀도(Precision)를 요구하므로, 사용 환경에 따라 부동소수점 오차나 양자화(quantization) 이슈가 발생하지 않도록 주의가 필요하다.
한계점과 주의 사항
Daubechies 웨이블릿은 직교성과 컴팩트 지지 특성 덕분에 다양한 신호 처리 문제를 해결하는 강력한 도구로 자리 잡았으나, 모든 상황에서 최적이라 할 수 있는 것은 아니다. 예를 들어 일부 응용에서는 더 높은 대칭성을 요구하거나, 시간 축에서의 경계부 왜곡을 최소화하고 싶을 때 준직교(Biorthogonal) 계열을 택하기도 한다. Daubechies 계열은 필터가 짧을수록 비교적 간단한 모양의 함수가 형성되지만, 소멸 모멘트 수가 증가할수록 필터 길이가 늘어나며 이로 인한 계산 비용, 경계 처리 난이도도 함께 높아진다.
Daubechies 웨이블릿을 적용할 때는 신호의 특성, 분석 목표, 실행 환경 등을 종합적으로 고려해 적절한 차수를 골라야 한다. 예컨대 단순 잡음 제거나 낮은 차수의 추세 제거가 목표라면 DB2나 DB4 정도가 충분할 수 있지만, 보다 복잡한 구조의 노이즈나 패턴을 다루려면 DB6, DB8 등으로 확장해야 할 수도 있다. 그러나 필터 길이가 지나치게 길어지면 신호의 국소 구조를 포착하기 어려워질 수 있으므로, 각 응용 분야에 맞춰 실험적으로 최적의 차수를 찾는 과정이 권장된다.
Daubechies 계열의 특성상, 부분적으로 큰 변동을 가진 신호에 대해서는 웨이블릿 계수(특히 고주파 계수)가 이산적인 급변을 나타낼 가능성이 있다. 이는 본질적으로 시간-주파수 국소화가 뛰어나다는 장점의 또 다른 표현이기도 하지만, 극도로 불연속적인 신호(스파이크 형태 등)에 대해서는 웨이블릿 계수의 포화(Peaking)나 불균형 현상이 발생할 수 있다는 점을 감안해야 한다. 이러한 문제를 완화하기 위해서는 스케일별 계수 처리를 세심하게 조절하거나, 필요하다면 임계값 조절 기법을 더 정교하게 설계해야 한다.
필터 계수를 양자화(Quantization)하거나 부동소수점 연산 과정에서 정밀도 손실이 발생하면, 직교 특성이 약화되면서 복원도가 떨어질 우려가 있다. 특히 임베디드 시스템이나 메모리 제약이 큰 환경에서 Daubechies 웨이블릿을 사용하는 경우, 필터 계수의 정밀도와 내부 곱셈·덧셈 연산의 정밀도를 어떻게 보장할지 미리 계획해야 한다. 신호 처리 라이브러리에 기본 내장된 계수를 활용할 때도, 해당 계수가 단정도(float)인지 배정도(double)인지, 또는 고정소수점(fixed-point)인지에 따라 결과가 달라질 수 있다.
Daubechies 웨이블릿은 이러한 제한 요소에도 불구하고, 적절한 조건만 충족된다면 잡음 제거, 이상 탐지, 멀티스케일 분석 등에 매우 효과적이다. 특히 푸리에 변환으로는 시간영역 분석이 까다로웠던 비정상 신호에 대해 국소화된 주파수 정보를 얻을 수 있다는 이점은, 웨이블릿 이론 전체가 신호 처리 분야에서 차지하는 입지를 견고히 만들어 준 원동력이라 할 수 있다.
Last updated