我在理解如何阅读小波变换绘制的图时遇到了麻烦，
这是我简单的Matlab代码，
load noissin;
% c is a 48-by-1000 matrix, each row
% of which corresponds to a single scale.
c = cwt(noissin,1:48,'db4','plot');
因此，最亮的部分表示缩放比例的咖啡尺寸更大，但是我究竟如何才能理解此图在其中发生了什么？请帮助我。
Answers:
想象一秒钟，您刚刚绘制了daubechies-4小波，如您在此处看到的红色所示。
现在想象一下，您将这个波形变成红色，然后简单地对信号进行互相关。您绘制该结果。这将是情节的第一行。这是1级。接下来，您将扩大Daubechies-4小波的大小（也就是说，您可以使其在某种程度上及时“拉伸”）。然后，您再次对该新波形与信号进行互相关。然后，您将获得情节的第二行。这是2级。您需要对所有比例尺继续执行此操作，这意味着您将继续使用原始的“母”小波，并先进行扩容，然后进行互相关，扩展和互相关等，然后将结果绘制在其他。
这就是CWT图向您显示的内容。将信号与小波以不同比例（即，以不同的膨胀（拉伸）因子）执行互相关的结果。
因此，让我们解释您的形象。在第一行中，您可以看到互相关的振幅较小。这意味着它告诉您，当小波处于小数位1时（当小尺度时），信号中几乎没有任何相关（或“匹配”）小波。您一直在拉伸小波并进行相关，但直到信号达到scale-31时，它仍然不匹配信号中的任何东西。因此，当您将小波拉伸31次并执行互相关时，您会开始看到一些亮点，这意味着您在拉伸的小波与信号之间将获得良好的互相关分数。
但是，如果您从顶部看，我们的景点最亮。因此，对于第46标度，您通过拉伸原始小波46次来创建该行，然后将其与信号进行互相关，这就是第46行。这样您会看到很多不错的亮点。您可以看到，在（x轴）〜25，〜190和〜610位置，我有亮点。就是说，您的信号中有一些特征，非常接近被拉伸46倍的小波。因此，在此尺度下，您的“东西”与小波非常匹配。
（当然，在您的情况下，您使用的是噪声，因此我所谈论的位置是随机的-也就是说，没有真正“有趣的”事情发生。用正弦脉冲做CWT，我说的可以让您更清楚。）
总而言之，CWT只是向您显示模板/匹配滤波器（在本例中为daub-4小波），在不同位置（x轴），在不同拉伸因子（y轴）之间的所有可能的相关分数。 。
希望这会有所帮助。
这些图对我很有帮助，来自STFT背景：
在复杂的Morlet（正弦）小波的外观和行为像STFT的复杂的内核（因为它衍生自Gabor变换，类型STFT的）。当您将其“滑过”相同频率的信号时，无论您正在测量的信号的相位如何，它都会匹配，从而在每个点产生幅度和相位测量值（这是幅度的图）：
在实值的Morlet小波只匹配时，小波变换的相位和信号线了。因此，当您将其滑过要测量的信号时，它会进相和异相，从而在取消或增强信号时产生最大值和最小值：
（实际上，在这种情况下，我们正在绘制幅度，因此正匹配和负匹配都会产生橙色点。最好改用双极性色图，以显示某些峰同相而另一些峰异相） ：
使用实值Morlet，可以将幅度和相位信息组合为一个输出值。
最常用的小波是实值，因此它们仅在您要测量的波形和您要测试的波形对齐时才匹配，从而导致在您滑动一个波形到另一个波形时在比例图中产生这些振荡或波动。
我认为这是最好理解小波图的示例。
看下面的图片，波形（A）是我们的原始信号，波形（B）显示了大约1/8秒长的Daubechies 20（Db20）小波，从开始（t = 0）开始并有效地结束在1/4秒之前。零值将扩展到完整的1秒。与我们的脉冲信号（A）的逐点比较*将非常差，并且我们将获得非常小的相关值。
我们首先将未拉伸的基本或母小波稍微向右移动，然后对该信号与该新波形进行另一个比较，以获得另一个相关值。我们继续移动，当Db20小波处于（C）所示的位置时，我们得到的比较要好于（B），但仍然很差，因为（C）和（A）的频率不同。
在将小波一直移动到1秒时间间隔的结束之后，我们从头开始稍微拉伸的小波重新开始，然后反复向右移动以获得这些相关值的另一套完整值。波形（D）显示Db20小波延伸到与脉冲（A）大致相同的频率，然后向右偏移，直到峰和谷排列得相当好。在这些特定的移位和拉伸量下，我们应该获得很好的比较和较大的相关值。然而，即使在相同的拉伸下，向右进一步移动也会产生越来越差的相关性。进一步拉伸完全没有帮助，因为即使排成一行，脉冲和过度拉伸的小波也不会具有相同的频率。
在CWT中，每个拉伸小波的每个位移都有一个相关值。†为了显示所有这些拉伸和位移的相关值（“匹配”的质量），我们使用了3-D显示。
来了
亮点表示扩展和移动后的子波的峰和谷与嵌入脉冲的峰和谷最匹配的位置（无对齐时为暗，不对齐的情况为较暗的，只有一些峰和谷对齐，而所有峰和谷最亮的地方对齐）。在这个简单的示例中，将小波从40到20 Hz拉伸2倍（将滤波器从原始的20个点拉伸到40个点），并及时将其移动3/8秒，可以得到最佳的相关性，并且与我们所知道的一致脉冲的先验或“前置”（以3/8秒为中心的脉冲，脉冲频率为20 Hz）。
我们选择Db20小波是因为它看起来有点像脉冲信号。如果我们不知道事件的先验情况，我们可以尝试几个小波（在软件中轻松切换），看看哪个产生了具有最亮点的CWT显示（表明最佳相关性）。这将告诉我们有关事件的形式。
对于上面的简单教程示例，我们可以从视觉上辨别脉冲（A）的位置和频率。下一个示例更多地代表了现实世界中的小波，其中肉眼看不到位置和频率。
请参见下面的示例，
小波可用于分析本地事件。我们构建了一个300点缓慢变化的正弦波信号，并在时间= 180时添加了一个微小的“毛刺”或不连续性（斜率）。除非观察到特写镜头（b），否则我们不会注意到毛刺。
现在，让我们看一下FFT如何显示该故障，看一下，
正弦波的低频很容易注意到，但是细小的毛刺却看不到。
但是，如果我们使用CWT而不是FFT，它将清楚地显示该故障，
如您所见，CWT小波显示清楚地显示了时间= 180且小比例尺的垂直线。（小波在小尺度上几乎没有拉伸，表明毛刺非常短。）CWT与隐藏毛刺的大振荡正弦波也比较好。在这些较高的尺度上，小波已经拉伸（到较低的频率），因此“发现”正弦波的峰和谷在时间分别为75和225。对于这种短暂的不连续性，我们使用了短的4点Db4小波（如图所示）以获得最佳比较。