哈尔小波转换 （英语：Haar wavelet 哈尔·阿尔弗雷德 于1909年所提出的函数变换 小波转换 中最简单的一种转换，也是最早提出的小波转换。他是多贝西小波 的于N=2的特例，可称之为D2或db1。
哈尔小波 的母小波（mother wavelet）可表示为：
ψ
(
t
)
=
{
1
0
≤
t
<
1
/
2
,
−
1
1
/
2
≤
t
<
1
,
0
otherwise.
{\displaystyle \psi (t)={\begin{cases}1\quad &0\leq t<1/2,\\-1&1/2\leq t<1,\\0&{\mbox{otherwise.}}\end{cases}}}
对应的尺度函数（scaling function）可表示为：
ϕ
(
t
)
=
{
1
0
≤
t
<
1
,
0
otherwise.
{\displaystyle \phi (t)={\begin{cases}1\quad &0\leq t<1,\\0&{\mbox{otherwise.}}\end{cases}}}
其滤波器（filter）
h
[
n
]
{\displaystyle h[n]}
h
[
n
]
=
{
1
2
if n = 0,1
0
otherwise
{\displaystyle h[n]={\begin{cases}{\frac {1}{\sqrt {2}}}&{\mbox{if n = 0,1}}\\0&{\mbox{otherwise}}\end{cases}}}
n
=
0
,
1
{\displaystyle n=0,1}
h
[
n
]
{\displaystyle h[n]}
1
2
ψ
(
(
t
2
)
)
=
∑
n
=
−
∞
∞
(
−
1
)
1
−
n
h
[
1
−
n
]
ϕ
(
t
−
n
)
=
1
2
(
ϕ
(
t
−
1
)
−
ϕ
(
t
)
)
{\displaystyle {\begin{aligned}{\frac {1}{\sqrt {2}}}\psi (\left({\frac {t}{2}}\right))&=\sum _{n=-\infty }^{\infty }(-1)^{1-n}h[1-n]\phi (t-n)\\&={\frac {1}{\sqrt {2}}}(\phi (t-1)-\phi (t))\\\end{aligned}}}
在所有正交（orthonormal）小波转换中，哈尔小波转换是最简单的一种转换，但它并不适合用于较为平滑的函数，因为它只有一个消失矩（Vanishing Moment）。
参与变换的小波函数（wavelet function）也叫母小波（mother wavelet）。
小波母函数可以用尺度函数表示：
ψ
(
t
)
=
ϕ
(
2
t
)
−
ϕ
(
2
t
−
1
)
{\displaystyle \psi (t)=\phi (2t)-\phi (2t-1)}
对小波的母函数可以进行伸缩和平移，例如
ψ
(
2
t
)
{\displaystyle \psi (2t)}
ψ
(
2
m
t
−
n
)
{\displaystyle \psi (2^{m}t-n)}
当尺度离散方式选取
a
=
2
j
,
j
∈
Z
+
{\displaystyle a=2^{j},j\in \mathbb {Z^{+}} }
[ 1]
（1）不同尺度的小波函数相互正交（即
<
ψ
(
t
)
,
ψ
(
2
−
j
(
t
)
)
>=
∫
ψ
(
t
)
ψ
(
2
−
j
(
t
)
)
d
t
=
0
(
∀
j
≠
0
)
{\displaystyle <\psi (t),\psi (2^{-j}(t))>=\int \psi (t)\psi (2^{-j}(t))\,dt=0(\forall j\neq 0)}
∫
ψ
(
t
)
ψ
(
2
t
)
d
t
=
∫
0
1
/
2
ψ
(
2
t
)
d
t
−
∫
1
/
2
1
ψ
(
2
t
)
d
t
=
τ
=
2
t
∫
0
1
ψ
(
τ
)
2
d
τ
−
∫
1
2
ψ
(
τ
)
2
d
τ
=
0
{\displaystyle {\begin{aligned}\int \psi (t)\psi (2t)\,dt&=\int _{0}^{1/2}\psi (2t)\,dt-\int _{1/2}^{1}\psi (2t)\,dt\\&{\stackrel {\tau =2t}{=}}\int _{0}^{1}{\frac {\psi (\tau )}{2}}\,d\tau -\int _{1}^{2}{\frac {\psi (\tau )}{2}}\,d\tau \\&=0\end{aligned}}}
∫
ψ
(
t
)
ψ
(
4
t
)
d
t
=
0
{\displaystyle \int \psi (t)\psi (4t)\,dt=0}
∫
ψ
(
2
j
1
t
)
ψ
(
2
j
2
t
)
d
t
=
0
(
∀
j
1
≠
j
2
)
{\displaystyle \int \psi (2^{j_{1}}t)\psi (2^{j_{2}}t)\,dt=0(\forall j_{1}\neq j_{2})}
（2）同一尺度及不同尺度下，小波函数的整数位移之间相互正交（即
<
ψ
(
t
)
,
ψ
(
t
−
k
)
>=
∫
ψ
(
t
)
ψ
(
t
−
k
)
d
t
=
0
(
∀
k
≠
0
)
{\displaystyle <\psi (t),\psi (t-k)>=\int \psi (t)\psi (t-k)\,dt=0(\forall k\neq 0)}
∫
ψ
(
t
)
ψ
(
t
−
1
)
d
t
=
0
{\displaystyle \int \psi (t)\psi (t-1)\,dt=0}
∫
ψ
(
t
)
ψ
(
2
t
−
1
)
d
t
=
0
{\displaystyle \int \psi (t)\psi (2t-1)\,dt=0}
∫
ψ
(
t
)
ψ
(
2
m
t
−
1
)
d
t
=
0
{\displaystyle \int \psi (t)\psi (2^{m}t-1)\,dt=0}
尺度函数（scaling function），以下为尺度函数的简易图示：
(1):
ϕ
(
t
)
{\displaystyle \phi (t)}
(2):
ϕ
(
2
t
)
,
2
ϕ
(
2
t
)
=
ϕ
(
t
)
+
ψ
(
t
)
{\displaystyle \phi (2t),2\phi (2t)=\phi (t)+\psi (t)}
(3):
ψ
(
2
m
t
−
n
)
{\displaystyle \psi (2^{m}t-n)}
（1）简单（Simple）
（2）快速算法（Fast algorithm）
（3）正交（Orthogonal）→可逆（reversible）
（4）结构紧凑（Compact），实（real），奇（odd）
（5）具有一阶消失矩（Vanish moment）
哈尔小波具有如下的特性：
（1）任一函数都可以由
ϕ
(
t
)
,
ϕ
(
2
t
)
,
ϕ
(
4
t
)
,
…
,
ϕ
(
2
k
t
)
,
…
{\displaystyle \phi (t),\phi (2t),\phi (4t),\dots ,\phi (2^{k}t),\dots }
（2）任一函数都可以由常函数，
ψ
(
t
)
,
ψ
(
2
t
)
,
ψ
(
4
t
)
,
…
,
ψ
(
2
k
t
)
,
…
{\displaystyle \psi (t),\psi (2t),\psi (4t),\dots ,\psi (2^{k}t),\dots }
（3）正交性（Orthogonal）
∫
−
∞
∞
2
m
ψ
(
2
m
1
t
−
n
1
)
ψ
(
2
m
t
−
n
)
d
t
=
δ
(
m
,
m
1
)
δ
(
n
,
n
1
)
{\displaystyle \int _{-\infty }^{\infty }2^{m}\psi (2^{m_{1}}t-n_{1})\psi (2^{m}t-n)\,dt=\delta (m,m_{1})\delta (n,n_{1})}
δ
(
i
,
j
)
=
{
1
i
=
j
,
0
i≠j.
{\displaystyle \delta (i,j)={\begin{cases}1&i=j,\\0&{\mbox{i≠j.}}\end{cases}}}
（4）不同宽度的（不同m）的小波函数和尺度函数之间会有一个关系
ϕ
(
t
)
=
ϕ
(
2
t
)
+
ϕ
(
2
t
−
1
)
{\displaystyle \phi (t)=\phi (2t)+\phi (2t-1)}
ϕ
(
t
−
n
)
=
ϕ
(
2
t
−
2
n
)
+
ϕ
(
2
t
−
2
n
−
1
)
{\displaystyle \phi (t-n)=\phi (2t-2n)+\phi (2t-2n-1)}
ϕ
(
2
m
t
−
n
)
=
ϕ
(
2
m
+
1
t
−
2
n
)
+
ϕ
(
2
m
+
1
t
−
2
n
−
1
)
{\displaystyle \phi (2^{m}t-n)=\phi (2^{m+1}t-2n)+\phi (2^{m+1}t-2n-1)}
ψ
(
t
)
=
ϕ
(
2
t
)
−
ϕ
(
2
t
−
1
)
{\displaystyle \psi (t)=\phi (2t)-\phi (2t-1)}
ψ
(
t
−
n
)
=
ϕ
(
2
t
−
n
)
−
ϕ
(
2
t
−
2
n
−
1
)
{\displaystyle \psi (t-n)=\phi (2t-n)-\phi (2t-2n-1)}
ψ
(
2
m
t
−
n
)
=
ϕ
(
2
m
+
1
t
−
n
)
−
ϕ
(
2
m
+
1
t
−
2
n
−
1
)
{\displaystyle \psi (2^{m}t-n)=\phi (2^{m+1}t-n)-\phi (2^{m+1}t-2n-1)}
（5）可以用m+1的 系数来计算m的系数
若
χ
w
(
n
,
m
)
=
2
m
/
2
∫
−
∞
∞
x
(
t
)
ϕ
(
2
m
t
−
n
)
d
t
{\displaystyle \chi _{w}(n,m)=2^{m/2}\int _{-\infty }^{\infty }x(t)\phi (2^{m}t-n)\,dt}
χ
w
(
n
,
m
)
=
2
m
/
2
∫
−
∞
∞
x
(
t
)
ϕ
(
2
m
+
1
t
−
2
n
)
d
t
+
2
m
/
2
∫
−
∞
∞
x
(
t
)
ϕ
(
2
m
+
1
t
−
2
n
−
1
)
d
t
=
1
2
(
χ
w
(
2
n
,
m
+
1
)
+
χ
w
(
2
n
+
1
,
m
+
1
)
)
{\displaystyle {\begin{aligned}\chi _{w}(n,m)&=2^{m/2}\int _{-\infty }^{\infty }x(t)\phi (2^{m+1}t-2n)\,dt+2^{m/2}\int _{-\infty }^{\infty }x(t)\phi (2^{m+1}t-2n-1)\,dt\\&={\sqrt {\frac {1}{2}}}(\chi _{w}(2n,m+1)+\chi _{w}(2n+1,m+1))\\\end{aligned}}}
若
X
w
(
n
,
m
)
=
2
m
/
2
∫
−
∞
∞
x
(
t
)
ψ
(
2
m
t
−
n
)
d
t
{\displaystyle \mathrm {X} _{w}(n,m)=2^{m/2}\int _{-\infty }^{\infty }x(t)\psi (2^{m}t-n)\,dt}
X
w
(
n
,
m
)
=
2
m
/
2
∫
−
∞
∞
x
(
t
)
ϕ
(
2
m
+
1
t
−
2
n
)
d
t
−
2
m
/
2
∫
−
∞
∞
x
(
t
)
ϕ
(
2
m
+
1
t
−
2
n
−
1
)
d
t
=
X
w
(
n
,
m
)
=
1
2
(
χ
w
(
2
n
,
m
+
1
)
−
χ
w
(
2
n
+
1
,
m
+
1
)
)
{\displaystyle {\begin{aligned}\mathrm {X} _{w}(n,m)&=2^{m/2}\int _{-\infty }^{\infty }x(t)\phi (2^{m+1}t-2n)\,dt-2^{m/2}\int _{-\infty }^{\infty }x(t)\phi (2^{m+1}t-2n-1)\,dt\\&=\mathrm {X} _{w}(n,m)={\sqrt {\frac {1}{2}}}(\chi _{w}(2n,m+1)-\chi _{w}(2n+1,m+1))\\\end{aligned}}}
图示如下：
上图为哈尔小波转换的快速演算简易图示，此为多重解析结构（multiresolution analysis）。
哈尔变换最早是由哈尔在1910年的论文《论正交函数系理论》（德语：Zur Theorie der Orthogonalen Funktionensysteme ）中所提出，是一种最简单又可以反应出时变频谱（time-variant spectrum）的表示方法。其观念与傅里叶变换 相近。傅里叶变换的原理是利用正弦波与余弦波来对讯号进行调变；而哈尔变换则是利用哈尔函数来对讯号进行调变。哈尔函数也含有正弦函数系和余弦函数系所拥有的正交性，也就是说不同的哈尔函数是互相正交 的，其内积为零。
以下面的哈尔转换矩阵为例，我们取第1行和第2行来做内积 ，得到的结果为零；取第二行和第三行来做内积，得到的结果也是零。依序下去，我们可以发现在哈尔转换矩阵任取两行来进行内积的运算，所得到的内积皆为零。
N
=
2
{\displaystyle N=2}
H
=
[
1
1
1
−
1
]
{\displaystyle H={\begin{bmatrix}\ 1&1\\\ 1&-1\\\end{bmatrix}}}
N
=
4
{\displaystyle N=4}
H
=
[
1
1
1
1
1
1
−
1
−
1
1
−
1
0
0
0
0
1
−
1
]
{\displaystyle H={\begin{bmatrix}\ 1&1&1&1\\\ 1&1&-1&-1\\\ 1&-1&0&0\\\ 0&0&1&-1\\\end{bmatrix}}}
N
=
8
{\displaystyle N=8}
H
=
[
1
1
1
1
1
1
1
1
1
1
1
1
−
1
−
1
−
1
−
1
1
1
−
1
−
1
0
0
0
0
0
0
0
0
1
1
−
1
−
1
1
−
1
0
0
0
0
0
0
0
0
1
−
1
0
0
0
0
0
0
0
0
1
−
1
0
0
0
0
0
0
0
0
1
−
1
]
{\displaystyle H={\begin{bmatrix}\ 1&1&1&1&1&1&1&1\\\ 1&1&1&1&-1&-1&-1&-1\\\ 1&1&-1&-1&0&0&0&0\\\ 0&0&0&0&1&1&-1&-1\\\ 1&-1&0&0&0&0&0&0\\\ 0&0&1&-1&0&0&0&0\\\ 0&0&0&0&1&-1&0&0\\\ 0&0&0&0&0&0&1&-1\\\end{bmatrix}}}
在此前提下，利用傅里叶变换的观念，假设所要分析的讯号可以使用多个频率与位移不同的哈尔函数来组合而成。进行哈尔变换时，因为哈尔函数的正交性，便可求出讯号在不同哈尔函数（不同频率）的情况下所占有的比例。
哈尔变换有以下几点特性：
不需要乘法（只有相加或加减）
输入与输出个数相同
频率只分为低频（直流值）与高频（1和-1）部分
可以分析一个讯号的局部特征
运算速度极快，但不适合用于讯号分析
大部分运算为0，不用计算
维度小，计算时需要占用的内存空间少
因为大部分为高频，转换较笼统 对一矩阵
A
{\displaystyle A}
B
=
H
A
H
T
{\displaystyle B=HAH^{T}}
A
{\displaystyle A}
N
×
N
{\displaystyle N\times N}
H
{\displaystyle H}
N
{\displaystyle N}
A
=
H
T
B
H
{\displaystyle A=H^{T}BH}
H
{\displaystyle H}
N
=
2
{\displaystyle N=2}
H
=
[
1
2
1
2
1
2
−
1
2
]
{\displaystyle H={\begin{bmatrix}{\frac {1}{\sqrt {2}}}&{\frac {1}{\sqrt {2}}}\\{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}\end{bmatrix}}}
N
=
4
{\displaystyle N=4}
H
=
[
1
2
1
2
1
2
1
2
1
2
1
2
−
1
2
−
1
2
1
2
−
1
2
0
0
0
0
1
2
−
1
2
]
{\displaystyle H={\begin{bmatrix}{\frac {1}{2}}&{\frac {1}{2}}&{\frac {1}{2}}&{\frac {1}{2}}\\{\frac {1}{2}}&{\frac {1}{2}}&{\frac {-1}{2}}&{\frac {-1}{2}}\\{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}&0&0\\0&0&{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}\\\end{bmatrix}}}
N
=
8
{\displaystyle N=8}
H
=
[
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
1
8
−
1
8
−
1
8
−
1
8
−
1
8
1
2
1
2
−
1
2
−
1
2
0
0
0
0
0
0
0
0
1
2
1
2
−
1
2
−
1
2
1
2
−
1
2
0
0
0
0
0
0
0
0
1
2
−
1
2
0
0
0
0
0
0
0
0
1
2
−
1
2
0
0
0
0
0
0
0
0
1
2
−
1
2
]
{\displaystyle H={\begin{bmatrix}{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}\\{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {1}{\sqrt {8}}}&{\frac {-1}{\sqrt {8}}}&{\frac {-1}{\sqrt {8}}}&{\frac {-1}{\sqrt {8}}}&{\frac {-1}{\sqrt {8}}}\\{\frac {1}{2}}&{\frac {1}{2}}&{\frac {-1}{2}}&{\frac {-1}{2}}&0&0&0&0\\0&0&0&0&{\frac {1}{2}}&{\frac {1}{2}}&{\frac {-1}{2}}&{\frac {-1}{2}}\\{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}&0&0&0&0&0&0\\0&0&{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}&0&0&0&0\\0&0&0&0&{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}&0&0\\0&0&0&0&0&0&{\frac {1}{\sqrt {2}}}&{\frac {-1}{\sqrt {2}}}\\\end{bmatrix}}}
此外，当
N
=
2
k
{\displaystyle N=2^{k}}
H
=
[
ϕ
h
0
,
0
h
1
,
0
h
1
,
1
:
:
h
k
−
1
,
0
h
k
−
1
,
1
:
h
k
−
1
,
2
k
−
1
−
1
]
{\displaystyle H={\begin{bmatrix}\phi \\h_{0,0}\\h_{1,0}\\h_{1,1}\\:\\:\\h_{k-1,0}\\h_{k-1,1}\\:\\h_{k-1,2^{k-1}-1}\\\end{bmatrix}}}
H
{\displaystyle H}
ϕ
{\displaystyle \phi }
ϕ
{\displaystyle \phi }
N
{\displaystyle {\sqrt {N}}}
2
p
+
q
{\displaystyle 2^{p}+q}
h
p
,
q
{\displaystyle h_{p,q}}
h
p
,
q
[
n
]
=
{
1
/
2
k
−
p
,
w
h
e
n
q
2
k
−
p
≤
n
<
(
q
+
1
/
2
)
2
k
−
p
−
1
/
2
k
−
p
,
w
h
e
n
(
q
+
1
/
2
)
2
k
−
p
≤
n
<
(
q
+
1
)
2
k
−
p
0
,
o
t
h
e
r
w
i
s
e
{\displaystyle h_{p,q}[n]={\begin{cases}1/{\sqrt {2^{k-p}}},\ when\ q2^{k-p}\leq n<(q+1/2)2^{k-p}\\-1/{\sqrt {2^{k-p}}},\ when\ (q+1/2)2^{k-p}\leq n<(q+1)2^{k-p}\\0,otherwise\end{cases}}}
Matlab 代码: function [Hr]= haar_matrix ( N, normalized)
% Input :
% N : size of matrix, N must be power of 2.
% Output:
% Hr : Haar matrix of size NxN
p =[ 0 0 ];
q =[ 0 1 ];
n = nextpow2 ( N );
for i = 1 : n - 1
p =[ p i * ones ( 1 , 2 ^i )];
t = 1 :( 2 ^i );
q =[ q t ];
end
Hr = zeros ( N , N );
Hr ( 1 ,:)= 1 ;
for i = 2 : N
P = p ( 1 , i ); Q = q ( 1 , i );
for j = ( N * ( Q - 1 ) / ( 2 ^P )):( N * (( Q - 0.5 ) / ( 2 ^P )) - 1 )
Hr ( i , j + 1 )= 2 ^( P / 2 );
end
for j = ( N * (( Q - 0.5 ) / ( 2 ^P ))):( N * ( Q / ( 2 ^P )) - 1 )
Hr ( i , j + 1 )= - ( 2 ^( P / 2 ));
end
end
if normalized
Hr = Hr * ( 1 / sqrt ( N ));
end
end
Python 代码: def haarMatrix ( n , normalized = False ):
# Allow only size n of power 2
n = 2 ** np . ceil ( np . log2 ( n ))
if n > 2 :
h = haarMatrix ( n / 2 )
else :
return np . array ([[ 1 , 1 ], [ 1 , - 1 ]])
# calculate upper haar part
h_n = np . kron ( h , [ 1 , 1 ])
# calculate lower haar part
if normalized :
h_i = np . sqrt ( n / 2 ) * np . kron ( np . eye ( len ( h )), [ 1 , - 1 ])
else :
h_i = np . kron ( np . eye ( len ( h )), [ 1 , - 1 ])
# combine parts
h = np . vstack (( h_n , h_i ))
return h
若应用于区域的频谱分析及侦测边缘的话，离散傅立叶变换 、Walsh-Hadamard变换 及哈尔小波转换的计算量见下表
运行时间
为使NRMSE <
10
−
5
{\displaystyle 10^{-5}}
离散傅立叶变换
9.5秒
43
沃尔什转换
2.2秒
65
哈尔小波转换
0.3秒
128
Jian-Jiun Ding, Time frequency analysis and wavelet transform class note,the Department of Electrical Engineering, National Taiwan University (NTU), Taipei, Taiwan, 2007.
Joseph Khoury, Application to image compression, http://aix1.uottawa.ca/~jkhoury/haar.htm （页面存档备份 ，存于互联网档案馆 ）Lokenath Debnath, Wavelet Transforms and Their Application,Birkhauser, Boston,USA, 2002.
Charles K. Chui, Wavelets：A Tutorial in Theory and Applications,ACADEMIC PRESS,San Diego,USA, 1992.
Wavelets and subbands : fundamentals and applications/Agostino Abbate, Casimer M. DeCusatis, Pankaj K. Das.
^ 胡广书. 现代信号处理教程 第二版. 北京. 2015-03. ISBN 978-7-302-38934-7OCLC 1101305618
![{\displaystyle h[n]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/89981bbbb05ffd469eeadb828c18359965985e46)
![{\displaystyle h[n]={\begin{cases}{\frac {1}{\sqrt {2}}}&{\mbox{if n = 0,1}}\\0&{\mbox{otherwise}}\end{cases}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/56fe0fd25067129529ac67f766e82aee441985d0)
![{\displaystyle {\begin{aligned}{\frac {1}{\sqrt {2}}}\psi (\left({\frac {t}{2}}\right))&=\sum _{n=-\infty }^{\infty }(-1)^{1-n}h[1-n]\phi (t-n)\\&={\frac {1}{\sqrt {2}}}(\phi (t-1)-\phi (t))\\\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/42bf4241e5fcfd77b66d7a0dbc3c809a1c2a06a3)
.png)
![{\displaystyle h_{p,q}[n]={\begin{cases}1/{\sqrt {2^{k-p}}},\ when\ q2^{k-p}\leq n<(q+1/2)2^{k-p}\\-1/{\sqrt {2^{k-p}}},\ when\ (q+1/2)2^{k-p}\leq n<(q+1)2^{k-p}\\0,otherwise\end{cases}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9d3acd914b387d1bdccd97001fd98a42b3c4771d)
