PyWavelets多层小波变换：能否为每层指定不同母小波？

可以实现，但PyWavelets库的pywt.wavedec()函数本身不支持每层指定不同母小波——它默认全程使用同一个小波基完成多层分解。要实现每层换小波的需求，需要手动逐层执行小波分解与重构，而非直接调用wavedec()和waverec()。

实现思路 #

多层小波变换的本质是迭代分解：每一层都对前一层输出的**近似系数（cA）**进行小波分解，得到新的近似系数和细节系数（cD）。要为每层指定不同小波，只需在每一轮分解时切换对应的小波基即可，具体步骤：

1. 初始化输入信号为当前待分解的近似系数
2. 遍历预设的每层小波，依次对当前近似系数执行单级分解
3. 保存每一层的细节系数，直到完成所有层数的分解
4. 重构时反向操作：从最后一层的近似系数开始，用对应层的小波逐层结合细节系数重构，直到恢复原始长度的信号

修改后的代码实现 #

import pywt
import numpy as np

def madev(d, axis=None):
    # 实现中位数绝对偏差（原代码中用到的辅助函数）
    return np.median(np.abs(d - np.median(d, axis)), axis)

def filtro_wavelet(x, wavelets, nivel):
    # wavelets：长度为nivel的列表，每个元素对应一层的母小波（如['db1', 'haar', 'sym2']）
    # 手动执行多层小波分解
    coeffs = []
    current_cA = x
    for i in range(nivel):
        wavelet = wavelets[i]
        # 单级小波分解：得到当前层的近似系数cA和细节系数cD
        cA, cD = pywt.dwt(current_cA, wavelet, mode='per')
        coeffs.append(cD)
        current_cA = cA
    # 最后添加最顶层的近似系数
    coeffs.append(current_cA)
    # 调整系数顺序：和wavedec输出一致，[cAn, cDn, cDn-1, ..., cD1]
    coeffs = coeffs[::-1]
    
    # 阈值处理（保留原逻辑）
    sigma = (1/0.675) * madev(coeffs[-nivel])
    limiar = sigma * np.sqrt(2 * np.log(len(x)))
    # 对所有细节系数（coeffs[1:]）应用硬阈值
    coeffs[1:] = [pywt.threshold(i, value=limiar, mode='hard', substitute=0) for i in coeffs[1:]]
    
    # 手动执行多层小波重构
    current_recon = coeffs[0]
    for i in range(1, nivel+1):
        wavelet = wavelets[nivel - i]  # 重构时小波顺序与分解相反
        current_recon = pywt.idwt(current_recon, coeffs[i], wavelet, mode='per')
    
    return current_recon

代码说明 #

• 输入参数wavelets改为列表，需传入与层数nivel长度一致的小波名称/对象，比如wavelets=['db2', 'haar', 'sym3']表示3层变换分别用db2、haar、sym3小波
• 分解阶段用pywt.dwt()单级分解循环，每层切换小波，收集细节系数和最终近似系数
• 重构阶段用pywt.idwt()反向循环，对应每层使用分解时的小波完成逆变换
• 保留了原代码的阈值处理逻辑，确保滤波功能不受影响

内容的提问来源于stack exchange，提问作者Allan David Da Costa Silva