2.1.5.1 Nén tín hiệu:
Do đặc điểm của mình, Wavelet đặc biệt tốt khi sử dụng để nén hay phân tích
các tín hiệu không dừng đặc biệt là tín hiệu ảnh số và c ác ứng dụng nén tiếng nói,
nén dữ liệu. Việc sử dụng các phép mã hóa băng con, băng lọc có nhiều nhịp và biến đổi wavelet rời rạc tương ứng với loại tín hiệu cần phân tích có thể mang lại
những hiệu quả rõ rệt trong nén tín hiệu. Do tính chất chỉ tồn tại trong các khoảng
thời gian rất ngắn (khi phân tích tín hiệu trong miền thời gian tần số) mà các biến đổi wavelet có khả năng tập trung năng lượng rất tốt vào các hệ số biến đổi. Các hệ
số mang thông tin chi tiết của biến đổi wavelet thường rất nhỏ và có thể bỏ qua mà không ảnh hưởng đến việc mã hóa dữ liệu (trong phương pháp mã hóa ảnh hay
tiếng nói là những tín hiệu cho phép mã hóa có tổn thất thông tin).
2.1.5.2 Khử nhiễu :
Tính chất của biến đổi Wavelet mà ta xét tới trong phần ứng dụng cho nén tín
hiệu được mở rộng bởi Iain Johnstone và David Donohos trong các ứng dụng khử
nhiễu cho tín hiệu. Phương pháp khử nhiễu này được gọi là Wavelet Shrinkage Denoising (WSD). Ý tưởng cơ bản của WSD dựa trên việc tín hiệu nhiễu sẽ lộ rõ khi phân tích bằng biến đổi wavelet ở các hệ số biến đổi bậc cao. Việc áp dụng các ngưỡng loại bỏ tương ứng với các bậc cao hơn của số wavelet sẽ có thể dễ dàng loại
2.1.5.3 Mã hóa nguồn và mã hóa kênh :
Wavelet được ứng dụng trong mã hóa nguồn và mã hóa kênh l à do trong việc
mã hóa nguồn chúng ta cần khả năng nén với tỉ lệ nén cao còn trong mã hóa kênh thì cần khả năng chống nhiễu tốt. Biến đổi wavelet kết hợp với một số phương pháp
mã hóa như má hóa Huffman hay mã hóa số học có thể thực hiện được cả hai điều
trên. Vì thế việc sử dụng wavelet để mã hóa nguồn và mã hóa kênh là rất thích hợp.