signal x

db3 = pywt.Wavelet('db3')

cA2，cD2,cD1 = pywt.wavedec(x,db3,'cpd',2)

x2 = pywt.idwt(cA2,cD2,'db3','sym') 

pl.plot(x,label=u'x')

pl.plot(x2,label=u'x2')

pl.legend()

pl.show()

得到的变换之后，x2的则变成的缩小版，横向缩短，图我贴不上来，我想实现的是对信号小波处理，并画出不同阶层分解和重构系数图像。问什么系数图像与x相比，总体轮廓没变，但是x轴压缩了呢

小波变换每次都要降低取样频率，因此小波变换之后，你只用一部分数据还原的话，数据的长度应该是变化的吧。

那要画出原始大小的图形，如果用多阶重构，图形没有达到滤波效果，而是与原图完全重合的，纯粹的恢复数据，在上面程序中，添加：

List = pywt.wavedec(x,db3,'cpd',7)

x7 = pywt.waverec(List,db3)

pl.plot(x7,label=u'x7')

并对于不同阶层的分解，重构，达到降噪的效果看不出来，反而其幅值增大了，像是被压缩了。重建函数与matlaB中wrcoef()小波重构函数输出的数据不同。是不是哪里概念理解错了呢？

http://www.pybytes.com/pywavelets/ref/idwt-inverse-discrete-wavelet-transform.html

upcoef应该可以吧

import numpy as np
import pywt
import matplotlib.pyplot as plt

s =sign

dec_data = pywt.wavedec(s,'db3',level=4)
n = len(s)
for i in range(4):
    plt.subplot(512+i)
    plt.plot(pywt.upcoef('d', dec_data[4-i], 'db3', level=i+1))
    plt.ylabel(i+1)

plt.subplot(511)
plt.plot(s)
plt.ylabel("sign")

plt.show()

为什么楼上用的是 plt.plot(pywt.upcoef('d', dec_data[4-i], 'db3', level=i+1))
而不是 用 dec_data[i] 显示 'd' ？

我尝试直接重构信号 结果好像都是噪声
new_signal = pywt.upcoef('d', dec_data[4-i], W_name, level=i+1, take = n) + pywt.upcoef('a', dec_data[4-i], W_name, level=i+1, take = n)