說的（Daubechies小波小波），我表示爲實數y = [1,2,0,4,5,6,7,90,5,6]的陣列的信號。我可以使用Daubechies-4係數D4 = [0.482962, 0.836516, 0.224143, -0.129409]，並應用小波變換來接收信號的高頻和低頻。所以，高頻分量將被計算如下：離散小波變換的陣列複數
high[v] = y[2*v]*D4[0] + y[2*v+1]*D4[1] + y[2*v+2]*D4[2] + y[2*v+3]*D4[3],
和低頻成分可使用其它D4 coefs置換來計算。如果y是複雜的數組？難道我只是乘法和加法複數接收子帶，或者是正確的得到的振幅和相位，把它們都像一個實數，都小波變換它們，然後恢復複數陣列使用公式real_part = abs * cos(phase)每個子帶和imaginary_part = abs * sin(phase)？
處理複雜數據的情況下，你看Complex Wavelet Transform。這實際上是DWT的一個簡單擴展。處理複雜數據的最常用方法是將實部和虛部分別視爲兩個獨立的信號，並分別在每個組件上執行DWT。然後您將接收實部和虛部的分解。
這就是俗稱的雙樹復小波變換。這最好由下圖是我從維基百科拉到描述：
來源：Wikipedia
這就是所謂的「雙樹」，因爲你有兩個DWT分解並行發生的 - 一個用於真實組件，另一個用於虛擬。另外，在上述圖中，g0/h0表示信號x和g1/h1的實部的低通和高通分量表示信號x的虛部的低通和高通分量。
一旦你分解的實部和虛部到各自DWT分解，你可以結合他們得到的幅度和/或相位，並繼續到下一個步驟或任何你想要與他們無關。
關於這個正確性的數學證明是我們所談論的範圍之內，但如果你想看看這是怎麼得到的，我是指你的規範文件由金斯伯裏在1997年在工作複雜小波圖像處理 - http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=835E60EAF8B1BE4DB34C77FEE9BBBD56?doi=10.1.1.55.3189&rep=rep1&type=pdf。密切關注使用CWT對圖像進行噪聲過濾 - 這可能是您要查找的內容。