Wavelets Theory and Its Applications A First Course Mani Mehra Online Ebook Texxtbook Full Chapter PDF

Wavelets Theory and Its Applications A
First Course Mani Mehra

Visit to download the full and correct content document:
https://ebookmeta.com/product/wavelets-theory-and-its-applications-a-first-course-ma
ni-mehra/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...
Introduction To Probability Theory A First Course On

The Measure theoretic Approach World Scientific Series
On Probability Theory And Its Applications 1st Edition
Moshayedi Nima
https://ebookmeta.com/product/introduction-to-probability-theory-
a-first-course-on-the-measure-theoretic-approach-world-
scientific-series-on-probability-theory-and-its-applications-1st-
edition-moshayedi-nima/
Principles of Probability Theory and its Applications

First Edition Majid Eyvazian
https://ebookmeta.com/product/principles-of-probability-theory-
and-its-applications-first-edition-majid-eyvazian/
Introduction to Probability Theory A First Course on

the Measure Theoretic Approach World Scientific Series
on Probability Theory and Its Applications Book 3 1st
Edition Nima Moshayedi
https://ebookmeta.com/product/introduction-to-probability-theory-
a-first-course-on-the-measure-theoretic-approach-world-
scientific-series-on-probability-theory-and-its-applications-
book-3-1st-edition-nima-moshayedi/
A First Course in Spectral Theory 1st Edition Milivoje

Luki■
https://ebookmeta.com/product/a-first-course-in-spectral-
theory-1st-edition-milivoje-lukic/
A First Course in Group Theory 1st Edition Bijan Davvaz
https://ebookmeta.com/product/a-first-course-in-group-theory-1st-
edition-bijan-davvaz/
Number Theory and Its Applications 1st Edition

Satyabrota Kundu
https://ebookmeta.com/product/number-theory-and-its-
applications-1st-edition-satyabrota-kundu/
A Modern Course in Aeroelasticity Solid Mechanics and

Its Applications 264 Earl H Dowell Editor
https://ebookmeta.com/product/a-modern-course-in-aeroelasticity-
solid-mechanics-and-its-applications-264-earl-h-dowell-editor/
Wavelets and Wavelet Transform Systems and Their

Applications - A Digital Signal Processing Approach 1st
Edition Cajetan M. Akujuobi
https://ebookmeta.com/product/wavelets-and-wavelet-transform-
systems-and-their-applications-a-digital-signal-processing-
approach-1st-edition-cajetan-m-akujuobi/
A First Course in Graph Theory and Combinatorics Second

Edition Texts and Readings in Mathematics 55 Sebastian
M. Cioab■
https://ebookmeta.com/product/a-first-course-in-graph-theory-and-
combinatorics-second-edition-texts-and-readings-in-
mathematics-55-sebastian-m-cioaba/
Forum for Interdisciplinary Mathematics
Mani Mehra
Wavelets Theory
and Its
Applications
A First Course
Editor-in-chief
P. V. Subrahmanyam, Indian Institute of Technology Madras, Chennai, India
Editorial Board Members

Yogendra Prasad Chaubey, Concordia University, Montreal, Canada
Janusz Matkowski, University of Zielona Góra, Zielona Góra, Poland
Thiruvenkatachari Parthasarathy, Chennai Mathematical Institute, Kelambakkam,
India
Mathieu Dutour Sikirić, Institute Rudjer Boúsković, Zagreb, Croatia
Bhu Dev Sharma, Jaypee Institute of Information Technology, Noida, India
The Forum for Interdisciplinary Mathematics series publishes high-quality
monographs and lecture notes in mathematics and interdisciplinary areas where
mathematics has a fundamental role, such as statistics, operations research,
computer science, financial mathematics, industrial mathematics, and
bio-mathematics. It reflects the increasing demand of researchers working at the
interface between mathematics and other scientific disciplines.
More information about this series at http://www.springer.com/series/13386

Mani Mehra
Wavelets Theory and Its

Applications
A First Course
123
Mani Mehra
Department of Mathematics
Indian Institute of Technology Delhi
New Delhi, Delhi, India
ISSN 2364-6748 ISSN 2364-6756 (electronic)

ISBN 978-981-13-2594-6 ISBN 978-981-13-2595-3 (eBook)
https://doi.org/10.1007/978-981-13-2595-3
Library of Congress Control Number: 2018957647
© Springer Nature Singapore Pte Ltd. 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar
methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publication does not imply, even in the absence of a specific statement, that such names are exempt from
the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authors or the editors give a warranty, express or implied, with respect to the material contained herein or
for any errors or omissions that may have been made. The publisher remains neutral with regard to
jurisdictional claims in published maps and institutional affiliations.
This Springer imprint is published by the registered company Springer Nature Singapore Pte Ltd.
The registered company address is: 152 Beach Road, #21-01/04 Gateway East, Singapore 189721,
Singapore
Dedicated
With Love and Regards to
My parents
Preface
Why Another Book on Wavelets
There are several books on wavelet available on the market. Some of them are the
classic ones—Ten Lectures on Wavelets by I. Daubechies; Wavelets and Filter
Banks by G. Strang and T. Nguyen; An Introduction to Wavelets by C. K. Chui;
and Wavelet Analysis: The Scalable Structure of Information by H. L. Resnikoff
and R. O. Jr Wells. So a natural question to ask is: Why another book? My purpose
is different in the following manner:
• A book is needed to supply the students with particular needs, who want to
understand not only the wavelet theory but also its applications to have a
broader understanding. Therefore, it is essential to keep a balance between
mathematical rigor and practical applications of the wavelet theory.
• I want to prepare the students for more advanced books and research articles in
the wavelet theory.
• I discovered that most of my students find the existing literature quite difficult
mainly because of the presupposed level of mathematical sophistication and lack
of motivation and graphical representation.
I have been teaching undergraduate and graduate courses on wavelets and its
applications since 2008 and have delivered lectures at many seminars on various
aspects of wavelets. As is typical with such offerings, the courses/seminars drew an
audience with widely varying backgrounds and expectations. We always felt the
difficulty in presenting the beauty, usefulness, and mathematical depth of wavelets
to those audience who always wanted ideas to be implemented. The underlying
mathematical ideas are explained in a conversational way using the remarks and
figures (or graphical representation) rather than the standard theorem–proof fashion.
It is my pleasure to have this book closely linked to the wavelet MATLAB toolbox,
wherever applicable, and the rest is provided in the form of MATLAB codes.
Although I have done my level best to make this book simpler, it would be
outrageous to claim that I have been successful in this task. However, through much
vii
viii Preface
trial and error, I came to the point where a better understanding of the wavelet
applications can ultimately be achieved by the discrete theory of wavelet. This
concept makes this book distinct from the existing books, and I hope that others
will also find it useful.
Structure of the Book
This book consists of four parts. Parts I and II are designed for a one-semester
course on the wavelet theory and its applications for advanced undergraduate
course or graduate course in science, engineering, and mathematics. A few chapters
end with a set of straightforward problems designed to drive the concepts just
covered. Some applications could be linked to Parts III and IV depending on the
audience. Parts III and IV consist of original research and are written in a more
advanced style incorporating all the existing literature. This part of the book pro-
vides material for the typical first course—a short (10–20 h) introduction to the
wavelet-based numerical methods for differential equations for researchers who
want to pursue research in this area. The different parts of this book discuss the
following topics:
(i) Mathematical Foundation
(ii) Introduction to Wavelets
(iii) Wavelet-Based Numerical Methods for Differential Equations
(iv) Applications of Wavelets in Other Fields
Part I (Chaps. 1 and 2) gives a basic introduction to related mathematics that is
subsequently used in the text. Chapter 1 is devoted to the review of some basic
mathematical concepts. The wavelet theory is really very hard to appreciate without
understanding the drawback of Fourier theory. Chapter 2 is designed for Fourier
analysis and time–frequency analysis, which is more than just a reference but less
than a “book within a book” on Fourier analysis. Naturally, there are a great many
books on Fourier analysis (e.g., Fourier Series and Boundary Value Problem by
Churchill and Brown) that cover the same material in detail.
Part II (Chaps. 3–5) gives a basic introduction to the wavelets. Numerous
graphics illustrate the concepts as they are understood. The basic concepts needed
for a clean and fair treatment of the wavelet theory are developed from the
beginning without, however, going into such a technical detail that this book
becomes a mathematical course in itself and loses its stated purpose. Chapter 3 is
devoted to multi-resolution analysis and construction of various types of wavelets
on flat geometries and their properties. Chapter 4 discusses the wavelets on arbitrary
manifolds. Chapter 5 discusses wavelet transforms for both flat geometries and
arbitrary manifolds.
Preface ix
Part III (Chaps. 6–9) is all about differential equations, which describes how
quantities change across time or space, naturally in science and engineering, and
indeed in almost every field of study where measurements can be taken. Since the
advent of digital computers in the mid-twentieth century, much effort has been
expended in analyzing and applying computational techniques for differential
equations. In fact, the topic has reached such a level of importance that under-
graduate students in mathematics, engineering, and physical sciences are exposed to
one or more courses in this area. Moreover, the field of numerical methods for
differential equations is fortunate to be blessed with several high-quality, compre-
hensive research-level monographs (e.g., Computational Partial Differential
Equations using MATLAB by Jichun Li and Yi-Tung Chen). Therefore, Chap. 6
discusses the traditional numerical methods available in the literature briefly.
Chapter 7 explains the wavelet-Galerkin method for partial differential equations
(PDEs). Chapter 8 explains the wavelet collocation method for PDEs. Section 9.1
explains a wavelet optimized method for PDEs. Chapter 9 discusses other
wavelet-based numerical methods.
Part IV (Chaps. 10 and 11) contains the applications of the wavelet theory. These
chapters aim at making the reader aware of the vast applications of the wavelet
theory across disciplines. Many books on wavelets have been written emphasizing
the applications of the wavelet theory (e.g., Wavelets and Filter Banks by Strang
and Nguyen).
However, in this book, it is limited to two areas in detail:
• In the field of differential equations, which has been already discussed in Part III
in detail.
• The applications of the wavelet in inverse problems are in its infancy, and a lot
more has to be extracted. Very few researchers have taken this application.
Therefore, it is discussed in Chap. 10 in detail and could open many ways to
tackle inverse problems for the researchers.
Chapter 11 discusses other few important applications of the wavelets in brief.
New Delhi, India Mani Mehra

Acknowledgements
First and foremost, I want to thank my Ph.D. advisor, Prof. B. V. Rathish Kumar,
and course advisor of my first course on wavelet at IIT Kanpur, Prof. P. C. Das, for
encouraging me in taking up the exciting topic of wavelet-based numerical methods
for my Ph.D. dissertation. I thank Prof. Nicholas Kevlahan of McMaster University
for his collaboration on the wavelets on arbitrary manifolds. I thank Kavita Goyal
for her help in producing some of the MATLAB graphics and discussions during
the early stage of this book. I also want to thank my student Kuldip Singh Patel for
producing some of the graphics in Chap. 10. Thanks to my students Ankita Shukla
and Aman Rani for their careful reading of the manuscript. I am indebted to referees
and editorial assistants whose suggestions tremendously improved this book.
Finally, I want to thank my parents, my brothers, my sister-in-law, and my two
beautiful nieces for their love and support. I also want to thank my husband Vivek
Kumar Aggarwal for his constant encouragement throughout the preparation of this
book. My special thanks go to my delightful children, Manvi and Vivaan, who will
someday read their names here and wonder how their mom actually did it by
balancing the academics and the responsibility of bringing up the kids.
xi
Contents
Part I Mathematical Foundation

1 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Vector Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Normed Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Inner Product Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Hilbert Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Function Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Fourier Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Fourier Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Fourier Transform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Time–Frequency Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Part II Introduction to Wavelets

3 Wavelets on Flat Geometries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 Multiresolution Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.1 Wavelets and Fourier Transform . . . . . . . . . . . . . . . . . 32
3.1.2 Different Ways to Start Multiresolution . . . . . . . . . . . . 33
3.1.3 Evaluation of Scaling Functions and Wavelets . . . . . . . 35
3.2 Daubechies Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1 Construction of Daubechies Wavelet
on the Real Line (R) . . . . . . . . . . . . . . . . . . . . ..... 36
3.2.2 Construction of Periodized Daubechies Wavelet . ..... 45
3.2.3 Construction of Daubechies Wavelet
on the Interval . . . . . . . . . . . . . . . . . . . . . . . . . ..... 51
xiii
xiv Contents
3.3 Coiflet Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.4 Shannon Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.5 Meyer Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.6 Hermitian Wavelets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.7 Morlet Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.8 Biorthogonal Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.8.1 Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.8.2 Spline Wavelets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.8.3 Compactly Supported Biorthogonal Spline
Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.9 Battle–Lemarie Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.10 Interpolating Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.11 Comparison of Different Wavelets . . . . . . . . . . . . . . . . . . . . . . 70
3.12 Wavelets in Higher Dimensions . . . . . . . . . . . . . . . . . . . . . . . . 71
3.13 Non-MRA Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4 Wavelets on Arbitrary Manifolds . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1 Second-Generation Wavelets . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.1.1 Lifting Scheme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1.2 Spherical Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2 Diffusion Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.3 Spectral Graph Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5 Wavelet Transform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.1 Continuous Wavelet Transform . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2 Discrete Wavelet Transform . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.2.1 Daubechies Wavelet Transform . . . . . . . . . . . . . . . . . . 99
5.2.2 Diffusion Wavelet and Inverse Diffusion Wavelet
Transform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.3 Spectral Graph Wavelet Transform (SGWT) . . . . . . . . 102
5.3 Discretized CWT Versus DWT . . . . . . . . . . . . . . . . . . . . . . . . 105
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Part III Wavelets Based Numerical Methods for Differential

Equations
6 Introduction to Numerical Methods . . . . . . . . . . . . . . . . . . . . . . . . 109
6.1 Finite Difference Methods (FDM) . . . . . . . . . . . . . . . . . . . . . . 110
6.2 Compact Finite Difference Methods . . . . . . . . . . . . . . . . . . . . . 113
6.3 Spectral Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Contents xv
6.4 Finite Element Methods (FEM) . . . . . . . . . . . . . . . . . . . . . . . . 118

6.5 Finite Volume Methods (FVM) . . . . . . . . . . . . . . . . . . . . . . . . 118
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7 Wavelet-Galerkin Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7.1 Different Ways of Handling Nonlinearities . . . . . . . . . . . . . . . . 122
7.1.1 Connection Coefficients Approach . . . . . . . . . . . . . . . . 122
7.1.2 Pseudo Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.2 Different Ways of Handling Boundary Conditions . . . . . . . . . . 125
7.3 Differentiation Projection Matrix . . . . . . . . . . . . . . . . . . . . . . . 126
7.4 The Basic Paradigm of Wavelet-Galerkin Method . . . . . . . . . . . 131
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8 Wavelet Collocation Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
8.1 Differentiation Projection Matrix . . . . . . . . . . . . . . . . . . . . . . . 136
8.2 The Basic Paradigm of Wavelet Collocation Method . . . . . . . . 140
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9 Other Wavelet-Based Numerical Methods . . . . . . . . . . . . . . . . . . . . 143
9.1 Wavelet Optimized Numerical Methods . . . . . . . . . . . . . . . . . . 143
9.1.1 Wavelet Optimized Finite Difference Methods . . . . . . . 144
9.1.2 Wavelet Optimized Finite Element Methods . . . . . . . . 150
9.1.3 Wavelet Optimized Finite Volume Methods . . . . . . . . . 150
9.2 Space–Time Adaptive Methods . . . . . . . . . . . . . . . . . . . . . . . . 150
9.3 A Lagrange Particle Wavelet Methods . . . . . . . . . . . . . . . . . . . 151
9.4 Wavelet–Taylor Galerkin Methods . . . . . . . . . . . . . . . . . . . . . . 151
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Part IV Applications of Wavelets in Other Fields

10 Applications of Wavelet in Inverse Problems . . . . . . . . . . . . . . . . . 157
10.1 Different Approaches to Solve Inverse Problems . . . . . . . . . . . . 160
10.1.1 Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
10.1.2 Regularization by Filtering . . . . . . . . . . . . . . . . . . . . . 162
10.1.3 Variational Regularization Methods . . . . . . . . . . . . . . . 163
10.1.4 Iterative Regularization Methods . . . . . . . . . . . . . . . . . 164
10.2 Wavelet-Based Approaches to Solve Inverse Problems . . . . . . . 164
10.2.1 Wavelet–Vaguelette Decomposition . . . . . . . . . . . . . . . 165
10.2.2 The Vaguelette–Wavelet Decomposition Method . . . . . 167
10.2.3 Generalized Wavelet-Galerkin Method . . . . . . . . . . . . . 168
10.2.4 Wavelet Domain Linear Inversion . . . . . . . . . . . . . . . . 169
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
xvi Contents
11 Other Useful Applications of Wavelet . . . . . . . . . . . . . . . . . . . . . . . 173

11.1 Wavelet and Preconditioners . . . . . . . . . . . . . . . . . . . . . . . . . . 173
11.2 Wavelet and Turbulence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
11.3 Wavelet and Multigrid Methods . . . . . . . . . . . . . . . . . . . . . . . . 177
11.3.1 Multigrid Framework . . . . . . . . . . . . . . . . . . . . . . . . . 177
11.3.2 Similarities Between Multigrid and Multiresolution . . . 179
11.4 Wavelet and Integral Equations . . . . . . . . . . . . . . . . . . . . . . . . 180
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
About the Author
Mani Mehra is an associate professor at the Department of Mathematics, Indian

Institute of Technology Delhi, India. She received her M.Sc. in applied mathe-
matics from the Indian Institute of Technology Roorkee, India, in July 2000 and her
Ph.D. in applied mathematics on “Wavelet-based fast time accurate schemes and
preconditioners for partial differential equations” from the Indian Institute of
Technology Kanpur, India, in April 2005. Her research interests include wavelet
methods for partial differential equations and numerical methods.
xvii
Part I
Mathematical Foundation
Chapter 1
Preliminaries
Linear algebra is a branch of mathematics that studies vector spaces, also called
linear spaces. Linear algebra is commonly restricted to the case of finite-dimensional
vector spaces, while the peculiarities of the infinite-dimensional case are traditionally
covered in the functional analysis. We use the following notations:
• N = {0, 1, 2, . . .} is the set of all natural numbers.
• R is the set of all real numbers.
• Z = {. . . , −1, 0, 1, . . .} is the set of integers.
1.1 Vector Space
Vector spaces play an important role in many branches of mathematics. In fact,

in various practical problems, we have a set X whose elements can be added and
multiplied by constants, the result being again an element of X . A vector space over
a field K is a set X together with two binary operations (addition X × X → X , and
scalar multiplication K × X → X ) satisfying following axioms:
• The binary operation addition satisfies the following axioms ∀x, y ∈ X .
(i) x + y = y + x (Commutative property).
(ii) x + (y + z) = (x + y) + z (Associative property).
(iii) x + 0 = x (existence of identity, where 0 is called zero vector).
(iv) x + (−x) = 0 (existence of inverse −x).
• Scalar multiplication satisfies the following axioms ∀α, β ∈ K , x, y ∈ X .
(i) α(x + y) = αx + αy, (α + β)x = αx + βx (Distributive law).
(ii) α(βx) = (αβ)x = β(αx) (Associative property).
(iii) 1x = x.
K is called the scalar field (or coefficient field) of the vector space X , and X is
called a real vector space if K = R (the field of real numbers), and a complex vector
© Springer Nature Singapore Pte Ltd. 2018 3
M. Mehra, Wavelets Theory and Its Applications, Forum for Interdisciplinary
Mathematics, https://doi.org/10.1007/978-981-13-2595-3_1
4 1 Preliminaries
space if K = C (the field of complex numbers). The elements of vector space shall be
called vectors (which can be sequence of numbers, functions, etc.). For example, each
element of vector space l p , p ≥ 1 is a sequence x = (xi ) = (x1 , x2 , . . .) of numbers
∞
such that |xi | p < ∞.
i=1
A basis B of a vector space X over a field K is a linearly independent subset of X
that spans (or generates) X . In more detail, suppose that B = {v1 , . . . , vn } is a subset
of a vector space X over a field K . Then, B is a basis if it satisfies the following
conditions.
(i) If c1 v1 + · · · cn vn = 0, then necessarily c1 = · · · = cn = 0 (i.e., {vi : i =
1, 2, . . . , n} is linearly independent set).
(ii) For every x ∈ X , x = c1 v1 + · · · + cn vn . The numbers ci are called the coor-
dinates of the vector x with respect to the basis B (i.e., x = span{vi : i =
1, 2, . . . , n}).
There can be several choices for basis of a vector space but the number of elements
in the basis is always the same. The number of elements in a basis is called the
dimension of the space. A vector space X with finite number of elements in its basis
is said to be finite-dimensional (e.g., real line (R) vector space). If B contains infinite
elements, the vector space is said to be infinite-dimensional (e.g., l p , p ≥ 1 vector
space).
1.2 Normed Space
A normed space X is a vector space with a norm (i.e., to gauge the size of element of
vector space) defined on it. The function norm . : X → R satisfies the following
axioms:
(i) x ≥ 0, x = 0 iff x = 0.
(ii) αx = |αx.
(iii) x + y ≤ x + y (Triangle inequality).
Example 1.2.1 The norm on vector space l p , p ≥ 1 is defined by

∞ 1/ p

x p = |xi | p
. (1.1)
i=1
The norm defined in (1.1) will satisfy all the axioms mentioned above.
Example 1.2.2 Thevector space L p (R), 1 ≤ p < ∞ is the set of all measurable
functions such that | f (x)| p d x < ∞. The norm is defined by
R
1.2 Normed Space 5
1/ p
f p = | f (x)| d x
p
. (1.2)
R
This norm (defined in (1.2)) will also satisfy all the axioms mentioned above.
The few main elementary properties of L p (R) norms are Minkowski inequality
f + g p ≤ f p + g p , (1.3)
and Hölder’s inequality

p
f g1 ≤ f p gq , where q = . (1.4)
p−1
The special case p = q = 2 gives a form of the Cauchy–Schwarz inequality. A

complete normed space is called a Banach space.
1.3 Inner Product Space
An inner product space X is a vector space with an inner product defined on it. An
inner product is a function ., . : X × X → K (where K = R or C) satisfying the
following axioms:
(i) x, x ≥ 0, x, x = 0 iff x = 0.
(ii) αx, y = α x, y .
(iii) x, y = y, x .
(iv) x + y, z = x, z + y, z .
√
An inner product on X defines a norm on X given by x = x, x . Moreover, the
norm introduced by the inner product space satisfies the important parallelogram law
x + y2 + x − y2 = 2(x2 + y2 ), (1.5)
if a norm does not satisfy (1.5), it cannot be obtained from an inner product. Therefore,
not all normed spaces are inner product spaces. The Cauchy–Schwarz inequality
(with respect to L2 (R) spaces has been already discussed in the previous section)
states that for all vectors x and y of an inner product space
| x, y | ≤ xy.
Moreover, two vectors x, y ∈ X are said to be orthogonal if x, y = 0.

Example 1.3.1 The space l p with p = 2 is not an inner product space.
Solution: We prove this by showing that norm does not satisfy the parallelogram
law (1.5). Let x = (1, 1, 0, 0, · · · ) and y = (1, −1, 0, 0, . . .), both are in space l p . It
6 1 Preliminaries
is easy to see that x p = 21/ p , y p = 21/ p , x + y p = x − y p = 2. Clearly,

the parallelogram law (1.5) is not satisfied for p = 2. Hence, l p with p = 2 is not
an inner product space.
1.4 Hilbert Space
A complete inner product space is called a Hilbert space. Given a basis {vk : k ∈ I }
(sequence of vectors) or {vk (x) : k ∈ I } (sequence of functions) in a Hilbert space
H, every vector or function f ∈ H can be uniquely represented as

f = ck ( f )vk , f (x) = ck ( f )vk (x), (1.6)
k∈I k∈I
where the index set I may be finite or countably infinite. Suppose the elements of
Hilbert space are functions then a frame is also a set {vk (x) : k ∈ I } in H which
allows every f to be written like (1.6) but it will be linearly dependent. Thus, the
coefficients ck ( f ) are not necessarily unique and one may get redundant representa-
tion. More precisely, a family {vk (x) : k ∈ I } in a Hilbert space H is a frame for H
if ∃ two constant m, M satisfying 0 < m ≤ M < ∞ such that

m|| f ||2 ≤ | < f, vk > |2 ≤ M|| f ||2 , ∀ f ∈ H (frame inequality). (1.7)
k∈I
Moreover, for every frame ∃ a dual frame {ṽk : k ∈ I } such that

f (x) = < f, ṽk > vk = < f, vk > ṽk , ∀ f ∈ H. (1.8)
k∈I k∈I
If frame is linearly independent set for H, then frame gives Riesz basis for H.
Therefore, Riesz basis is basis which satisfies (1.6) and frame inequality (1.7). In
case of Riesz basis, dual frame will also be Riesz basis and biorthogonal, i.e.,
vk , ṽk = δk,k . (1.9)
Moreover, bases are optimal for fast data processing, whereas the redundancy inher-
ent in frames (overcomplete frames) increases flexibility when used in expressing
signal or approximating a function. It also adds robustness to the noise in data, but
usually at the price of high computational cost.
Remark 1.4.1 In case of orthonormal basis, frame inequality is satisfied for m =
M = 1. Therefore, it is also a Riesz basis. In fact, an orthonormal basis is biorthogonal
to itself.
1.4 Hilbert Space 7
Example 1.4.1 Given {vk (x) : k ∈ N} is an orthonormal basis for H, prove that
{gk (x) = k1 vk (x) : k ∈ N} does not form Riesz basis for H.
Solution: The {gk (x) : k ∈ N} is linearly independent but does not satisfy (1.7),
since
∞
∞
1
| f, gk |2 = | f, vk |2 ,
k=1 k=1
k
∞
1
= 2
| f, vk |2 .
k=1
k
It is clear that m which satisfies (1.7), hence {gk (x) : k ∈ Z} does not form Riesz
basis for H.
Example 1.4.2 Given {vk (x) : k ∈ N} is an orthonormal basis for H, prove that the
set {v1 (x), v1 (x), v2 (x), v2 (x), v3 (x), v3 (x), . . .} is a frame but does not form Riesz
basis for H.
1.5 Projection
A vector space X is said to be the direct sum (X = Y ⊕ Z ) of two subspaces Y and

Z of X , if each x ∈ X has a unique representation
x = y ⊕ z, y ∈ Y and z ∈ Z .
Moreover, Z is called an algebraic complement of Y in X and vice versa. If X is

a Hilbert space. A projection (P) (generalizes the idea of graphical projection) is a
linear transformation (P : X → Y ) which has the following basic properties
• P is the identity operator I on Y : ∀y ∈ Y : P y = y (P maps Y onto Y ).
• P is idempotent (i.e., P 2 = P).
• We have a direct sum X = Y ⊕ Z . Every vector x in X may be decomposed
uniquely as x = y + z with y = P x and z = x − P x = (I − P)x, (P z = P(x −
P x) = 0, means P maps Z onto {0}).
1.6 Function Series
In calculus, a function series is a series, where the summands are not just real or
complex numbers but functions. Examples of function series include power series,
Laurent series, Fourier series (will be explained in Chap. 2 in details), etc. As for
8 1 Preliminaries
sequences of functions, and unlike for series of numbers, there exist many types of
convergence for a function series. We mention few of them as follows:
∞

(i) The infinite series f n (x) converges to f (x) in a < x < b in the mean-square
n=1
sense (or L2 sense, i.e., in L2 (a, b) norm), if
b
| f (x) − s N (x)|2 d x → 0, as N → ∞. (1.10)
a

N
where s N (x) = f n (x).
n=1
∞

(ii) The infinite series f n (x) converges to f (x) pointwise in (a, b) if it converges
n=1
to f (x) for each x ∈ (a, b), i.e.,
| f (x) − s N (x)| → 0, as N → ∞, (1.11)
(iii) The infinite series converges uniformly to f (x) in a ≤ x ≤ b, if
max | f (x) − s N (x)| → 0, as N → ∞. (1.12)

a≤x≤b
Example 1.6.1 Discuss all three notions of convergence mentioned above for the
series of functions f n (x) = (1 − x)x n−1 , 0 < x < 1.
Solution: Compute s N (x) = 1 − x N , which means s N (x) → 1 as N → ∞. It con-

verges in L2 sense. Moreover, series converges to the function f (x) = 1 pointwise.
Further, max | f (x) − s N (x)| → 1, hence the series does not converge uniformly.
0≤x≤1
Chapter 2
Fourier Analysis
The Fourier analysis contains two components: Fourier series and Fourier transform.
The Fourier series is named in the honor of Joseph Fourier, who made an important
contribution in mathematics. Fourier introduced the series for the purpose of solving
the heat equation in a metal plate, publishing his initial results in his 1807 memoir
to the Institute de France. Although the original motivation was to solve the heat
equation, it later became obvious that the same techniques could be applied to a
wide variety of mathematical and physical problems. The Fourier series has many
applications in different branches of science and engineering. Fourier series is more
universal than Taylor series because many discontinuous periodic functions of prac-
tical interest can be developed in the form of Fourier series.
However, many practical problems also involve nonperiodic functions. In that
case, the Fourier series is converted to Fourier integral, and the complex form of
Fourier integral is called Fourier transform.
2.1 Fourier Series
A Fourier series is an expansion of a periodic function f (x) in terms of the functions

inπx
of the orthonormal set {e l }n∈Z . Fourier series is extremely useful as a way to break
up an arbitrary periodic function into a set of simple functions (i.e., trigonometric
polynomials). These simple functions can be plugged in, solved individually, and
then recombined to obtain the solution to the original problem or an approximation
to it up to any desired accuracy.
inπx
For any n ∈ Z, e l has period 2l, so the Fourier series has period 2l. Now,
the important question to answer is whether all functions with period 2l have a
Fourier series expansion? For this purpose, we consider the space L2 (0, 2l) of
square integrable, 2l-periodic functions. A function f (x) ∈ L2 (0, 2l) if f (x + 2l) =
f (x), ∀x ∈ R, and

10 2 Fourier Analysis
2l
| f (x)|2 d x < ∞.
0
The space L2 (0, 2l) is a Hilbert space with the inner product
2l
1
f, g = f (x)g(x)d x,
2l 0
and the corresponding norm

2l
1
f 22 = | f (x)|2 d x.
2l 0
inπx
It turns out that the family of functions {e l }n∈Z is an orthonormal basis of the
space L2 (0, 2l) and hence any f (x) ∈ L2 (0, 2l) has the following Fourier series
representation:
∞
inπx inπx
f (x) = a0 + an cos + bn sin , (2.1)
n=1
l l
where the constants a0 , an and bn are called the Fourier coefficients of f (x), defined
by
2l 2l 2l
1 1 inπx 1 inπx
a0 = f (x)d x, an = f (x)cos d x, bn = f (x)sin .
2l 0 l 0 l l 0 l
(2.2)
The complex form of (2.1) is
∞
inπx
f (x) = cn e l , (2.3)
n=−∞
where the constants cn are called the Fourier coefficients of f (x), defined by
2l
1
f (x)e−
inπx
cn = l d x. (2.4)
2l 0
The convergence of the series (2.1) is in L2 (0, 2l) means

2l
lim | f (x) − s N (x)|2 d x → 0,
N →∞ 0
2.1 Fourier Series 11
Fig. 2.1 Example 2.1.1 0.5
f(x)
0
−0.5
0 1
x

N
inπx
where s N (x) = cn e l is the N th partial sum of the Fourier series. We observe
n=−N
from series (2.1) that f (x) (l = π, 2π–periodic function) is decomposed into a
sum of infinitely many mutually orthogonal components, wn (x) = einx , n ∈ N. This
orthonormal basis is generated by integer dilations (wn (x) = w(nx), ∀n ∈ N) of sin-
gle function w(x) = ei x . It means ei x (sinusoidal wave) is the only function required
to generate space L2 (0, 2π). This sinusoidal wave has high frequency for large |n|
and low frequency for small |n|. So, every function in space L2 (0, 2π) is composed of
waves with various frequencies. Moreover, the Fourier series defined in (2.1) satisfy
the Parseval’s identity given by
2l ∞

| f (x)| d x = 2l
2
|cn |2 . (2.5)
0 n=−∞
Example 2.1.1 For the function

x if 0 < x < 0.5,
f (x) =
x − 1 if 0.5 ≤ x < 1,
shown in Fig. 2.1, the Fourier coefficients computed using (2.4) are given by
e−2iπn + 2iπne−iπn − 1
cn = .
4π 2 n 2
The Matlab function fourier_approximation.m computes the s N (x) for
different N using the command fourier_approximation .
The s N (x) for N = 64, 128 and 256 is plotted in Fig. 2.2 and the corresponding
errors in L2 norm are 1.26, 8.91 × 10−1 and 6.19 × 10−1 . It is interesting fact that
the discontinuity of the function in the Example 2.1.1 is completely resolved by the
series (2.1), even though the individual terms of the series are continuous. However,
with only finite number of terms, this will not be the case. Moreover, we observe
Fig. 2.2 Fourier 0.6 f(x)

approximation for N=64
N=128
Example 2.1.1 N=256
sN(x)
0
−0.6
0 1
x
from Fig. 2.2 that the approximation error is not only confined near the region of
discontinuity but spread throughout the domain. This is called Gibbs phenomenon.
The reason for the poor approximation of the discontinuous functions lies in the
nature of the functions einx , as they all have the support on whole of the real axis and
differs only with respect to the frequency n. Now, we write results for the convergence
of Fourier series in different modes of convergence as discussed in Sect. 1.6 (see [1]
for details).
Theorem 2.1.1 If f (x) and f (x) are piecewise continuous functions in (0, 2l),
then the fourier series converges at every point x. Moreover,
∞
inπx 1
cn e l = ( f ext (x+) + f ext (x−)) ∀ − ∞ < x < ∞,
n=−∞
2
where f ext (x), −∞ < x < ∞ is the periodic extension of f (x) defined in (0, 2l).
Theorem 2.1.2 If f (x) ∈ L2 (0, 2l), then the Fourier series converges to f (x), x ∈
(0, 2l) in L2 sense.
Theorem 2.1.3 If f (x) and f (x) are continuous in [0, 2l] and value of Fourier
series matches with f (x) at the endpoints (0 and 2l), then the Fourier series converges
to f (x), x ∈ [0, 2l] uniformly.
2.2 Fourier Transform
The Fourier transform of a function f (x) ∈ L1 (R) (space of integrable functions

as p = 1 in Example 1.2.2) is defined as
∞
fˆ(ω) = F( f (x)) = e−iωx f (x)d x, ω ∈ R. (2.6)
−∞
2.2 Fourier Transform 13
∞
It should be noted that | fˆ(ω)| ≤ −∞ | f (x)|d x < ∞, and hence, we can guarantee
the existence of Fourier transform defined in (2.6). Some of the properties of fˆ(ω),
for every f (x) ∈ L1 (R) are the following:
(1) fˆ(ω) ∈ L∞ (R) and fˆ∞ ≤ f 1 .
(2) If the derivative f (x) of f (x) exists and f (x) ∈ L1 (R), then
fˆ (ω) = iω fˆ(ω).
(3) fˆ(ω) → 0, as ω → −∞ or ∞.
It should be noted that, f ∈ L1 (R) fˆ ∈ L1 (R), which can be illustrated from the
following example: −x
e if x ≥ 0,
f (x) =
0 if x < 0.
The above function f (x) is in the space L1 (R) but its Fourier transform fˆ(ω) =
(1 − iω)−1 is not in L1 (R).
If fˆ ∈ L1 (R) be the Fourier transform of f ∈ L1 (R), then the inverse Fourier
transform of fˆ is defined as
∞
1
(F −1
fˆ)(x) = eiωx fˆ(ω)dω. (2.7)
2π −∞
Remark 2.2.1 The Fourier transform defined in (2.6), decomposes the functions
(signals) into the sum of a (potentially infinite) number of sine and cosine wave fre-
quency components. The frequency domain is a term used to describe the domain
for analysis of mathematical functions (signals) with respect to frequency. Therefore,
the Fourier transform of a function is also called the Fourier spectrum of that func-
tion. The inverse Fourier transform converts the Fourier transform from frequency
domain to the original function under some assumptions. If the original function is
a signal, then the physical representation of the domain will be time domain.
It should be noted that the two components of Fourier analysis, namely the Fourier
series and the Fourier transform are basically unrelated. We will later see that this is
not the case with wavelet analysis.
Example 2.2.1 Evaluate the Fourier transform of the Gaussian function f (x) =
e−ax , a > 0.
2
Solution:
∞
fˆ(ω) = e−iωx e−ax d x,
2
(2.8)
−∞
∞
e−a (x+ 2a )
2 2
iω
− ω4a
= d x,
−∞
ω2
∞
e− 4a
e−x d x,
2
= √
a −∞

π − ω2
= e 4a .
a
Another method to evaluate the Fourier transform of the Gaussian function:

Differentiate both sides of (2.8) with respect to ω
∞
fˆ(ω) e−iωx (xe−ax )d x (using Leibnitz rule for improper integral),
2
= −i
−∞
∞
ω
e−iωx e−ax d x ( f (x) ∈ L1 (R) and hence using integration by parts),
2
=
2a −∞
ω ˆ
= f (ω).
2a
ω2
=⇒ fˆ(ω) = fˆ(0)e− 4a .
∞
Now fˆ(0) = e−ax d x = π
2
−∞ a
, and hence

π − ω2
fˆ(ω) = e 4a .
a
Now we will see when the inverse Fourier transform defined in (2.7) gives back
the original function f (x). To prove this statement, we introduce convolution first.
Convolution is a mathematical operation on two functions f and g, which involves
multiplication of one function by a delayed or shifted version of another function,
integrating or averaging the product and repeating the process for different delays. It
has applications in the area of image and signal processing, electrical engineering,
probability, statistics, computer vision, and differential equations. More precisely,
the convolution of two functions is defined by
∞
( f ∗ g)(x) = f (τ )g(x − τ )dτ , (2.9)
−∞
where we can guarantee the existence of convolution if f, g ∈ L1 (R). It can be

observed that f ∗ g ∈ L1 (R) as
∞ ∞ ∞
|( f ∗ g)(x)|d x ≤ | f (τ )||g(x − τ )|d xdτ ,
−∞ −∞ −∞
∞ ∞
= | f (τ )| |g(x − τ )|d x dτ ,
−∞ −∞
∞ ∞
= | f (τ )| |g(x)|d x dτ ,
−∞ −∞
∞ ∞
= | f (τ )|dτ |g(x)|d x.
−∞ −∞
This implies that f ∗ g1 ≤ f 1 g1 and hence f ∗ g ∈ L1 (R). A change of vari-
able of integration in (2.9) will tell us f ∗ g = g ∗ f, ∀ f, g ∈ L1 (R), i.e., convolution
is commutative. Now since f ∗ g ∈ L1 (R), we can define ( f ∗ g) ∗ h and a simple
manipulation will tell you that ( f ∗ g) ∗ h = f ∗ (g ∗ h), ∀ f, g, h ∈ L1 (R), i.e., con-
volution is associative. However, no function acts as an identity for the convolution
except in case of modified concept of function (generalized function) which will be
discussed in a short while. To prove that no identity function for the convolution
exists, we need the following theorem which states that the Fourier transform of a
convolution is the pointwise product of Fourier transforms.
Theorem 2.2.2 Let f, g ∈ L1 (R), then ( f ˆ∗ g)(ω) = fˆ(ω)ĝ(ω).
Proof:
∞
( f ˆ∗ g)(ω) = e−iωx ( f ∗ g)(x)d x,
−∞
∞ ∞
= e−iωx f (τ )g(x − τ )dτ d x,
−∞ −∞
∞ ∞
= f (τ ) e−iωx g(x − τ )d x dτ ,
−∞ −∞
(using Fubini’s theorem as whole integrand is integrable),
∞ ∞
= f (τ ) e−iω(τ +y) g(y)dy dτ , (x − τ = y),
−∞ −∞
∞ ∞
−iωτ
= f (τ )e e−iω y g(y)dy dτ ,
−∞ −∞
= fˆ(ω)ĝ(ω).
The above theorem is also called convolution theorem. It is actually an extremely

important theorem, especially useful for implementing a numerical convolution on
a computer.
Remark 2.2.3 The standard convolution algorithm has quadratic computational
complexity. With the help of the convolution theorem and the fast Fourier trans-
form, the complexity of the convolution can be reduced to O(n log n). This can be
exploited to construct fast multiplication algorithms.
Now suppose there exists a function e ∈ L1 (R), which acts as an identity for the
convolution operator, i.e.,
f ∗ e = f, ∀ f ∈ L1 (R). (2.10)
Now applying Theorem 2.2.2 on (2.10),
fˆ(ω)ê(ω) = fˆ(ω), ∀ f ∈ L1 (R)

which means
ê(ω) = 1, (2.11)
which is not true (as we know ê(ω) → 0, as ω → −∞ or ∞).

Now let us define Dirac delta (δ), which is a generalized function (distribution)
on the real number line such that it is nonzero only at zero and zero everywhere else,
with an integral equal to one over the entire real line, i.e.,
δ(x) = 0 ∀x = 0 (2.12)
and ∞
δ(x)d x = 1. (2.13)
−∞
It was introduced by theoretical physicist Paul Dirac. In the context of signal pro-
cessing, it is often referred as the unit impulse function. It is a continuous analogue
of the Kronecker delta function which is usually defined on a finite domain, and
takes values 0 and 1. The Dirac delta distribution (δ distribution for x0 = 0) can act
as convolution identity because
f ∗ δ = f, ∀ f ∈ L1 (R), (2.14)
provided δ̂(ω) = 1.
We have already seen that we cannot obtain an identity function in L1 (R) for
the convolution. However, we still wish to find an approximation to the function δ
in (2.14), i.e., an approximation of the convolution identity. Consider the Gaussian
(x−b)2
functions of the form ae− c2 for some real constants a, b, c. The parameter a
is the height of the curve’s peak, b is the position of the center of the peak and c
controls the√width of the curve’s peak. Now we take particular Gaussian function
with c = 2 α, a = c√1 π and b = 0
1 x2
eα (x) = √ e− 4α , α > 0, (2.15)
2 πα
whose Fourier transform is given by
eˆα (ω) = e−αω ,

2
(2.16)
using the result given in Example 2.2.1. It is clear that the function eα satisfies (2.11)
as α → 0+ . The Gaussian function for different α (which governs the height and
width of the peak) is shown in Fig. 2.3. In Fig. 2.3, the black line shows the Gaussian
at α = 1/25 ; therefore, one can observe that width of peak is decreased and height
of peak is increased as α → 0+ . In Fig. 2.4, the Gaussian is plotted for α = 1/215 ,
Fig. 2.3 The Gaussian 2 j=0

function for α = 1/2 j , j=1
j = 0, 1, . . . , 5 1.5
j=2
j=3
j=4
e (x)
j=5
1
α
0.5
0
−5 0 5
x
Fig. 2.4 The Gaussian 50

function for
α = 1/215 = 3.05 × 10−5 40
30
eα(x)
20
10
0
−5 0 5
x
which is almost the Dirac delta function. Now, we state the following theorem without
proof and refer to [2] for proof.
Theorem 2.2.4 Let f ∈ L1 (R), then lim+ ( f ∗ eα )(x) = f (x) at every point x
α→0
where f is continuous.
Theorem 2.2.4 says that eα → δ on C (collection of continuous functions in L1 (R))

as α → 0+ . Now {eα } is an approximation of the convolution identity. Theo-
rem 2.2.4 can be used to prove the following theorem.
Theorem 2.2.5 Let f ∈ L1 (R) such that its Fourier transform is also in fˆ ∈ L1 (R),
then
f (x) = (F −1 fˆ)(x),
at every point x where f is continuous (for proof one can refer to [2]).
We have defined the Fourier transform of the functions in the space L1 (R), and in
this space there is no guarantee that the inverse Fourier transform will exist as already
explained in Sect. 2.2. A tool is of no practical good if you cannot revert its effect
back, so we need to move to a space where at least the inverse Fourier transform
exists. The L2 (R) (set of square integrable functions) space is much more elegant to
define Fourier transform as for f ∈ L2 (R) its Fourier transform fˆ ∈ L2 (R), which
can be formulated in the form of theorem as follows.
Theorem 2.2.6 The Fourier transform F is one–one map of L2 (R) onto itself, i.e.,
for every g ∈ L2 (R), there corresponds one and only one f ∈ L2 (R) such that fˆ = g
f (x) = (F −1 g)(x)
(for proof one can refer to [2]).

For f ∈ L2 (R), a result similar to (2.5) is satisfied as follows:
1 ˆ 2
f 22 = f 2 (Parseval’s identity). (2.17)
2π
The detailed theory of Fourier transform of functions in L2 (R) (discussed above in
short) is also known as the Plancherel theory.
2.3 Time–Frequency Analysis
The time–frequency analysis is a topic of signal analysis where we study the signal
in both the time and frequency domains together with couple of advantages over
Fourier transform as follows.
• In order to study the signal in frequency domain from its Fourier transform dis-
cussed in previous Sect. 2.2, we require complete description of the signal’s behav-
ior over entire time (which may include indeterminate future behavior of the sig-
nal). You cannot predict Fourier transformation based on local observation of the
signal.
• Moreover, if the signal is changed in small neighborhood of some particular time,
then the entire Fourier spectrum is affected.
• Another drawback of classical Fourier analysis is that signals are either assumed
infinite in time (case of Fourier transform) or periodic (case of Fourier series), while
many signals in practice are of short duration (i.e., not defined for infinite time),
and are not periodic. For example, traditional musical instruments do not produce
infinite duration sinusoids, but instead begin with an attack, then gradually decay.
This is poorly represented by Fourier analysis, which motivates time–frequency
analysis.
Time–frequency analysis is generalization of Fourier analysis for those signals
whose frequency (statistics) vary with time. Many signals of interest such as speech,
music, images, and medical signals have changing frequency, which again motivates
time–frequency analysis.
The drawback of Fourier transform in time–frequency analysis was initially
observed by D. Gabor in 1946. He used the concept of window function to define
another transform. A nontrivial function w ∈ L2 (R) is called a window function if
xw(x) is also in L2 (R). It means function decays to zero rapidly. The center t ∗ and
radius w of the window function are defined by
2.3 Time–Frequency Analysis 19
∞ ∞ 1/2
∗ 1 1 ∗ 2
t = x|w(x)| d x, w = 2
(x − t ) |w(x)| d x
2
,
w22 −∞ w2 −∞
(2.18)
therefore, the width of the window function will be 2w .
Gabor used this Gaussian function to define the Gabor transform for α > 0,
f ∈ L2 (R) ∞
(G b,α f )(ω) = (e−iωx f (x))eα (x − b)d x. (2.19)
−∞
In (2.19), the Gabor transform is localizing the Fourier transform of f around point
x = b. Moreover,
∞ ∞
eα (x − b)db = eα (t)dt = 1, (2.20)
−∞ −∞
as eˆα (0) = 1 from (2.16). Therefore,

∞
(G b,α f )(ω)db = fˆ(ω), ω ∈ R. (2.21)
−∞
It can be easily proved that Gaussian function discussed in (2.15) is a window func-
tion. Since eα is an even function, the center t ∗ defined in (2.18) is 0, and hence, the
radius of the Gaussian window will be given by
∞ 1/2
1 √
eα = x 2 eα2 (x)d x = α (for proof see [2], pp. 51).
eα 2 −∞
We can rewrite (2.19) as follows:

∞
(G b,α f )(ω) = f (x)(eiωx eα (x − b))d x.
−∞
It means we are windowing the function f by using the window function w(x) =
(eiωx eα (x − b)). Therefore
1
(G b,α f )(ω) =< f, w >= < fˆ, ŵ >, (2.22)
2π
π
where ŵ(η) = e−ib(η−ω) e−α(η−ω) = eibω e−ibη (
2
e 1 (η
α 4α
− ω)). Therefore
∞
1
(G b,α f )(ω) = fˆ(η)ŵ(η)dη,
2π −∞
∞
e−ibω
= √ fˆ(η)eibη e 4α1 (η − ω)dη, (2.23)
2 πα −∞
Fig. 2.5 Gabor window 10
8
2
6 1
√
2 α
η
4
2 √
α
0
0 5 10
x
Now rewrite the (2.22) as follows:

1 1
(G b,α f )(ω) =< f, w >=< fˆ, h >, where h = ŵ = eibω e−ibη √ e 1 (η − ω) .
2π 2 πα 4α
(2.24)
Therefore, the information of the f (x) around x = b by using the window function w
can also be obtained by observing the spectrum fˆ(η) in the neighborhood of η = ω
by using the window function h defined in (2.24).
√ The√window corresponding to
window function w in (2.24) supported in [b − α, b + α] is called time window.
The window corresponding to window function h supported on [ω − 2√1 α , ω + 2√1 α ]
in (2.24) is called frequency window and the Cartesian product of these windows is
called time–frequency window as shown in Fig. 2.5 and this time–frequency window
has a constant area = (2w)(2h) = (2eα )(2e 1 ) = 2.
α
For various reasons such as computational efficiency or convenience in implemen-
tation, functions other than the Gaussian function can be used as window functions.
In other words, the Gabor transform can be generalized to any other window Fourier
transform (short time Fourier transform) by using any window function w1 such
that ŵ1 is also a window function. For f ∈ L2 (R), window Fourier transform with
w1 as the window function is defined as
∞
(Wb f )(ω) = (e−iωx f (x))w1 (x − b)d x. (2.25)
−∞
For w1 (x) = eα (x), window Fourier transform (2.25) will reduce to Gabor transform
(2.19). It means we are windowing the function f by using the window function
w(x) = (eiωx w1 (x − b)). Therefore
1
(Wb f )(ω) =< f, w >= < fˆ, ŵ >=< fˆ, h >, (2.26)
2π
where ŵ(η) = e−ib(η−ω) ŵ1 (η − ω) and h = 2π 1

ŵ. The time window corresponding
to window function w will be supported in [x + b − w1 , x ∗ + b + w1 ], where x ∗
∗
and w1 are the center and radius of the window function w1 . The frequency window
corresponding to window function h will be supported in [ω ∗ + ω − ŵ1 , ω ∗ + ω +
ŵ1 ], where ω ∗ and ŵ1 are the center and radius of the window function ŵ1 . The
window area is 4w1 ŵ1 , which is again constant.
Remark 2.3.1 The uncertainty principle tells us that we can not find a window smaller
than the Gaussian window.
Now the question is to get your f back from its window Fourier transform, which
can be done using the following theorem.
Theorem 2.3.2 Let w1 ∈ L2 (R) is such that w1 2 = 1 and both w1 , ŵ1 are window
functions
∞ ∞
< f, w > < g, w >dbdω = 2π < f, g >, (note that w = eiωx w1 (x − b)),
−∞ −∞
for any f, g ∈ L2 (R).

Using above theorem, we can recover a function back from its window Fourier
transform (see Exercise 12).
Example 2.3.1 The function

1 + cos(πx) −1 ≤ x ≤ 1,
w1 (x) =
0 otherwise
is a window function.
Example 2.3.2 Draw the time–frequency window (like Fig. 2.5) and analyze the
function f (x) = sin(πx 2 ) using the window function w1 (t) (given in previous exam-
ples).
Exercises
1. Find out the Fourier series of f (x) = x, −π < x < π and discuss the conver-
gence at x = 0, π.
2. Let
−(1 + x) if − 1 < x < 0,
f (x) =
(1 − x) if 0 < x < 1.
a Find the Fourier series of f (x) in the interval (-1,1).

b Explain whether it does or does not converge in the mean square sense?
c Explain whether it does or does not converge pointwise?
d Explain whether it does or does not converge uniformly?
3. Let f (x) = |x|, x ∈ (−π, π). If we approximate it by the function
C0
s N (x) = + C1 cos(x) + D1 sin(x) + C2 cos(2x) + D2 sin(2x),
2
what choice of coefficients will minimize the L2 (−π, π) error.
4. Find the Fourier transform of the square function defined by

1 if |x| < 21 ,
f (x) =
0 if |x| ≥ 21 .
The square function f (x) is in L1 (R). What about its Fourier transform fˆ,
whether fˆ ∈ L1 (R) or fˆ ∈
/ L1 (R). Verify your answer.
5. Find the Fourier transform of the triangle function defined by

1 − |x| if |x| < 1,
f (x) =
0 if |x| ≥ 1.
6. Let g(x) = f (−x) (reflection of f relative to the origin), prove that F(F f ) =
2πg.
7. Find the Fourier transform of sinc x2 and sinc2 x2 , where sinc(x) =
sin(x)
x
if x = 0,
(use Exercises 4–6).
1 ifx = 0
8. Let f ∈ L1 (R) then prove that fˆ is uniformly continuous on R.
9. Prove that if fˆ(w) is differentiable and fˆ(0) = fˆ (0) = 0, then
∞ ∞
f (x)d x = x f (x)d x = 0.
−∞ −∞
1
10. State whether the functions wm (x) = 0 wm−1 (x − t)dt, m ≥ 2 and

1 0 ≤ x ≤ 1,
w1 (x) =
0 otherwise.
can be used as window function in short time Fourier transform or not? Prove
your statement.
11. Prove the following property for Gabor transformation:
• (G b,α a f + bg)(ω) = a(G b,α f )(ω) + b(G b,α g(ω) (Linearity Property).
12. Let w1 ∈ L2 (R) be so chosen that w1 2 = 1 and both w1 and ŵ1 are window
functions and let f ∈ L2 (R). Prove that at every point x where f is continuous
∞ ∞
1
f (x) = [eiωx (Wb f )(ω)]w1 (x − b)dωdb.
2π −∞ −∞
References
1. W.A. Strauss, Partial Differential Equations: An Introduction (Wiley, New York, 1992)
2. C.K. Chui, An Introduction to Wavelets (Academic Press, Boston, 1992)
Part II
Introduction to Wavelets
Chapter 3
Wavelets on Flat Geometries
A wavelet (invented by Morlet and Grossmann) is a mathematical function used to

divide a given function or continuous-time signal into different scale components. In
the early 1980s, they used the French word ondelette, meaning “small wave”. Later, it
was transferred to English by translating “onde” into “wave”, giving “wavelet”. The
wavelets have attained the present growth due to mathematical analysis of wavelets by
Stromberg [1], Grossmann and Morlet [2], Meyer [3], and Daubechies [4]. Therefore,
specifically one-dimensional wavelets (ψ(x), x ∈ R) are those functions which must
satisfy the following requirements.
• The function and its Fourier transform should be well localized (i.e., function
is assumed to have most of its energy contained in a very narrow region of the
domain).
∞
• −∞ ψ(x)d x = 0 (waving above and below the x-axis).
Other requirements are desirable/technical and needed mostly for some specific appli-
cations and to reduce the complexity of numerical algorithms for implementation.
3.1 Multiresolution Analysis
Multiresolution analysis (MRA) (introduced by S. Mallat [5] and Y. Meyer [3]) is the
heart of wavelet theory; it is a mathematical construction that characterizes wavelets
in a general way. The goal of MRA is to express an arbitrary function f ∈ L2 (X )
(X can be any manifold) on multiresolution approximation spaces. Multiresolution
analysis is explained for X = R with the help of multiresolution approximation
spaces as follows.
The goal is to decompose the whole function space (L2 (R)) into subspaces at
different scales. Multiresolution is explained for two subspaces V j and W j , which
are called scaling function space and wavelet space, respectively. First, we focus
on spaces V j which are closed subspaces of L2 (R) . The spaces V j are increasing
means; each V j is contained in V j+1 , i.e.,
28 3 Wavelets on Flat Geometries
V j ⊂ V j+1 (subspaces are nested). (3.1)
Each subspace has information about the function at different scales. Moving in the
direction of increasing j will take us to L2 (R). The completeness on the sequence
of subspaces is also required as follows:

V j = L2 (R). (3.2)
j∈Z
If PV j f is a projection of a function f on V j , then (3.2) implies
PV j f −→ f, j −→ ∞.
We have an increasing and complete scale of spaces. It also means with respect to
multiresolution that V j+1 consists of all dilated functions in V j (see Remark 3.1.1
for more information about dilation factor).
f (.) ∈ V j ⇐⇒ f (2(.)) ∈ V j+1 for all j ∈ N (invariance to dilation). (3.3)
Instead of dilating, we can shift the function, which is called the translation.
f (.) ∈ V j ⇐⇒ f ((. − k)) ∈ V j for all k ∈ Z (invariance to translation).
When we move in the direction of decreasing j, the smallest subspace should contain
only the zero function. Hence,
V j = {0}.
j∈Z
Now we collect the results from (3.1), (3.2), and (3.3) and write in the form of the
multiresolution approximation subspaces V j (closed) which satisfies the follow-
ing axioms:
(m1) V j ⊂ V j+1 (the approximation subspaces V j s textbfare nested),

j∈Z V = L2 (R) (completeness),
(m2) j
(m3) {φ(x − k) : k ∈ Z} is an orthonormal basis for V 0 (invariance to transla-

tion), and
(m4) f (.) ∈ V j if and only if f (2(.)) ∈ V j+1 for all j ∈ Z (invariance to dilation).

It should be noted that the result j∈Z V j = {0} is not necessary to include in axioms
as it can be obtained from the other four axioms (Proposition 5.3.1 in [4]). The
function φ(x) ∈ V 0 in (m3) is called a scaling function. The simplest choice of
φ(x) is the Haar scaling function given by

1 if 0 ≤ x < 1,
φ(x) = (3.4)
0 otherwise.
3.1 Multiresolution Analysis 29
2 2
1.5 1.5
φ(x−1)
1 1
φ(x)
0.5 0.5
0 0
−0.5 −0.5
−2 0 2 4 −2 0 2 4
x x
Fig. 3.1 The function φ(x) and function φ(x − 1) (translation of φ(x) by shift 1)
2 2
1.5 1.5
φ(2x−1)
1 1
φ(2x)
0.5 0.5
0 0
−0.5 −0.5
−2 0 2 4 −2 0 2 4
x x
Fig. 3.2 The function φ(2x) (dilation of φ(x) by 2) and function φ(2x − 1) translation of φ(2x)
by 1)
The φ(x) and φ(x − 1) corresponding to (3.4) are plotted in Fig. 3.1 and will
remain in the space V 0 according to (m3). The functions φ(2x) and φ(2x − 1)
(Fig. 3.2) will be in V 1 according to (m4). One can observe from Figs. 3.1 and 3.2
that
φ(x) = φ(2x) + φ(2x − 1), (3.5)
which can be generalized to any φ(x) (other than Haar scaling function) as follows:
the {φ(x − k)|k ∈ Z} is an orthonormal basis for V 0 (m3); by applying (m4), we get
j j
{φk (x) = 2 2 φ(2 j x − k)|k ∈ Z} which is an orthonormal basis of the space V j and
1
in particular, {φk1 (x) = 2 2 φ(2x − k)|k ∈ Z} is an orthonormal basis of the space V 1 .
Now φ00 (x) = φ(x) ∈ V 0 ⊂ V 1 (m1), hence
∞

√
φ(x) = 2 h k φ(2x − k). (3.6)
k=−∞
Equation (3.6) is called the dilation equation (two-scale relation for scaling function)
and the coefficients h k are called the low-pass filter coefficients.
For given nested sequence of approximation subspaces V j , we define the space

W (detail space) as the orthogonal complement of V j in V j+1 , i.e.,
j
V j ⊥ W j, (3.7)
and
V j+1 = V j ⊕ W j . (3.8)
Applying (3.8) recursively, we get
V j = V j−2 ⊕ W j−2 ⊕ W j−1 ,

J −1
V =V
J J0
⊕ W j, J > J0 . (3.9)
j=J0
Therefore, any function in V j can be analyzed at different scales using (3.9). Con-
tinuing the decomposition of (3.9) for J0 → −∞ and J → ∞, we get
∞
W j = L2 (R). (3.10)
j=−∞
The information in moving from the space V 0 to the space V 1 is captured by the
translations of the function ψ(x). Indeed, this is true and for a given MRA there
always exist a function ψ00 (x) = ψ(x) ∈ W 0 (which is called mother wavelet) such
j
that {ψk (x) = 2 j/2 ψ(2 j x − k) : k ∈ Z} is an orthonormal basis for W j . Now since
ψ(x) ∈ W 0 ⊂ V 1 ,
∞
√
ψ(x) = 2 gk φ(2x − k). (3.11)
k=−∞
Equation (3.11) is called the wavelet equation (two-scale relation for wavelet func-
tion) and the coefficients gk are called the high-pass filter coefficients. In case of
Haar scaling function, the information in moving from the space V 0 to the space V 1
is captured by the translations of the following function ψ(x) shown in Fig. 3.3:
⎧
⎨ 1 if 0 ≤ x < 21 ,
ψ(x) = −1 if 21 ≤ x < 1, (3.12)
⎩
0 otherwise.
It is easy to verify that ψ(x) = φ(2x) − φ(2x − 1) from Fig. 3.2. The ψ(x) (Haar
wavelet) and ψ(x − 1) are plotted in Fig. 3.4 and will remain in W 0 . The functions
ψ(2x) and ψ(2x − 1) are plotted in Fig. 3.5.
In order to construct mother wavelet function ψ using multiresolution analysis, we
always need sequence of subspaces V j of L2 (R) (approximation spaces) satisfying
−1
−2
−2 0 2 4
x
Fig. 3.3 The ψ(x) − φ(x) = 2φ(2x)
2 2
1 1
ψ(x−1)
ψ(x)
0 0
−1 −1
−2 0 2 4 −2 0 2 4
x x
Fig. 3.4 The function ψ(x) and function ψ(x − 1) (translation of ψ(x) by shift 1)
2 2
1 1
ψ(2x−1)
ψ(2x)
0 0
−1 −1
−2 0 2 4 −2 0 2 4
x x
Fig. 3.5 The function ψ(2x) (dilation of ψ(x) by 2) and function ψ(2x − 1) translation of ψ(2x)
by 1)
(m1)–(m4) and sequence of closed subspaces W j (detail spaces) of L2 (R) satisfying

(3.8).
Vanishing Moments
The basic idea of vanishing moments is as follows: a wavelet has M vanishing
moments if and only if the corresponding scaling function can represent polynomials
of degree up to M − 1 exactly. The term vanishing in the vanishing moments means
that the wavelet coefficients (introduced later in Eq. (3.40)) are zero for polynomials
of degree up to M − 1, i.e., scaling function alone is sufficient to represent such

functions. The higher the number of vanishing moments of a wavelet is, the more
the complex functions can be represented with a sparse set of wavelet coefficients.
The number of vanishing moments implies that the scaling function can represent
the polynomials up to degree M − 1 exactly, i.e.,
∞
p
xp = Ml φ(x − l). p = 0, 1, . . . , M − 1, (3.13)
l=−∞
where ∞
p
Ml = x p φ(x − l)d x, l, p ∈ Z, (3.14)
−∞
is the pth moment of φ(x − l). Multiplying (3.13) by ψ(x), integrating, and using
(3.7), we get
∞
x p ψ(x) = 0, p = 0, 1, . . . , M − 1. (3.15)
−∞
Equation (3.15) is generally considered as property of M vanishing moments.
Remark 3.1.1 One can choose any dilation factor a > 0 other than 2 (i.e., f (.) ∈
V j ⇐⇒ f (a(.)) ∈ V j+1 for all j ∈ N) (see 10.2 and 10.4 in [4] for details).
3.1.1 Wavelets and Fourier Transform
Here, we look at the behavior of fourier transform of scaling function and wavelet.
Taking Fourier transform of dilation Eq. (3.6) and wavelet Eq. (3.11) both sides, we
get
ω ω 1
∞
φ̂(ω) = H φ̂ , where H (ω) = √ h k e−ikω , (3.16)
2 2 2 k=−∞
ω ω 1
∞
ψ̂(ω) = G φ̂ , where G(ω) = √ gk e−ikω , (3.17)
2 2 2 k=−∞
respectively.
The Fourier transform of Haar scaling function is given by
1 − e−iω ω iω
φ̂(ω) = = 2sinc e− 2 (sinc function is defined in Exercise 7 of Chap. 2).
iω 2
(3.18)
Similarly, the Fourier transform of wavelet is given by
1 0.8
0.8
0.6
0.6
|ψ̂(ω)|
|φ̂(ω)|
0.4
0.4
0.2
0.2
0 0
−50 −30 −10 10 30 50 −50 −30 −10 10 30 50
ω ω
Fig. 3.6 The magnitude of Fourier transform of scaling function (|φ̂(ω)|) and wavelet (ψ̂(ω)))
1−e
−iω
2
ω
ψ̂(ω) = φ̂ . (3.19)
2 2
The |φ̂(ω)| and |ψ̂(ω)| are plotted in Fig. 3.6.
3.1.2 Different Ways to Start Multiresolution
The main ways to start multiresolution analysis are explained with the help of Haar
wavelet system.
Start with the Spaces V j
k Vk+1be
a space of all those functions in L2 (R) which are constant on the interval
j
Let
2j
, 2j
means
V 0 = { f (x) : f (x) ∈ L2 (R) and f (x) is piecewise constant on unit intervals (k, k + 1), k ∈ Z},
V 1 = { f (x) : f (x) ∈ L2 (R) and f (x) is piecewise constant on the intervals (k2−1 , (k + 1)2−1 ), k ∈ Z},
and in general
V j = { f (x) : f (x) ∈ L2 (R) and f (x) is piecewise constant on unit intervals (k2− j , (k + 1)2− j ), k ∈ Z}.
It is very clear that if f (x) ∈ V 0 , it means that f (x) is piecewise constant on the
intervals of the form (k, k + 1), which definitely is a piecewise constant function on
the intervals ( k2 , k+1
2
), which means f (x) ∈ V 1 . We can generalize this concept to
get a ladder of subspaces
· · · ⊂ V −2 ⊂ V −1 ⊂ V 0 ⊂ V 1 ⊂ V 2 · · · , axiom (m1).
Another random document with
no related content on Scribd:
"Eikö äiti nytkään ole kotona?"
"Kyllä se kohta tulee, — läksi vaan viemään Kuitun-Maijan

lainaleipiä pois."
Kun ei äitiä kuitenkaan kuulunut tulevaksi, sanoivat vieraat lapsille

hyvästit ja Helvi lupasi tulla huomenna uudelleen.
"Jää nyt hyvästi siksi, Viija kulta!"
Helvin mieleen oli kokoontunut niin paljon uusia, voimakkaita

vaikutteita, ettei hän voinut olla kotimatkalla puhumatta niistä
lääkärille, joka hymyillen kulki hänen vierellään ja näytti antavan
hyväksymisensä hänen jokaiselle sanallensa.
"Uskotteko, etten ole enään sama tyhjä, itsekäs olento, mikä olin
vielä toissapäivänä, eilen…"
"Näen sen."
"Mitähän lienette tekin minusta ajatelleet?"
Helvin uusi mieliala huokui rohkeutta, vilpitöntä avomielisyyttä. —

—
"Jos ette pahastu, niin sanon…"
"Voi sanokaa!"
"Olitte mielestäni sellainen hemmoteltu lapsi, jolle on annettu

kaikki, eikä vaadittu mitään — ja siten tukahutettu sydämen
kauneimmat äänet — niinkuin ruukkukasvi, joka asetetaan salin
suotuisammalle paikalle ja jota väsymättä seinien sisällä hoivaillaan,
mutta jonka —"
"Jonka ahtaaseen ruukkuun sullotut juuret eivät koskaan ole
kostuneet luonnon voimakkaasta maaperästä ja joka ei koskaan,
koskaan ole tuntenut auringon välitöntä suuteloa lehdillään! — Voi
hyvä Jumala, kuinkahan paljon meitä sellaisia lieneekään…"
"Olkaamme iloisia kun niitä on nyt yksi vähemmän."
"On — on! Ja uuden elämäni aloitan viemällä Viijalle puhtaita

lakanoita ja ravitsevaa ruokaa." —
"Kiitän teitä!"
"Voi, — se on vielä aivan liian aikaista!" Kotiportilla ojensi Helvi

kätensä lääkärille, joka sulki sen pitkäksi hetkeksi omaansa, sanoen:
"Valititte usein ennen elämän tyhjyyttä ja sisällyksettömyyttä, — onko
nytkin niin?"
"Ei enään! Nyt tuntuu kuin olisin saanut kiinni kultaisen langan
päästä, jota seuraamalla aavistan löytäväni sen suuren, kaivatun…
sen, jota sanotaan elämäntehtäväksi. —"
"Niin eikös se olekin kummallista: kuinka usein vaan odotetaan

milloinka se tehtävä tulee… istutaan kädet ristissä eikä tunneta,
tiedetä, ei edes aavistetakaan, että se jota pilvien ja merien takaa
odotellaan onkin aivan lähellä, toisinaan omaan sydämeen
kätkettynä… Niinkuin teillekin."
Helvi tunsi kyyneleitten kohoavan silmiinsä.
"Tyhjä minun sydämeni on tähän asti ollut…"
"Ei olekaan! — Minä olen jo kauan sitten nähnyt uuden aamun

sarastuksen tuossa tyhjyyden tunteessa ja sen tuottamassa
tyytymättömyydessä. — Jos olevat olot olisivat olleet teille kylliksi,
jos henkenne niistä olisi saanut tarpeeksi ravintoa, ette olisi muuta
kaivannut, — mutta tyytymättömyytenne niihin antoi varmuuden sen
siemenen olemassa olosta sielussanne, josta kerran kasvaa uusi
elämä… Tänään ovat sen sirkkalehdet puhjenneet, — tänään olette
saaneet sen sysäyksen, joka oli välttämätön ja siis kerran tuleva."
"Uskotteko siis aina kaiken sen tulevan joka todellakin on

välttämättömän tarpeellinen?" —
"Uskon. — Ja jos joku väittää jääneensä sitä vaille, niin syyttäköön

itseänsä, kun on antanut sen huomaamatta luisua ohitsensa, — tai
ollut liian heikko seurataksensa viittausta."
"Jospa minäkin kerran voisin omistaa tuollaisen vuoria siirtävän

uskon!
— Pelkään vaan olevani liian heikko siihen…"
"Ehkäpä se teillä jo onkin!"
"Kaikesta siitä mitä minulla on, kiitän teitä, — kiitän teitä vaan!"
virkkoi Helvi lämpimästi ja salataksensa mielenliikutustaan kääntyi
hän nopeasti taloon vievälle puistotielle.
Hymyillen katseli nuori mies hänen reipasta astuntaansa ja kääntyi

menemään vasta sitten kun neitonen oli kadonnut tienkäänteen
taakse.
Sitä seuraavat päivät olivat Helville ihanaa, kevät-auvoista aikaa.
Mieli oli hänellä sellainen, kun muuttolinnulla, joka pitkän,

väsyttävän matkan jälkeen viimeinkin on osunut syntymäseudullensa
ja kiitollisuus rinnassa livertelee syviä säveliä tutun räystään
reunalla…
Talven hämärä paleltavine, hedelmättömine tunteineen oli

väistynyt sydämestä, sen kinos sulanut ja vihertävä nurmi kattanut
hangenalaisen haalean jälen. Ja mielialan ulapoilla läikkyivät tunteen
avartuneet aallot, kuohuen nuoren, elinvoimaisen sydämen
uhmailevaa lämpöä!
Oudoksuen katsoi hän taakseen, entisyyteen, joka oli täynnänsä

joutavaa mitättömyyttä, velttoa, harrastuksetonta hämärää…
Suurin osa siitä opista, jota hän koulun penkillä oli päähänsä
puinut, näytti niin tuiki tarpeettomalta, tyhjältä. — — Sen sijaan että
sielläkin olisi opastettu kaikkeen siihen, elävään välttämättömyyteen,
innostutettu suuriin aatteisiin, hyviin töihin ja käytännöllisyyteen,
pantiin pääpaino kuolleisiin, homehtuneisiin numeroihin ja
ijänikuisten tapausten häirähtämättömään muistamiseen, joista henki
ei kohonnut, eikä järki avartunut.
Koko se järjestelmä tuntui suurelta osaltaan hänestä nyt aivankuin

tiukkaan ruumiin ympärille käärityltä vaipalta, joka kyllä
asiantuntemattomien silmissä saattoi näyttää kauniiltakin, mutta joka
useammassa tapauksessa vaikeutti kantajansa liikkeitä, esti sen
luonnollisen, terveen kulun.
Hengen avartaminen, hedelmöittäminen, vapauttaminen jäi

sellaisessa opin jaossa lapsipuolen asemaan, — joka siitä pikemmin
uupui kuin elpyi, — ja ontoksi jätettynä imi helposti kaikenlaista
vastaantulevaa epäkelpoa ravinnoksensa…
Kaikkea sitä ajatellessa kapinoi Helvin sydän, — kapinoi kotiakin
kohtaan.
Miksei ollut kotikaan antanut hänelle niitä aatteita, joita hän oli
tietämättään janonnut?
Olisiko sekin ollut niin köyhä, niin välinpitämätön, niin

lyhytnäköinen —? Vai eikö siinä itsessäänkään niitä löytynyt? — Jos
ei, — tahtoi Helvi ne nyt sinne istuttaa, levittää vaikka väkipakolla
joka soppeen, isän kamarista, keittiöön, väentupaan asti, —
juurruttaa, kotiuttaa, vakiinnuttaa ne niin pysyväisesti, että
jälkeentulevaiset, sivukulkevaisetkin löytäisivät ne sieltä etsimättä,
hapuilematta, tarvitsematta vuosikausia nälkäisinä kulkea — — —
Totuuden-, hyvän-, veljesrakkauden-auringon tahtoi hän loihtia

kotitanhuvien ylitse paistamaan ja missä se kerran paistoi, siellä
heijastuivat sen säteinä hyväntekeväisyys, armeliaisuus,
uhraantuvaisuus. Ja jotain muuta sitovampaa kuin kontrahdit ja
päivätyöt oli vasta saatava isäntäväen ja alustalaisten välille, jotain
luonteeltaan rikkomatonta, joka kykeni yhdistämään, yhdessä
pitämään ja synnyttämään molemminpuolista arvonantoa ja
luottamusta. Se ei kaiketikaan ollut päivässä, vuodessakaan luotu,
— sen Helvi kyllä oivalsi. — Mutta joskin niiden lankojen
kehräämiseen ja yhdistämiseen kuluisi vaikka kokonainen ihmisikä,
enemmänkin, tahtoi hän uupumatta sen asian eteen työskennellä,
asettaa sen yhdeksi pyrkimystensä viittovaksi päämääräksi. Ja
hänen jälkeensä täydentäisivät sitä työtä uudet ihmiset, joidenka
sydämeen jo kätkyessä kylvettäisiin elämänymmärtämyksen pyhä
siemen.
"Vellamonneidon paasi."
Ja päätti Vellamon neitonen

Nyt toivonsa turhan kostaa
Ja veden pohjasta paatosen
Hän äkkiä pintaan nostaa,
Johon vene Vilhelmin loukahtaa
————————————
(Koskenlaskijan morsiamet).
Sammalpartaisten honkien varjoissa, karsimattomien, maahan asti

riippuvien oksien alitse kulki kivinen, luikerteleva karjapolku. Se erosi
kylän laidassa leveästä, keltahietaisesta valtatiestä ja läksi
kaitaisena, mustapohjaisena uomana kulkemaan kohti kaukaista
sydänmaata.
Suurta, salaperäistä sydänmaata.
Siellä, humisevan metsän yksinäisessä helmassa oli kaikki niin

uskomattoman ihanaa — siellä, aivan varmaan, oli elämän
todellisuuskin niinkuin unelmaa, armasta, kirkasta, sädehtivää
unelmaa ja kuitenkin yhtä epäämättömän toden peräistä, kuin
konsanaan tyly jokapäiväisyys harmaataloisten kylien tanhuvilla.
Niin ainakin tuntui Maijusta, joka alenevan ilta-auringon valossa

kulki karjapolkua, vuoroin huudellen lehmiä, joita etsi, vuoroin
laulellen lyhyitä kansanlaulun pätkiä.
Elämä oli hänestä niin kevyttä ja huoletonta — oli enemmänkin:

ihanaa! — siksi, kun hän oli nuori ja kokematon… Tai oikeastaan se
elämän ihanuus ei ollut niin valtoinaan hänen omanansa,
muulloinkuin iltasin, samotessaan pitkin siimeikästä karjapolkua —
niinkuin nytkin — sillä siellä ja silloin tiesi hän kohtaavansa hänet,
joka aina niin ketterästi, kuin sadunkin Nyyrikki, puikahti esiin puiden
seasta, säteilevä hymy huulilla ja valkoinen ylioppilaslakki reippaasti
taaksepäin työnnettynä.
Kukaan ei tiennyt, ei edes aavistanutkaan heidän

lemmensuhdettansa — eikä kellään ollut oikeutta tietää, ei
aavistaakaan sen olemassaoloa — sillä se oli pieni, etäisen
karjapolun varrella kasvava metsäkukkanen, suurten
sammalpartaisten honkien suojatti…
Se oli syntynyt ja kasvanut salaperäisen metsän sylissä —

kukaties oli se siellä kuolevakin…
Kaksi niin kaunista koivua kasvoi

Vihreän kummun päällä,
Niitä mä silloin katselen
Kun kultani ei ole täällä…
— — — ei ole täällä, kertasi kaiku Maijun sanat. — Samassa

vilahti valkoinen lakki puiden välissä ja se sai tytön sydämen rajusti
sykkimään. Hän ei ollut vielä odottanutkaan häntä, sillä heidän
tavallinen yhtymäkohtansa oli paljon etempänä, syvemmällä salon
sylissä. — Riemulla kiirehti Maiju askeleitansa: — tuolla,
tienkäänteessä kohtaavat he! — Tai jos hän piiloutuisi tuon suuren,
ryhmyisen männyn taakse ja viskaisi sieltä kävyllä, niinkuin orava, —
mutta sitäkään ei hän malttanut tehdä…
Ehdittyään tien käänteeseen seisahtui hän äkkiä kuin salaman

iskemänä, valahti kalpeaksi ja vapisi. Niin, sieltä se tuli hänen
Nyyrikkinsä, mutta ei yksin kuten ennen, vaan nuoren, hymyilevän
tytön seurassa, joka sekin kantoi päässään valkeata ylioppilaslakkia.
———
Kun myrsky kaataa vankan, vahvajuurisen hongan, kuuluu kova,

tuskanomainen ryske korvessa. — Sellaista ryskettä tunsi Maijukin
sielussaan, nähdessänsä vieraan naisen kulkevan siinä, missä hän
itse oli kulkeva, hymyilevän sille, jolle hän yksin tahtoi hymyillä — ja
hänen lempensä honka, jonka juuret olivat niin syvällä, syvällä,
kaatui siinä silmänräpäyksessä harmaalle havuneulavuoteelle.
Sillä oliko muuta mahdollisuutta olemassa kuin pettymys…
Pettymys! — Sellaisesta hän ei ollut koskaan untakaan nähnyt. —
Vaivoin kokosi Maiju mielenmalttinsa voidakseen tyynesti kulkea

vastaantulijoitten ohitse, mutta tahtomatta horjahti jalka, ja poski
maidon valkea, valahti entistään valkeammaksi…
"Hyvää iltaa!" kuuli hän ylioppilaitten sanovan kumpaisenkin yhtä

rauhallisesti, viattomasti.
Kysyen loi Maiju katseensa ylös, etsien syyllisyyttä syytetyn

kasvoilta. Ja hän löysi sen — kiemurtelevana, välttelevänä,
maatamyöten matelevana, niinkuin käärmeen, joka kiireesti luikertaa
kiven koloon…
Kuinka saattaa ihminen menetellä sillä tavalla —?—
Samassa pisti vieras neiti kätensä Nyyrikin kainaloon, herttaisesti,

avomielisesti, niinkuin ainakin se, jolla on epäämätön oikeus siihen
— ja veti hänet mukanaan eteenpäin.
Silloin musteni kaikki uudelleen Maijun silmissä ja kiireesti tarttui
hän lähimmän puun oksaan, ettei kaatuisi, kiljasten kovasti,
tietämättään, tahtomattaan, sisäistä ääntään noudattaen:
"Petturi!"
Neiti kääntyi hämmästyneenä ympäri ja katseittensa kulkiessa

Maijusta Nyyrikkiin, Nyyrikistä Maijuun, kävi hänenkin hymyilevä
muotonsa synkäksi, mansikkainen poskensa värittömäksi.
"Mitä sanoitkaan, tyttö!" huudahti hän tulisesti vihaa kuohuen,

vaikka näkikin Nyyrikin muodon todistavan Maijun syytteen oikeaksi.
"Te kait kuulitte mitä minä sanoin."
"Mutta mitä tarkoitat sillä?"
"Tarkoitan sitä mitä sanoin, että tuo mies on pettänyt vilpittömän

rakkauteni, rajattoman luottamukseni — ja on nähtävästi pettänyt
teidätkin."
Maiju oli voittanut lumouksensa ja seisoi tyynenä, kylmänä

syyttäjänä, pidellen vielä puun oksasta kiinni.
"Pettänyt minutkin!" huudahti ylioppilasneiti. "Niin — pettänyt

minutkin…"
Hän näytti kauhistuksesta sortuvan maahan ja hengitti tuskaista,

lyhyttä hengitystä. Nuori mies, joka seisoi kuin kuumilla kivillä, tahtoi
tukea häntä, mutta hän työnsi tylysti hänen kätensä syrjään, kysyen:
"Kuinka selität tämän?"
Kun vastaus viipyi, virkkoi Maiju katkerasti:

"Varmaankin siten, että minut tehdään valehtelijaksi — sillä
minähän olen vain köyhä, mitätön palvelustyttö ja te, te olette
kumpaisetkin 'parempia ihmisiä' — ja voitte siis minusta huolimatta
nauttia onnestanne…"
Hän tunsi ennentuntemattoman ilkeän koston vimman syöksyvän

sydämeensä ja nauroi tylysti, katkerasti. —
"Herrasväki välttää vasta syrjäisiä karjapolkuja ja kulkee

yksinomaan vallanmaanteillä, niin välttyy ehkä ikävyyksistä…" sanoi
hän.
"En olisi koskaan uskonut että sinä olet noin ilkeämielinen,

Maiju…" sanoi viimeinkin Nyyrikki. "Tiedätkö mitä nyt olet tehnyt?" —
"Josko en tietäisi… Velvollisuuteni! — Silläkö, että sanoin totuuden

ja rikoin ehken onnesi, olisin tehnyt mitään pahaa, — en! — Mutta
sinä — muista aina että kansalapsellakin on kuolematon sielu!
Minulle elä mitään enään sano!"
Maijun posket hehkuivat jälleen ja hän päästi viimeinkin oksan

kädestään lähtien kiireisin askelin eteenpäin polkuansa, kadoten
pian puitten taakse näkymättömiin. — Mutta siellä vaipui hän
uudelleen surun valtaan ja painui maahan, suuren riippuoksaisen
kuusen juurelle istumaan…
Sen kuusen juurella oli hän ennenkin istunut, ei pettyneenä,

murtuneena kuten nyt, vaan rinta täynnä onnea hehkuvia kipinöitä ja
vierellään hän, joka tuolla nyt toiselle teki tiliä kevytmielisestä
rakkaudestansa. — Rakkaudestako? kysyi Maijun vapiseva sydän.
— Sellaistako se on rakkaus — se armas, ihana tunne, jonka hän oli
niin suureksi arvioinut, joka oli tehnyt hänet niin rikkaaksi,
onnelliseksi…!
Viimein nousi Maiju ylös, kuultuansa lehmänkellon äänen yhä

lähempää ja lähempää.
En minä muille ilmoittele sydän surujani —

Synkkä metsä ja kirkas taivas tuntevat huoliani…
Laulu lauhdutti hänen katkeraa mieltänsä ja kuumat, viljavat

kyyneleet helpoittivat polttavan poven pakotusta.
"Saat luvan tyytyä kohtaloosi, — ajatteli hän, — sillä kelle valitat,

kehen vetoat…"
"Kätke kaikkien katseilta se, joka kirveltää, moni muu ennen sinua
on tehnyt niin…"
Oi, Jumala, kuinka yksinäiseksi hän tunsi itsensä! Ja kuinka

kolkolta, tylyltä tuntui metsäkin, tämä hänen nuoren lempensä ihana,
avara temppeli. Sen pyhyys oli häväisty…
Kun hän vähäistä myöhemmin kulki karjalaumansa kanssa

kotiinpäin ja saapui sen paikan kohdalle missä hänen onnensa
onttous äsken paljastettiin, näki hän ihmeekseen ylioppilasneidin
istuvan vieläkin siellä, kumarassa, kädet silmillä, pienen, matalan
maakiven päällä. Mutta petturia ei enää näkynyt. —
Karjan kulkiessa monine kilisevine kelloineen hänen ohitseen,

nousi hän verkkaan ylös ja väistyi syrjemmälle, seuraten perässä
tulevaa Maijua oudosti silmillään.
Hänen kasvonsa näyttivät etempää elottomilta, vaan lähemmäksi
tultuaan näki Maiju kuinka nuo äsken iloiset silmät tulessa paloivat.
Ojennetuin käsin tuli hän Maijun luokse.
"Anna anteeksi minulle äskeinen vihani", pyysi hän avomielisesti.

"Tein äärettömän väärin suuttuessani sinuun."
Maiju tunsi oudon lämmön virtaavan sielussaan, se huuhteli

nopeasti pois sen katkeran vihan, jota hän näinä muutamina hetkinä
oli tuntenut tuota vierasta naista kohtaan. Niin, mitä syytä hänellä oli
vihata häntä, — syyttömiä he olivat kumpainenkin toistensa
onnettomuuteen.
"Saman vääryyden olen minäkin tehnyt teille", vastasi Maiju

kyynelsilmin.
"Ymmärrän sen niin hyvin!" huudahti vieras kiihkeästi. "Olisinhan

äsken ollut valmis syöksemään sinut tuonne lampeen, — olit
mielestäni julma, sydämetön, ilkeä… Mutta kun jäin yksin, koetin
asettua sijallesi — ja silloin ymmärsin sieluni tuskan —"
Yhteisen surun yhdistäminä kulkivat he vierekkäin kylää kohden,

pitkin kaitaista karjapolkua, joka sukelteli vanhojen, harmaitten
honkien lomitse. — —
Sydänmaan rakkautta.
Iloisesti räiskyi tuli avoliedellä ja lepattavien linnunsiipien lailla

väikkyi sen loimu tuvan hirsiseinillä. Lähellä liettä, puolittain sen
mustuneen pielen pimennossa, istui Hilja — Kaapro Kalposen,
Amerikkaan menneen miehen "leski" — ja tuuditteli pientä,
muutaman viikon vanhaa lasta sylissänsä. Rukki oli siirretty
ovensuun nurkkaan ja kehto vedetty keskelle lattiata — kuin
kunniapaikalle — upeillakseen siinä punakukkaisella karttuunitäkillä
peitettynä. — Hiljaa hyräillen, surumielinen, väsynyt ilme kasvoilla
kiikutteli nuori äiti poikaa polvillansa.
Poikaa, omaa pientä hymyilevää lastansa!
Tunne oli niin uusi ja viehättäväisyydessään suuri, että se

kaikkivoipana valtasi hänen koko olemuksensa… ja työssä
kovettuneilla käsillään oli hänen vaikea niin hellävaroen liikutella
lasta, kun olisi tahtonut!
Mutta tämä uusikaan tunne, vaikka sen sisäisin sävy olikin

hedelmällistä riemua, ei kuitenkaan voinut poistaa eikä
kauvemmaksi haihduttaa sitä masentavaa surun pilveä, minkä
hyljätty yksinäisyys oli hänen sieluunsa nostattanut, eikä hälventää
niitä kiusallisia aavistuksia, mitä nykyiset olosuhteet kiihottaen
kasvattivat. — Sillä pojan isästä, joka puoli vuotta sitten Amerikkaan
läksi, ei ollut kuulunut mitään, ei niin mitään. — Lähtiessään oli hän
kyllä vaimolleen luvannut, viimeistään vuoden kuluttua matkarahat
lähettää, vaan nyt ensimäisen vuosipuoliskon kuluessa ei mies ollut
sanallakaan itsestään tietoa antanut. — Näytti siltä, kuin olisi hän
kokonaan kadonnut, olemattomiin uponnut, ikipäiviksi vaipunut
maailman suureen, pohjattomaan nieluun… Ja vaikka Hilja kuinka
tyynesti koetti odottaa, kaikkein valoisimmilla tulevaisuuskuvilla
mieltään virkistää, nosti paha aavistus sittenkin päätänsä ja
vaikenematon ääni sielussa sanoi, että asiat eivät olleet oikealla
tolalla, vaan jotakin kamalaa oli tapahtunut… Eikä todellisuudessa
mikään kyennyt tuota ääntä kumoamaan…
Kaikkitietävät kyläläiset kertoilivatkin, ettei se Kaapro sitävarten

meren taakse mennytkään, että se sinne vaimonsa perässään veisi,
— menipähän vaan, hurjapää, kun sattui olemaan senverran rahoja
taskussa ja taisi avioliiton sidekin moisesta liian tiukalle tuntua. —
Tiesivät ne kylällä vielä senkin että ilman vaan hulluuttaan se
talonpoika piikatytön otti — otti jättääksensä — ja sieppasi kuin
uhitellen renki Jaakon nenän edestä, — joka samaan aikaan oli
Hiljaa kosiskellut…
Mutta näistä seikoista ei Hiljalla ollut aavistustakaan ja kylän

kerkeät kieletkin olivat siksi hienotunteisia, että jättivät ne hänelle
itselleen kertomatta…
Ja hän odotti… odotti iloisia, lohduttavia uutisia reippaalta

Kaaproltansa, — ja hän uskoi… uskoi miehensä rakkauteen, sen
kuviteltuun uskollisuuteen, vakavuuteen — vaikka sydäntä kirveli..-—
Se oli kyllä huimapää se Kaapro, iloinen ja levoton. Mitä lie

ollutkaan mustalaisverta koko pojan suonissa, — liikkuvaan, alati
levottomaan elämään se vaan vaati… Ja niin se sitten läksi
Amerikkaankin, yht'äkkiä, varmasti, eikä siinä auttanut Hiljan
rukoukset eikä kyyneleet, ei vähääkään! — Hänellä ei ollut muuta
keinoa, kuin alistua välttämättömyyteen ja jäädä uskollisesti
odottamaan sen lupauksen toteutumista, joka siitä päivin oli hänen
elämänsä ainoana ilona.
Kyllä ne kyläläiset silloinkin naureskelivat ja sanoivat että nyt se

ukkosi sinut jätti… mutta Hilja käänsi heille selkänsä, kummeksien
kun ei ihmisten mieliin erehdyksessäkään osunut muita kuin pahoja
ajatuksia lähimmäisistänsä… Hänen Kaapronsa ei nyt vaan
sellainen heittiö ollut! — Siitäkö ne muka saivat aiheen ilkeyksiään
ladella, kun mies oli tulinen ja eloisa, ehkä hiukan huimapääkin —
mutta sehän se juuri oli Hiljan mielikuva miehestä!
Milloin Hiljan mieleen juolahti jörö, tyyniluontoinen Jaakko, se

entinen palvelustoveri, — täytyi hänen aina naurahtaa… Voi, voi se
poika parka oli toki kuin korven kanto! — Eikä hänessä mitään
muuta mieltäkiinnittävääkään ollut kuin silmien tumma, syvä katse,
millä hän iltapuhteina työnsä äärestä oli Hiljan liikkeitä seuraillut.
Vakavasti oli Jaakko häntä varoittanut heidän hääpäivänsä
aamunakin, arvellen ettei siitä Kaaprosta ikipäivinä vaimonsa
vaalijaksi ollut… mutta ivaten ja ylimielisesti oli hän vaan viskannut
mustasukkaisuuden syytteen varoittajan silmille — — —
Kun Kaapro Kaapronpoika, terve, pyöreäposkinen ihmisen alku,

ennätti kahden vuoden ikään, oli äidin mielityönä kertoella hänelle
kauniita asioita poissa olevasta isästä. Hänestä oli välttämätöntä
herättää ja ylläpitää lapsenrakkautta tuntematonta isää kohtaan ja
milläpä muilla välineillä se olisi ollut mahdollista, jos ei juuri lämpöä
uhkuvilla, kauneilla kuvauksilla. — Ja niin hän monasti poika
polvellaan, kertoili hyvästä, herttaisesta isästä, joka etäällä vieraalla
maalla tekee ahkeraan ja uupumattomasti työtä, kootakseen rahoja,
joilla voi kustantaa heille, äidille ja pojalle matkan sinne suureen
ihmeelliseen maahan, joka oli niin kaukanakin, ettei sitä saattanut
kuvitellakaan… Sellaisissa toiveissa kuluivat pikku Kaapron
aikaisimmat lapsuusajat.
*****
Muutamana koleana syksypäivänä saapui kuitenkin

surmansanoma. — Ei se tullut kirjeessä, eikä sitä isä itse
lähettänyt… Muuan naapuri, Käkelän Kalle, sen toi, palatessaan
kaukaisesta lännestä, missä oli oleksinut jokseenkin yhtä kauvan
kun Kaaprokin. Ja se tiesi kertoa että mies oli lapioinut taskunsa
täyteen aarteita ja viihtyi hyvin vieraalla maalla, missä oli hankkinut
itselleen uuden eukonkin…
Siitä tuli lopullinen hallayö Hiljan kellastuville toiveille. — Kiljahtaen

katkesi häneltä se elähyttävä toivon säije, joka pimeinä, yksinäisinä
aikoina oli punoutunut ikäänkuin välttämättömäksi koossa pitäjäksi
hänen koko elämänsä ja olemuksensa ympärille. — Armotta katkesi
sen ainut kultalanka, ryskyen romahti viimeinen tue, ikipäiviksi
olemattomiin upoten!
"Mitä tuosta nyt noin suret… vuosikaudet olet jo itsesi ja poikasi

elättänyt… Mitä apua sinulla on miehestäsi ollut?" lohduttelivat
kyläläiset.
Mutta sellainen puhe, niin lohduttavaa kun sen tarkoitus olikin,

tuotti vaan uutta tuskaa Hiljalle. — Ei hän surrutkaan elämistä eikä
elättämistä — ei ainakaan nyt…
Sellaiset huolet olivat toki kuin kääpiöitä sen suuren, kauhean

iskun rinnalla, joka sorti sielua ja jäähdytti sisintä! — Leipähuoletko
ne silloin pääsäveleenä olisivat soineet, kun se pohja ja perusta
jolleka hän ihanimpansa rakensi, taittui ja taipui? — Eikö häntä
kukaan ymmärtänyt, — eikö tosiaankaan? — Leipäkö heille
ensimäinen ja kaikki kaikessa olikin? — Tämä seikka teki hänet yhä
enemmän yksinäiseksi ja avuton yksinäisyys pani sydämen
huutamaan hätää, kaikkinielevää, toivotonta hätää! — — —
Pikku Kaapron unelmia ei surmanisku tyyten kyennyt

katkaisemaan. — Hän kuuli kyllä puhuttavan jotakin pahaa isästä ja
näki äidin itkevän, näki hänen päivä päivältä kalpenevan ja
synkkenevän, mutta ne varmat lämpimät toiveet, uupumattomat
uskot, jotka kertomuksien siltaa myöten olivat äidin sielusta lapsen
sieluun vierineet, olivat liian voimakkaita, selviä ja ihania yhdellä
iskulla katketakseen…
Hän ei oikein ymmärtänyt miksi äiti ei enää puhunut isästä ja miksi

hän, kun Kaapro alkoi jotakin puhua hänestä, puristi pojan niin
tulisesti syliinsä, että oli tukehtua ja sanoi vaan hiljaa tuskin
kuultavasti: "Elä puhu Kaaproseni… pieni, pieni poikaraukkani…"
Eikä Kaapro sillä kertaa enemmän puhunutkaan, kyyristihe vaan
lähemmäksi äidin povea, niinkuin paetaksensa jotakin tuntematonta
pahaa, joka näytti väliin hulvivan esiin, kuten hulvii hyökylaine
salmen suulta kotilahdelle. — Mutta sittenkin, jäätyänsä taas yksin
leikkimään rakenteli hän kivistä ja kävyistä sitä suurta laivaa, jolla he
yhdessä äidin kanssa lähtisivät sinne kaukaiseen, ihanaan maahan
isän luokse… Isän luokse! —
Uutinen Hiljan onnettomuudesta löysi pian tiensä sydänmaallekin,

sinne missä Jaakko yksinään kotimökissänsä eleli. — Kun tyyni
jöröluontoinen mies kuuli asian, teki se häneen syvän vaikutuksen ja
koko sen illan istui hän tupansa penkillä pää käsien varaan
painuneena, muistamatta edes tulta takkaansa virittää…
Oli liian paljon jäytävää miettimistä kerääntynyt yhdellä kertaa

hitaisiin aivoihin ja sentähden eivät ajatukset ottaneet ollenkaan
juostaksensa vaan töksähtelivät edestakaisin kuin säikkyneet
otukset pensaikossa. —
Mitä kauvemmin hän siinä istui, sitä voimakkaammaksi kasvoi

hänessä halu tavata Hiljaa.
Miksi? Sitä hän ei oikeastaan itsekään tietänyt…
Hän tunsi vaan vaistomaista tarvetta olla lähellä häntä, lohduttaa,

rohkaista… sillä epäilemättä Hilja nyt oli sen tarpeessa. Hän muisti
kyllä Hiljan ennen nauraneen ja ivanneenkin häntä ja se oli ollut
sanomattoman katkerata, mutta nyt häipyi hivenekin tuosta
katkeruudesta, — jos sitä oli enään viimeaikoina ollutkaan, — ja
kaikkivoittava sulaava hellyys levähti kuin päivänpaiste rinnan
syvimpiin sokkeloihinkin… Jos Hilja hänelle nytkin nauraisi, tunsi hän
voivansa anteeksi antaa senkin. Sydämen järkähtämätön käsky oli:
Hiljan luokse! — ja sitä täytyi totella.
Kun Hilja seuraavana iltana viritteli tulta tupaansa, astui Jaakko

epäröiden, pohjia myöten hämillään, ovesta sisään. —
Kohdatessaan Hiljan ihmettelevän katseen, löysi hän äkkiä itsensä
kuin pahanteossa, ja olisi kernaasti kääntynyt takaisin kynnykseltä,
jos olisi ilennyt. — Mutta se ei enään käynyt päinsä ja hän istuutui
uunin viereen pienelle penkille, jonka toiseenpäähän Kaapro oli
lelujansa ladellut ja selitti pistäytyneensä lämmittelemään, kun siellä
ulkona oli niin julman kylmä tuuli ja täältä tuvasta loisti, tuli niin
lämpimästi…
"Pitkä matka sinulla vielä kotiisi onkin…" sanoi Hilja.
"Pitkähän sinne… vaikka onhan tässä iltaa vielä…"

"No ei kait sinne niin pitkä matka ole, kun Amerikkaan", sanoa
tokasi pikku Kaapro asettaen molemmat kätensä vieraan polvelle. —
Jaakko hytkähti ja vilkasi syrjästä Hiljaan, joka sinä hetkenä näytti
niin avuttoman levottomalta. —
"No ei sinne niin pitkä matka ole", vastasi hän sitten lapselle,
yhtäkkiä rohkaistuen ja ottaen tämän syliinsä.
"Kuinka pitkä sitten?"
"Hyvin vielä ehtii tänä iltana, kun kiireesti kulkee."
"Mutta nythän on jo pimeä… etkö sinä pelkää?"
"Mitäs minä… eihän siellä metsässä ole kun oravia ja jäniksiä ja

nehän ovat vanhoja tuttavia."
"Onkos siellä marjoja — siellä sinun kotonasi?"
"Olihan niitä kesällä. Nyt ei ole enään kun pakkasen puremia

puolukoita." — Lapsi taputteli iloisesti käsiänsä ja sanoi pitävänsä
paljon puolukoista, ne kun olivat niin hyviä että kasvoivat näin
myöhään syksylläkin, vaikka on jo kylmä ja pimeä.
"Voi sinua pikku hupakko, mitä hupiset… Tule jo pois vieraan

sylistä, ettet väsytä."
"Anna toki pojan istua… Tämähän on niin hyvä poika tämä pikku
Kaapro."
Hilja tuli levottomaksi kun kuuli Jaakon panevan syvän painon

pikku-sanalle. Arvatenkin siitä tulee nyt puhe toisestakin Kaaprosta,
arveli hän. — Ja vaikka hän kyllä oli tottunut ihmisiltä kuulemaan
paljonkin hänestä, oli kuitenkin niin outoa ja arkaa puhua Jaakon
kanssa siitä… Jaakko sanoikin: "Se Kaaprohan on kuulema,
ruvennut ihan heittiöksi." — Hiljan kalpeille poskille levisi tumma
puna ja hänen oli vaikea hengittää. —
"Ei ollut senvertainen mies sinun arvoisesi…"
"Elä hyvä ihminen puhu siitä miehestä — olen jo kyllikseni hänestä

kuullut!" Hiljan äänessä oli rukouksen sävy sitä sanoessaan ja
lämpimästi ikäänkuin anteeksi pyytäen katseli Jaakko häntä.
"Enhän minä… Enkä minä mitenkään tahdo loukata sinua." Ja

sitten olivat he kaikki vaiti.
Jaakko olisi vielä tahtonut sanoa jotakin ystävällistä ja

rohkaisevaa, mutta kuinka hän siinä miettikin, lapsen tuuheata
tukkaa silitellessään, ei hän vaan mitään kelpaavata keksinyt. Ja
silloin tuli hänelle yht'äkkiä kiire pois. — Hän tunsi jälleen olevansa
kun pahanteossa ja rinta alkoi jyskyttää niinkuin visainen varsta
riihen lattiata.
Mitä mahtoi Hiljakin arvella hänestä…
Varovasti laski Jaakko pojan polveltaan lattialle, varovasti ja

hitaasti niinkuin olisi hänen vaikea luopua siitä ja lähteä pimeään
yöhön lämpimältä sijaltansa uunin vierestä.
"Niin, pitää sitä lähteä kotiinkin päin astelemaan, ettei yö tavoita.

Hyvästi nyt, pikku Kaapro poika!"
"Hyvästi! Ja jos tulet toisen kerran, niin tuo puolukoita tullessasi."
"Kyllä minä tuon!"

Hän ojensi kätensä Hiljalle:
"Kiitoksia vaan lämpimästä!" —
"Eihän siitä kannata kiittää."
Tuskin oli Jaakko päässyt ovesta ulos, kun kalvava kaiho täytti
hänen rintansa ja hän olisi tahtonut jälleen lämpimään, armaaseen
tupaan katselemaan Hiljaa ja pitelemään poikaa polvillansa…
Vastenmielisin, hitain askelin läksi hän kulkemaan pimeätä

metsäpolkua, suurten kuusten humistessa vinhassa syksytuulessa.
Kaukainen kotinsa ei ollut koskaan tuntunut niin kolkolta ja
yksinäiseltä kuin tänä iltana. — — —
*****
Siitä lähtien vieri aika yhä hitaammin Hiljankin mökissä. Katkeria

hetkiä siinä oli kyllä ennenkin eletty, mutta toivo tulevasta oli
ylläpitänyt, kulkenut kuin kaikki kannattava teräslanka päivästä
päivään. — Vaan sitä ei ollut enään. — Eikä ollut niitä herttaisia
hetkiä — kosteikkoja erämaassa, — jolloin äiti, poika sylissänsä,
tuuditteli itsensä ja lapsensa valkoisilla tulevaisuuskuvilla onnelliseen
uneen, niin pitkään ja sitkeään, että se kesti vuosikausia eikä
loppunut ennenkuin pettymyksen katkera kalkki oli tyhjennetty pohjia
myöten…
Sitten alkoi siellä ja täällä kuulua lisäksi ääniä, että isäntä aikoo
ottaa häneltä mökin pois, kun saapi sen annetuksi toiselle
paremmilla ehdoilla.
Se oli sydämmetöntä Hiljan mielestä, varsinkin, kun hän oli niin

kiinnikasvanut tähän tupapahaseen ettei voinut muualla elämäänsä
mahdolliseksi uneksiakaan… Tämä oli ollut hänen kotinsa siitä
pitäen, kun ne yksinäiset ja kuitenkin vaiherikkaat ajat alkoivat. Pitikö
hänen nyt todellakin luopua tästä? — Kun ei isäntää itseä kuulunut
häätökäskyä tuomaan, tyyntyi Hilja vähitellen. Ehkäpä ne olivatkin
taas niitä kyläläisten päättömiä puheita! — Ja voihan isäntä
hänellekin vuokraa korottaa, veropäiviä lisätä, kyllä hän tekee, tekee
kernaastikin, ennenkuin tietymättömälle taipaleelle lähtee. —
Muutamana kesäisenä päivänä, kun vasta; vapautuneet aallot
rantakiviä huuhtelivat, kiipesi Kaapro iloisesti äitinsä syliin sanoen:
"Lähdetäänpäs nyt suurella valkoisella laivalla isän luokse, kun

järvessä ei ole jäätäkään enää!" —
"Voi sinua, pieni raukka… eihän meillä enää isää olekkaan…"
"Mutta — olihan meillä ennen… Oikein hyvä, oma isä?"
Hiljan silmät täyttyivät kyynelillä.
"Vieras se olikin, — vaikka me sitä omaksemme luulimme." —

Hänen sieluansa kirveli, mutta hänen täytyi viimeinkin sanoa ne
sanat.
"Voiko sitä olla vieras, vaikka on oma —-?" kysyi lapsi ja hänen
silmiinsä tuli miettivä, lohduton ilme.
"Kyllä sitä näkyy voivan…"
Siitä ajasta lähtien kun kohtalon käänne lopetti Hiljan unelmien

mahdollisuuden, alkoi Jaakon vakainen, järkkymätön mieli niitä
rakennella. — Useimmin kun ennen, piti hänen pistäytyä kylälle, sen
ainoan mahdollisuuden houkuttelemana, että sattumalta tapaisi
Hiljan. Sillä ei hän ilennyt hänen mökillensäkään mennä, kun ei
mitään asiata ollut, eikä sitä osannut aivan tikkusistakaan tehdä…
Pitkä korpitie, jota välistä ennen oli väsymykseen asti astellut,

muuttui nyt puolta lyhemmäksi, mieluisaksi kävelymatkaksi. — Ja ne
korpitien tuliset toiveet, herttaiset, hymysuuhaaveilut, ne nostivat
latvojansa tiepuolessa kasvavien honkienkin ylitse, kohti suurta
valoisaa taivasta — aavistuksien herkillä siivillä. —
Kun hän kerran tällaisella retkellään sai kuulla että merten takaa
oli Kaapro Kalposen kuoleman viesti saapunut, — tunsi hän suurta
levotonta iloa sydämessänsä, sellaista ikiääretöntä, joka vain
aniharvoin ihmissieluun hulvahtaa, loistavana, mahtavana,
rinnanääriä repien, — niinkuin tila siellä olisi asunnoksi ahdas ja
matala riemun suurelle majesteetille…!
"Ehkä se voipi… ehkä kuitenkin kerran voipi tapahtua…" jupisi hän

itsekseen takaisin mökilleen kulkiessansa ja tie oli hänestä sillä
kertaa niin uskomattoman lyhyt, lyhempi kuin polku oman tuvan
ovelta pihan ylitse kaivolle. —
*****
Kulkiessaan kerran Hiljan asunnon ohitse löysi Jaakko Hiljan

seisomassa pihaveräjällään masentuneena ja synkeänä. Kysyttyään
hänen vointiaan, sai hän kuulla että isäntä oli täyttänyt aikaisemman
uhkauksensa ja häätänyt Hiljan poikinensa pois mökistä.
Kertunahon Taavetti ottaa mökin puoltasuuremmalla

veropäiväluvulla ja sitäpaitsi on hänellä täysikasvuisia lapsia, joista
tarpeenvaatiessa saapi työvoimaa taloon, niin että mikäpä siinä
auttoi… eihän hänellä ollut kirjoja eikä kontrahteja — ja jos niitä lie
alunpitäin ollutkin, olivat ne ainakin nyt tuntemattomilla teillä, muitten
niille sortuneitten matkassa. —
"Surullista on joutua pois paikasta, jota on oppinut sekä pitämään,

että rakastamaan kotinansa", päätti Hilja, kuivaten huivin nurkalla
esiintunkevan kyyneleen.
Silloin rohkaisi Jaakko mielensä ja otti puheeksi asian, joka kauan

oli hänen sieluansa jännittänyt. — Ja siinä, lahonnutta aitaa vasten
nojaten, esitti hän Hiljalle ehdotuksensa, sanoi, että olisi heille, niin
äidille kun pojallekin tilaa hänen mökissään, siellä yksinäisellä
sydänmaalla.
Hilja loi hämmentyen katseensa alas, seisoen siinä punottavin

poskin, yhtä sulkeutuneena kuin sanatonnakin.
"Tulisit katsomaan edes…" pyyteli Jaakko, jonka sydän löi niinkuin

taistelevan kotkan siipi.
"Eihän sinne kovin pitkä matka ole. Ja jos et luulisi viihtyväsi,

niin…" Jaakolta jäi lause kesken kohdatessaan Hiljan katseen, jossa
väikkyi omituinen, kauvan kateissa ollut hymyilyn hohde.
Ja hän tuli. — Tuli jo seuraavana sunnuntaiaamuna, kun Jaakko

vasta peseytyneenä ja pyhäpäiväpukimissaan istui tupansa
rappusilla päivää paistattamassa.
Se oli ensimäinen juhlapäivä Jaakon yksinäisessä mökissä. —

Sen hetken iloa laulelivat linnut, tuoksuivat kukat, heinät ja lehdet, —
sitä heijasti tyyni, syväsilmäinen lampi, sitä sirisivät sirkat ja
ihannoivat juhlalliset jymy-hongat!
"Tulithan sinä kuitenkin…" sanoi Jaakko vapisevin äänin,
viedessään vierastaan tupaan.
"Istu, istu peremmälle!" kehoitti hän sitten, pyyhkäisten

kämmenellään honkaista penkkiä, joka ulottui pitkin sivuseinää
ovensuusta peränurkkaan asti.
"Teki mieleni tulla katsomaan mitenkä sinä täällä elelet…"
"Hyvähän täällä on olla… mikäs täällä! Tulisit vaan sinäkin. On

mulla leipää toisellekin ja pojalla olisi kauniit, avarat nurmet tuossa
leikkiäksensä…"
Kuinka kaunis se Hilja sinä hetkenä Jaakon mielestä olikaan —

aivankuin entisaikoina, aikaisempina tyttövuosinaan, silloin kun
yhdessä samaa isäntää palvelivat ja samaa leipää söivät.
"Voi minkätähden sinä et tule!"
"Jospa minä tulisin…" virkkoi Hilja ja hänellä oli sekaisin riemua

sekä kyyneltä katseissansa. —
"Minä nauroin ennen sinulle Jaakko ja heittäysin riemumielin sen

miehen syliin, joka oli kylliksi raaka pettääksensä ja jättääksensä ei
ainoastaan vaimonsa, vaan vielä lapsensakin. — Tein hyvin typerästi
nauraissani sinulle, vaan nyt on elämä opettanut minulle, kenelle
pitää nauraa, kenelle ei… Anna anteeksi Jaakko! Tahtoisin nyt
sovittaa kaiken…"
Auringon säde, joka leikitteli akkunalaudalla, tuohisessa kasvavan

balsamin lehdillä, ei välähdellyt kirkkaammin kuin Jaakon katseet,
kuultuaan viimeinkin, viimeinkin sen sanan, jota niin monta, pitkää,
lohdutonta vuotta oli turhaan saanut odottaa. — — —
Neljäntenä seuraavista sunnuntaista kulki hän, pikku Kaapro
sylissänsä, kotipolkua kylältä! kotiin päin Hiljan seuraamana. Tänään
oli heidän hääpäivänsä ja tämä oli heidän häämatkansa — näin lyhyt
vain — mutta kylliksi riittävä eristämään heidät kaiken maailman
melskeiltä, oman tyynen onnensa sopukkaan…
"Onko täällä nyt marjoja?" kyseli lapsi. "On, on!"
"Ja onko kukkia, käpyjä, kaloja, hiekkaa — onko venekin?"
"On, on! Kaikkia mitä tarvitaan, pikku Kaaproseni."
"Kaikkia on mitä tarvitaan, kun on koeteltua, luotettavaa

sydänmaan rakkauttakin!" täydensi Hilja hymyillen. —
Miina.
Keijumäen luoteispuolella, vanhan, virattoman sudenkuopan

vieressä, suurten koivujen suojaamana sijaitsi Miinan tupa.
Se oli yhtä pieni, harmaa ja lujatekoinen kuin omistajansakin — ja

saattoi ylpeillä siitä että oli asujansa oma tekemä.
Kuinka suurella ihmetyksellä me lapset katselimmekaan tuvan

liettä, uunia, — sillä nekin olivat Miinan muuraamia, —
sanomalehdillä vuorattuja seiniä ja katon pyöreätä kannatushirttä,
kuullessamme että hän itse oli ne kaikki rakentanut. Se oli meistä
aivankuin satua, sillä todellisuudessa olimme nähneet vain miesten
rakennus- ja muuraustöitä tekevän.
Ja meidän täytyi oikein tarkoin seurata tuon kehräävän käden
liikkeitä tietäessämme, että se kykenee kirvestäkin käyttämään. —
Kehrätä — kutoa kangasta — rakentaa — ja muurata. Se oli

jotakin se!
Ja kun siihen vielä lisäksi tuli ne maukkaat "marjalehtikäiset" ja

"mustikkapöppörö", joilla hän meitä kestitsi, niin eihän ollut ihme jos
hän mielestämme oli paikkakunnan merkkihenkilö. —
Hänessä oli vain yksi ominaisuus, joka ei ollut mieleisemme —

äkäisyys.
Monta hupaista juttua olikin kiertämässä hänen kuuluisasta

tuittupäisyydestään…
Hänen pieni taloutensa oli aina hyvässä kunnossa. Suuren sängyn

alla, — joka otti ainakin kuudennen osan koko tuvan pinta-alasta ja
jonka päädystä aina puhdas, tupsureunainen lakana riippui, — oli
kanojen asunto. Ne saivat joka päivä munimisaikanaan pieneksi
silputtua paperia — sillä se vahvisti munankuoriainetta ja kun siellä
alakerran kovalla lattialla ei ollut tilaisuutta pesän tekoon, pantiin ne
vuorotellen sängyn jalkopäähän, pärekopan alle munimaan…
Miina oli sitkeä ja työtelijäs ihminen. Aina hänen tuvassaan

kangaspuut helskyivät tai rukki surisi. Vaan jos rukki rupesi
juonimaan, eikä tehnyt kunnolla tehtäväänsä tai katkeilivat
kankaanloimet "suotta aikojaan", saattoi pienessä tuvassa nousta
sellainen meteli, että ohikulkijat luulivat siellä vähintäin kymmenen
ihmisen riitelevän. —
Miina pani torumalla rukin tottelemaan, tai jos se ei siitä huolinut,
kävi sille niinkuin pahoille lapsille, — se sai vitsaa ja työnnettiin
nurkkaan häpeämään. —
Ja useimmissa tapauksissa kuului se auttaneen…
Samoin kävi kankaanlointenkin. Kun Miina oli niitä muutaman

kerran oikein perinpohjaisesti liisteröinyt ja ne yhä sittenkin "ilkisivät
katketa", — ei siinä enään auttanut muu kuin se äärimmäinen keino.
"No herkesivätkö ne sillä katkeamasta?" kysyivät muut kankurit.
"Ka herkesivät! — Vaan kun et usko kuitenkaan, niin mitäs sitä

tulet kysymäänkään… Koeta!" —
Mutta kukaan ei arvannut koettaa.
Miinalla oli tapana iltasin, kun tupa oli lämmitetty ja pelti pantu
kiinni, lähteä sukanneuleineen vähäksi aikaa kylään "häkää pakoon."
Kerran häntä tällöin pyydettiin naapurissa sekoittamaan tulella

olevaa vellipataa, johon Miina tietysti mielellään suostui, mutta kun
puut sattuivat olemaan tuoreita, paloivat hitaasti ja iso vellipata ei
pitkään aikaan näyttänyt kiehumisen oireitakaan, suuttui hän
ankarasti.
"Ennenhän mie keitän vaikka tervaa, ennenkuin tällaista velliä…"

intosi hän.
"Kotona se on puoleen tuntiin keitetty ja syötykin!" —
Ja suuttuneena, puoliääneen itseksensä puhellen lähti hän kotiin

heti kun joku talon ihmisistä ennätti kapustan varteen tarttua.
Itsellään oli Miinalla aina kuivia puita.
Milloin olivat ne loppumassa, piti hän talkoon ja silloin kyläläiset

toivat kuormansa, kuka halkoja, kuka pitkiä rankoja hänen
tuohikattoisen katoksensa täytteeksi. Ja kun nekin joilla ei ollut
hevosta, eikä metsää, halusivat päästä osallisiksi hänen
talkookestityksestään, niin pistäysivät ne sinne kirves kainalossa ja
pilkkoivat puut.
Sillä talkoomiehiä houkutteli muut paremmat herkut, kuin

"lehtikäiset" ja "mustikkapöppörö."
Niitä varten pani Miina aina oluen, keitti lämpimät ruuat ja kahvin
— ja jos sattui olemaan jouluinen aika, saattoi hänellä toisinaan olla
ryypytkin.
Miinan mökki oli jotenkin etäällä naapureista.
Sentähden, häneltä joskus kysyttiin eikö pitkät syksyiset pimeät

peloittaneet häntä?
Mutta eihän ne peloittaneet.
Miina oli jo vuosikymmeniä asunut yksin, — siitä lähtien kun lapset

lähtivät maailmalle ja Tuomas-vainaa peitettiin kirkon multaan, —
eikä vielä milloinkaan mikään muu kuin myrskynryske ollut häirinnyt
hänen rauhaansa.
Kerran kuitenkin syksyn pimeimmillään ollessa, kuuli Miina eräänä

iltana ryskytystä ja melua ulkoa. Nopeasti työnsi hän silloin rukkinsa
syrjään, sytytti pitkän päreen ja kiirehti porstuan ovelle katsomaan.
Vaan eihän siellä mitään näkynyt.
Nurkan takaa kuului vaan rumaa ääntä ja uikutusta, jonka helposti
tunsi ihmisääneksi.
Ja silloin Miina suuttui.
Pitkä päre loppui paljon ennemmin kuin se tulinen saarna, jonka

hän pimeässä ilkkujille antoi…
"Vaikka teidän nenänne olisi sata syltä pitkä, niin kyllä mie sen
niistän…" huusi hän niin että musta yö raikui.
Ilvehtijät olivat erehtyneet laskuissaan, eikä sen perästä kuultu,

että kukaan olisi käynyt vanhaa Miinaa peloittelemassa.
Mutta Miina itse meni seuraavana aamuna sisarensa pojan

luokse, — joka oli hyvä pyssymies, — ja pyysi häntä tulemaan
pyssyineen illaksi kotiinsa — siltä varalta että rauhanhäiritsijät
palaisivat.
"Enhän minä tok' uskalla ihmisiä ampua…" esteli sisaren poika.
Eikä Miina sitä vaatinutkaan.
"Lataa sie, kyl' mie lasken!" sanoi hän kuohuen
"Ettenkö mie niille häijyille näytä —? Näytän!" —
"Häijy" oli hänen voimasanansa, eikä sitä kukaan osannut lausua

sellaisella painolla kuin hän.
Ajan viitake alkoi viimein pystyä Miinaankin, lannistaen vähitellen

sitkeän voiman ja työtarmon. Kangaspuille ei hän silloin enään
kyennyt eikä hienoimpien lankojenkaan tekoon.

Wavelets Theory and Its Applications A First Course Mani Mehra Online Ebook Texxtbook Full Chapter PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Wavelets Theory and Its Applications A First Course Mani Mehra Online Ebook Texxtbook Full Chapter PDF

Uploaded by

Copyright:

Available Formats

Wavelets Theory and Its Applications A

First Course Mani Mehra

Introduction To Probability Theory A First Course On

Principles of Probability Theory and its Applications

Introduction to Probability Theory A First Course on

A First Course in Spectral Theory 1st Edition Milivoje

Number Theory and Its Applications 1st Edition

A Modern Course in Aeroelasticity Solid Mechanics and

Wavelets and Wavelet Transform Systems and Their

A First Course in Graph Theory and Combinatorics Second

Editorial Board Members

More information about this series at http://www.springer.com/series/13386

Wavelets Theory and Its

ISSN 2364-6748 ISSN 2364-6756 (electronic)

Library of Congress Control Number: 2018957647

© Springer Nature Singapore Pte Ltd. 2018

Why Another Book on Wavelets

Structure of the Book

New Delhi, India Mani Mehra

Part I Mathematical Foundation

Part II Introduction to Wavelets

3.3 Coiﬂet Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Part III Wavelets Based Numerical Methods for Differential

6.4 Finite Element Methods (FEM) . . . . . . . . . . . . . . . . . . . . . . . . 118

Part IV Applications of Wavelets in Other Fields

11 Other Useful Applications of Wavelet . . . . . . . . . . . . . . . . . . . . . . . 173

Mani Mehra is an associate professor at the Department of Mathematics, Indian

1.1 Vector Space

Vector spaces play an important role in many branches of mathematics. In fact,

1.2 Normed Space

Example 1.2.1 The norm on vector space l p , p ≥ 1 is defined by

and Hölder’s inequality

The special case p = q = 2 gives a form of the Cauchy–Schwarz inequality. A

1.3 Inner Product Space

x + y2 + x − y2 = 2(x2 + y2 ), (1.5)

Moreover, two vectors x, y ∈ X are said to be orthogonal if x, y = 0.

is easy to see that x p = 21/ p , y p = 21/ p , x + y p = x − y p = 2. Clearly,

1.4 Hilbert Space

Moreover, for every frame ∃ a dual frame {ṽk : k ∈ I } such that

vk , ṽk  = δk,k  . (1.9)

A vector space X is said to be the direct sum (X = Y ⊕ Z ) of two subspaces Y and

Moreover, Z is called an algebraic complement of Y in X and vice versa. If X is

1.6 Function Series

| f (x) − s N (x)| → 0, as N → ∞, (1.11)

(iii) The infinite series converges uniformly to f (x) in a ≤ x ≤ b, if

max | f (x) − s N (x)| → 0, as N → ∞. (1.12)

Solution: Compute s N (x) = 1 − x N , which means s N (x) → 1 as N → ∞. It con-

2.1 Fourier Series

A Fourier series is an expansion of a periodic function f (x) in terms of the functions

© Springer Nature Singapore Pte Ltd. 2018 9

and the corresponding norm

The convergence of the series (2.1) is in L2 (0, 2l) means

Fig. 2.1 Example 2.1.1 0.5

Example 2.1.1 For the function

Fig. 2.2 Fourier 0.6 f(x)

2.2 Fourier Transform

The Fourier transform of a function f (x) ∈ L1 (R) (space of integrable functions

Another method to evaluate the Fourier transform of the Gaussian function:

where we can guarantee the existence of convolution if f, g ∈ L1 (R). It can be

The above theorem is also called convolution theorem. It is actually an extremely

Now applying Theorem 2.2.2 on (2.10),

fˆ(ω)ê(ω) = fˆ(ω), ∀ f ∈ L1 (R)

which is not true (as we know ê(ω) → 0, as ω → −∞ or ∞).

x + y2 + x − y2 = 2(x2 + y2 ), (1.5)

is easy to see that x p = 21/ p , y p = 21/ p , x + y p = x − y p = 2. Clearly,

vk , ṽk = δk,k . (1.9)