标准的连续小波变换（产生二维比例/位移图的变换）是线性算子。它产生与幅度有关的实数或复数系数，“特定位移和尺度的给定小波如何匹配信号”。这些系数（大多数情况下）与信号幅度一致。

话虽如此，根据应用，将复数或正/负小波系数显示为图像是很有趣的。因此，它们被修改，使用

• 绝对值，
• 平方规范（能量），
• 对数变换（和其他收缩型函数，如阈值幂律），
• 或更复杂的“颜色图”（很多，通常取决于字段），

将价值转化为颜色，以更好地展示微妙的细节和趋势。

这有什么不同？强度和功率由一个严格单调的函数联系起来（非常复杂的 p(i)=i²）；由于颜色无论如何都不是“线性的”，因此绘制功率和幅度之间的唯一区别是重新标记颜色条。

事实上，这就是我们经常使用分贝的原因，这样规模在功率和幅度上是相同的。

现在，我们不知道您的绘图工具；作为一般规则，在图像处理中，我会说强度更多的是幅度，而在物理学中，它更多的是功率，但如果你想确定，只需输入一个填充为 0.1 的数组一半，另一半为 0.2。这将立即以 100% 的把握回答您的问题。

它的绝对值是幅度。平方就是力量。但是，如果这是您遇到的情节，则无法在没有单位的情况下进行判断，因为它可以进行对数转换（分贝），从而消除了幅度和功率之间的区别（amp：$\log(x)$-- 战俘：$\log(x^2) = 2 \log(x)$，如果自动缩放，所有强度都加倍并且颜色不会改变）。但是，对于解释小波系数，未变换的表示最准确，在学习/调试时应该首选；转换作为应用设置中的后处理步骤很有用。

我推荐这个教程。互动学习也很有趣；修补x以下内容，看看它如何影响 CWT。

import numpy as np
from ssqueezepy import cwt, Wavelet, TestSignals
from ssqueezepy.visuals import plot, imshow

# configure
N = 4096
ts = TestSignals(N=N)
tmin, tmax, f = 0, 1, 64
fs = N / (tmax - tmin)

# generate signal
x = ts.make_signals(('am-cosine', dict(f=f, tmin=tmin, tmax=tmax)))
t = np.linspace(tmin, tmax, N, 0)  # ^ corresponds to TestSignals
# simpler:
# x = np.cos(2*np.pi * f * t)

# take CWT
wavelet = Wavelet(('morlet', {'mu': 5}))
Wx, scales = cwt(x, wavelet)

# find (peak) center frequencies as fraction of sampling rate (N)
psih = np.abs(wavelet.Psih())
freqs = np.round(np.array([np.argmax(p) for p in psih])/2).astype(int) * (fs / N)

# plot
plot(x, title="signal", xticks=t, xlabel="time [sec]", show=1)
kw = dict(abs=1, xlabel="time [sec]", ylabel="frequencies [Hz]",
          xticks=t, yticks=freqs)
imshow(Wx, title="abs(CWT)", **kw)
imshow(np.abs(Wx)**2, title="abs(CWT)^2", **kw)

print("Try these for `signal` like `x = ts.make_signals(signal)` "
      "(or feed your own):\n%s" % '\n'.join(ts.SUPPORTED))