Я совсем не математеГ и если мой вопрос кому то покажется наивным или смешным - получи в торец, на!!!... Юмор   ... А теперь к делу...
Итак - всем нам хорошо известно вейвлет преобразование и его быстрый вариант состоящий и ряда децимаций и линейных FIR операций. Все бы ничего, но есть один неприятный нюанс - их порядок выполнения - сначала детализирующий фильтр, затем децимация и аппроксимирующий и т.д. . Т. е. Можно не доходить до самых низкочастотных коэффициентов, остановившись на каком то шаге - а нужно как раз наоборот.
 Стоит задача распознать(найти удаленность по той или иной метрике с банком  эталонов) 2D изображение. Вейвлеты подходят. Но... Получается так - делаем полное вейвлет разложение и затем начинаем сравнивать "с конца" с самых низкочастотных коэффициентов. Если сходства совсем нет, то перестаем и не продолжаем сравнивать все более и более детализирующие компоненты... Так вот - а хотелось бы сделать систему более оптимальной - менее ресурсоемкой - т.е. не только не сравнивать детализацию, но и не выполнять ее каждый раз вообще вообще(!)...
Возможно ли вообще построить такое преобразование? Кажется да... Но не могу понять почему... И как...   Чо-то голова сейчас не варит совсем и занята другим, а тут такое нужно...
 Если это широко известный алгоритм то прошу указать мне на его описание(хоть на китайском)... 

Поточнее задачку расскажите. Вполне может получиться так, что сработает и алгоритм Виолы-Джонса, и другие быстрые методы распознавания с одновременным определением наилучших признаков на изображении (лучший набор может включать как низко-, так и высокочастотники - т.е. может переиграть по точности Вашу идею о использовании только низкочастотников)

Хм... Посмотрел я этот Виолу-Джонса. Вообще да, подходит. В CVlib, кстати, есть... Хотя я не так себе это представлял...
Мне нужно распознавать разные слегка зашумленные 2D образы (это технические фотки, 640x480, картинка - набор пикселей 8 бит, цвета нет, будь это какая-то вейвлет фото - было бы легче). Образы реальные, не очень сложные(например подшипник или яблоко), но практически в одном положении и на одинаковом расстоянии, освещение может падать из любого места, во время работы его положение не изменяется. Но! Предмет может находиться в любом месте картинки. Вот что-бы не бегать по этому всему 2D коррелятором (ресурсы - пока не выбраны, но скорее всего плата с Atom x86, может и потянет, но уж больно "в лоб") ищу что-то малозатратное...

Но тогда вопрос распадается на 2-а подвопроса:

1) Риторический   . Подобрать НЧ шаблон. 

2) Все таки - корректен ли мой изначальный вопрос - можно ли построить преобразование с движением разложения в сторону детализации?...

В качестве фона - что? Более-менее ровная закраска или может быть пёстрый фон? В первом случае - предмет ловится очень быстро анализом построчных (вертикальных и горизонтальных) простых статистик (типа среднего или разброса между мин. и макс. яркостями пиксела в "строке"). Т.е. описывающий объект прямоугольник координат может строиться без проблем. Если сильный шум - то предварительно сглаживающий фильтр, а потом расчет разброса яркостей.
Далее (на несглаженной - исходной!!! картинке) фильтр выделения границ внутри этого прямоугольника (либо, если объект простым способом не ловится - то выделение границ на всём изображении). Если для Вашего фона получается так, что границы объекта не контачат с границами прочей фигни - то набор выделенных из рисунка контуров распознается с помощью преобразования Хафа (эталонные снимки есть - выделить на них контуры объектов и использовать для классификатора). Поскольку говорите, что почти не меняются положение и размер (размер - потому, что одинаковое расстояние съемки) - то не надо проверять сильно много вариантов изменения размеров и поворотов у преобразования Хафа.
В общем, такие мои идеи для картинок, которых не видел ;) 
Если же фон пёстрый - то ситуация хуже. 

Однородно окрашенный поддон... Поскольку на производстве - возможно коррозия и/или пятна... 

С китайским трудно. Нет времени искать. А вот по поводу русского так это всем известно читайте определение вейвлетов. Если по простому, то не принципиально в какую сторону варьировать коэффициент масштаба.