WAVELETS
CONCEPTO Y APLICACIONES
PARA EL ANÁLISIS DE SEÑALES
INTRODUCCIÓN HISTÓRICA (I)
• 1807 (1822) –
Joseph Fourier indica que toda función
periódica puede ser expresada como una suma infinita de
senos y cosenos de distintas frecuencias.
• 1909 –
El matemático húngaro Alfred Haar descubre una
base de funciones que con el tiempo demostrarán ser los
primeros wavelets.
• 1946 –
El físico Dennis Gabor descompone una señal en
paquetes de frecuencia-tiempo.
• 1981 –
El ingeniero Jean Morlet encuentra el modo de
descomponer una señal sísmica en cierto tipo de “wavelets”
de forma constante.
• 1984 -
Con la ayuda del físico cuántico Alex Grossman,
Morlet desarrolla su modelo. El término wavelet aparece por
primera vez.
INTRODUCCIÓN HISTÓRICA (II)
• 1985 –
Ives Meyer descubre el primer wavelet ortogonal
suave.
• 1986 –
Stéphane Mallat muestra que los métodos de Haar,
Gabor, Morlet...están relacionados por el mismo algoritmo de
wavelets.
• 1987 –
Ingrid Daubechies construye el primer wavelet
ortogonal con soporte compacto. Los wavelets pasan a ser
una importante herramienta práctica de cálculo.
• 1990 –
David Donoho y Johnstone usan los wavelets para
eliminar el ruido de una señal.
• 1992 –
El FBI usa los wavelets para comprimir su base de
datos de huellas dactilares.
• 2004 –
Una vez superada la gran revolución de los años 90, se
ve que no todo se puede hacer con wavelets, pero que sí
suponen una nueva herramienta útil de cálculo y análisis.
Es una técnica matemática para transformar nuestra visión de la señal de una base temporal a una base de frecuencias.
Transformada de Fourier
Para muchas señales, el análisis de Fourier es muy útil, debido al contenido de frecuencias en la señal. Entonces, para qué otra técnica como wavelets.
Porque, al transformar al dominio de frecuencias, la información temporal se pierde. Es decir, es imposible decir cuándo ocurrió un evento particular.
Ahora bien, si las propiedades de la señal no cambian mucho con el tiempo, esto es, si la señal es estacionaria, no importa mucho. Sin embargo, las señales más interesantes son no
estacionarias, pues presentan tendencias, cambios bruscos, y comienzos y terminaciones de eventos, para los cuales el análisis de Fourier NO es adecuado.
• El análisis de Fourier de una señal (supongamos temporal) permite determinar sus frecuencias, pero a costa de perder la información de tipo temporal sobre la señal (no dice cuando aparece cada frecuencia).
• Lo que se puede hacer es subdividir la pieza en trozos, y analizar cada trozo. Esto nos da una información rudimentaria sobre el orden temporal en el que se dan las frecuencias. Este tipo de análisis se conoce como la transformada
de Gabor (aplicar una ventana a los datos). Sin embargo, este tipo de análisis
es imperfecto.
• Recordemos que la resolución temporal y la resolución en frecuencias de una señal están
acopladas [Existe un principio de incertidumbre similar al de Heisenberg: Dt
.Dw ≥ p]. Existen métodos de análisis que alcanzan este máximo. Fourier es uno de ellos pero alcanza la máxima resolución espectral sacrificando la resolución temporal. Los wavelets sí dan información simultánea de t y w.
¿QUÉ ES UN WAVELET?
Motivación
¿QUÉ ES UN WAVELET?
Análisis funcional (I)
Consideremos la transformación lineal y continua de una
función s(t) dada por:
*
aS a,
t
s t
dt
t
t
a(t
)
t
i t / ae
i t / ae
w(t
t
)
1 t a a t FOURIER
GABOR
WAVELETS
[* indica complejo conjugado]
w es una función de peso (ventana) generalmente gaussiana. El coeficiente 1/a es un factor de normalización.
El análisis con Wavelets presenta interesantes diferencias frente al análisis clásico de Fourier.
Este problema, que se soluciona parcialmente mediante la introducción de una ventana, no es suficiente, a menos que sea variable, tal como es el caso de
wavelets
.C es la suma sobre toda la señal multiplicada por versiones móviles,
escaladas, de la función
wavelet
ψ
. La C se llama transformada
continua de
wavelet
(CWT). Nótese que el análisis de
wavelet
no utiliza una región de frecuencia, sino una de
tiempo-escala.
¿QUÉ ES UN WAVELET?
Análisis funcional (I)
¿QUÉ ES UN WAVELET?
Presentación
Antes de continuar, convendría hacer unas presentaciones.
Ante ustedes algunos de los wavelets más “antiguos”...
¿QUÉ ES UN WAVELET?
Presentación
Antes de continuar, convendría hacer unas presentaciones.
Ante ustedes algunos de los wavelets más “antiguos”...
Wavelet de Daubechie
(orden 4) (1987)
¿QUÉ ES UN WAVELET?
Presentación
Antes de continuar, convendría hacer unas presentaciones.
Ante ustedes algunos de los wavelets más “antiguos”...
Wavelet con
Spline lineal
¿QUÉ ES UN WAVELET?
Presentación
El número de wavelets existentes es enorme. En general conviene
usar aquel cuya forma se adecúe mejor al tipo de señal con la que se
trabaja. Hay wavelets contínuos/discretos, con/sin soporte
compacto, suaves/con discontinuidades, ortogonales/biortogonales..
Algunos wavelets tienen expresiones analíticas. Por ejemplo:
[Wavelet de Morlet]:
[Sombrero mexicano]:
(2ªderivada de una gaussiana)
Otros en cambio se obtienen mediante fórmulas de recurrencia, tal
como veremos más adelante.
2 2 0 i t 1/ 4 t / 2 0t
e
e
w
p
2 2 t / 2 0t
1 t
e
¿QUÉ ES UN WAVELET?
Representación gráfica de los coeficientes de
la transformada discreta de wavelets
• El análisis de wavelets:
• Nos da información sobre el espectro de frecuencias en función del tiempo. • La resolución espectral de una frecuencia f es: Df f
• La resolución temporal de esta frecuencia es: Dt 1/f (Dt.Df = cte).
• Realizando una Transformada discreta de Wavelets (Similar a FFT) obtenemos una serie de coeficientes que podemos interpretar gráficamente:
¿QUÉ ES UN WAVELET?
Análisis funcional (II):
Traslaciones y Dilataciones
Tal como se ha visto, una transformada de wavelets de una
función s(t) viene dada por:
El término t nos da las
traslaciones y el término “a” las dilataciones del wavelet.
1
*t
S a,
s t
dt
a
a
t
t
TRASLACIONES¿QUÉ ES UN WAVELET?
Análisis funcional (II):
Traslaciones y Dilataciones
Tal como se ha visto, una transformada de wavelets de una
función s(t) viene dada por:
El término t nos da las
traslaciones y el término “a” las dilataciones del wavelet.
1
*t
S a,
s t
dt
a
a
t
t
DILATACIONES¿QUÉ ES UN WAVELET?
Análisis funcional (III):
Traslaciones y Dilataciones
Es decir, la señal s(t) se muestrea empleando versiones (wavelets)
del wavelet madre (dilatados y trasladados) estudiando punto a
punto para qué dilataciones y traslaciones la señal s(t) y el wavelet
son más similares.
Como es lógico, la frecuencia de la señal s(t) estudiada está
intimamente relacionada con la escala “a” del wavelet.
Por otro lado, el que el análisis sea local, es lo que le da a la
transformada de wavelets sus interesantes propiedades.
1
*t
S a,
s t
dt
a
a
t
t
¿QUÉ ES UN WAVELET?
Representación gráfica de los coeficientes de
la transformada discreta de wavelets
Tiempo Fr ecuen ci a Dt Df
• Esta forma de descomponer una señal es bastante natural: los eventos de baja frecuencia suelen durar en el tiempo, mientras que los eventos de frecuencia alta suelen ser breves.
¿QUÉ ES UN WAVELET?
Representación gráfica de los coeficientes: EJEMPLO PRÁCTICO
Señal con altas y bajas frecuencias.
-0.003 -0.002 -0.001 0 0.001 2 4 6 8 200 150 100 50 fre cue nci a tiempo
Resultado del análisis con wavelets:
Es posible seguir las frecuencias
dominantes en el tiempo.
FOURIER vs WAVELETS:
Descomposición de una señal en “ondas”
• Fourier descompone la señal en ondas sinusoidales de diferentes
frecuencias.
• Wavelet divide la señal en un conjunto ondas wavelets con distinta posición
(adelantar o retrasar) y escala (estirar o encoger) del wavelet original.
FOURIER vs WAVELETS
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
• El análisis de wavelets está especialmente indicado para señales con pulsos o intermitencias: sucesos que ocurren de manera no periódica. Para estas señales, Fourier da muy poca información, al perder casi toda información temporal. • Fourier es “inestable” frente a señales de tipo intermitentes: si añadimos un impulso localizado en el tiempo a una señal, todo el espectro de Fourier se verá afectado, mientras que solo algunos coeficientes de wavelets se modificarán. • Cuando un sistema es lineal y los modos de vibración son modos propios del sistema, el análisis de Fourier proporciona mucha información sobre los mismos. Pero si no es así, la descomposición en modos propios no da información interesante, ya que mezcla la información de los varios modos de oscilación. • Al estudiar sistemas no lineales que no tienen modos propios, ninguna descomposición global en el espíritu del análisis de Fourier tendrá éxito. Uno se debe limitar a una expansión local en modos, que es lo que hace el análisis de wavelets (como un desarollo tipo Taylor).
FOURIER vs WAVELETS
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
• La Transformada Discreta de Wavelets presenta además claras ventajas frente a su contrapartida de Fourier:
- Más rápida desde el punto de vista computacional: O(N) [DWT], frente a O(NlogN) [FFT] para una muestra de N datos.
- En muchos casos proporciona un mejor ajuste a los datos con menos coeficientes.(Permitiendo una mejor compresión de los datos que los métodos basados en Fourier).
- Las técnicas de filtrado de ruido basadas en wavelets dan mejores resultados.
DESVENTAJAS DE LA TRANSFORMADA DE WAVELETS
• Es una técnica reciente. Aunque en las últimos años se ha hecho un gran esfuerzo por darle todo el rigor matemático que tiene la transformada de Fourier y unificar métodos y notaciones, el ritmo de aparición de publicaciones sobre el tema hace que no sea tarea fácil.
• No permite realizar algunos cálculos como los relacionados con la convolución o la modulación de una señal...
FOURIER vs WAVELETS:
Ej: Estudio de discontinuidades en una señal.
¿Qué puede hacer el análisis de
wavelets
?
La más grande ventaja es su habilidad para realizar análisis local—es decir, analizar un área localizada de una señal más grande. Veamos un ejemplo:
Una gráfica de los coeficientes de Fourier muestra sólo un espectro plano con dos picos que representan una sola frecuencia. Sin embargo, una gráfica de los coeficientes de
FOURIER vs WAVELETS:
Ejemplo: Compresión de imágenes
JPG vs JPG-2000
FOURIER vs WAVELETS:
Ej: Filtrado de Ruido en imágenes
FILTRADO EN ESPACIO DE FOURIER: Se eliminan las frecuencias más altas FILTRADO EN ESPACIO DE WAVELETS: Se eliminan los coeficientes menores.
DWT
TRANSFORMADA WAVELETS DISCRETA
• Partimos de la definición indicada de la transformada:
• El trabajar con transformaciones de wavelets discretas es una práctica habitual. Esto se debe a su eficacia computacional y a que normalmente se trabaja con señales de datos discretos. Lo más común a la hora de discretizar la transformada de Wavelets continua es emplear la rejilla diádica.[Tomar a = 2i ]. En este caso, la transformada viene dada por:
• Cada i se denomina octava o escala, y consiste en cada uno de los niveles en los que se descompone la señal. Las escalas bajas tienen en cuenta las frecuencias bajas y las escalas altas, las frecuencias mayores.
i *
i i 1 t S 2 , s t dt 2 2 t t
1 * t
S a, s t dt a a t t
DWT
TRANSFORMADA WAVELETS DISCRETA
• Cuando se usan wavelets ortonormales (Desde el punto de vista de las funciones de cuadrado integrable L2) , lo habitual es usar un procedimiento denominado
"decimation“ (=diezmar). Consiste en descomponer la señal en un número de coeficientes proporcional a la escala analizada. Esto hace que la señal tenga distinto número de coeficientes en cada escala. Físicamente esto refleja el hecho de que las frecuencias menores de una señal necesitan menos coeficientes para
ser representadas. Una Transformada de Wavelet diezmada es:
• Ahora el paso de obtener la versión Discretizada y Diezmada de la Transformada de Wavelet (DWT) es sencillo:
i i
*
i i 1 t S 2 , 2 n n s t dt 2 2
i i
*
i i k 1 k ˆS 2 ,2 n n s k 2 2
DWT
TRANSFORMADA WAVELETS DISCRETA
• Definimos la familia de wavelets asociadas a un wavelet madre dado las obtenidas mediante las siguientes traslaciones y expansiones:
• Con esto, la DWT diezmada queda:
i n i i 1 t t n 2 2
i i
i *
n kˆS 2 ,2 n
k
s k
DWT
TRANSFORMADA WAVELETS DISCRETA
• Toda transformada de wavelets viene determinada (como mínimo) por dos funciones (o las dos series de coeficientes (filtros) que caracterizan a estas funciones): Una función de escala madre y un wavelet madre.
• La función de escala madre tiene la importante propiedad de:
• Hay que hacer notar que en esta expresión k toma valores discretos k=0,1..N-1, mientras que t es una variable contínua. A partir de esta función madre se puede derivar de manera similar a su familia asociada de funciones de escala:
• Para unos coeficientes hk dados es relativamente sencillo construir la función de escala madre. Partiendo de una función inicial e iterando según la relación, obtendremos (t).
• NOTA: La familia de funciones de escala forman una base ortonormal de L2
N 1 k k 0 t 2 h (2t k)
FUNCIÓN DE ESCALA MADRE
i n i i 1 t t n 2 2 DWT
TRANSFORMADA WAVELETS DISCRETA
• Una vez definida la función de escala madre, el wavelet viene dado por:
• Aunque es bastante evidente no está de más enfatizar que son los coeficientes hky gk (denominados filtros pasa-bajo y filtro pasa-alto) los que determinan la función de escala madre y el wavelet. En muchos casos, "Los filtros discretos son más fundamentales que los propios wavelets”.
• Por tanto, dados unos coeficientes hk y gk tendremos ya bien definidos tanto la función madre como los wavelets. A estos coeficientes se les imponen una serie de condiciones que caracterizan las propiedades de los wavelets que se obtendrán. Si se es excesivamente restrictivo, la única solución que se obtiene es la del wavelet de Haar. Según se van relajando condiciones aparece una amplia variedad de wavelets.
N 1 k
k 0 t 2 g 2t k
DWT
TRANSFORMADA WAVELETS DISCRETA
• Para unos coeficientes hk y gk podemos crear las funciones de escala y wavelet madre correspondientes. En la práctica como veremos no es necesario y basta con trabajar con los coeficientes (filtros).
• FUNCIÓN DE ESCALA MADRE DE DAUBECHIES DE ORDEN 4: Viene definida por los coeficientes:
• Partimos de una función de escala inicial (por ejemplo, la función escalón) e iterando con la ecuación: iremos obteniendo la nueva función de escala.
• Con la función de escala y gk , es fácil obtener el wavelet madre:
CREACIÓN DE WAVELETS
1 3 3 3 h(0) ; h(1) 4 2 4 2 3 3 1 3 h(2) ; h(3) 4 2 4 2 N 1 k k 0 t 2 h (2t k)
N 1 k k 0 t 2 g 2t k
0 1 2 3 4 -0.5 0.0 0.5 1.0 1.5 2.0 DAUBECHIE n=4 FUNCIÓN DE ESCALA MADRE
(t)
FILTRADO DEL RUIDO DE UNA SEÑAL CON
WAVELETS
JOAQUÍN LÓPEZ HERRAIZ
WAVELET DE DAUBECHIE DE ORDEN 4
-1 0 1 2 3 4 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0
JOAQUÍN LÓPEZ HERRAIZ
DAUBECHIE n=4 WAVELET MADRE (t) (t) t
[Tras varias
iteraciones]
DWT
TRANSFORMADA WAVELETS DISCRETA
CREACIÓN DE WAVELETS
• Son fractales. Su estructura surge automáticamente a partir de las reglas de escalado y ortonormalidad.
• Las derivadas de este wavelet no son contínuas (es una característica de wavelets de soporte compacto ortonormale).
DWT
TRANSFORMADA WAVELETS DISCRETA
• Sea una señal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas de descomposición de la señal (23 = 8 ): Como la función de escala madre forma
una base de L2, podemos hacer el desarrollo:
• Cada par de funciones de escala de un cierto nivel k, 2ik y
2i+1k, se pueden
escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel
k+1:
DESCOMPOSICIÓN DE UNA SEÑAL EN
WAVELETS Y FUNCIONES DE ESCALA
7 0 0 i i i 0 f (t) s t
y 0 1 0 1 “integrar” “diferenciar”función de escala wavelet
Ejemplo con el wavelet de Haar (=Daubechies de orden 1).
La función de escala recoge la infomación “suave” de la función y el wavelet los “detalles” de esa escala.
DWT
TRANSFORMADA WAVELETS DISCRETA
• Sea una señal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas de descomposición de la señal (23 = 8 ): Como la función de escala madre forma
una base de L2, podemos hacer el desarrollo:
• Cada par de funciones de escala de un cierto nivel k, 2ik y
2i+1k, se pueden
escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel
k+1:
DESCOMPOSICIÓN DE UNA SEÑAL EN
WAVELETS Y FUNCIONES DE ESCALA
7 0 0 i i i 0 f (t) s t
=
+
2ik 2i+1k Fik+1 ik+1ESCALA 0
ESCALA 1
ESCALA 2
ESCALA 3
DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIÓN DE UNA SEÑAL EN
WAVELETS Y FUNCIONES DE ESCALA
7 0 0 i i i 0 f (t) s t
3 3 1 1 1 1 i i i i i 0 i 0 f (t) d t s t y
3 1 1 1 1 2 2 2 2 i i i i i i i 0 i 0 i 0 f (t) d t d t s t y y
3 1 1 1 2 2 3 3 3 3 i i i i 0 0 0 0 i 0 i 0 f (t) d t d t d t s t DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIÓN DE UNA SEÑAL EN
WAVELETS Y FUNCIONES DE ESCALA
DWT
DWT
TRANSFORMADA WAVELETS DISCRETA
• Los coeficientes de la transformada a distintas escalas vienen dados por las relaciones (Convolución circular):
• Por supuesto, hay que definir en este proceso a distintas escalas, los valores de la escala inicial. En este caso, debemos saber los valores de s i [0]. Como
trabajamos con señales discretas s(i) ,, i = 1..N, una posible elección es tomar directamente: s i[0] = s(i).
• NOTA: La ventaja de usar como valores iniciales directamente los de la función consiste en que no requiere trabajar con la función de escala directamente sino sólo con los coeficientes. , aunque según las definiciones anteriores, habría que hacer:
2i L 1 j j 1 i k k=2i 2i L 1 j j 1 i k k=2i s h k 2i s d g k 2i s
0 i k s
k i s kImplementación de la transformada:
Convolución circular
2i L 1 j j 1 i k k=2i 2i L 1 j j 1 i k k=2i s h k 2i s d g k 2i s
DWT
TRANSFORMADA WAVELETS DISCRETA
ESCALA 0
ESCALA 1
DWT
TRANSFORMADA WAVELETS DISCRETA
INVERSA
•
Implementación de la transformada INVERSA: (Convolución circular):
i / 2 i / 2 j 1 j j i k k k i L 2 / 2 k i L 2 / 2 s h i 2k s g i 2k d
ESCALA 0
ESCALA 1
DWT
TRANSFORMADA WAVELETS DISCRETA
CONCLUSIONES
3 3 3 3 2 2 2 2 1 1 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 1 1 1 2 2 3 3 3 3 2 0 0 0 2 3 3 1 0 1 3 2 f (x) s (x) d (x) d (x) d (x) d (x) d (x) d (x) d (x) 1 x 1 x 1 x f (x) s ( ) d ( ) d ( ) 8 8 4 8 8 4 1 x 1 x 1 x d ( 1) d ( ) d ( 1) 4 2 2 4 2 2 1 d 3 3 x 1 x ( 2) d ( 3) 2 2 2 2 • Matemáticamente, el análisis de Fourier se representa por la
transformada de Fourier y divide la señal original en suma de
ondas sinusoidales.
La transformada continua de wavelet se define como la suma
de todo el tiempo de la señal multiplicado por la escala,
cambiando la función wavelet. Da como resultado coeficientes
wavelets, que están en función de la escala y la posición.
DWT
• Escalamiento del wavelet
Escalar un wavelet significa
estirarlo o encogerlo, se le
denomina factor de escala
y se representa por a.
En el seno el factor de
escala es fácil de ver:
DWT
• Desplazar un wavelet significa adelantarlo o retrasarlo al original en el tiempo.
Desplazamiento del wavelet
DWT
Cinco pasos para crear una CWT:
1. Tome una
wavelet
y compárela con una sección al inicio de la señal original. 2. Calcule un número, C, que representaqué tanto se correlaciona la
wavelet
con la sección de la señal. Entre mayor sea C, mayor es la semejanza. Másprecisamente, si la energía de la señal y de la
wavelet
son iguales a uno, C se puede interpretar como el coeficiente de correlación. Hay que hacer notar aquí que los resultados dependen de la forma de lawavelet
que se elija.3. Mueva la
wavelet
hacia la derecha y repetir los pasos 1 y 2., hasta cubrir toda la señal.4. Escale (estire) la
wavelet
y repita los pasos 1 al 3. 5. Repita los pasos 1 al 4para todas las escalas. Al terminar, se tendrán los coeficientes producidos a diferentes escalas, por las
diferentes secciones de la señal. Los coeficientes constituyen los resultados de una regresión de la señal original obtenida por las
wavelets
.
Las gráficas de los coeficientes de la transformada de
wavelet
son precisamente la representación tiempo-escala de la señal.Esta aparente desventaja (recordemos que el análisis de Fourier nos da
una representación frecuencia-amplitud), no es tal ya que en realidad es
mucho mas natural, y nos muestra patrones que antes no eran visibles.
Es más, podemos ver que
hay una correspondencia entre la escala de las
wavelets
y
la frecuencia que es manifiesta y proviene directamente del análisis.
CWT
Relación entre escala del wavelet y frecuencia de la señal.
Pequeña escala del wavelet (wavelet comprimido) –> se obtiene la alta frecuencia.
Alta escala del wavelet (wavelet estirado) –> se obtiene la baja frecuencia.
CWT
• Aunque requiere un cálculo más largo (se acaban usando métodos numéricos basados en FFT), tiene la ventaja de poder trabajar de un modo menos restrictivo y más intuitivo. Además, su uso es necesario para el análisis de señales con gran número de discontinuidades (análisis fino que en una discretización podría verse excesivamente afectado) [Por ejemplo, para el estudio del caos]
DWT
TRANSFORMADA WAVELETS CONTÍNUA
WAVELET DE
MORLET
1
*t
S a,
s t
dt
a
a
t
t
Wavelet.
Aplicaciones de Wavelet.
Aplicaciones de compresión en imágenes médicas:
Reducción del ruido en señales
electrocardiográficas.
compresión en imágenes de mamografía.
Compresión de voz y vídeo.
Eliminar ruido en señales digitales.
Técnicas para la reducción de triangulos basada en
wavelets para mapas cartográficos digitales (Mallado
triangular).
3 3 2 1
1)
(
n
DWT
cA
cD
cD
cD
x
cA
3cD
3cD
2cD
1
DWT
x
(
n
)
k=0:159;
sig1=sinc(0.15*(k-40)); sig2=0.6*sinc(0.9*(k-120)); sig=sig1+sig2;
A = wrcoef('a',c,l,'db1',3)
B = wrcoef('d',c,l,'db1',3)
C = wrcoef('d',c,l,'db1',2)
D = wrcoef('d',c,l,'db1',1)
APLICACIONES: EJEMPLOS
APLICACIONES: EJEMPLOS
OBTENCIÓN DE INFORMACIÓN
FRECUENCIA-TIEMPO
APLICACIONES: EJEMPLOS
OBTENCIÓN DE INFORMACIÓN
FRECUENCIA-TIEMPO
Análisis 2-D – Banco de Filtros
1 h 0 h 1 h 1 h 0 h 0 h xdiagonal
vertical
horizontal
approximation
2-D WT
APLICACIONES: EJEMPLOS
OBTENCIÓN DE INFORMACIÓN EN
IMÁGENES
APLICACIONES: EJEMPLOS
FILTRADO DE RUIDO EN SEÑALES
FUNDAMENTOS:
• 1) Pocos coeficientes de wavelets serán distintos de cero si la base es escogida adecuadamente para que tenga en cuenta las características de la
señal.
• 2) Si la señal está distribuida de modo gaussiano, los coeficientes de wavelets también estarán distribuidos de modo gaussiano. (Transforma ruido en ruido). Por tanto, si se añade ruido a una señal, éstos generarán coeficientes ruidosos, con el ruido contribuyendo a todos los coeficientes, mientras que la señal sólo lo hará a unos pocos.
i i i i 0 , s s s , s t t
THRESHOLD METHOD (= HARD THRESHOLDING)
APLICACIONES: EJEMPLOS
i i i i 0 , s s s , s t t THRESHOLD METHOD (= HARD THRESHOLDING) 0 100 200 300 400 500 600 -12 -10 -8 -6 -4 -2 0 2 4 6 TRANSFORMADA DE WAVELETS FILTRADA (THRESHOLDING) SEÑAL FINAL FILTRADA SEÑAL INICIAL CON RUIDO TRANSFORMADA DE WAVELETS DE LA SEÑAL S eñ al e n t t
En este ejemplo se tomó como señal la función f(t) = 3*Cos(t/128) + r,, t=1..128, siendo r una variable aleatoria con valores entre 0 y 1 (Ruido gaussiano). Tras realizar una transformada de Wavelets (Con Wavelets de Daubechie de orden 20), se convirtieron en cero aquellos coeficientes por debajo de un valor t=0.5 [Un 87% de los coeficientes]. Al hacer la transformada inversa, se puede observar como se ha filtrado gran parte del ruido, manteniéndose la señal.
APLICACIONES: EJEMPLOS
SOFT THRESHOLDING
Pare el mismo ejemplo anterior, se aplicó este otro método en el que los coeficientes superiores al valor crítico son "comprimidos" según este valor t. Se puede observar que el filtrado de ruido es mejor que en el caso anterior.
i i i i i 0 , s s sign s s , s t t t 0 100 200 300 400 500 600 -12 -10 -8 -6 -4 -2 0 2 4 6 Seña l en t t SEÑAL FINAL FILTRADA TRANSFORMADA DE WAVELETS FILTRADA (THRESHOLDING & SHRINKAGE) TRANSFORMADA DE WAVELETS DE LA SEÑAL SEÑAL INICIAL CON RUIDOAplicación de la WT en eliminación
de ruido
imagen
Imagen ruidosa (additive
Gaussian noise)
imagen
Imagen filtrada usando hard
thresholding
Aplicación de la WT en eliminación
de ruido
Aplicación de Wavelet a
la compresión de
Imágenes
• Transformada Discreta de Wavelet
(DWT)
Codificación de Imágenes
Transformada Discreta de Wavelet (DWT)
La compresión de imagenes basadas en
wavelets puede ser como una forma de
codificación subbanda en la cual la imagen es
descompuesta en bandas de frecuencia mediante
un banco de filtros.
Un codificador subbanda es una técnica de
codificación donde la señal de entrada es filtrada y
separada en bandas de frecuencia.
Al aplicar el DWT se obtiene una matriz de
coeficientes wavelets.
Codificación de Imágenes
Cuantificador
Aquí es donde se realiza la compresión realmente,
porque este paso sirve para incrementar el número de
ceros y reducir la magnitud de los coeficientes de
transformación .
Existen esquemas de compresión con pérdidas o sin
perdidas.
Los algoritmos de compresión con perdidas
proporcionan una mayor compresión que los algoritmos
sin perdida. Con esto se obtiene una matriz de
Transformada Discreta de Wavelet (DWT)
Descomposición de la ImagenLa DWT aplicada a imágenes proporciona una matriz de coeficientes conocidos como coeficientes wavelet.
Si a una imagen le aplicamos la DWT obtenemos 4 tipos de coeficientes: aproximaciones, detalles horizontales, detalles verticales y detalles diagonales.