Beruflich Dokumente
Kultur Dokumente
156
Esta solucin resulta en cierto grado satisfactoria, ya que genera informacin tiempo
frecuencia. Sin embargo, el mtodo incorpora una limitante en la precisin determinada por
el ancho de la ventana utilizada. Recordemos que al tomar solo un cierto nmero de
muestras de la seal a transformar equivale a multiplicar nuestra seal por una ventana
rectangular lo cual afectar el espectro de frecuencia real de esa porcin de la seal.
Haciendo la ventana ms angosta ganamos en resolucin en el tiempo pero perdemos
resolucin en la frecuencia. Este fenmeno es descrito por el principio de incertidumbre de
Heisenberg, el cual establece que es imposible conocer exactamente la frecuencia y el
tiempo exacto en que ocurre esta frecuencia en la seal.
La transformada Wavelet, nos referiremos a ella en su trmino en ingls por ser ms
conocido de esta forma en el ambiente de seales, que ser tratada en este captulo genera
en forma natural la informacin tiempo frecuencia, y resuelve el problema establecido en
el principio de Heisenberg, mediante la utilizacin de una ventana modulada
completamente escalable. Es por esto que algunos autores relacionan la transformada
Wavelet a una partitura, Figura 7.3. En la Figura 7.3 podemos ver ahora claramente que en
este tipo de representacin est implcita la relacin tiempo frecuencia. La posicin de las
notas en el pentagrama indica frecuencia y su orden de aparicin el tiempo en que deben
ocurrir.
Esperamos que con esta breve introduccin quede claro del porque de la transformada
Wavelet y las ventajas que ofrece. Cabe aclarar que el surgimiento de la transformada
Wavelet no desplaza a la transformada de Fourier en sus mltiples aplicaciones, sino que
viene a fortalecer el conjunto de herramientas utilizadas en el rea de procesamiento digital
de seales.
157
y ( 2) x(1) x( 2)
y (3) x(3) x( 4)
y ( 4) x(3) x ( 4)
158
En el caso de las transformadas sin prdida la seal transformada tiene la misma longitud
que la original. Su transformada es proyectada sobre ejes perpendiculares.
En el caso de las transformadas biortogonales, la longitud y ngulo de la seal cambian.
Los ejes de proyeccin no necesariamente son perpendiculares, sin embargo no existe
prdida de informacin.
Un aspecto importante de las transformadas, como lo comentamos en la seccin anterior,
es que permiten resaltar informacin que no es muy obvia en un dominio de la seal. A
continuacin se muestra un ejemplo en el que ciertas variaciones en la seal original no son
muy obvias pero al transformar la seal si lo son. Considere la siguiente seal
x ( n) 2.1,2,2,2.1
cuya grfica se muestra en la Figura 7.4b., y se observa que el escaln entre una muestra y
otra en x(n) es ms obvio en su transformada y (n) .
Ahora si fijamos un umbral en los valores obtenidos en la transformada, digamos un
valor de 1, como los valores de y ( 2) y y ( 4) son menores a nuestro umbral podemos
optar por eliminarlos, es decir ponerlos a cero y obtenemos una y M (n) Figura 7.4c.
Finalmente si utilizamos la y M (n) modificada para reconstruir nuestra seal original
x (n) obtenemos x R (n) , Figura 7.4d.
159
a)
b)
c)
d)
Figura 7. 4 a) x(n) b) y(n) transformada, c) yM(n) modificada, d) xR(n) reconstruida.
Este simple ejemplo puede interpretarse como la utilizacin de una transformada para
eliminacin de ruido. Si consideramos que la seal real es en verdad la seal x R (n) ,
podemos ver que x (n) es x R (n) alterada por ruido, el cual es removido en el nuevo
dominio de la transformada mediante la operacin de umbralizacin. Este tipo de
aplicacin es comn encontrarla en la transformada Wavelet.
7.2.2 Anlisis con Onduletas
Como se comento anteriormente el problema de ventaneo se resuelve con la transformada
Wavelet. El anlisis con onduletas permite analizar una seal de manera que podamos tener
una ventana grande para anlisis de frecuencias bajas y ventanas cortas para frecuencias
altas. Esto nos indica ya el esquema bsico del anlisis con onduletas. La ventana modulada
escalable se desplaza a lo largo de la seal y se calcula el espectro para cada posicin. Este
proceso se repite varias veces pero cambiando la escala de la ventana, es decir hacindola
ms corta o ms larga. El resultado de este proceso ser la descomposicin de la seal bajo
anlisis en una representacin tiempo escala, note que no es tiempo frecuencia, ya que el
160
Tiempo
F
r
e
c
u
e
n
c
i
a
Amplitud
b)
a)
F
r
e
c
u
e
n
c
i
a
E
s
c
a
l
a
Tiempo
Tiempo
c)
d)
d)
Figura 7. 5 a) Seal en el tiempo, b) en la frecuencia, c) tiempo frecuencia, d) tiempo escala.
161
a)
b)
c)
Figura 7. 6 Ejemplo de informacin localizada. a) Regin de placa, b) proyeccin de regin, c)
descomposicin en wavelet.
Despus de mostrar las ventajas que nos ofrece el anlisis con onduletas, es tiempo de
definir que es una onduleta. Una onduleta es una funcin limitada en duracin y que tiene
un valor promedio de cero. Esta es una de las diferencias que tenemos con respecto al
anlisis de Fourier. En Fourier las funciones bases de la transformada son funciones
senoidales que son funciones peridicas, por lo tanto no limitadas en el tiempo, y tienen
una forma regular. En cambio una funcin onduleta es normalmente irregular. La Figura 7.7
muestra algunos ejemplos de funciones de onduletas.
162
a)
b)
c)
d)
Figura 7. 7 Ejemplos de funciones onduletas.a) Haar, b)sym2, c) db8 c) Mexhat.
En Fourier una vez que se definen las bases ortogonales ya no hay posibilidad
de cambios. En Wavelet la onduleta base o madre se puede escalar.
En Fourier no hay un anlisis localizado ya que las funciones ortogonales tiene
extensin infinita. En Wavelet la duracin de la onduleta es finito y se puede
reducir lo suficiente dando la posibilidad de anlisis de discontinuidades.
En la STFT se utilizan ventanas para el anlisis las cuales truncan las funciones
ortogonales. Como el anlisis es realizado con una misma ventana la resolucin
del anlisis es constante en el plano tiempo frecuencia. En cambio en Wavelet
la onduleta puede ser extendida o compactada para capturar distintos aspectos
de la seal bajo anlisis generando un anlisis multiresolucin.
( s, ) f (t ) *s , (t ) dt
(7.0)
(7.0)
( s, )
s ,
(t )dds
donde
1
s
(7.0)
travs de las diferentes escalas. Un punto importante es que en la ecuacin (7.3) las bases
de la onduleta no se especifican, esto indica que existen o se pueden generar diferentes
bases a diferencia de la transformada de Fourier donde las bases son senoidales siempre.
Con referencia al escalamiento podemos decir que se refiere a comprimir, encoger o
alargar a la onduleta original. Consideremos un factor de escalamiento S. El cambio de
este valor se puede entender fcilmente con la Figura 7.8. En esta figura se grafica la
funcin
t
f (t ) Sin
(7.0)
164
165
( )
(7.0)
se pueden utilizar para analizar y despus reconstruir una seal sin prdida de informacin.
La propiedad de admisibilidad implica que la transformada de Fourier de (t ) es cero
para frecuencia cero
()
2
0
(7.0)
Esta caracterstica en la frecuencia nos hace ver que las onduletas tienen un espectro
parecido a un pasa bandas. Al mismo tiempo la ecuacin (7.6) indica que la onduleta tiene
un valor promedio de cero en el dominio del tiempo. Recordar que el valor de la
transformada en frecuencia cero de una funcin es el valor promedio de la funcin en el
tiempo. Adems, si su valor promedio es cero entonces implica que es una onda que oscila.
La propiedad de regularidad se relaciona con el rpido decaimiento de la transformada de
onduletas al disminuir la escala s . Las condiciones de regularidad indican que la onduleta
debe tener un comportamiento de suavizado y concentrado tanto en el tiempo como en la
frecuencia.
Tenemos pues, que la condicin de admisibilidad nos garantiza la ondulacin y
regularidad se asocia con el decaimiento rpido necesario en la onduleta.
166
(t )dt 0
( )
(7.0)
que establece que la transformada Wavelet de un trmino constante es cero y que la
integral es limitada.
167
.
.
.
En la Figura 7.12 se observa tambin que los valores grandes de escala corresponden a
las onduletas ms extendidas que capturan porciones ms amplias de la seal, por lo que
estos coeficientes nos dan informacin sobre el comportamiento ms general de la seal.
En cambio los valores pequeos de la escala corresponden a la onduleta comprimida por lo
que estos coeficientes proporcionan informacin de los detalles de la seal.
Lo anterior nos permite entablar una relacin entre la escala de la onduleta y la
frecuencia. La escala pequea corresponde a una onduleta comprimida la cual detecta
cambios rpidos que corresponden a frecuencias altas. Lo escala mayor corresponde a una
onduleta alargada que obtiene informacin de cambios lentos correspondientes a
frecuencias bajas, Figura 7.13. El tema de la relacin escala - frecuencia se tratar con
mayor detalle en la Seccin 7.5.2.5.
168
a)
b)
c)
Figura 7. 12 a) Seal en el tiempo, b) y c) coeficientes de la transformada Wavelet continua.
169
a)
b)
1
s 0j
t k 0 s 0j
s 0j
(7.0)
170
( j , k )
j ,k
(t )
j ,k
(7.0)
1
F
a a
(7.0)
171
Un punto a recordar, que tambin es parte del anlisis de Fourier, es que la seal debe
tener energa finita para poder cubrir su espectro y su duracin en el tiempo, esto equivale
a
f (t ) dt
(7.0)
La funcin de escalamiento pude verse como una funcin cualquiera que tiene un
espectro de pasa bajas y que puede descomponerse de la siguiente manera
172
(7.0)
Podemos notar que es posible realizar el anlisis de una seal mediante la combinacin
de onduletas y la funcin de escalamiento, esta ltima cubriendo el espectro que qued sin
cubrir por un nmero finito de onduletas, lo cual resuelve el problema que se haba
planteado respecto al nmero de escalamientos de la onduleta. Adems nos presenta un
nuevo panorama para el anlisis de una seal mediante una funcin de escalamiento, pasa
bajas y un conjunto finito de onduletas, o banco de filtros, finito.
Despus del anlisis anterior, podemos ver el anlisis con onduletas como el efecto de
pasar una seal a travs de un banco de filtros, donde las salidas de los filtros son los
coeficientes de las funciones de las onduletas y la funcin de escalamiento.
7.5.2 Transformada Discreta
Para lograr la transformacin con onduletas de una seal muestreada necesitamos la
transformada Wavelet discreta, DWT, por sus siglas en ingls. En esta seccin
describiremos el proceso de su generacin.
En la seccin anterior se defini la funcin de escalamiento . Esta funcin cambia de
acuerdo al nmero, mayor o menor, de onduletas que intervengan en el anlisis. Esta
funcin se puede definir en la forma de multiresolucin o relacin de escala dos, de la
siguiente forma,
(2 j t ) h j 1 (k ) (2 j 1 t k )
k
(7.0)
esta ecuacin indica que la funcin de escalamiento a cierta escala puede expresarse en
trminos de las funciones de escalamiento en la siguiente escala menor. Los factores h(k )
se definirn ms adelante.
Lo anterior manifiesta una relacin entre la funcin de escalamiento y las onduletas que
intervienen en el anlisis. Por ejemplo una nueva funcin de escalamiento puede sustituir a
un conjunto de onduletas, por lo que podemos expresar las onduletas en trminos de las
funciones de escalamiento en la siguiente escala. Por ejemplo la onduleta en el nivel j ser
(2 j t ) g j 1 (k ) (2 j 1 t k )
k
(7.0)
173
(7.0)
La ecuacin (7.15), aunque suene raro, nos dice que podemos realizar la transformacin
de onduletas sin tener que utilizar las onduletas. Lo que queremos decir es que la
transformacin mediante onduletas se puede ver como una transformacin mediante
codificacin por bandas.
La seal f (t ) tambin se puede expresar mediante la combinacin de la funcin de
escalamiento y las onduletas para una escala j-1, como
f (t ) j 1 (k ) (2 j 1 t k )
k
j 1
(k ) (2 j 1 t k )
(7.0)
Los coeficientes j 1 ( k ) y
j 1
j 1 ( k )
f (t ), j , k (t )
f (t ), j , k (t )
(7.0)
j 1
(k )
(7.0)
si la funcin de escalamiento j 1 (t ) y la onduleta j 1 (t ) son ortogonales. Si se
sustituyen j 1 (t ) y j 1 (t ) por versiones escaladas y trasladadas de
(2 j t ) h j 1 (k ) (2 j 1 t k )
k
(7.0)
(2 j t ) g j 1 (k ) (2 j 1 t k )
k
(7.0)
se llega a la obtencin de los coeficientes j 1 ( k ) y
j 1
( k ) mediante
174
(7.0)
j 1
( k ) g ( m 2k ) j ( m)
m
(7.0)
Las dos ecuaciones anteriores indican que la onduleta y la funcin de escalamiento en
cierta escala, se pueden obtener mediante el clculo de una suma ponderada de los
coeficientes de la funcin de escalamiento de la escala anterior.
De lo anterior podemos descubrir un resultado interesante. Recordando que la funcin de
escalamiento surgi del proceso de subbandas y que corresponde al filtro pasa bajas,
entonces la seal muestreada f (k ) vendr siendo igual a (k ) en la escala ms grande.
Tambin, si revisamos las ecuaciones (7.21) y (7.22) vemos que tienen la forma de un filtro
digital. Como los coeficientes j (k ) provienen de la parte del pasa bajas los factores
h(k ) forman un filtro pasa bajas. De igual manera, los coeficientes j (k ) provienen del
pasa altas, por lo que los factores g (k ) forman un filtro pasa altas. Es por esto que en el
anlisis con onduletas se acostumbra hablar de las aproximaciones y los detalles, donde las
aproximaciones corresponden a las escalas altas, frecuencias bajas de la seal bajo anlisis
y los detalles corresponden a las escalas bajas, componentes de frecuencias altas en la
seal.
Este anlisis nos lleva ahora a ver que la transformada Wavelet discreta, la cual es
computacionalmente calculable, se puede obtener mediante la aplicacin iterada de un
banco de filtros digitales, donde los coeficientes h(k ) definen el filtro de escalamiento y
los g (k ) el filtro de la onduleta.
Regresando a las ecuaciones (7.21) y (7.22) podemos observar un efecto de submuestreo,
Figura 7.17, debido a que en ambas ecuaciones los filtros tienen un paso de 2 con respecto
a la variable k. Esto resulta en que solo la mitad de los j (k ) son usados, dando como
resultado que la razn de datos de salida es igual a la de entrada.
g(k)
j-1
h(k)
j-1
175
Pasa Altas
D
f
Pasa Bajas
A
Pasa Altas
2
Ds
N/2 coeficientes
N muestras
Pasa Bajas
2
As
176
N/2 coeficientes
a)
b)
177
En la seccin anterior se dijo que el proceso de escalamiento puede continuar hasta llegar
a una muestra, sin embargo para fines prcticos la iteracin del filtro se fija de acuerdo al
tipo de seal que se analiza, o bien se puede fijar un criterio como la entropa.
As1
As2
As3
Ds1
Ds2
Ds3
Figura 7. 21 Descomposicin multinivel en 3.
178
(7.0)
22
Por lo cual es mejor optar por un criterio para definir la expansin del rbol de
descomposicin que nos garantice en cierto grado la mejor descomposicin de la seal.
Para definir el grado de descomposicin un criterio utilizado es la entropa de la seal. La
entropa es la medicin del grado de aleatoriedad de un experimento. Entre mayor
aleatoriedad tenga, mayor ser la entropa. Para mayor informacin sobre los distintos
criterios de descomposicin basados en entropa se puede consultar (Matlab [1996]).
7.5.2.3 Transformada Wavelet Inversa
La DWT directa es una forma de descomponer o analizar una seal, definida por
W ( j 0 , k )
1
M
f ( x)
x
j0 , k
( x)
(7.0)
W ( j , k )
1
M
f ( x)
j ,k
( x)
(7.0)
para j j 0 . El caso opuesto obtenido mediante la transformada inversa se define como
reconstruccin o sntesis de una seal, donde la transformada inversa est definida como
f ( x)
1
M
W ( j0 , k ) j0 ,k ( x)
k
1
M
W ( j, k )
j j0 k
j ,k
( x)
(7.0)
La reconstruccin de una seal se realiza a partir de todos los coeficientes obtenidos
mediante la DWT, o bien de los coeficientes resultantes una vez procesada la informacin
presente en los coeficientes, Figura 7.23.
Ds
Pasa Altas
N/2 coeficientes
f
As
N/2 coeficientes
Pasa Bajas
N muestras
179
Ds1=0
N/2
As1
A1
2
N/2
Figura 7. 24 Reconstruccin de la aproximacin y de detalle.
Ds1
N/2
f A1 D1
2
Aplicando esta idea al multinivel presentado en la Figura 7.21 tenemos,
N/2
As1=0
D1
(7.0)
f As1 Ds1
f As 2 Ds 2 Ds1
f As 3 Ds 3 Ds 2 Ds1
(7.0)
180
0.1629
0.5055
0.0218
0.0233 -0.0075
Invirtiendo este vector de coeficientes y multiplicando cada muestra par por -1 genera el
filtro pasa altas de reconstruccin con coeficientes
Hp =
-0.0075 -0.0233
0.0218
0.5055 -0.1629
HpUp = -0.0075
-0.0198
0
0
-0.0233
-0.4461
0
0
0.0218
0.5055
0
0
0.1323
-0.1629
y convolucionamos, HpUp con el filtro original pasa bajas, Lp, tenemos una aproximacin,
W, a la onduleta db4, Figura 7.26a. Si repetimos este proceso varias veces, aumentar los
coeficientes con ceros del resultado W y convolucionando el resultado con el filtro pasa
181
182
(7.0)
(7.0)
(7.0)
f
As1
Ds1
ADs2
AAs2
AAs3
ADs3
ADs2,A3
DDs2
DAs2
ADs2,3
DAs3
DDs3
DDs2A,3
DDs2,3
La descomposicin con paquetes genera una nueva situacin respecto a como debe
realizarse la descomposicin. No cabe duda de que se puede realizar una descomposicin
exhaustiva, es decir, descomponer todos y cada una de los niveles. Sin embargo esto
conlleva costos de tiempo de cmputo y memoria. As que la solucin ser que la
descomposicin se realice bajo un criterio que nos garantice que la descomposicin genere
la mejor informacin para nuestra aplicacin. Un posible criterio puede ser el de medicin
de la entropa, que nos indique que descomposicin hacer al generar un nuevo nivel. La
183
a)
b)
c)
Figura 7. 28 Descomposicin de una seal , a) Seal, b) Coeficientes, c) rbol de descomposicin.
(7.0)
y las onduletas separables con direccin
H ( x, y ) ( x ) ( x)
(7.0)
V ( x, y ) ( x ) ( y )
(7.0)
184
(7.0)
La transformada Wavelet discreta de dos dimensiones de una imagen I ( x, y ) de tamao
MxN , para una escala arbitraria , j 0 , queda definida como
M 1 N 1
W ( j 0 , m, n)
MN
I ( x, y )
x 0 y 0
j0 , m , n
( x, y )
(7.0)
W i ( j , m, n)
1
MN
M 1 N 1
I ( x, y )
x 0 y 0
i
j ,m,n
( x, y )
i H,V,D
(7.0)
Los coeficientes ( j 0 , m, n) dan una aproximacin de la imagen I ( x, y ) a la escala j 0
i
y los coeficientes ( j , m, n) representan los detalles horizontal, vertical y diagonal en la
imagen para las escalas, j j 0 . Generalmente la escala j 0 0 y las dimensiones del
imagen se manejan de manera que sea una imagen cuadrada, N M 2 j , para
j 0,1,2,3,..., J 1 , siendo J el lmite de la escala y n m 0,1,2,...,2 j 1 .
La recuperacin de la imagen I ( x, y ) , transformada Wavelet discreta inversa, se logra
mediante
I ( x, y )
1
MN
1
MN
W ( j
m
, m, n) j0 , m , n ( x, y )
i H ,V , D j j0 m
( j , m, n) ij , m , n ( x, y )
(7.0)
La caracterstica de separabilidad comentada de la transformada Wavelet discreta es
semejante a la propiedad de separabilidad de la transformada de Fourier en dos
dimensiones por lo que la transformada Wavelet discreta de una imagen se puede obtener
mediante la transformada Wavelet discreta en una dimensin aplicada a las filas de la
imagen seguida de la transformada de una dimensin de las columnas resultantes. Al igual
que la DWT de una dimensin, la DWT en dos dimensiones tambin se implementa
mediante filtros digitales.
Las siguientes figuras muestran grficamente el clculo de la DWT de dos dimensiones.
La Figura 7.29 muestra el diagrama de filtros de descomposicin de la imagen. El nivel de
descomposicin muestra una aproximacin y tres detalles. La Figura 7.30 corresponde a
los filtros de reconstruccin de la imagen. La Figura 7.31 muestra la primera y segunda
descomposicin de la imagen.
185
h(-m)
h(-n)
2
Columnas
en n
W(j+1,m,n)
WD(j+1,m,n)
Filas
en m
h(-m)
WV(j+1,m,n)
Filas
h(-m)
h(-n)
2
Columnas
WH(j,,m,n)
Filas
h(-m)
W(j,,m,n)
Filas
Figura 7. 29 Banco de filtros de descomposicin.
WD(j+1,m,n)
Filas
en m
W (j+1,m,n)
h(m)
+
2
h(m)
W(j+1,m,n)
+
2
h(m)
Filas
W(j,,m,n)
h(n)
Columnas
en n
Filas
WH(j,,m,n)
h(m)
h(n)
Columnas
Filas
Figura 7. 30 Bancos de filtros de reconstruccin.
186
W(j+1,m,n)
a)Image
W(j,m,n)
WH(j,m,n)
WV(j,m,n)
WD(j,m,n)
c)Segundo nivel de
descomposicin
187
188
a)
b)
c)
Figura 7. 34 a) Imagen con ruido, b) Detalles excluidos, c) Imagen reconstruida.
189
a)
b)
c)
Figura 7. 35 a) Imagen con ruido, b) Detalles excluidos, c) Imagen reconstruida.
Problemas
7.1 Realice un estudio sobre los tipos de onduletas y sus aplicaciones en procesamiento
de imgenes.
7.2 Explique cuales son las diferencias ms importantes entre la transformada de
Fourier y Wavelet.
7.3 Describa el proceso para realiza el anlisis de Wavelet.
190
2
1
7.6 Dada la imagen placa.bmp realice una descomposicin con onduletas para detectar la
posicin de la placa del automvil.
7.7 La seal xn.mat es una seal con diferentes componentes de frecuencia utilice, la transformada
Wavelet para realizar una anlisis de estos componentes.
7.8 La imagen ruido2.bmp es una imagen alterada por ruido. Disee un programa usando la
transformada Wavelet para reducir la cantidad de ruido presente en la imagen.
2
0
7.10 A qu funcin nos lleva la solucin del nmero de onduletas, filtros pasa banda,
necesarios para cubrir la parte baja del espectro?
Referencias
Cohen A. y Kovacevic J., ,Wavelets: The Mathematical Background, Proc. of the IEEE, Vol. 84, NO 4, Abril,
pp 514 522, 1996.
Gargour C.S. y Ramachandran V., A Scheme for Teaching Wavelets at the Introductory Level, Technical
report H3C IK3, University of Qubec.
Gonzalez R. y Woods R., Digital Image Processing, Prentice Hall, Upper Saddle River, New Jersy, 2002.
Hess-Nielsen N. y Wickerhauser, Wavelets and Time Frequency Analysis, Proc. of the IEEE, Vol. 84, NO 4,
Abril, pgs 523 540, 1996.
Mallat S., A Wavelet Tour of Signal Processing, Academic Press, 2001.
Mallat S. , Wavelets for a Vision, Proc. of the IEEE, Vol. 84, NO 4, Abril, pp 604 614, 1996.
Strang G., Wavelets, American Scientist, Vol 82, 1994.
Strang G. y Nguyen T. ,Wavelets and Filter Banks, Wellesley , Cambridge Press, Wellesley MA, 1996
The Mathworks [1996], Wavelet Toolbox
Torrens C. y Compo G., A Practical Guide to wavelet Analysis, Bulletin of the American Meteorological
Society, Vol. 79, No. 1, pgs 61 78, January 1998.
Valens C., A really Friendly Guide to Wavelets, 1999.
191