Introduccin a la Transformada Wavelet

DESCOMPOSICIN DE SEALES

Transformada Wavelet Curso 2006 2

Introduccin
Para una mejor comprensin de los captulos siguientes desarrollaremos aqu algunos conceptos matemticos necesarios para nuestro trabajo. Se definirn los conceptos de Espacio de Hilbert, Ortogonalidad y Bases Ortogonales, adems de realizar una breve descripcin del Anlisis de Fourier, sus usos y aplicaciones as como tambin sus limitaciones.

1.1 Generalidades
Por razones de claridad comenzaremos definiendo el espacio mtrico sobre el que vamos a trabajar: el espacio L2 [,+] de Hilbert.

1.1.1 Espacios de Hilbert

El espacio H de Hilbert es un espacio vectorial cuyos elementos pertenecen al plano complejo C [4]. Sea H el conjunto de elementos del espacio H. Los vectores complejos de este conjunto pueden ser sumados con las reglas usuales de la aritmtica de vectores (propiedad aditiva) y multiplicados por escalares (nmeros complejos). El espacio H est dotado de una mtrica y de un producto interno. Consideraremos en particular el espacio H formado por funciones vectoriales fn. Si f y g son funciones del conjunto H de H, el producto interno para este conjunto de funciones es un escalar definido por
< f , g >=
+

f * ( x) g ( x)dx,

(1.1)

donde f * ( x ) es el complejo conjugado de f(x) [5]. El producto escalar o interno de la funcin f con s misma es un nmero real no negativo. En particular, si la funcin f C, entonces satisface la condicin:
+ 2

f (t ) dt < ,

(1.2)

este espacio mtrico recibe el nombre de Espacio de Hilbert L2 [,+].

1.1.2 Ortogonalidad. Bases Ortonormales

Se dice que dos vectores x e y son ortogonales en un Espacio Hilbert H si su producto interno es cero: < x,y > = 0

Transformada Wavelet Curso 2006 3

Se le llama conjunto ortogonal a aquel conjunto de vectores en el cual cualquier par de sus elementos es ortogonal. Adems, este conjunto es ortonormal si la norma de los vectores es igual a uno:
|| x ||= < x, x > = 1

Tambin se define a la base ortonormal de H como un conjunto ortonormal maximal en H si cualquier vector en H puede ser representado como el lmite de las combinaciones lineales de los elementos de una base ortonormal [5].

1.2 Anlisis de Fourier

En 1807, Jean B. Fourier demostr que una funcin poda ser desarrollada en trminos de series trigonomtricas, y que se podan obtener, por integracin, frmulas para los coeficientes del desarrollo. Para comprender mejor esto daremos algunas definiciones previas.

1.2.1 Funciones peridicas

Dado que los trminos de las series trigonomtricas son peridicos es lgico deducir que las funciones que se van a desarrollar mediante dichas series deben ser tambin peridicas. Se dice que una funcin f(x) tiene un perodo P o es peridica con un perodo P si para todo x, f(x+P) = f(x), donde P es una constante positiva. El menor valor de P > 0 se llama el perodo mnimo o perodo de f(x) [6].

1.2.2 Coeficientes y Series de Fourier

Los desarrollos en Series de Fourier, Ec. (1.5), tienen dos aplicaciones fundamentales: (a) representar una funcin f(x) definida en el intervalo (c, c), para valores de x en ese intervalo, o (b) representar una funcin peridica con perodo 2c para todos los valores de x. La funcin f(x) puede ser proyectada en una base ortonormal de funciones {k(x)}, de la siguiente forma: f(x) = c11(x) + c22(x) + ... + ckk(x) + ... (c < x < c) k = 1, 2, ...

(1.3)

Se espera que el desarrollo de f(x) converja a la funcin f(x) [7].

Transformada Wavelet Curso 2006 4

Se puede demostrar que los coeficientes ck de la suma son los coeficientes de Fourier de f(x) con respecto a la base ortonormal {k(x)} [7] . Estos coeficientes pueden expresarse como:
ck = f ( x) k* ( x)dx
c c

k = 1, 2, ...

(1.4)

siendo * el complejo conjugado de . La serie de la Ec. (1.3) con estos coeficientes es la Serie de Fourier genrica correspondiente a la funcin f(x), y se define como:
f ( x) = ck k ( x)
k =1

(1.5)

Si f(x) est definida en el intervalo (0,2) y determinada fuera de ese intervalo por f(x+2) = f(x), esto es, f(x) tiene perodo 2, la serie de Fourier que corresponde a f(x) sobre la base ortogonal de senos y cosenos se define como:
f ( x) = a0 + (an cos kx + bn sen kx), 2 k =1

(1.6)

donde los coeficientes de Fourier ak y bk se definen como:

ak = bk = 1
2

0 0

(1.7)
f ( x) cos kx dx

f ( x) sen kx dx,
con k = 1, 2, ...

Puede observarse que los coeficientes de Fourier de la funcin transformada representan la contribucin de cada funcin seno y coseno para cada frecuencia [6]. Usando la identidad de Euler: eikx = cos kx + isen kx podemos escribir la serie de Fourier de f(x) como combinacin lineal de funciones exponenciales complejas:
f ( x) =

k =

c e
k

ikx

(1.8)

donde las funciones e k ( x) =

e ikx constituyen un conjunto ortonormal [5]. 2

Los coeficientes de Fourier de f(x), respecto de esta base, pueden expresarse como:
ck = 1 2
2

f ( x) e
0

ikx

dx.

(1.9)

Transformada Wavelet Curso 2006 5

Es evidente que la Serie de Fourier, Ec. (1.5), no puede representar una funcin para todos los valores de x si la funcin no es peridica [2].

1.2.3 Transformada de Fourier

Para obtener una representacin que pueda ser vlida para todos los valores de x cuando f(x) no es peridica, es natural intentar extender la representacin anterior dejando que c tienda a infinito, lo que da lugar a la Transformada de Fourier [7]. La Transformada de Fourier de una funcin no peridica f(x) est definida por

F (k ) =

1 2

f ( x) e

ikx

dx,

(1.10)

donde k es una variable real continua. La funcin puede ser reconstruida a partir de sus componentes de Fourier, por medio de la transformada inversa de Fourier: + 1 f ( x) = F (k ) e ikx dk . 2 (1.11)
La Transformada de Fourier en L2 [,+] satisface las siguientes propiedades: Es una transformacin de Fourier uno-a-uno de L2 [,+] en s mismo. Preserva la norma,
+
2 2 | f ( x) | dx = | F (k ) | dk. _

(1.12) Preserva el producto interno,

+

f ( x) g * ( x) dx =

F (k ) G * (k ) dk . (1.13)

Transformada Wavelet Curso 2006 6

1.2.4 Limitaciones del Anlisis de Fourier

La Transformada de Fourier es ampliamente utilizada en el procesamiento y anlisis de seales y con resultados satisfactorios en los casos en que estas seales son peridicas y lo suficientemente regulares, pero no ocurre lo mismo para el anlisis de seales cuyo espectro vara con el tiempo (seales no estacionarias). Tomando el caso en el que la funcin f a descomponer es una seal dependiente del tiempo, puede decirse que las funciones de la base de Fourier son de duracin infinita en el tiempo, pero locales en frecuencia. La Transformada de Fourier detecta la presencia de una determinada frecuencia pero no brinda informacin acerca de la evolucin en el tiempo de las caractersticas espectrales de la seal. Muchos aspectos temporales de la seal, tales como el comienzo y el fin de una seal finita y el instante de aparicin de una singularidad en una seal transitoria, no pueden ser analizados adecuadamente por el anlisis de Fourier. Para los casos de seales no estacionarias y transitorias se utiliza generalmente la Transformada de Fourier con Ventana.

1.2.5 Transformada de Fourier con Ventana

Una forma de analizar una seal no estacionaria es realizar un anlisis espectral dependiente del tiempo. Una seal estacionaria es dividida en una secuencia de segmentos de tiempo en los cuales la seal puede ser considerada como cuasiestacionaria y la Transformada de Fourier es aplicada a cada segmento local de la seal. Gabor, en 1940, fue el primero en introducir la Transformada de Fourier de tiempo corto, conocida como la Transformada de Fourier con Ventana Deslizante, definida como:
S f ( , ) = f (t ) g * (t ) exp ( it ) dt

(1.14)

donde g(t) es una ventana deslizante, la cual tiene un ancho fijo y cambia a lo largo del eje x por un factor [8]. As, propuso a la funcin Gausiana como la funcin ventana g(t) y demostr que la Transformada de Fourier de una ventana Gausiana contina siendo Gausiana [8] . La funcin est definida como (Fig. 1-1):
t 2 1 g (t ) = exp s2 . s

(1.15)

Transformada Wavelet Curso 2006 7

300

250

200

g(t)

150

100

50

0 -10 -5 0 5 10

Fig. 1-1

Con la Transformada de Fourier con Ventana se logra una mejor localizacin de la aparicin de una singularidad en una seal. Pero solo se conocer en qu intervalo de tiempo se produce la singularidad, debido a que la localizacin depende del ancho elegido para la funcin ventana. Adems, los eventos no podrn ser resueltos si aparecen muy cerca unos de otros, ya que no ser posible distinguir diferentes comportamientos dentro de una misma amplitud de ventana [4]. Una herramienta matemtica que permite resolver estos problemas es la Transformada Wavelet. Este tipo de transformada es capaz de concentrarse en fenmenos transitorios y de alta frecuencia mejor que la Transformada de Fourier con Ventana. Con esta ltima, una vez que el tamao de la ventana es elegido, todas las frecuencias son analizadas con las mismas resoluciones de tiempo y frecuencia, distinto de lo que sucede en la Transformada Wavelet que tiene un tamao de ventana adaptado a las frecuencias. Con respecto a imgenes, la Transformada de Fourier F(k) de una funcin f(x) de soporte finito se extiende entre [,+]. Luego de aplicar cualquier algoritmo de anlisis a F(k) se pierde informacin al realizarse la antitransformacin en un intervalo finito. En cambio, en el caso de la Transformada Wavelet la funcin y su transformada se encuentran en un intervalo finito y, por lo tanto, no hay prdida de informacin al realizar la antitransformacin. En el captulo siguiente desarrollaremos los conceptos de la Transformada Wavelet as como otros relacionados con ella, los cuales nos llevan a afirmar lo expresado en el prrafo anterior.

Transformada Wavelet Curso 2006

CONCEPTOS ESENCIALES

Transformada Wavelet Curso 2006

Introduccin
En este captulo nos ocuparemos de la llamada Transformada Wavelet, herramienta matemtica desarrollada a mediados de los aos 80. Esta Transformada es eficiente para el anlisis local de seales no estacionarias y de rpida transitoriedad y, al igual que la Transformada de Fourier con Ventana, mapea la seal en una representacin de tiempo-escala. El aspecto temporal de las seales es preservado. La diferencia est en que la Transformada Wavelet provee anlisis de multiresolucin con ventanas dilatadas. El anlisis de las frecuencias de mayor rango se realiza usando ventanas angostas y el anlisis de las frecuencias de menor rango se hace utilizando ventanas anchas[8]. Las Wavelets, funciones bases de la Transformada Wavelet, son generadas a partir de una funcin Wavelet bsica, mediante traslaciones y dilataciones. Estas funciones permiten reconstruir la seal original a travs de la Transformada Wavelet inversa. La Transformada Wavelet no es solamente local en tiempo, sino tambin en frecuencia. Dentro de los usos de esta poderosa herramienta podemos nombrar, adems del anlisis local de seales no estacionarias, el anlisis de seales electrocardiogrficas, ssmicas, de sonido, de radar, as como tambin es utilizada para la compresin y procesamiento de imgenes y reconocimiento de patrones. En la breve introduccin que sigue se supondr (para facilitar el uso de ciertos ejemplos) que la funcin a analizar es funcin del tiempo t.

2.1 Bases ortonormales

2.1.1 Bases de la funcin de escala
Las funciones de escala juegan el papel de funciones promedio. La correlacin entre la funcin de escala y una funcin continua arbitraria produce la aproximacin promediada de la ltima. La funcin de escala bsica (t), dilatada por un factor de escala 2i, es desplazada con un factor de escala discreto de traslacin k,

i , k (t ) = 2

(2i t k ).

(2.1)

Las funciones de escala bsica (t) que se emplean satisfacen la condicin de ortogonalidad, tal que las traslaciones discretas {(tk)} con k Z, forman un conjunto ortonormal [8]. La proyeccin de una funcin f(t) L2(R) en la base ortonormal {(tk)} es una correlacin entre la funcin f(t) original y la funcin de escala (t) muestreada a intervalos enteros.

Transformada Wavelet Curso 2006

10

Como resultado de la proyeccin de f(t) en la base de la funcin de escala, se obtiene una aproximacin menos detallada de f(t). Todas las aproximaciones de f(t) forman un subespacio V0 L2(R). El espacio vectorial V0 puede ser interpretado como el conjunto de todas las posibles aproximaciones de la funcin en L2(R) generado por el conjunto ortonormal {(tk)}. Las funciones de escalas para todas las escalas s = 2i con i Z, generadas a partir de la misma (t), son todas de forma similar. Debido a que la funcin de escala bsica (t) genera la base ortonormal {(tk)} de V0, con un paso de traslacin entero, la funcin de escala dilatada (t/2) generar la base ortonormal {(21tk)} de V1 con un paso de traslacin igual a 2, y (t/4) generar la base ortonormal {(22tk)} de V2 con un paso de traslacin igual a 4, y as sucesivamente. Existe entonces un conjunto de bases ortogonales de las funciones de escala. Cada base de la funcin de escala es ortonormal en el espacio de la misma escala:

i , k , i , n = k , n
para todo k y n Z.

(2.2)

Las proyecciones en L2(R) sobre el conjunto de bases ortonormales de la funcin de escala, forman un conjunto de subespacios Vi. Cada subespacio Vi es el conjunto de todas las posibles aproximaciones de la funcin en L2(R) generado por la base ortonormal de la funcin de escala (2itk)}. El subespacio Vi es abarcado por la base ortonormal de la funcin de escala en el nivel de resolucin i. Por lo tanto, la funcin de escala (t) genera los subespacios del anlisis multiresolucin [8]. Las aproximaciones de una funcin f(t) en diferentes resoluciones deben ser similares, ya que son todas generadas por la misma funcin de escala con escalas diferentes. Los espacios de aproximacin Vi pueden ser, entonces, deducidos unos de otros por simple dilatacin: f(t) Vi f(2t) Vi1. (2.3)

Toda la informacin til para calcular la funcin de aproximacin en el nivel de menor resolucin i, est contenida en la funcin de aproximacin en el nivel de mayor resolucin (i1). Entonces, Vi es un subespacio de Vi1 [2].

2.2 Anlisis Multiresolucin

El anlisis multiresolucin es una tcnica que permite analizar seales en mltiples bandas de frecuencia. Consiste de una secuencia de subespacios cerrados Vi en L2(R) : ... V2 V1 V0 V1 V2 ... L2(R) (2.4)

Transformada Wavelet Curso 2006

11

Cuando la resolucin se incrementa con i tendiendo a , la funcin aproximada debera converger a la funcin original. Esto es:

UV
i

= L2 ( R ),

(2.5)

Por el contrario, cuando la resolucin se decrementa a cero con i tendiendo a +, las aproximaciones contienen cada vez menos informacin y convergen a cero:

I V ={0},
i i

(2.6)

con i Z [8].

2.3 Bases Wavelet

Debido a que la proyeccin de una funcin sobre la base de la funcin de escala ortonormal es una aproximacin menos detallada de la funcin en un nivel de resolucin particular, se pierde algo de informacin en el proceso, esto significa que la funcin de escala no es completa a cualquier nivel. Por lo tanto, se usan las proyecciones sobre otras funciones, denominadas wavelet ortonormales (o simplemente wavelets), para obtener la informacin complementaria de los detalles de la funcin. Como se ver ms adelante, las wavelets son generadas a partir de la wavelet madre (t) por traslaciones y dilataciones discretas

i , k (t ) = 2

(2i t k ).

(2.7)

Cuando la transformada de Fourier (w) de la wavelet madre satisface la condicin de ortogonalidad [8], las traslaciones discretas de las wavelet madre {(2itk)} forman una base ortonormal para cada escala 2i. Ms an, en el mismo nivel de resolucin, el conjunto de traslaciones wavelet es ortogonal al conjunto de traslaciones de la funcin de escala en el espacio de la misma resolucin

i ,k , i ,n = 2 i i (t k ) i (t n ) dt = 0
para todo k y n Z.

(2.8)

La proyeccin de f(t) sobre las bases wavelet ortonormales es una correlacin entre f(t) y (t) muestreada a intervalos discretos. Las proyecciones de las funciones en L2(R) sobre la base wavelet ortonormal {(2itk)}, forman un subespacio Wi. El subespacio Wi es abarcado por {(2itk)}. Como la base wavelet {(2itk)} es ortogonal a la base de funcin de escala i {(2 tk)}, dentro de la misma escala, el subespacio Wi es el complemento ortogonal del subespacio Vi: Wi Vi (2.9)

Transformada Wavelet Curso 2006

12

Tanto Vi como Wi son subespacios de Vi1: Vi, Wi Vi1 [8], y en razn de que Wi es el complemento ortogonal de Vi, el subespacio Vi1 es la suma directa de Vi y Wi: Vi1 = Vi Wi. (2.10)

2.3.1 Transformada Wavelet

De manera muy general, la Transformada Wavelet de una funcin f(t) es la descomposicin de f(t) en un conjunto de funciones s, (t), que forman una base y son llamadas las Wavelets [8]. La Transformada Wavelet se define como:
W f ( s, ) = f (t ) s*, (t ) dt.

(2.11) Las Wavelets son generadas a partir de la traslacin y cambio de escala de una misma funcin wavelet (t), llamada la Wavelet madre, y se define como:

s , (t ) =

1 t , s s

(2.12) donde s es el factor de escala, y es el factor de traslacin. Las wavelets s, (t) generadas de la misma funcin wavelet madre (t) tienen diferente escala s y ubicacin , pero tienen todas la misma forma. Se utilizan siempre factores de escala s > 0. Las Wavelets son dilatadas cuando la escala s > 1, y son contradas cuando s < 1. As, cambiando el valor de s se cubren rangos diferentes de frecuencias. Valores grandes del parmetro s corresponden a frecuencias de menor rango, o una escala grande de s, (t). Valores pequeos de s corresponden a frecuencias de menor rango o una escala muy pequea de s, (t) [9].

2.3.2 Wavelets ortonormales y discretas

Cuando la funcin f(t) es continua y las wavelets son continuas con factor de escala y traslacin discretas, la Transformada Wavelet resulta en una serie de coeficientes wavelets, y es llamada la descomposicin en Series Wavelet [8]. La funcin f(t) puede ser reconstruida desde los coeficientes wavelets discretos Wf(s,), de la siguiente manera:
f (t ) = AW f ( s, ) s , (t ),
s

(2.13)

Transformada Wavelet Curso 2006

13

donde A es una constante que no depende de f(t). A estas funciones wavelets continuas con factores de escala y traslacin discretos se las denomina Wavelets discretas [8]. Los factores de escala y traslacin de las wavelets discretas pueden ser expresados como:
i i s = s0 y = k 0 s0 ,

(2.14) donde el exponente i y la constante k son enteros, y s0 > 1 es un paso fijo de dilatacin. El factor de traslacin depende del paso de dilatacin s, Ec. (2.14). Entonces, a partir de la Ec. (2.12) y con la Ec. (2.14), las correspondientes wavelets discretas quedan expresadas como:
i i , k (t ) = s 0 2 (s 0 (t k 0 s0i )) = s0 2 (s 0i t k 0 ) i i

(2.15)

A travs de la Ec. (2.11), la Transformada Wavelet de una funcin continua es realizada a frecuencias y tiempos discretos que corresponden a muestreos con distintas traslaciones (tiempo) y distintas dilataciones (o cambios de escala). El paso de muestreo en tiempo es pequeo para el anlisis utilizando wavelets de pequea escala, mientras que es grande para el anlisis con wavelets de gran escala. La posibilidad de variar el factor de escala s permite usar wavelets de escala muy pequea para concentrar el anlisis en singularidades de la seal. Cuando solo los detalles de la seal son de inters, unos pocos niveles de descomposicin son necesarios. Por lo tanto el anlisis wavelet provee una forma ms eficiente de representar seales transitorias. A modo de ejemplo, podemos hacer una analoga entre el anlisis de Wavelet y el i microscopio. As, el factor de escala s0 corresponde al aumento o resolucin del microscopio y el factor de traslacin corresponde a la ubicacin donde se hace la observacin con el microscopio. Si queremos mirar detalles muy pequeos, el aumento y la resolucin deben ser grandes, lo que se corresponde con un i grande y negativo. Esto da lugar a una funcin wavelet muy concentrada, y a pasos de traslacin pequeos. Para un valor de i grande y positivo, la wavelet se extiende y los pasos de traslacin son adaptados a esa amplitud [8]. Eligiendo adecuadamente (t) y los parmetros s0, 0, es posible lograr que las funciones s, (t) constituyan una base ortonormal de L2(R). En particular si se elige s0 = 2 y 0 = 1, entonces existe (t), con buenas propiedades de localizacin tiempofrecuencia, tal que s, (t) constituye una base ortonormal L2(R) [9]. De esta forma, si las funciones wavelets discretas forman una base ortonormal, una funcin f(t) de soporte finito puede ser reconstruida como una suma de los coeficientes wavelets discretos Wf(s, ) multiplicados por las funciones de la base, como sigue:

Transformada Wavelet Curso 2006

14

f (t ) = W f ( s, ) s , (t ).
s

(2.16)

Una descomposicin wavelet ortonormal no posee informacin redundante y representa la seal en forma unvoca. Una base wavelet ortonormal es posible con wavelets con factores de traslacin y dilatacin discretos [8]. Por lo tanto, para estas funciones wavelets discretas ortogonales, los productos internos son iguales a cero:

i ,k

1 (t ) m,n (t ) dt = 0

si i = m y k = n en otro caso (2.17)

En 1986 Meyer y Mallat[8] demostraron que la descomposicin y reconstruccin wavelet ortonormal podran ser implementadas en el marco del anlisis multiresolucin de seales.

2.3.3 Relacin dos-escala

Con sus traslaciones discretas, las funciones de escala y las de wavelets forman dos bases ortonormales en cada nivel de resolucin. Las funciones de escala y las wavelets en mltiples niveles de resolucin son la versin dilatada de la funcin de escala bsica y de la wavelet madre, respectivamente. Sea (t) la funcin de escala bsica cuyas traslaciones generan el subespacio V0. Entonces (t) puede ser expresada como combinacin lineal de la suma ponderada del conjunto {(2tk)} generado por (2t). As las funciones de escala en dos niveles de resolucin adyacentes satisfacen la relacin dos-escala:

(t ) = p(k ) (2t k ),
k

(2.18) que puede ser considerada como la proyeccin de la funcin (t) V0 en el subespacio de mayor resolucin V1. Esta relacin es la ecuacin fundamental en el anlisis multiresolucin. La secuencia p(k) es el coeficiente interescala, correspondiente a un filtro discreto pasobajo[8]. Sea (t) V0 la wavelet madre, la cual puede ser desarrollada en la base ortonormal de la funcin de escala {(2tk)} en V1 como:

(t ) = q (k ) (2t k ),
k

(2.19)

Transformada Wavelet Curso 2006

15

donde la secuencia q(k) es el coeficiente de interescala, correspondiente a un filtro discreto paso-alto [8]. Esta relacin dos-escala permite generar las wavelets a partir de las funciones de escala. En el lado izquierdo de las relaciones (2.18) y (2.19), (t) y (t) son continuas. En el lado derecho de las relaciones, los coeficientes interescala, p(k) y q(k), son discretos.

2.3.4 Algoritmo Piramidal. Descomposicin Wavelet

Sea la funcin f(t) V0 que puede ser representada como la combinacin lineal de las funciones de escala trasladadas (tk) en V0
f (t ) = c0 ( k ) (t k ),
k

(2.20) con los coeficientes

c0 ( k ) = f ,0, k = f (t ) (t k ) dt.

(2.21) La funcin a ser analizada pertenece a V0, el cual corresponde al nivel de digitalizacin inicial al comenzar la descomposicin. En el siguiente nivel de menor resolucin i = 1, existen dos subespacios mutuamente ortogonales { i,k (t)} y {i,k (t)}, respectivamente. Debido a que V0 es la suma directa de V1 y W1, existe una nica forma de expresar una funcin f(t) V0 , como combinacin lineal de funciones v1 y w1, donde v1 V1 y w1 W1. En particular, la funcin f(t) V0 puede descomponerse en sus componentes a lo largo de V1 y W1: f = (P1+Q1) f , (2.22) donde las dos componentes son las proyecciones ortonormales de f(t) sobre V1 y W1: (a) (b)
P1 f = c1 (n)1,n ,
n

Q1 f = d1 (n) 1,n .
n

(2.23)

Multiplicando ambos lados de la Ec. (2.22) por 1,k y calculando los productos internos, se obtiene:

1, k , f = 1, k , P 1f .
(2.24)

Transformada Wavelet Curso 2006

16

Haciendo lo mismo en la Ec. (2.23 (a)) pero multiplicando por 1,n y usando la Ec. (2.20), se obtiene:
c1 (k ) = 1,k , f = 1,k , P1 f

(2.25)
= 1,k , 0,n c0 (n)
n

donde el producto interno entre los dos conjuntos de la funcin de escala { 1,k} y { 0,n} se puede calcular como

1, k ,0, n = 2
=2
1

k (t n)dt 2

(2.26)
2

(t ) (2t (n 2k ))dt.

Sustituyendo (t) por la relacin dos-escala en la Ec. (2.26) y usando la ortonormalidad del conjunto {(2t)} se obtiene
c1 (k ) = 2
1 2

p(n 2k )c (n).
0 n

(2.27) La secuencia c1(k) o tendencia contiene los coeficientes del desarrollo de la funcin continua f(t) en la base de la funcin de escala continua { 1,k} en V1. La secuencia c1(k) representa la versin suavizada de los datos originales c0(n). Simultneamente, multiplicando ambos lados de las Ec. (2.22) y (2.23 (b)) por la wavelet 1,n y calculando los productos internos, se obtiene:
d1 (k ) = 1, k , Q1 f = 1, k , f = 1, k ,0, n c0 (n),
n

(2.28) y siguiendo los pasos aplicados para la obtencin de c1(k) se llega a que:
d1 (k ) = 2
1 2

q(n 2k )c (n).
0 n

(2.29)

Transformada Wavelet Curso 2006

17

De acuerdo con la Ec. (2.22), la proyeccin ortonormal Q1f sobre W1 es la informacin de detalle de f(t). La secuencia d1(n) representa la diferencia entre la f(t) original y la aproximacin P1f, y se conoce como los coeficientes wavelet discretos. La descomposicin en aproximaciones suavizadas y detalles a menor resolucin se puede continuar tanto como se desee. Generalizando,
Pi 1 f = Pi f + Qi f = ci (k )i , k + d i (k ) i , k ,
k k i 1

ci (k ) = 2

p ( n 2 k )c
n

(n), (n). (2.30)

di (k ) = 2

q ( n 2 k )c
n

i 1

La secuencia ci(n) y di(n) pueden ser calculadas a partir de ci1(n) por filtrado iterativo. De esta manera, iterando hasta un nivel de resolucin M, donde M toma un valor determinado, se puede representar la funcin original f(t) por una serie de funciones detalle ms una aproximacin gruesa:
f (t ) = PM f + QM f + QM 1 f + K + Q1 f , f (t ) =
k Z

cM (k ) (2 M t k ) + 2
i =1 k Z

di (k ) (2 = i t k ).

(2.31) La Ec. (2.31) es la descomposicin f(t) en Series Wavelet [8]. En esta descomposicin wavelet las bases de la funcin de escala y las bases wavelet son todas continuas. Los coeficientes de aproximacin cM(k) y los coeficientes wavelet di(k) con i = 1, 2, ..., M y k Z son discretos. Los coeficientes c1(n) y d1(n) se pueden calcular con un algoritmo discreto implementado por la aplicacin recursiva de filtros discretos paso-alto y paso-bajo a las aplicaciones discretas ci1(n). Este algoritmo es conocido como algoritmo piramidal o de Mallat. Los dos primeros pasos del algoritmo para calcular la descomposicin wavelet se muestran en la Figura 2.1

Transformada Wavelet Curso 2006

18

d1(n) p(n) c0(n) p(n) c1(n) 2 q(n) c2(n) 2 2 2 d2(n)

q(n)

Figura 2.1: Esquema de la descomposicin en Series Wavelet, con el algoritmo de rbol.

2.3.5 Algoritmo Piramidal. Reconstruccin

La secuencia de la seal original c0(n) puede ser reconstruida a partir de las secuencias de coeficientes de aproximacin ci(n) y de los coeficientes wavelet di(n) con 0 < i M, donde i = M es la menor resolucin en la descomposicin [8]. La aproximacin discreta ci1(n) en el prximo nivel de mayor resolucin puede ser obtenida como la suma de dos convoluciones, una entre la aproximacin discreta ci(n) y el filtro paso-bajo p(n) y otra entre los coeficientes wavelet d1(n) y el filtro paso-alto q(n),
c i 1 (n ) = Pi 1 f , i 1,n

= ci (k ) i , k ,i 1, n + d i (k ) i , k ,i 1, n
k k 2

=2

c (k ) p(n 2k ) + 2 d (k )q(n 2k ),
2 i i k k

(2.32) Como se muestra en la Figura 2.2. El proceso puede continuar hasta que la secuencia original c0(n) es reconstruida.
ci(n) 2 p(n) + ci-1(n)

di(n) 2 q(n)

Figura 2.2: Esquema de la reconstruccin Wavelet.

Transformada Wavelet Curso 2006

19

2.4 Transformada Wavelet en dos dimensiones

La Transformada Wavelet continua puede ser extendida al caso de dos dimensiones para aplicaciones de procesamiento de imgenes. La Transformada Wavelet de una imagen bidimensional f(x,y) es: W f ( sx , s y ; u , v) = 1 sx s y

f ( x, y )

xu yv dx dy, ; s s y x

(2.33) la cual es una funcin en cuatro dimensiones. Esta es reducida a un conjunto de funciones bidimensionales de (u,v) con diferentes escalas cuando los factores de escala son tales que sx = sy = s. La Transformada Wavelet ortogonal multiresolucin en dos dimensiones se calcula por proyecciones recursivas sobre las bases de la funcin de escala y las bases wavelet, como en el caso unidimensional. Consideremos el modelo wavelet basado en una funcin de escala separable

(x,y) = (x)(y),
(2.34) donde (x) y (y) son funciones de escala unidimensionales. Las traslaciones discretas de (x) y (y) dilatadas generan los subespacios de aproximacin multiresolucin separables Vi como en el caso unidimensional. La proyeccin ortogonal de una imagen f(x,y) sobre el conjunto de la funcin de escala en un nivel de resolucin i es, por lo tanto, el producto interno ci(x,y) = f(x,y), i(x)i(y), (2.35) la cual es una aproximacin de f(x,y) en un nivel de menor resolucin. Como en el caso unidimensional, se generan las wavelets (x) y (y) a partir de las funciones de escala (x) y (y), tales que el conjunto de traslaciones discretas de (x) y de (y) es ortogonal al conjunto de traslaciones discretas de (x) y (y), respectivamente. Entonces se definen tres wavelets bidimensionales como

1(x,y) = (x) (y) 2(x,y) = (x) (y) (x,y) = (x) (y)

3

(2.36)

Transformada Wavelet Curso 2006

20

Las diferencias de informacin entre las aproximaciones ci(x,y) y ci+1(x,y) en dos niveles adyacentes de resolucin son iguales a las proyecciones ortogonales de f(x,y) sobre las tres bases wavelets, resultando tres imgenes detalles:
d i1 ( x, y ) = f , 1 d i2 ( x, y ) = f , 2 d i3 ( x, y ) = f , 3 .

(2.37)

En dos dimensiones, la descomposicin wavelet con funciones de escala y wavelet separables se puede calcular con el algoritmo de rbol usando los filtros p(n) y q(n), de manera similar al algoritmo unidimensional [8].

2.5 Anlisis tiempo-frecuencia

El objetivo del anlisis multiresolucin es expandir una seal en una base de funciones cuyas propiedades tiempo-frecuencia se adapten a la estructura local de la seal. La Transformada Wavelet permite obtener el desarrollo de una seal en una base ortonormal de funciones wavelets, las cuales tienen propiedades de localizacin en tiempo y frecuencia similares a la Transformada de Fourier con Ventana. En todos los casos anteriores, el patrn de descomposicin del plano tiempofrecuencia est predeterminado por la eleccin de las funciones de la base.

Resumen
En este captulo hemos presentado la Transformada Wavelet de una funcin f(x) en una dimensin y su extensin a dos dimensiones para aplicaciones de procesamiento de imgenes. La Transformada Wavelet es la descomposicin de f(x) en una base de funciones formada por la traslacin y dilatacin de una misma funcin, la funcin de escala. La descomposicin de funciones y su reconstruccin puede ser computada mediante el algoritmo piramidal donde, en cada nivel de resolucin, la funcin se descompone en una aproximacin detalle ms una aproximacin gruesa llamada tendencia. En el prximo captulo estudiaremos el algoritmo y el comportamiento de la Transformada Wavelet en el caso particular del anlisis de imgenes.

Transformada Wavelet Curso 2006

21

ALGORITMO DE LA TRANSFORMADA WAVELET PIRAMIDAL

Transformada Wavelet Curso 2006

22

Introduccin
En este captulo describiremos el algoritmo mediante el cual se calcula la Transformada Wavelet discreta con estructura piramidal, en primer lugar para el caso unidimensional y luego su generalizacin al caso bidimensional utilizando las bases ortonormales de Daubechies.

3.1 Transformada Wavelet Piramidal. Algoritmo

A diferencia de la Transformada de Fourier, la Transformada Wavelet se puede implementar sobre numerosas bases. Las diferentes categoras de wavelets (continuas, discretas, ortogonales, etc.) y los varios tipos de funciones wavelets dentro de cada categora proveen una gran cantidad de opciones para analizar una seal de inters. Esto permite elegir la base de funciones cuya forma se aproxime mejor a las caractersticas de la seal que se desea representar o analizar. En particular, para este trabajo se emplearon las bases wavelet de Daubechies en la Transformada Wavelet para el procesamiento digital y anlisis de imgenes, las cuales tienen la propiedad de formar una base ortonormal y poseen soporte compacto. Por esta razn, son adecuadas para el anlisis de seales con soporte finito (por ejemplo: notas musicales, electrocardiogramas, sismogramas, etc.) y en particular para el anlisis y procesamiento de imgenes. Debido a la condicin de ortonormalidad, se asegura la independencia de la representacin de la seal en los diferentes niveles de descomposicin, es decir, que no se genera informacin redundante de la seal, y as, se evita la aparicin de informacin falsa. Adems, las bases de Daubechies permiten calcular la Transformada Wavelet mediante un algoritmo menos complejo, con un bajo costo computacional y numricamente estable (los clculos realizados son confiables dentro de la precisin numrica del procesador), lo cual las hace eficientes frente a las bases no ortonormales. En el clculo prctico de la Transformada Wavelet ortonormal, mediante bases wavelet de Daubechies se utiliza un conjunto de filtros discretos paso-bajo y paso-alto, p(n) y q(n). De esta forma, dado un vector de datos de longitud igual a un nmero entero potencia de dos, la descomposicin y reconstruccin wavelet ortonormal se implementa con el algoritmo piramidal iterando estos filtros [8] (Fig. 2.1). Los filtros peridicos p(n) y q(n) , son filtros de soporte compacto con un nmero finito N de coeficientes distintos de cero, es decir, el grado de los filtros es (N1). Por lo tanto, los dos conjuntos de filtros forman una matriz de 2 N: p (0) q (0) p (1) ... p ( N 1) q (1) ... q ( N 1) (3.1)

la cual es utilizada en el algoritmo de descomposicin.

Transformada Wavelet Curso 2006

23

Debido a la ortogonalidad de los filtros, el filtro paso-alto q(n) es obtenido a partir del filtro paso-bajo p(n): q(n) = (1)np(N1n). (3.2) As, la matriz (3.1) puede ser expresada en funcin del filtro p(n) p (0) p (1) ... p ( N 1) p ( N 2) ... p ( N 1) p (0) (3.3)

y es llamada la matriz de transformada wavelet. Esta matriz se utilizar para obtener la matriz final a ser empleada en el algoritmo de descomposicin, como se describe a continuacin. Para una base de Daubechies los coeficientes de filtro cumplen las siguientes relaciones algebraicas [9]:

m =0

p ( m) =
N 1

N 1

2,

(3.4)

N 1 2 p ( m) + = = ( ) * ( 2 ) ( , 0 ) p m p m k k m=0 m=0 0

si k = 0, si k 0,

(3.5)

m =0

(1)

N 1

m k p ( N 1 m) = 0

0 k p 1,

(3.6)

donde p = N/2.
Ejemplo:

En este ejemplo mostraremos esquemticamente cmo se aplica el algoritmo de rbol para descomposicin Wavelet con una base DAUB4. Descomposicin y reconstruccin de un vector utilizando la Transformada Wavelet de Daubechies con N = 4 (DAUB4) y p = 2: Las funciones de la base de Daubechies no estn dadas en forma analtica. Los valores de los coeficientes estn tabulados [8], siendo los correspondientes a DAUB4:

Transformada Wavelet Curso 2006

24

p (0) = 1 4 (1 + 3 ) p (1) = 1 4 (3 + 3 ) p (2) = 1 4 (3 3 ) p (3) = 1 4 (1 3 )

2 = 0.483, 2 = 0.836, 2 = 0.224, 2 = 0.13,

los cuales son la nica solucin a las Ec. (3.4), (3.5) y (3.6) para los cuatro filtros DAUB4: p(0) + p(1) + p(2) + p(3) = 2,

p(0)2 + p(1)2 + p(2)2 + p(3)2 = 1, p(0)p(2) + p(3)p(1) = 0, p(3) p(2) + p(1) p(0) = 0, 0p(3) 1p(2) + 2p(1) 3p(0) = 0. Por la Ec (3.2) los filtros paso-alto q(n) son: q(0) = p(3), q(1) = p(2), q(2) = p(1) y q(4) = p(0) . Dado el vector de los datos inicial f(n) se puede generar la matriz de Transformada Wavelet con los filtros de traslacin discretos. Si la longitud del vector de datos de entrada es L, se construye una matriz de Transformada Wavelet de tamao L L, formada por repeticiones de la matriz (3.3) de los conjuntos de filtros p(n) y q(n). Las filas impares corresponden a los filtros paso-bajo p(n) y, en cada fila impar, los filtros paso-bajo p(n) son trasladados dos columnas con respecto a la fila impar anterior. Asimismo, las filas pares corresponden a los filtros paso-alto q(n) que son trasladados dos columnas con respecto a la fila par anterior (Fig. 3-1).
p(1) c(1) p(0) d (1) p(3) p (2) c(2) . . . d (2) . . . . = . . . . . . . . . . p (2) p(3) . p(1) p(0) p (2) p(1) p (3) p(0) . . . . . . . . . . . . . . . . . . . . p (1) f (1) . . f (2) . . f (3) . . f (4) . . . . . . p(2) p(3) . p (1) p(0) . p(0) p (1) . p(3) p(2) f ( L) . .

p(0) p(1) p (3) p (2) . . . . . . . . . . . .

p (2) p (3) . . p(1) p (0) . . . . . . . . . . . . . . . . . . . . . . . .

. . p (0)

p (3) p(2) . . . .

Figura 3-1: Al multiplicar el vector de datos iniciales f(n), de longitud L, por la matriz de Transformada Wavelet se obtiene un vector con los coeficientes c(n) y d(n) intercalados

Transformada Wavelet Curso 2006

25

Una vez construida la matriz de Transformada Wavelet, se la multiplica por el vector columna de datos f(n) (Fig. 3-1). De este producto resultan dos correlaciones, una entre el vector de datos f(n) y los filtros p(n) y otra entre el vector de datos f(n) y los filtros q(n), dando por resultado la aproximacin discreta c(n) y los coeficientes wavelet discretos d(n), respectivamente. Entonces, la descomposicin wavelet discreta es calculada aplicando la matriz de Transformada Wavelet primero al vector f(n) y luego, en cada iteracin, a los coeficientes de aproximacin c(n). Como en cada iteracin el vector salida queda compuesto por los coeficientes c(n) y d(n) intercalados, se debe realizar una permutacin de ste para poder continuar con el algoritmo y obtener el siguiente nivel de descomposicin, como se muestra en la Fig. 3-2, donde L = 16.
f (1) c(1) c(1) C (1) C (1) C (1) f (2) d (1) c(2) D (1) C (2) C (2) f (3) c (2) c(3) C (2) C (3) D' (1) f (4) d (2) c(4) D(2) C (4) D' (2) f (5) c(3) c(5) C (3) D(1) D(1) f (6) d (3) c(6) D(3) D (2) D(2) f ( 7) c (4) c ( 7) C (4) D (3) D(3) f (8) (3.1) d (4) permutar c (8) (3.1) D(4) permutar D (4) etc. D(4) f (9) c(5) d (1) d (1) d (1) d (1) f (10) d (5) d (2) d (2) d (2) d (2) f (11) c(6) d (3) d (3) d (3) d (3) f (12) d (6) d (4) d (4) d (4) d (4) f (13) c ( 7) d (5) d (5) d (5) d (5) f (14) d (7 ) d (6) d (6) d (6) d (6) f (15) c(8) d (7 ) d (7 ) d ( 7) d (7 ) f (16) d (8) d (8) d (8) d (8) d (8)
Figura 3-2: Esquema de los distintos niveles del algoritmo piramidal para obtener los coeficientes del desarrollo Wavelet con DAUB4, donde (3.1) indica que se aplica la operacin de la Figura 3-1.

Si la longitud del vector de datos es N > 16 (DAUB4), el vector de salida en el nivel de resolucin mas bajo ser siempre un vector con dos coeficientes de aproximacin C(1) y C(2) y una jerarqua de coeficientes wavelets D(1) , D(2) resultantes del nivel de resolucin ms bajo, D(1)-D(4) para el nivel de resolucin ms alto, y d(1)-d(8) para nivel de resolucin an ms alto, y as sucesivamente (ver Fig. 3-2). Se puede observar que, una vez que los coeficientes wavelet d son generados, simplemente se propagan a travs de todos los pasos subsecuentes. El mismo algoritmo es usado para calcular los coeficientes wavelet con respecto a otras wavelets, tal como DAUB6, DAUB8, etc. La cantidad de posibles iteraciones

Transformada Wavelet Curso 2006

26

a realizar depender de la cantidad de coeficientes de la wavelet utilizada y la longitud del vector de datos. La reconstruccin wavelet discreta puede ser calculada por un procedimiento inverso al procedimiento de descomposicin comenzando por el nivel de resolucin ms bajo en la jerarqua y trabajando de derecha a izquierda con el diagrama de la Fig. 3-2, utilizando la matriz de Transformada Wavelet inversa (Fig. 3-3) en lugar de la matriz de Transformada Wavelet. Como la matriz de Transformada Wavelet es ortonormal su inversa es la matriz traspuesta:
p (0) p (3) p (1) p (2) p (2) p (1) p (3) p (0) . . . . . . . . . . . .

. . . . p (0) p (3) p (1) p (2) . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . . . . p (2) p (1) p (3) p (0) . . . .

. . . . . . . . . . . . p (0) p (3) p (1) p (2) p(2) p (1) p (3) p (0)

p (2) p (1) p (3) p(0) . . . . . . . . . . . . p (0) p (3) p (1) p (2)

Figura 3-3: Inversa de la Transformada Wavelet.

3.1.1 Funciones de Daubechies

Como mencionamos anteriormente para realizar este trabajo utilizamos las bases wavelets de Daubechies. Esta clase incluye un rango de funciones que se extiende desde funciones altamente localizadas a funciones altamente suavizadas. Dentro de esta clase implementamos DAUB4, DAUB6, DAUB8, etc., hasta DAUB20, donde el nmero de Daubechies indica la cantidad de coeficientes distintos de cero. Por lo tanto, la ms simple y ms localizada es DAUB4, que tiene solo cuatro coeficientes no nulos. La decisin con respecto a cul base de Daubechies es la ms conveniente debe basarse en la forma de la seal a analizar, eligiendo la wavelet de Daubechies cuya forma ms se le aproxime. Esto es, se debe utilizar la wavelet que provea la mejor descripcin de la seal con el menor nmero de coeficientes no nulos.

3.1.2 Nmero de operaciones

Consideremos ahora el nmero de operaciones requerido para la Transformada Wavelet ortonormal de un vector de datos. Sea L la longitud del vector de datos y N la longitud de los filtros p(n) y q(n). En la banda de frecuencia ms alta, el primer paso de descomposicin requiere 2NL multiplicaciones y sumas. En el algoritmo piramidal, en la siguiente banda de frecuencia ms ancha la longitud del vector de aproximacin discreta c(n),

Transformada Wavelet Curso 2006

27

est reducida a N/2. Por lo tanto, el prximo paso de descomposicin requiere 2(NL/2) multiplicaciones y sumas. El total de operaciones de la descomposicin wavelet ortonormal es:
NL NL 1 1 2 NL + + + K = 2 NL1 + + + K 4 NL. 2 4 2 4

(3.8)

De esta forma la Transformada Wavelet ortonormal requiere slo O(L) operaciones. Esto es todava ms rpido que la Transformada de Fourier, la cual requiere O(L log2 L) multiplicaciones y sumas.

3.1.3 Transformada Wavelet bidimensional

En dos dimensiones la descomposicin wavelet de una funcin f(x,y) puede calcularse con un algoritmo similar al descripto anteriormente. Para el caso de procesamiento de imgenes, la imagen original constituye la matriz de datos inicial c0(x,y) (Fig. 3-4 (a)).
Figura 3-4: Pasos del proceso de descomposicin de una imagen. (a) Imagen original. (b) Descomposicin en direccin vertical. (c) Descomposicin de (b) en direccin horizontal (Resultado final) (a) (b) (c)

En cada nivel i de resolucin se calcula la correlacin entre las filas de ci1(x,y) y los filtros unidimensionales p(n) y q(n) en la direccin vertical, resultando dos imgenes compuestas, cada una por la mitad de las filas de la matriz (Fig. 3-4 (b)). Luego se calcula la correlacin entre estas imgenes y los filtros p(n) y q(n) en la direccin horizontal resultando, de cada una, dos imgenes compuestas por la mitad de las columnas (Fig. 3-4 (c)). Estas cuatro subimgenes resultantes constituyen las tres imgenes detalle y la imagen aproximacin (tendencia o residuo)[4]. El proceso es ejecutado con un algoritmo piramidal como se muestra en la Fig. 3-5:

Transformada Wavelet Curso 2006

28

q filas q 2 1

d i3

p ci-1 q

1 1

2 2

d i2

d i1

ci

Convolucin de filas o columnas con el filtro x

Toma la mitad de las columnas

Toma la mitad de las filas

Figura 3-5: Esquema de la descomposicin Wavelet en dos dimensiones, con filtros p(n) y q(n).

Si la imagen original tiene L2 pixeles, cada imagen ci(x,y), d i1 ( x, y ) , d i2 ( x, y ) y

d i3 ( x, y ) tiene (L/2i)2 pixeles (i > 0). Entonces, el nmero total de pixeles de una representacin wavelet ortonormal sigue siendo L2, es decir, la Transformada Wavelet no incrementa el volumen de datos.

La Fig. 3-6 muestra la descomposicin de las tres imgenes detalle y la imagen tendencia en los niveles de resolucin 1, 2, 3.

Transformada Wavelet Curso 2006

29

c3 d
2 3

1 d3

1 d2

d
d 22

3 3

d11
3 d2

Figura 3-6: Esquema de la descomposicin Wavelet piramidal en dos dimensiones.

d12

d13

Al igual que en el caso unidimensional, una vez obtenida la matriz con las imgenes detalle y la imagen tendencia, se puede aplicar a stas el algoritmo inverso para reconstruir la imagen original c0(x,y). Ahora bien, si se aplica el algoritmo de reconstruccin solo a los coeficientes wavelet de un determinado nivel de resolucin (por ejemplo, d i1 ( x, y ) , d i2 ( x, y ) y d i3 ( x, y ) ), haciendo cero el resto de la matriz, se puede reconstruir cualquier nivel de detalle (por ejemplo d1(x,y)). De la misma manera, si se aplica el algoritmo de reconstruccin slo a los coeficientes de aproximacin cp(x,y), haciendo cero el resto de la matriz se puede reconstruir la tendencia. Cada imagen detalle di(x,y) resulta de tres componentes independientes en el dominio wavelet que dan cuenta de los detalles de la imagen original, en el nivel i correspondiente, en las direcciones vertical d i1 ( x, y ) , horizontal d i2 ( x, y ) , y diagonal d i3 ( x, y ) , respectivamente. Cada imagen di(x,y) resultante contiene una banda limitada del espectro de frecuencias originales: especficamente, d1(x,y) y c1(x,y) contienen respectivamente la mitad ms alta y ms baja del espectro de frecuencias de la imagen original y d2(x,y) contiene la mitad ms alta del espectro de frecuencias de c1(x,y). Continuando con este proceso resulta: c0(x,y) = d1(x,y) + d2(x,y) + ... + dp(x,y) + cp(x,y) . (3.9)

La interpretacin de esta expresin, en trminos de imgenes, es que los detalles del fino al grueso de la imagen estn contenidos en d1(x,y), ..., dp(x,y), y cp(x,y) es el residuo de la imagen original c0(x,y) [2]. A continuacin mostraremos, mediante un ejemplo, el comportamiento de la Transformada Wavelet piramidal, aplicando el algoritmo de descomposicin a varias imgenes haciendo visibles detalles que son imperceptibles al ojo humano.

Transformada Wavelet Curso 2006

30

3.2 Comportamiento de la Transformada Wavelet Piramidal

En lo que respecta a su sensibilidad, el ojo humano se comporta de acuerdo a la Ecuacin de Weber. Esta ley emprica afirma que para que un detalle (o regin R) pueda ser diferenciado visualmente con respecto a su entorno en una imagen, el cociente entre el valor absoluto de la variacin de intensidad |I| entre R y su entorno, y la intensidad del entorno (Ie), no debe ser menor que una constante c. Dicha constante generalmente toma el valor 0,02. Es decir, debe cumplirse:

I Ie

(3.10) para que la regin R pueda ser diferenciada de su entorno a simple vista. De esta manera, si el entorno Ie = 100, y c = 0,02, por ejemplo, entonces el ojo humano solo podr percibir las diferencias de tono entre una regin de inters y este entorno cuando la diferencia entre ambos |I| supere, en valor absoluto, el valor 2. As, cuando mayor es el nivel de gris de una regin, mayor debe ser la diferencia entre sta y su entorno para poder ser distinguida. Para ejemplificar lo anteriormente expuesto, mostraremos el anlisis de dos imgenes que contienen una serie de puntos enmascarados. Estos ejemplos fueron tomados de trabajos desarrollados anteriormente [2], en ellos las imgenes estudiadas fueron digitalizadas en 8 bits en escala de grises (256 tonos de gris) y no presentan ningn tipo de distorsin estadstica, esto es, son imgenes generadas numricamente, sin ruidos, las cuales llamaremos perfectas. La primera es una imagen de fondo liso, con un tono de gris de valor medio (valor = 125) sobre el que se superpusieron, en una ubicacin arbitraria, tres objetos. Uno de estos objetos tienen un tamao de un pixel de tono 128. El segundo objeto est formado por un conjunto de cuatro pixeles adyacentes con una intensidad levemente superior al fondo (tres de valor = 128 y uno de valor = 130). Por ltimo, el tercer objeto es un cuadrado de 8 8 pixeles de valor = 130 (Imagen 3-1 (a)). Al aplicar a esta imagen el algoritmo de descomposicin Wavelet con DAUB12 y DAUB20, se obtiene la correspondiente matriz de coeficientes de los niveles de detalle y tendencia. Luego, utilizando los coeficientes detalle d1(x,y) del primer nivel de resolucin de esta matriz, y haciendo cero el resto de los coeficientes, reconstruimos el detalle de nivel 1. En las imgenes 3-1 (b.1) y (b.2) se muestra este nivel de detalle para las dos bases. Las intensidades de algunos pixeles de la imagen reconstruida podran mostrar valores negativos. Cuando esto sucede, se reescalan entre 0 y 255 las intensidades de los pixeles comprendidas entre el valor negativo ms grande y el positivo ms alto. De esta manera, aplicando el mismo procedimiento a los siguientes niveles de resolucin, se pueden reconstruir los sucesivos niveles de detalle. De la Imagen 3-1 (c) a la Imagen 3-1 (e), se muestra la reconstruccin de la imagen de los detalles 2 al 3 y la imagen tendencia para DAUB12 y DAUB20. Las imgenes 3-1 (f.1) y (f.2) corresponden a la reconstruccin de la imagen original sin tener en cuenta la tendencia para ambas descomposiciones, es decir, la imagen formada slo con los detalles obtenidos en cada nivel

Transformada Wavelet Curso 2006

31

posible de descomposicin, o Suma de Detalles. El resultado final es que no slo los objetos son puestos en evidencia con total claridad, sino que se muestran con sus diferencias tonales. La informacin de los objetos de menor tamao est contenida en los niveles de detalle 1 y 2, segn se puede observar en este ejemplo. Esto se debe a la caracterstica adaptativa de las bases wavelet. Por ejemplo, la informacin correspondiente al objeto de un pixel se encuentra mayoritariamente en el nivel de detalle 1 (en la base DAUB20 es ms notable) mientras que la informacin de los objetos de 4 y 8 8 pixeles est distribuida en los niveles de detalle superior. De acuerdo a los resultados obtenidos en este ejemplo, podemos deducir que si se reconstruye la imagen Suma de Detalles sin tener en cuenta el primer nivel de resolucin (el que contiene informacin de los detalles ms finos o de altas frecuencias) la imagen resultante estar formada mayoritariamente por la informacin del objeto de mayor tamao, con lo cual los objetos ms pequeos aparecern borrosos o mal definidos. Los dems objetos aparecern con posibles distorsiones en sus bordes de acuerdo al tamao en pixeles que posean, esto se debe a que al desechar el primer nivel de detalle tambin se est descartando informacin de los detalles finos de estos otros objetos. En las imgenes 3-1 (g.1) y (g.2) se muestra el resultado de desechar la informacin contenida en el primer nivel de detalle. Para la base DAUB12 no es posible observar una diferencia sustancial, en lo que a definicin se refiere, entre el elemento de un pixel y el de cuatro pixeles. Esto es as debido a que la informacin de los objetos ms pequeos est distribuida entre los dos niveles ms bajos. En cambio, para la DAUB20 el objeto de un pixel aparece totalmente borroso frente al de cuatro, el cual an es detectable. Como era de esperar, en ambos casos se ha perdido totalmente la definicin de los bordes en los objetos. Para el objeto de mayor tamao prcticamente no hay diferencias sustanciales entre ambas bases y an es posible distinguir perfectamente su forma geomtrica. Sobre la base de estos resultados, es posible obtener una herramienta para disminuir considerablemente la mayor fuente de ruido contenida una imagen digitalizada. Este ruido es debido a las fluctuaciones estadsticas originadas durante el proceso de impresin de la placa radiogrfica (distribucin estadstica de cristales de plata, fluctuaciones estadsticas en la emisin y absorcin de rayos X, envejecimiento de la placa, etc.) y, luego, durante la digitalizacin de la imagen (fluctuaciones estadsticas del arreglo de fotodetectores). En general este ruido no est estadsticamente correlacionado y las fluctuaciones promedio son de tres o cuatro niveles de grises. Por lo tanto, las imgenes reales distan mucho de la imagen perfecta aqu presentada, con lo cual, al desechar el primer nivel de detalles se desecha gran parte de la informacin que da cuenta de este ruido [2].

Transformada Wavelet Curso 2006

32

125 125 125 125 125 125

125 125 a 125 125 125

125 125 125 125 125 125

125 125 125 125 125 125

125 125 125 125 125 125

b 125 125 125 125 c

Imagen 3-1 (a): Imagen original con un nivel de gris de 125 para el fondo y tres objetos de diferentes tamaos (a, b, c) de intensidad levemente superior.

Imagen 3-1 (b.1): Detalle del nivel 1, con DAUB12.

Imagen 3-1 (c.1): Detalle del nivel 2, con DAUB12.

Imagen 3-1 (d.1): Detalle del nivel 3, con DAUB12.

Imagen 3-1 (b-2): Detalle del nivel 1, con DAUB20.

Imagen 3-1 (c-2): Detalle del nivel 2, con DAUB20.

Imagen 3-1 (d-2): Detalle del nivel 3, con DAUB20.

Imagen 3-1 (e-1): Imagen Tendencia, con DAUB12.

Imagen 3-1 (f-1): Suma de Detalles. Reconstruccin de la imagen original eliminando la Tendencia, con

Imagen 3-1 (g-1): Imagen Suma de Detalles reconstruida eliminando el primer nivel de Detalle y la Tendencia, con DAUB12.

Transformada Wavelet Curso 2006

33

Imagen 3-1 (e-2): Imagen Tendencia, con DAUB20.

Imagen 3-1 (f-2): Suma de Detalles. Reconstruccin de la imagen original eliminando la Tendencia, con DAUB20.

Imagen 3-1 (g-2): Imagen Suma de Detalles reconstruida eliminando el primer nivel de Detalle y la Tendencia, con DAUB20.

En la Imagen 3-2 (a) se presenta un fondo generado por una funcin senoidal, con tonos comprendidos entre [194,212]. Sobre ste se superpusieron 5 puntos en cruz, de un pixel cada uno y de intensidad levemente inferior (valor = 180). La Imagen 3-2 (b) muestra la matriz de coeficientes. Los resultados obtenidos de la reconstruccin de cada nivel de detalle y de la reconstruccin de la tendencia, calculados de la misma forma que para el primer ejemplo y utilizando la DAUB20, corresponden a las Imgenes 3-2 (c), (d), (e), (f), (g). La Imagen 3-2 (h), Suma de Detalles, muestra claramente los 5 puntos que en la imagen original estaban enmascarados.
f f f f f f f f f f f f f f f F f f F f f 180 f 180 180 180 f 180 f f F f f F f f f f f f f f f f f f f f f

Imagen 3-2 (a): Imagen original con el fondo generado por una funcin f = sen[194,212] y cinco puntos de intensidad levemente inferior.

Imagen 3-2 (b): Matriz de coeficientes. Se observa claramente la orientacin de cada componente de cada detalle.

Imagen 3-2 (c): Detalle del nivel 1.

Imagen 3-2 (d): Detalle del nivel 2.

Transformada Wavelet Curso 2006

34

Imagen 3-2 (e): Detalle del nivel 3.

Imagen 3-2 (f): Detalle del nivel 4.

Imagen 3-2 (g): Tendencia.

Imagen 3-2 (h): Suma de Detalles. Reconstruccin de la imagen original eliminando la tendencia.

Estos ejemplos muestran la sensibilidad del mtodo en la deteccin de pequeos cambios de tono, prcticamente imperceptibles ocularmente en las imgenes. Se observa que la mejor definicin de los objetos ocultos ocurre en el nivel de resolucin en que el tamao de la wavelet es comparable con el tamao de los objetos. En rdenes superiores de la descomposicin, el tamao de la wavelet aumenta y la imagen de los objetos se distorsiona. Pero la informacin contenida en estos niveles superiores de detalles o detalles ms gruesos contiene la informacin necesaria para recomponer la imagen original, como se aprecia en la imagen Suma de Detalles. Para imgenes ms complejas se observa que el algoritmo realza cada particularidad de la imagen en un determinado nivel de detalle, como se aprecia en el ejemplo de las Imgenes 3-3.

Transformada Wavelet Curso 2006

35

Imagen 3-3 (a): Imagen original.

Imagen 3-3 (b): Matriz de coeficientes luego de la primera iteracin del algoritmo de descomposicin.

Imagen 3-3 (c): Matriz de coeficientes luego de la segunda iteracin.

Imagen 3-3 (d): Matriz de coeficientes luego de la ltima iteracin.

Imagen 3-3 (e): Detalle del nivel 1

Imagen 3-3 (f): Detalle del nivel 2

Transformada Wavelet Curso 2006

36

Imagen 3-3 (g): Detalle del nivel 3

Imagen 3-3 (h): Detalle del nivel 4

Imagen 3-3 (i): Tendencia.

Imagen 3-3 (j): Suma de Detalles. Reconstruccin de la imagen original sin la tendencia.

Resumen
En este captulo hemos descrito el algoritmo piramidal por el cual es posible descomponer y reconstruir un vector (y su generalizacin bidimensional) en una base Wavelet de Daubechies ortonormal, as como tambin su implementacin y desarrollo numrico, haciendo un estudio de eficiencia y estabilidad. Se han presentado ejemplos que ilustran el comportamiento de la Transformada Wavelet sobre imgenes con leves variaciones (objetos ocultos) inapreciables al ojo humano, obteniendo resultados satisfactorios. En estos ejemplos podemos observar el gran poder adaptativo de las funciones Wavelet. De los resultados obtenidos con imgenes perfectas similares a las presentadas en este captulo se puede inferir que, para imgenes reales, es posible disminuir considerablemente el ruido estadstico (no correlacionado) producto de la obtencin de una placa radiogrfica y su digitalizacin. Si el nivel de resolucin utilizado para la digitalizacin de la mamografa es lo suficientemente alto, la diferencia entre pixeles contiguos se debe principalmente a la existencia del ruido y no a la presencia de un verdadero detalle. Al

Transformada Wavelet Curso 2006

37

reconstruir la imagen sin el nivel de detalle 1 (el que contiene las ms altas frecuencias) es posible eliminar, en principio, gran parte de la informacin debido a este ruido aleatorio [2]. En el prximo captulo se describir el Algoritmo de Transformada Wavelet con Estructura de Arbol, el cual, a diferencia del algoritmo piramidal descrito, descompone no solo la tendencia para un nivel dado de escala, sino que tambin descompone los distintos detalles. Esta transformada ser aplicada en el prximo capitulo para la descomposicin de texturas, y se describirn dos algoritmos para la clasificacin de las mismas.

38

BIBLIOGRAFA
[1] R Gupta and PE Undril. The use of texture analysis to identify suspicious masses in mammography, Department of Bio-Medical Physics & BioEngineering, University of Aberdeen, Foresthill. [2] Gamba, P.; Lange, R.; Saccomano, C.. Trabajo Final Estudio de la Aplicacin Wavelet al Diagnstico Asistido por Computadora de Mamografas. UNICEN, 1999. [3] Scutt D, Manning JT, Whitehouse GH, Leinster SJ, Massey CP. The Relationship between Breast Asymmetry, Breast Size and the occurrence of Breast Cancer. British Journal of Radiology. 70: 1017-1021. 1997. [4] M. Vetterli, y J. Kovacevic. Wavelets and Subband Coding. Pretince Hall Signal Processing Series, 1995. [5] S. E. Zarantonello. Theory and application of Wavelets. Santa Clara University, 1997. [6] Murray Speigel. Teora y Problemas de Anlisis de Fourier. McGraw-Hill serie de compendios Schaum, 1981. [7] Ruel Churchill. Series de Fourier y Problemas de Contorno. McGraw-Hill, 1978. [8] Y. Sheng, The Transforms and Applications Handbook. CRC Press, 1996. [9] I Daubechies. Ten Lectures on Wavelets. The Society for Industrial and Applied Mathematics, 1992. [10] Tianhorng Chang y C.C. Jay Kuo, Texture Analysis and Classification with TreeStructure Wavelet Transform. IEEE TRANSACTIONS ON IMAGE PROCESSING, October 1993

39

[11] Castro Pereira R de, Borges DL. Identificao de Tumores em Mamogramas atravs de Representaes Wavelets. Laboratrio de Sistemas Inteligentes. Escola de Engenharia Eltrica, Universidade Federal de Gois. Goinia, GO, Brasil, 1999. [12] Ferrari RJ, Rangayyan RM, Desautels JEL and Frre AF. Analysis of Asymmetry in Mammograms via Directional Filtering With Gabor Wavelets. IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 20, NO. 9, SEPTEMBER 2001. [13] Daniel B. Kopans. La Mama en Imagen. MARBAN, 1989. [14] A.K. Jain. Fundamentals of Digital Image Processing. Prentice Hall International, 1989. [15] Ludwig W. Das Rechts-Links Problem in Tierreich und beim Menschen. Berlin: Springer 1932. [16] Rasmusen M. Frecuency of morphological deviants as a criterion of developmental stability. Hereditas 1960; 46:51135. [17] Manning JT. Fluctuating asymmetry and body weight in men and women: implications for sexual selection. Ethol Sociobiol 1995; 16:145-53. [18] Manning JT, Scutt D, Whitehouse GH, Leinster SJ, Walton JM. Asymmetry and the menstrual cyle. Ethol Sociobiol 1996; 17:129-43. [19] Watson PJ, Thornhill R. Fluctuating asymmetry and sexual selection. Trends Ecol Evol 1994; 9:21-5. [20] Manning JT, Ockenden L. Fluctuating asymmetry in racehorses. Nature 1994; 370:185-6. [21] Parsons PA. Fluctuating asymmetry as epigenetic measure of stress. Biol Rev 1990; 65:131-45.