Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DESCOMPOSICIN DE SEALES
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.
f * ( x) g ( x)dx,
(1.1)
f (t ) dt < ,
(1.2)
(c < x < c)
k = 1, 2, ...
(1.3)
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:
c
ck = f ( x) k* ( x)dx
k = 1, 2, ...
(1.4)
f ( x) = ck k ( x)
(1.5)
k =1
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)
(1.7)
f ( x) cos kx dx
0
2
f ( x) sen kx dx,
0
con k = 1, 2, ...
c e
k
ikx
(1.8)
k =
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
f ( x) e
0
ikx
dx.
(1.9)
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].
F (k ) =
1
2
f ( x) e
ikx
(1.10)
dx,
2
(1.11)
La Transformada de Fourier en L2 [,+] satisface las siguientes propiedades:
2
2
| f ( x) | dx = | F (k ) | dk.
(1.12)
f ( x) g * ( x) dx =
F (k ) G * (k ) dk .
(1.13)
(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 2 .
s
s
(1.15)
300
250
g(t)
200
150
100
50
0
-10
-5
10
Fig. 1-1
CONCEPTOS ESENCIALES
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.
i , k (t ) = 2
(2i t k ).
(2.1)
10
i , k , i , n = k , n
(2.2)
para todo k y n Z.
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)
(2.4)
11
UV
(2.5)
I V ={0},
(2.6)
con i Z [8].
i , k (t ) = 2
(2i t k ).
(2.7)
i ,k , i ,n = 2 i i (t k ) i (t n ) dt = 0
(2.8)
para todo k y n Z.
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)
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)
(2.11)
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].
(2.13)
13
(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 , k (t ) = s 0 2 (s 0i (t k 0 s 0i )) = s 0 2 (s 0i t k 0 )
i
(2.15)
14
f (t ) = W f ( s, ) s , (t ).
s
(2.16)
i ,k
1
(t ) m,n (t ) dt =
0
si i = m y k = n
en otro caso
(2.17)
(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)
15
(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)
P1 f = c1 (n)1,n ,
n
(b)
Q1 f = d1 (n) 1,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 , P1 f .
(2.24)
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 k (t n)dt
(2.26)
=2
(t ) (2t (n 2k ))dt.
p(n 2k )c (n).
0
(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
q(n 2k )c (n).
0
(2.29)
17
ci (k ) = 2
p ( n 2 k )c
i 1
(n),
di (k ) = 2
q ( n 2 k )c
i 1
(n).
(2.30)
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
18
d1(n)
p(n)
c0(n)
d2(n)
p(n)
q(n)
c1(n)
q(n)
2
c2(n)
= ci (k ) i , k ,i 1, n + d i (k ) i , k ,i 1, n
k
=2
k
2
c (k ) p(n 2k ) + 2 d (k )q(n 2k ),
2
(2.32)
Como se muestra en la Figura 2.2. El proceso puede continuar hasta que la secuencia
original c0(n) es reconstruida.
ci-1(n)
ci(n)
2
p(n)
q(n)
di(n)
19
1
sx s y
xu yv
dx dy,
;
s
s
y
x
f ( x, y )
(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
(2.36)
20
(2.37)
d i3 ( x, y ) = f , 3 .
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.
21
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.
p (1) ... p ( N 1)
q (1) ... q ( N 1)
(3.1)
23
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]:
N 1
p ( m) =
(3.4)
2,
m =0
N 1
2
p ( m)
+
=
=
(
)
*
(
2
)
(
,
0
)
p
m
p
m
k
k
m=0
m=0
0
N 1
N 1
(1)
m k p ( N 1 m) = 0
si k = 0,
(3.5)
si k 0,
0 k p 1,
(3.6)
m =0
donde p = N/2.
Ejemplo:
24
p (0) = 14 (1 + 3 )
2 = 0.483,
p (1) = 14 (3 + 3 )
2 = 0.836,
p (2) = 14 (3 3 )
2 = 0.224,
p (3) = 14 (1 3 )
2 = 0.13,
los cuales son la nica solucin a las Ec. (3.4), (3.5) y (3.6) para los cuatro filtros DAUB4:
2,
d (1) p(3) p (2)
c(2) .
.
.
d (2) .
. .
.
=
. .
.
.
. .
. .
.
. p (2) p(3)
. p(1) p(0)
p (2)
p (3)
. .
p(1)
p(0)
. .
p (2) p (3) . .
p(1) p (0) . .
.
.
.
.
p(0)
p(1)
p (3) p (2)
.
. .
. .
. . p (0)
.
.
.
.
.
.
.
.
. .
. .
. .
p (1)
p (3) p(2)
.
.
.
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)
.
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
25
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.
26
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)
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)
(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:
28
d i3
d i2
d i1
ci
filas
q
ci-1
Figura 3-5: Esquema de la descomposicin Wavelet en dos dimensiones, con filtros p(n) y q(n).
29
d 31
c3
d
2
3
d 21
3
3
d11
d 22
d 23
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)
30
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
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].
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
33
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
34
35
36
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
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.