COMPRESIN DE DATOS MEDIANTE WAVELETS

DAVID ALEJANDRO AGUDELO JIMNEZ

UNIVERSIDAD TECNOLGICA DE PEREIRA FACULTAD DE INGENIERAS PROGRAMA INGENIERA DE SISTEMAS PEREIRA 2011

0.

Wavelets

La idea fundamental de los wavelets es analizar deacuerdo a una escala, as mismo, algunos investigadores en el campo de las wavelets sienten que el hecho de usarlas implica adoptar toda una nueva mentalidad o perspectiva en el procesamiento de datos Los wavelets son funciones que satisfacen ciertos requerimientos matemticos usados en la representacin de datos u otras funciones. Esta idea no es nueva. La aproximacin usando superposicin de funciones ha existido desde los 80, cuando Joseph Fourier descubri que poda superponer senos y cosenos para representar otras funciones. As mismo, en el anlisis de wavelets, la escala, que se usa para observar los datos, juega un papel importante. Los algoritmos basados en Wavelets procesan datos a diferentes escalas o resoluciones. Si miramos a una seal con una amplia "ventana", podemos notar caractersticas grandes. Similarmente, si miramos a una seal con una pequea "ventana", podemos notar pequeas caractersticas. Esto hace interesante y til a las wavelets. Por muchas dcadas, cientcos quisieron apropiarse de ms funciones que solo senos y cosenos, lo que comprometa las bases del anlisis de Fourier, para aproximar seales entrecortadas(1). Por su denicin, estas funciones no son locales ( y se estiran al innito). Ellas por lo tanto hacen un trabajo muy pobre al aproximar picos. Pero con el anlisis de wavelet, podemos usar funciones aproximadas que son contenidas en dominios nitos. Las wavelets manejan bien la aproximacin de datos con las discontinuidades bruscas. El procedimiento del anlisis de wavelets es adoptar una funcin wavelet prototipo llamada la la wavelet de anlisis o la wavelet madre. Un anlisis temporal es desarrollado con una versin de alta frecuencia contrada de la wavelet prototipo, mientras otro anlisis de frecuencia es desarrollado con una versin dilatada de baja frecuencia de la misma wavelet. A causa de que la seal original o la funcin puede ser representada en trminos de la expansin de una wavelet (usando coecientes en una combinacin lineal de varias funciones wavelet), las operaciones de datos pueden ser realizadas usando solo los coecientes respectivos de las wavelets. Si se escoge el mejor wavelet adaptado a ciertos datos, o se truncan los coecientes bajo un umbral, stos datos pueden representarse escasamente. Este codicacin escasa hace a las wavelets una excelente herramienta en el campo de la compresin. Otros campos donde se est haciendo uso de las wavelets incluyen la astronoma, la acstica, ingeniera nuclear, codicacin de sub-bandas, procesamiento de seales e imgenes, neurosiologa, msica, imgenes por resonancia magntica, discriminacin del habla, fractales, turbulencia, prediccin de terremotos, radares, visin humana, y aplicaciones de matemticas puras como la solucin de ecuaciones diferenciales.

1.

Perspectiva histrica

En la historia de las matemticas, el anlisis de wavelets muestra diferentes orgenes(2). Mucho del trabajo fue realizado en los 30's y al mismo tiempo, los esfuerzos separados no parecieron ser partes de una teora coherente.

1.1.

Pre-1930

Antes de 1930, la principal rama de las matemticas ligadas a las wavelets empez con Joseph Fourier (1807) con sus teoras de anlisis de frecuencias, ahora conocidas como sntesis de Fourier. El arm que cualquier funcin peridica

f (x)

es la suma de :

a0 +
k=1

ak cos kx + bk sin kx a0 , ak
y

(1)

De sus series de Fourier. Los coecientes

bk

son calculados por:

a0 =

1 2

f (x)x, ak =
0

f (x) cos (kx)x, bk =

0

f (x) sin (kx)x

0

Las armaciones de Fourier jugaron un papel esencial en la evolucin de las ideas que los matemticos tenian acerca de las funciones. El abri la puerta a un nuevo universo funcional. Despus de 1807, al explorar los signicados de las funciones, la convergencia de las series de Fourier, y los sistemas ortogonales, los matemticos gradualmente fueron pasando de su nocin previa del se analiza a

anlisis de frecuencias

a la nocin de

anlisis de escalas.

As,

f (x)

creando estructuras matemticas que varian en escala.PERO COMO

PUTAS? pues construyendo una funcin, cambiando por una cierta cantidad y cambiando su escala. Esto aplica a una estructura en una seal aproximada. Ahora se repite el procedimiento, tome esa estructura bsica, cambila y vuelvala a escalar. Aplicando esto a la misma seal para obtener una nueva aproximacin, y as sucesivamente. Se nota que este mtodo de anlisis de escalas es menos sensible al ruido porque reduce el promedio de las uctuaciones de la seal a diferentes escalas. La primera mencin de las wavelets apareci en un apndice de una tesis de A. Haar(1909). Una propiedad de la wavelet de Haar es que tiene soporte compacto, que signica que se desaparece en un intervalo nito. Desgraciadamente, las wavelets de Haar no son diferenciables continuas, lo que limita sus aplicaciones.

1.2.

1930

En la dcada de los 30, varios grupos trabajaron independientemente en investigacin de las funciones usando las wavelets. Usando una funcin base de escala variable llamada la funcin base de Haar, Paul levy, un fsico de los 30, investig el movimiento browniano, un tipo de seal aleatoria. El encontr que la funcin base de Haar es superior a las funciones base de Fourier para estudiar pequeos y complicados detalles en el movimiento Browniano. Otro esfuerzo de investigacin en los 30 hecha por Littlewood, Paley e involucrado Stein, con el clculo de la energa de una funcin

las funciones de bases de escala variable. Entender los conceptos

de las funciones base y de las funciones base de escala variable es la llave para entender

f (x) :
2

energy =

1 2

|f (x)|2 x
0

(2)

El clculo produjo diferentes resultados dependiendo si la energa estaba concentrada en unos cuantos puntos o distribuida sobre un amplio intervalo. Este resultado molest a los cientcos porque indicaba que la energa no se conservaba. Los investigadores encontraron una funcin que vara en la escala y PUEDE conservar la energa cuando se calcula la energa funcional. El trabajo de esta gente le di a David Marr las bases para armar un algoritmo efectivo para el procesamiento nmerico de imgenes usando wavelets en el principio de los 80.

1.3.

1960-1980

Entre 1960 y 1980, los matemticos Guido Weiss y Ronald R. Coifman estudiaron los elementos mas simples de una funcin espacio llamados

tomos,

con la meta de en-

contrar los tomos para una funcin comn y encontrar las reglas de ensamble que permitan la reconstruccin de todos los elementos de la funcin espacio usando estos tomos. En 1980, Grossman y Morlet, un fsico e ingeniero, denieron ampliamente las wavelets en los contextos de la fsica cuntica. Estos dos investigadores proveyeron una forma de pensamiento para las wavelets basadas en la intuicin fsica.

1.4.

Post-1980

Stephane Mallat le dio a las wavelets un salto de inicio adicional a travs de su trabajo de procesamiento de seales. El descubri algunas relaciones entre los ltros de cuadratura del espejo, algoritmos de pirmide y bases de wavelets ortonormales. Inspirados en parte

por estos resultados, Y. Meyer construy la primera wavelet no trivial. En contrario con la wavelet de Haar, la wavelet de Meyer es continua y diferenciable, sin embargo no tiene un soporte compacto. Un par de aos despus, Ingrid Daubechies, us el trabajo de Mallat para construir un conjunto de bases de wavelets ortonormales que son quizs las mas elegantes y se volvieron la piedra angular de las aplicaciones de las wavelets en la actualidad.

2.

Funciones Base

2.1.

Qu son?

Es simple explicar una funcin base si nos movemos por el dominio de lo anlogo (funciones) a lo digital (vectores). Cada 2 vectores dimensionales

(x, y) es una combinacin de un vector (1, 0) y (1, 0). Estos dos vectores son las bases para (x, y) porque?? porque generan el espacio (x, y) y son L.I.
Los mejores vectores base tienen la propiedad de que son perpendiculares u ortogonales entre s. Ahora volvamos al mundo anlogo, y veamos como relacionar estos conceptos con las funciones base. En ves del vector

(x, y) tenemos una funcin f (x). Imaginemos que f (x) es un tono musical, digamos que la nota A en una octava particular. Podemos construir A aadiendo senos y cosenos usando combinaciones de amplitudes y frecuencias. Los
senos y los cosenos son funciones base en este ejemplo, y los elementos para la sntesis de Fourier. Para los cosenos y senos escogidos, podemos agregar un requerimiento: que sean ortogonales. Cmo? escogiendo la apropiada combinacin de senos y cosenos cuyo producto interno sea cero. El conjunto particular de funciones que son ortogonales y que generan a

f (x)

son nuestras funciones base ortogonales para este problema.

2.2.

Que son funciones base de escala variable?

Una funcin base vara en escala si cortamos la misma funcin, o el espacio de datos usando diferentes tamaos de escala. Por ejemplo, imaginemos que tenemos una seal sobre el dominio de 0 a 1. Podemos dividir la seal con 2 funciones step de rango 0 a 1/2 y de 1/2 a 1. Luego podemos dividir la seal original usando 4 funciones step desde 0 a 1/4, 1/4 a 1/2, 1/2 a 3/4 y 3/4 a 1. Y as sucesivamente. Cada conjunto de representaciones codica la seal original con una escala o resolucin particular.

3.

Anlisis de Fourier

Las representaciones de funciones de Fourier son una superposicin de senos y cosenos, y se ha vuelto ubicuo para ambos mtodos de solucin de ecuaciones diferenciales, tanto analticos como numricos y para el anlisis y tratamiento de seales de comunicaciones. El analisis de Fourier y Wavelet son enlaces fuertes.

3.1.

Transformadas de Fourier

La utilidad de las transformadas de fourier descansa en su habilidad para analizar una seal en el dominio del tiempo para su contenido de frecuencia. La transformada trabaja primero pasando una funcin del dominio en el tiempo en una funcin de dominio en frecuencia. La seal puede ser analizada para su contenido de frecuencia debido a que los coecientes de Fourier de las funciones transformadas representan la contribucin de cada funcin seno y coseno en cada frecuencia. Una transformada inversa de Fourier, hace exactamente lo que se piensa, transforma datos del dominio de frecuencias al dominio en el tiempo.

3.2.

Transformadas de Fourier Discretas

La transformada discreta de Fourier (DFT) estima la transformada de Fourier de una funcin proveniente de un conjunto nito de nmeros y sus respectivas muestras. La DFT tiene propiedades de simetra casi iguales a la misma transformada continua de Fourier. En adicin la frmula para la trasnformada discreta de fourier es facilmente calculada usando una de las transformaciones de Fourier debido a que las dos son casi idnticas.