NOMBRES:

GERSON ISSAC LICON APAZA

JORGE FABRICIO CONDE GUTIERREZ
DOCENTE:
ING. CARDOZO
MATERIA:
SISTEMAS Y SERVICIOS DIGITALES II
TEMA:
WEBELETS
SEMESTRE:
9° SEMESTRE
CARRERA:
ING.TELECOMUNICACIONES
GESTION:
II/2021
INTRODUCCION
Las wavelets son aquellas funciones que logran satisfacer ciertos
requerimientos matemáticos y generalmente son usados para la representación
de datos o de otras funciones, estas funciones son adecuadas para aquellas
para la aproximación de datos con variaciones o discontinuidades abruptas.
La idea principal es analizar funciones de acuerdo a escalas, ya que en el
análisis por wavelets la escala que se utilizada para el análisis de los datos
juega un papel importante.
Los algoritmos que se utilizan para el análisis con wavelets procesan datos con
diferentes escalas o resoluciones, por ejemplo si se observa una señal o
función utilizando una “ventana” ancha, no se podrá observar detalladamente
los datos, en cambio si la “ventana” se ajusta, entonces se pueden observar
esos detalles, entonces en el análisis con estas funciones la “ventana” se
ajustan automáticamente al cambiar la resolución, esto hace que sea una
herramienta muy útil al momento de realizar análisis.
Su procedimiento principal en el análisis utilizando wavelets, es el de adoptar
una función “prototipo”, el cual es denominado wavelet madre, el análisis
temporal se realiza utilizando dilataciones y traslaciones de dicha función, la
señal original se puede representar como una combinación lineal de la función
original y de sus trasladas y dilatadas, a esto se le denomina expansión en
wavelets.
La elección de la wavelet madre, no es única debido al tipo de función que
vamos a analizar, ya que escogiendo la correcta ayuda por ejemplo a la
eliminación de coeficientes por debajo del umbral prefijado, hace que las
wavelets sean una herramienta excelente, entre otras que ayudan a la
compresión de datos.
Fundamentos Básicos
Muchos de los fenómenos físicos pueden describirse mediante una señal en el
dominio del tiempo; es decir, una de las variables es el tiempo (variable
independiente) y la otra la amplitud (variable dependiente). Cuando se dibuja
esta señal se obtiene una función tiempo-amplitud; sin embargo, la información
que se puede obtener directamente de esta representación no siempre es la
más apropiada, puesto que la información que caracteriza a la señal, en
muchos casos, puede observarse más claramente en el dominio de la
frecuencia, es decir, mediante un espectro de frecuencias que muestre las
frecuencias existentes en la señal. Por lo tanto, para una mejor representación
de la señal se hace necesario disponer de su representación en el domino del
tiempo y de la frecuencia.
ANTECEDENTES HISTORICOS DE LA TRANSFORMADA WAVELET
Antes de 1930 la rama de las matemáticas que dio origen a la teoría de las
wavelets comenzó con las teorías de análisis de frecuencias de Joseph Fourier
en 1807, cuando se introdujo la expansión de señales periódicas como la
sumatoria de senos y cosenos.
Como es bien conocido, el asegura que cualquier función f(x) de periodo T
puede escribirse como superposición de funciones sin(x) y cos(x):

Es decir, se puede expresar como la suma de una serie de Fourier cuyos

coeficientes están dados por:

siendo to un punto cualquiera (generalmente se elige igual acero).

Las afirmaciones de Fourier jugaron un rol esencial en la evolución de las ideas
que los matemáticos tenían sobre funciones e integrales. El pasaje de una
representación de funciones por medio de polinomios a otra de la forma
expuesta por Fourier abrió, sin él saberlo, un nuevo universo en la teoría de
funciones. La teoría de Fourier fue después probada y llevada a su marco justo
gracias a contribuciones de matemáticos como, por ejemplo, Henri Lebesgue.
El estudio de los problemas de convergencia de las series de Fourier, del
significado de las funciones y de los sistemas ortogonales, llevó a los
matemáticos en forma gradual desde la noción de análisis en el dominio
tiempo-frecuencia al de análisis en el dominio tiempo-escala. Este desarrollo
contribuyó a la posterior definición de wavelets.
La primera mención de una wavelet fue hecha por Alfred Haar que se preguntó
a sí mismo si no sería posible que existiera otro sistema ortonormal de
funciones ho(x), h1(x)..., hn(x) definidas en el intervalo [0,1] de manera tal que
∞
para cualquier función f(x), continua en [0,1], la 00 serie: ∑ (f ,hn)convergiese
n=0
uniformemente a f (x) en dicho intervalo, siendo (j, hn) el producto escalar entre
las funciones hn Y f(x). Este problema no tiene una solución única. Haar
descubrió, en 1909, la solución más simple y, al mismo tiempo, abrió uno de los
caminos que conducirían a las wavelets, en 1909 y una de las propiedades de
la wavelet Haar era su soporte compacto. Sin embargo, esta wavelet no era
continua, por lo que se limitaba a ciertas aplicaciones.
Las críticas a las funciones de Haar son las siguientes: Los "átomos" hn(x)
utilizados en la construcción de una función continua f (x) son funciones
discontinuas y por lo tanto hay una falta de coherencia. Además, si se desea
aproximar una función que sea C -1, la utilización de funciones escalón es
totalmente inapropiada. Estos problemas y la idea de aproximar el gráfico de
una función por medio de poligonales, llevaron a Faber y Schauder a
reemplazar las funciones de Haar por sus primitivas. Esta línea de
investigación comenzó en 1910 y continuó hasta 1920, dando lugar a las bases
de Schauder.
Hacia los años 1930, diversos grupos investigaron acerca de la representación
de funciones utilizando bases de funciones variantes en escala. El físico Paul
Lévy utilizó este tipo de bases para el estudio del movimiento browniano, que
es una señal random. Encontró que, para este tipo de señales, las bases de
Schauder eran superiores a las de Fourier para estudiar propiedades de
regularidad de las mismas. Estos trabajos y sus extensiones posteriores,
mostraron que los sistemas trigonométricos no proveen un acceso tan directo y
simple para estudiar las regularidades locales de una señal que, al ser
analizadas con otros sistemas, aparecen claramente.
Otra dificultad que se presentaba en problemas de física era tratar de localizar
la energía de una función. Sabemos que la energía total de una función está
dada por la suma de los cuadrados de los coeficientes de Fourier si la función
se puede desarrollar en una base de Fourier. Ahora bien, a veces es
importante saber si dicha energía está concentrada en algunos puntos o
distribuida a lo largo del eje real. Para saberlo, es necesario manipular las
series de Fourier de manera especial, descubierta por Littlewood y Paley,
también en la década de 1930. Hasta este momento las wavelets no habían
aparecido. El camino que unió los trabajos de Littlewood-Paley con el análisis
por wavelets fue realizado por el grupo de Zygmund en la Universidad de
Chicago. Aparece entonces la wavelet madre y la función de Littlewood-Paley-
Stein que permite vanar arbitrariamente las escalas utilizadas en el análisis.
Durante los primeros años de la década de 1980, los trabajos de Littlewood-
Paley sirvieron de base para los algoritmos de Marr y de Mallat para
procesamiento de imágenes.
Después de 1980, más precisamente en 1985, las wavelets tuvieron un
impacto adicional gracias al trabajo de Stephane Mallat con su paper en
procesamiento de imágenes. En esa contribución presentó claramente las
relaciones existentes entre filtros, algoritmo piramidal y bases ortonormales de
wavelets, junto con aplicaciones a procesamiento de imágenes. Inspirado en
parte por este trabajo, Yves Meyer construyó la primera base no trivial de
wavelets que es a diferencia de las de Haar, diferenciable, aunque su soporte
no es compacto. Unos años más tarde, Ingrid Daubechies se basó en el trabajo
de Mallat para construir un conjunto de wavelets madre de soporte compacto
que generan bases ortonormales de funciones. La construcción que presenta 1.
Daubechies es tal vez la más elegante y se ha convertido, en la actualidad, en
uno de los pilares de las aplicaciones de las wavelets.

TEORIA DE WAVELETS
Una función wavelet es una pequeña onda cuya energía se encuentra
concentrada en el tiempo y sirve como herramienta para el análisis de
fenómenos transigentes, no estacionarios y variantes en el tiempo.
Una de las características que ha permitido la aplicación de la teoría wavelet en
diferentes campos de estudio es la capacidad de realizar un análisis en tiempo
y frecuencia de fenómenos estacionarios y no estacionarios. El análisis wavelet
se basa, al igual que la teoría de Fourier, en el concepto de aproximación de
señales usando la superposición de señales. La diferencia entre la teoría de
Fourier y la teoría wavelet radica en que las funciones wavelet varían tanto en
frecuencia como en escala.
Una forma general de ver las funciones wavelet es como familias de funciones
que tienen una buena localización tanto en frecuencia como en tiempo. Está
característica hace del análisis wavelet una herramienta poderosa para
diversas aplicaciones que involucran el procesamiento de señales.
TRANSFORMADA WAVELET
La WT (transformada wavelet) genera bloques de información en escala y
tiempo de una señal. Estos bloques se generan desde una única función fija
llamada wavelet madre ψ (t), como se define en la ecuación (1.3), mediante
operaciones de translación y dilatación.

Donde a y b son números reales del conjunto R, a permite hacer las

dilataciones y contracciones de la señal, y b permite cambiar la posición de la
señal en el tiempo.
Cuando la variable a es igual a 0 la señal se indetermina.
El proceso de transformada wavelet de una señal se llama análisis y el proceso
inverso para reconstruir la señal se llama síntesis. Este análisis genera
diferentes sub-bandas, por lo que distintos niveles de descomposición se
pueden generar de acuerdo con las necesidades de la aplicación. Dichas sub-
bandas en el plano de la frecuencia no son uniformes y se encuentran divididas
logarítmicamente tal como se muestra en la Figura 1.4.
En donde para un rango de 0 a fn las muestras de una señal son la mitad para
cada nivel de escalamiento.
El análisis WT es superior a los distintos tipos de análisis de Fourier ya que
proporciona una localización tiempo-frecuencia adaptiva. A un nivel de escala
grande de la wavelet se obtiene buena resolución en frecuencia mientras que a
una escala baja se tiene una buena resolución en tiempo.
Existen diferentes familias de wavelets, de las cuales no existe un criterio
definido para evaluar su calidad debido a que esta depende en gran medida de
la aplicación y las características requeridas para ésta, como lo pueden ser su
soporte, simetría, momentos de desvanecimiento, regularidad, etc. Las familias
más conocidas de wavelets son: Haar, Daubechies, Coiflets, Symlets,
Biortogonales, Meyer, Mexican hat, Shannon y Morlet. Se propone analizar la
eficiencia del algoritmo con las primeras 5 familias mencionadas y diferentes
cantidades de coeficientes, ya que la selección depende tanto de la escala
como la resolución, y para determinar la wavelet adecuada para esta aplicación
se debe analizar el método, tanto con diferentes wavelets como con diferentes
niveles de descomposición a los cuales trabajan dichas wavelets.
TRANSFORMADA WAVELET CONTINUA (CWT)
Dadas las limitantes de la STFT (Transformada de Fourier en tiempo reducido)
se desarrolla la CoWT para superar dichas restricciones. La ecuación (1.5) que
define la CoWT es:

En donde x(t) es la señal a analizar, ψ(t) es la wavelet madre, que es función

de la escala a= fo/f (parámetro de dilatación), b es el parámetro de traslación y
finalmente f0 es la frecuencia central de la wavelet. Por lo tanto con los valores
a y b se obtienen wavelets que son versiones de la wavelet madre ψ(t).
Este análisis wavelet entrega una serie de coeficientes que indican que tan
parecida es la señal a analizar de una función madre. Dado que la CoWT es un
proceso reversible la señal puede obtenerse a partir de los coeficientes
obtenidos en el análisis. Este proceso de síntesis esta descrito por la ecuación
(1.6):
En donde Cψ es una constante llamada constante de admisibilidad y debe
tener un valor finito para poder realizar el proceso de síntesis.
TRANSFORMADA WAVELET DISCRETA
La transformada de wavelet es un tipo especial de transformada matemática
que representa una señal en términos de versiones trasladadas y dilatadas de
una onda finita (denominada óndula madre).
La teoría de ondículas está relacionada con campos muy variados. Todas las
transformaciones de ondículas pueden ser consideradas formas de
representación en tiempo-frecuencia y, por tanto, están relacionadas con el
análisis armónico. Las transformadas de ondículas son un caso particular de
filtro de respuesta finita al impulso. Las óndulas, continuas o discretas, en el
espacio directo y en el de las frecuencias no puede ser más pequeño que una
cierta constante geométrica. En el caso de las ondículas discretas, la
dispersión de los coeficientes se ha de medir de acuerdo con la norma l2
(norma 2 de series numerables). Representada por la ecuación:

APLICACIONES
Hemos visto que las wavelets son una herramienta matemática para
descomponer funciones jerárquicamente. Es por esto que las áreas de
aplicación de la transformada wavelet son tan diversas y, si bien la mayoría de
la teoría de wavelets ya ha sido desarrollada, aún resta mucho para hacer
desde el punto de vista de sus aplicaciones. Aunque la lista no pretende ser
exhaustiva, a continuación, se detallan algunas aplicaciones con el objeto de
que se vea el amplio rango de posibilidades que ofrece dicha transformada.
WAVELETS Y COMPRESIÓN
La meta de la compresión es partir de un conjunto de datos es expresarlo
usando algún conjunto de datos menor con ninguna o con la menor cantidad de
pérdida de información posible. Podemos definir entonces la compresión como
la representación de una función utilizando menos coeficientes de la base de
funciones que los dados originalmente. O sea que dada una f(x),
se requiere encontrar una función r(x), que aproxime a f(x),

de modo tal que ¡¿ < k Y IIf(x) - r(x) 11 < E, siendo E una tolerancia
especificada por el usuario. Es claro que la transformada wavelet puede
aplicarse a una función n-dimensional. Esto puede aplicarse para la
compresión de ondas de sonido.
Si se trata de una función bidimensional, ésta puede representar una
determinada imagen. En este caso, la representación en base de wavelets
corresponde a una descomposición de la imagen en un conjunto de bandas de
frecuencia independientes y tres orientaciones espaciales. Cada imagen de
detalle d2J da el contraste de la imagen en un dado rango de frecuencias y a 10
largo de una orientación particular.
Para reconstruir la imagen original, podemos permitir que ocurran errores en
tanto no se destruya la información relevante para un observador humano. En
este caso, se ha probado experimentalmente que la distorsión visible en una
imagen reconstruida no depende sólo del error medio cuadrático total sino
también de la distribución de este error entre los diferentes detalles d 2J.Se
mostró que el sistema visual humano tiene sensitividad máxima cuando el
contraste es horizontal o vertical; sin embargo, cuando el contraste está
ubicado a 450 , la sensitividad es mínima. Por ello, es posible adaptar el error
de codificación de cada imagen de detalle a la sensitividad del ojo humano.
Cuanto más sensitivo es el sistema visual humano, menos error de codificación
debemos introducir en la imagen de detalle d 2j. Es decir que en la
reconstrucción se puede lograr una aproximación suficientemente buena de la
imagen original usando sólo los detalles significativos. Se logran entonces
niveles altos de compresión.
En tres dimensiones, la transformada wavelet permite la representación de un
sólido. En este caso el volumen de un objeto es representado con una función
de tres variables. Del mismo modo que para una imagen, pueden utilizarse sólo
los coeficientes que permitan una reconstrucción adecuada el volumen.
Además, utilizando la propiedad local de las wavelets, se podría aproximar una
porción especificada del sólido. Cabe señalar que el procesamiento de
volúmenes requiere almacenar gran cantidad de datos y, por ello, una técnica
que permite la compresión de los mismos es de suma importancia.
TIPOS DE WAVELETS
Existen muchas wavelets madre agrupadas en familias según su utilidad; Ingrid
Daubechies quien es el mayor constructor de wavelets ha propuesto tres
familias, la Daubechies que es un conjunto de wavelets ortonormales
apropiadas para aplicarse en análisis de señales discretas, la Coiflets llamadas
así por ser construidas a solicitud de R. Coifman, y la Symmlet que siendo
similares a las Daubechies tienden a ser casi simétricas.
Las Biortonormales es una familia que presenta la propiedad de fase lineal lo
que es muy útil para la reconstrucción de imágenes, en este caso se debe usar
una wavelet madre para la descomposición y otra para la reconstrucción.
Algunas wavelets están definidas por una función explicita como la wavelet
Haar dada por:

que se observa en la Figura 2.1.

la Morlet dada por la ecuación

mostrada en la Figura 2.2.a, o la wavelet sombrero mexicano que no es más

que la segunda derivada de la función de distribución gaussiana

y que se puede observar en la Figura 2.2.b [MOP97].

En las Figuras 2.3, 2.4 y 2.5 se muestran tres de las principales y más
conocidas
familias de wavelets, la Daubechies, la Coiflet y la Symmlet respectivamente.

Conclusiones
Se dio una reseña histórica del desarrollo de la teoría de wavelets, señalando
los diferentes orígenes de la misma, su relación con el Análisis de Fourier y sus
aplicaciones. Debido a que el concepto de wavelets puede verse como una
síntesis de ideas que se originaron sim.ultáneamente en distintas ciencias, las
mismas resultan atractivas a científicos e ingenieros con distintas formaciones.
Por otro lado son una herramienta matemática simple con una gran variedad de
aplicaciones en áreas tan diversas como procesamiento y compresión de
señales multidimensianales, análisis numérico, computación gráfica, visión
artificial y muchas otras aplicaciones más. Por ende, tanto el origen
interdisciplinario de las mismas como su amplia aplicabilidad contribuyen en
gran medida al interés explosivo que ellas despertaron como una nueva
herramienta del análisis armónico.
Bibliografía
[1] Agamennoni, O., Castro, L., Paolini, E., Cousseau, J. y Castro, S., Pattem
Recognition in Ultrasonic Sensing, aceptado para su presentación en el VI
RPIC a realizarse en Bahía Blanca en noviembre de 1995.
[2] Berman, D., Bartell, J., y Salesin, D., Multiresolution Painting and
Compositing, Proceedings of SIGGRAPH 94, Computer Graphics Julio 24-29
1994, pp. 85-90. 2041 ler. Congreso Argentino de Ciencias de la Computación
[3] Castro, L., Agamennoni, O., Paolini, E., Cousseau: J. y Castro, S.,
Multiresolution Analysis and Ultrasonic Sensing, ICIAM95, Hamburgo, 3 al 7 de
julio de 1995.
[4] Chui, C., An Introduction to Wavelets, Academic Press, New York, 1992. I
[5] Chui, C., Wavelets: A Tutorial in Theory and Applications, Academic Press,
New York, 1992. [6] Da.ubechies, l., Ten Lectures on Wavelets, Society for
Industrial and Applied Mathematics, Philadelphia, USA, 1992.
[7] Finkelstein, A., y Salesill, D., Multiresolution Curves, Proceedings of
SIGGRAPH 94, Computer Graphics Julio 24-29 1994, pp. 261-268.
[8] Kaiser, G., A Friendly Guide to Wavelets, Birkhauser, Boston, 1994.
[9] Mallat, S., A Theory lor Multiresolntion Signal Decomposition: The Wavelet
Representation, IEEE 'Il'ansaction on PAMI, Vol. 11, No. 7, pp. 674-693, 1989.
[10] Meyer, Y., Wavelets. Algorithms and Applications, Society for Industrial and
Applied Mathematics, Philadelphia, USA, 1993.
[11]J Muraki, S., Approximation and Rendering 01 Volume Data Using Wavelet
Translorm, Proceedings on Visualization '92, IEEE Computer Press, 1992, pp.
21-28.
¿Porqué de las imágenes de baja calidad pesan más?

La resolución de una imagen no es un concepto único, sino que depende del

medio en que la imagen vaya a ser tratada o visualizada (resolución de
impresión, de trama, de escaneado…).

El concepto más conocido es la resolución del archivo digital, la densidad de

píxeles en la imagen definida por el número de píxeles distintos que tiene la
imagen por unidad de longitud. Su unidad de medida son los PPI/PPP (pixels
per inch/píxeles por pulgada). Cuanto mayor sea esta resolución, más
contenedores de información (píxeles) tiene el fichero digital, más calidad
tendrá la imagen y más peso en MB tendrá el fichero.

Para clasificar las imágenes se suelen dividir en alta y baja resolución. Las
imágenes en alta resolución (high-res) están previstas para impresión, teniendo
generalmente 300ppi. En cambio, las imágenes en baja resolución (low-res)
suelen utilizarse para mostrar solamente en pantalla (web, redes sociales…) y
tienen generalmente una resolución de 72dpi.

A mayor resolución, más píxeles hay en una imagen, más grande es su mapa
de bits y mayor información contiene, por lo que se distinguen los detalles con
mayor nitidez.

Está claro que las imágenes de mapas de bits dependen de la resolución a la

que han sido creadas, por lo que al modificar su tamaño pierden calidad visual.
Si lo disminuimos, los trazos perderán definición, mientras que si lo
aumentamos se pixelizará, al tener que crear píxeles que inicialmente no
existían, produciéndose el efecto de dientes de sierra.

En resumen, para mantener la calidad de reproducción al variar el tamaño de

una imagen, tendremos que variar también su resolución. Si queremos que
mantenga el nivel de calidad, tendrá que mantener la cantidad de información
que posee la imagen (número de bits que ocupa) cuando modifiquemos sus
dimensiones.