Wavelets

ANEXO 2
LA TRANSFORMADA WAVELET
Create PDF with GO2PDF for free, if you wish to remove this line, click here to buy Virtual PDF Printer
ANEXO 2.- TRANSFORMADA WAVELET
ANEXO 2
LA TRANSFORMADA WAVELET
La Transformada Wavelet es un útil conjunto de herramientas y técnicas que permite

tratar, procesar y evaluar de forma robusta y eficiente gran variedad de señales de nuestro
entorno, desde señales sísmicas hasta música y voz, pasando por las imágenes médicas y señales
biológicas.
A2.1.- ORIGEN
En los últimos años han surgido, y continúan en desarrollo, distintos métodos y técnicas
de procesamiento digital, para la detección y evaluación de señales biológicas, como es el caso
de la señal ECG. Entre estos métodos destacan [5] los basados en el estudio de las
distribuciones tiempo-frecuencia tales como la Transformada de Fourier de Corto Tiempo
(STFT), o la Transformada Wavelet (WT).
El concepto de “wavelet” significa “onda pequeña”, y mientras que las senoides son
suaves, regulares e infinitas, las wavelets son irregulares y asimétricas. Al igual que la
Transformada de Fourier (FT) consiste en descomponer una señal en ondas senoidales de
diversas frecuencias, la Transformada Wavelet (WT) consiste en trocear una señal en versiones
escaladas y desplazadas de una wavelet a la que llamamos wavelet madre.
La Transformada Wavelet surge como evolución de la conocida Transformada de

Fourier, y para suplir sus carencias en lo que al dominio del tiempo se refiere. Además, la FT
fue ideada para aplicarse a señales estacionarias, periódicas y finitas, lo cual descarta a gran
parte de las señales que pudieran ser captadas en un entorno real. En resumen, los problemas
presentados por la FT que se plantea resolver son:
• Fue definida para señales estacionarias, periódicas e infinitas.

• En el dominio de la frecuencia no hay información disponible del tiempo.
• Es imposible decir el instante de tiempo en el que tiene lugar un evento
particular a una frecuencia concreta.
Como paso intermedio entre la Transformada de Fourier y la Wavelet, Denis Gabor

(1946), idea la STFT (Short Time Fourier Transform), buscando un compromiso entre las
representaciones de la señal en el dominio del tiempo y en el dominio de la frecuencia, logrando
una localización temporal de las componentes espectrales [5]. Consiste en enventanar la señal,
dividirla en pequeños segmentos, de forma que pueda asumirse su estacionariedad y después se
le aplica la FT normal a cada ventana. Se obtiene una representación tiempo – frecuencia de la
señal, que permite conocer el valor de sus componentes armónicas y también su ubicación
temporal.
Esto supone un avance, también la aparición de más problemas, especialmente respecto

al tamaño de las ventanas: a ventanas más estrechas, mejor representación en el tiempo, pero
peor en frecuencia; lo contrario ocurre con ventanas grandes. Además, la STFT no proporciona
un método numérico para la reconstrucción o transformada inversa. Un resumen de las carencias
de la STFT se muestra a continuación:
• Por el principio de incertidumbre de Heisenberg, cuanto más estrecha sea la ventana, mejor
es la resolución en el tiempo, pero peor en frecuencia. Además si la ventana es ancha ocurre
lo contrario entre frecuencia y tiempo y con el peligro añadido de violar la condición de
estacionariedad. Por tanto, si la ventana es estrecha se “ciegan” las bajas frecuencias,
porque las frecuencias necesitan tiempo para oscilar y poder ser detectadas.
• El dilema del enventanado: es difícil decidir la anchura de la ventana para el análisis,
cuántas anchuras diferentes usar, cómo superponer las ventanas, etc.
• Por el contrario a la FT, la STFT no proporciona forma numérica de reconstruir la señal tras
la transformación.
El siguiente paso es la definición de la Trasformada Wavelet, que mantiene el

enventanado, pero asumiendo la posibilidad de que las ventanas tomen anchuras variables,
diferentes resoluciones para las distintas frecuencias. Además, a diferencia de la STFT permite
antitransformar para reconstruir la señal.
Merece la pena destacar la versatilidad que otorga el trabajar con enventanado con
regiones variables. En fragmentos de señal en los que interese información precisa de baja
frecuencia, basta con tomar una ventana muy ancha; al contrario cuando requiramos más
información de alta frecuencia. Se consigue así un método de trabajo más organizado en
tiempo-frecuencia:
Fig A2.1.- Embaldosamiento frecuencia-tiempo de las transformaciones de Fourier, STFT y Wavelet.
Esto favorece especialmente el tratamiento de señales que contienen componentes

armónicas de alta frecuencia durante intervalos de tiempo cortos, y componentes armónicas de
baja frecuencia durante la mayor parte del tiempo.
Otra característica de la WT que la hace más adecuada que la FT para el procesamiento

de señales reales directamente extraídas de nuestro entorno es que, en lugar de emplear una
descomposición de las señales en una colección de senoides de distintas frecuencias,
descompone estas señales, irregulares y con cambios bruscos, en “wavelets” así mismo
irregulares. La aptitud de un método de transformación para procesar una determinada señal se
puede medir en función de la correlación existente entre dicha señal de interés y la función en la
que se basa la descomposición. La ventaja de la Transformada Wavelet es, por tanto, que sus
funciones base se adaptan mejor a las características de las señales reales que las senoides en las
que se basa la Transformada de Fourier.
Fig A2.2.- Función base de la transformada de Fourier (senoide) y ejemplo de función base de
la transformada Wavelet (db10) de la familia Daubechies.
A2.2.- TRANSFORMADA WAVELET CONTINUA:
Si hacemos una comparación entre la FT y la Transformada Wavelet, la Transformada

Continua de Fourier se calcula mediante la expresión:
(Ecuación A2.1)
Es decir, como ya se avanzó en el capítulo anterior, la trasformada continua de Fourier

descompone la señal en senoides de distintas frecuencias. Gráficamente:
Fig A2.3.- representación de la descomposición temporal de la señal en senoides de distintas

frecuencias, según la Transformada de Fourier.
La expresión matemática de la Transformada Wavelet Continua (CWT) se define

como la suma para todo instante de tiempo de la señal f(t) multiplicada por versiones escaladas
y desplazadas de una función wavelet base ? :
∞
Coef (escala , posicion) = ∫f (t )Ψ (escala, posicion)dt
−∞
Es decir, el procedimiento es análogo al de la FT: la señal se descompone en versiones

escaladas y desplazadas de la función base escogida, que en lugar de ser una senoide será la
función wavelet madre escogida. Gráficamente:
Fig A2.4.- representación de la descomposición temporal de la señal en wavelets madre

escaladas y desplazadas, según la Transformada Wavelet-.
El resultado de la CWT son los coeficientes wavelet, función de la escala y la posición.

A partir de ellos puede reconstruirse la señal original.
Existe una correspondencia entre el escalado de las wavelets y la frecuencia:
• Escalado pequeño => wavelet comprimida => capta los detalles que cambian
rápidamente => altas frecuencias.
• Escalado grande => wavelet expandida => capta los detalles que cambian lentamente
=> bajas frecuencias.
Fig A2.5.- Correspondencia de la frecuencia de la señal y el escalado de la wavelet madre.
A2.3.- TRANSFORMADA WAVELET DISCRETA:
La WT tiene como fin tratar gran variedad de señales para su transmisión, estudio,… La
mayor parte de las señales de interés que será necesario manejar se almacenan en formato
digital, más eficiente y manejable. En caso de ser señales directamente captadas del entorno, lo
más frecuente es que, antes de pasar a la etapa de procesamiento, las señales sean
preprocesadas, muestreadas y digitalizadas.
Para aplicar la transformación Wavelet a señales discretas nace la Transformada

Wavelet Discreta (DWT), que, además, resuelve los problemas de redundancia y de definición
analítica de las funciones wavelet que sufre la CWT . Por tanto, es más frecuente el empleo de
la DWT; concretamente, en el tratamiento de señales electrocardiográficas, se empleará la
DWT, ya que las señales de las que disponemos gracias a las bases de datos están digitalizadas.
Además, en los sistemas de monitorización remota cuyo estudio nos ocupa la señal se procesará
en forma de muestras previamente digitalizadas, también.
Su expresión matemática es la siguiente:
1 t −b
C (a, b) = ∫s(t ) ψ( )dt (Ecuación A2.2)
R a a
, donde a representa la escala y b el desplazamiento.
La principal diferencia con la CWT radica en que se escogerán desplazamientos y

escalados potencia de dos, para un análisis mucho más eficiente y preciso.
A2.3.1.- Descomposición Wavelet:
En la mayor parte de las aplicaciones se tiene diferente interés en los contenidos de alta
o baja frecuencia de las señales. Dado que el enventanado escogido para aplicar la DWT
dependerá de las componentes de interés, podemos establecer una clasificación de la
información conseguida en cada caso. Por tanto, los coeficientes Wavelet resultantes de la
descomposición podrán clasificarse, tal y como se muestra en la Figura A2.6, en:
• coeficientes de detalle (alta frecuencia).

• coeficientes de aproximación (baja frecuencia).
Fig A2.6.- Proceso de descomposición Wavelet.
La Transformada Wavelet se implementa mediante un árbol jerárquico de filtrado,

organizado en etapas denominadas niveles de descomposición. Cada etapa consta a su vez de
dos fases: un filtrado de alta frecuencia y un filtrado de alta frecuencia. De cada uno de ellos,
tras un diezmado, se obtienen los coeficientes de detalle y los coeficientes de aproximación
respectivamente. El diezmado consiste en descartar una de cada dos muestras, escogiendo
muestras intercaladas.
El árbol se compone pasando a la siguiente etapa los coeficientes de aproximación

obtenidos, y así sucesivamente, como se observa en la Figura A2.7:
D1
HPF 2
X HPF 2 D2
A1
LPF 2
LPF 2 A2
: HPF 2 DM
:
AM-1
LPF 2 AM
Fig A2.7.- Etapas de filtrado jerárquico del árbol de descomposición de la Transformada

Wavelet
A la salida de cada etapa i se obtienen los coeficientes de aproximación, Ai, y los

coeficientes de detalle, Di. La entrada de la siguiente etapa (i+1) son los coeficientes de
aproximación de la etapa anterior, Ai.
Todos estos coeficientes, convenientemente ordenados, se almacenan en el vector de

coeficientes como sigue:
Vector de coeficientes = [AM, DM, DM-1,…D3, D2, D1] (Ecuación A2.3)
A partir de la información contenida en los coeficientes Wavelet, se puede llevar a cabo

la reconstrucción de la señal original mediante un procesamiento con una estructura de filtros
de espejo en cuadratura.
A2.3.2.- Síntesis Wavelet:
Una vez tenemos la información de la señal contenida en el vector de coeficientes

Wavelet ordenados, podemos reconstruir la señal original completa, sin pérdida de
información, mediante un proceso similar al de la descomposición, mediante una estructura de
filtros. Es el procedimiento de reconstrucción o síntesis (IDWT):
Fig A2.8.- Proceso de reconstrucción o síntesis Wavelet.
La definición matemática de la IDWT es la siguiente:
s(t ) = ∑ ∑ C ( j , k )ψ j .k (t ) (Ecuación A2.4)

j∈ Z k∈ Z
En cada etapa se emplea ahora, para compensar el diezmado de la descomposición, un

sobremuestreo, que inserta ceros intercalados entre las muestras. De esta forma, se tiene a la
salida el doble de coeficientes que a la entrada. Gráficamente:
Fig A2.9.- Proceso de sobremuestreo o upsampling.
En resumen, la representación simplificada de las estructuras de coeficientes de la

descomposición y síntesis de la Transformada Wavelet muestra la distribución en árbol del
proceso:
Señal A3 D3
A1 D1 A2 D2
A2 D2 A1 D1
A3 D3 Señal
(a) (b)
Fig A2.10.- Estructura de filtros de la descomposición Wavelet (a) y de la síntesis Wavelet (b)
considerando 3 niveles de descomposición (M=3).
A2.4.- TRANSFORMADA WAVELET POR PAQUETES:
Es una variante de la Transformada Wavelet que consiste en descomponer

iterativamente no solo los coeficientes de aproximación obtenidos de la etapa anterior, sino
también los de detalle, dando lugar a una estructura en árbol doble, tal y como se puede ver en
la figura:
Señal
A1 D1
AA2 DA2 AD2 DD2
AAA3 DAA3 ADA3 DDA3 AAD3 DAD3 ADD3 DDD3
Fig A2.11.- Estructura de descomposición Wavelet por paquetes.
A2.5.- FAMILIAS DE FUNCIONES WAVELET :
La Transformada Wavelet se basa en una función, que se escogerá de entre múltiples

opciones, denominada función Wavelet madre: la señal se descompondrá en base a esta
función. Las funciones Wavelet se distribuyen en familias, que comparten ciertas características,
y la correcta elección de la función condicionará la correcta u óptima transformación. No se
puede afirmar que exista una función Wavelet óptima, sino que en cada caso particular, existirá
una función Wavelet mejor adaptada a la señal de interés.
Algunas de las familias de funciones Wavelet más usadas son [6]:
• Haar: la más sencilla y primera en usarse. Es una función escalón:
Fig A1.12.- Familia Haar.
• Daubechies: se denominan dbN, donde N es el orden.
Fig A1.13.-Familia Daubechies.
• Coiflets: coifN, siendo N el orden.
Fig A1.14.-Familia Coiflets.
• Biortogonales: se caracterizan por su fase lineal, lo cual es requisito

fundamental de cara a la reconstrucción. A diferencia de las demás familias,
provee una función para descomposición y otra para reconstrucción.
Fig A1.15.- Familia Biortogonal.
• Sombrero mejicano: esta Wavelet carece de función de escalado.
Fig A1.16.-Familia Sombrero

mejicano.
• Morlet: función explícita, aunque de nuevo sin escalado.
Fig A1.16.-Familia Morlet.
• Meyer: wavelet y función de escalado definidos en el dominio de la frecuencia.
Fig A1.17.-Familia Meyer.
A2.6.- FILTROS WAVELET:
Como se ha esbozado en el apartado anterior, existen infinidad de wavelets, que pueden

emplearse para múltiples aplicaciones en función de sus características. Los filtros wavelet se
han de escoger atendiendo a las necesidades particulares de la aplicación a la que vayan
destinados. Así mismo, de la correcta elección de los filtros wavelet dependerán los resultados
del procesamiento.
Para que pueda llevarse a cabo una descomposición y reconstrucción completa y

perfecta de la señal, es necesario que los filtros de las estructuras wavelet posean un número
finito de coeficientes (filtros FIR) y que sean regulares. También es importante conseguir que
los filtros presenten linealidad de fase. Esto impide el uso de filtros ortogonales no triviales,
pero permite el empleo de los filtros biortogonales.
Éste es el motivo por el cual es muy frecuente, siempre que se trabaje con miras a la
implementación electrónica del algoritmo y las características de la aplicación lo permitan, la
elección de las familia de funciones biortogonales para el desarrollo de la transformación y
reconstrucción wavelet. A continuación se muestran las funciones Wavelet de la familia
biortogonal que se implementan en MATLABTM:
Fig A2.18.- Representación de las wavelet madre de la familia Biortogonal disponible en MATLABTM.
Se puede observar que se para cada tipo hay dos wavelets, una para la descomposición
(a la izquierda) y otra para la reconstrucción (a la derecha).
A2.6.1.- Condiciones de los filtros:
A continuación se incluye un resumen de las condiciones requeridas por los filtros

Wavelet. Las características para la implementación de los filtros están estrechamente
relacionadas con las condiciones que nos impone la descomposición de las señales en bases de
wavelets discretas [39]. Vamos a llamar a los filtros de análisis h0 y h1 y a los filtros de síntesis
g0 y g1, y los cuatro son filtros FIR:
Fig A2.19.- Proceso de descomposición- recuperación para un nivel.
En el dominio Z, estos filtros deben cumplir:

G0 ( z ) = z j H 1 ( −z ) - (Ecuación A2.5)
G1 ( z ) = −z j H 0 (−z )
O lo que es lo mismo:
g 0 (n) = (−1) n h1 (n − 1) (Ecuación A2.6)
g1 (n) = (−1) n+1 h0 (n − 1)
Es decir, si uno de los filtros de síntesis es un paso de baja (LP), el de análisis opuesto
debe ser un paso de alta (HP), y viceversa.
Para conseguir una reconstrucción perfecta también se debe conseguir que:

G0 ( z ) H 0 ( z ) + G0 ( −z ) H 0 ( −z ) = 2 (Ecuación A2.7)
Y también, como se adelantó en apartados anteriores, los filtros deben ser

biortogonales, es decir:
g i (n − 2k )hi (2l − n) = ∑ g i (n − 2k )hi (2l − n) = δkl

∗
(Ec. A2.8)
n

Wavelets

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Wavelets

Cargado por

Copyright:

Formatos disponibles

ANEXO 2

La Transformada Wavelet es un útil conjunto de herramientas y técnicas que permite

La Transformada Wavelet surge como evolución de la conocida Transformada de

• Fue definida para señales estacionarias, periódicas e infinitas.

Como paso intermedio entre la Transformada de Fourier y la Wavelet, Denis Gabor

Esto supone un avance, también la aparición de más problemas, especialmente respecto

El siguiente paso es la definición de la Trasformada Wavelet, que mantiene el

Fig A2.1.- Embaldosamiento frecuencia-tiempo de las transformaciones de Fourier, STFT y Wavelet.

Esto favorece especialmente el tratamiento de señales que contienen componentes

Otra característica de la WT que la hace más adecuada que la FT para el procesamiento

A2.2.- TRANSFORMADA WAVELET CONTINUA:

Si hacemos una comparación entre la FT y la Transformada Wavelet, la Transformada

Es decir, como ya se avanzó en el capítulo anterior, la trasformada continua de Fourier

Fig A2.3.- representación de la descomposición temporal de la señal en senoides de distintas

La expresión matemática de la Transformada Wavelet Continua (CWT) se define

Es decir, el procedimiento es análogo al de la FT: la señal se descompone en versiones

Fig A2.4.- representación de la descomposición temporal de la señal en wavelets madre

El resultado de la CWT son los coeficientes wavelet, función de la escala y la posición.

Existe una correspondencia entre el escalado de las wavelets y la frecuencia:

Fig A2.5.- Correspondencia de la frecuencia de la señal y el escalado de la wavelet madre.

A2.3.- TRANSFORMADA WAVELET DISCRETA:

Para aplicar la transformación Wavelet a señales discretas nace la Transformada

Su expresión matemática es la siguiente:

La principal diferencia con la CWT radica en que se escogerán desplazamientos y

A2.3.1.- Descomposición Wavelet:

• coeficientes de detalle (alta frecuencia).

Fig A2.6.- Proceso de descomposición Wavelet.

La Transformada Wavelet se implementa mediante un árbol jerárquico de filtrado,

El árbol se compone pasando a la siguiente etapa los coeficientes de aproximación

Fig A2.7.- Etapas de filtrado jerárquico del árbol de descomposición de la Transformada

A la salida de cada etapa i se obtienen los coeficientes de aproximación, Ai, y los

Todos estos coeficientes, convenientemente ordenados, se almacenan en el vector de

Vector de coeficientes = [AM, DM, DM-1,…D3, D2, D1] (Ecuación A2.3)

A partir de la información contenida en los coeficientes Wavelet, se puede llevar a cabo

A2.3.2.- Síntesis Wavelet:

Una vez tenemos la información de la señal contenida en el vector de coeficientes

Fig A2.8.- Proceso de reconstrucción o síntesis Wavelet.

La definición matemática de la IDWT es la siguiente:

s(t ) = ∑ ∑ C ( j , k )ψ j .k (t ) (Ecuación A2.4)

En cada etapa se emplea ahora, para compensar el diezmado de la descomposición, un

Fig A2.9.- Proceso de sobremuestreo o upsampling.

En resumen, la representación simplificada de las estructuras de coeficientes de la

A2.4.- TRANSFORMADA WAVELET POR PAQUETES:

Es una variante de la Transformada Wavelet que consiste en descomponer

AA2 DA2 AD2 DD2

AAA3 DAA3 ADA3 DDA3 AAD3 DAD3 ADD3 DDD3

Fig A2.11.- Estructura de descomposición Wavelet por paquetes.

A2.5.- FAMILIAS DE FUNCIONES WAVELET :

La Transformada Wavelet se basa en una función, que se escogerá de entre múltiples

Algunas de las familias de funciones Wavelet más usadas son [6]:

• Haar: la más sencilla y primera en usarse. Es una función escalón:

Fig A1.12.- Familia Haar.

• Daubechies: se denominan dbN, donde N es el orden.

Fig A1.13.-Familia Daubechies.

• Coiflets: coifN, siendo N el orden.

Fig A1.14.-Familia Coiflets.

• Biortogonales: se caracterizan por su fase lineal, lo cual es requisito

Fig A1.15.- Familia Biortogonal.

• Sombrero mejicano: esta Wavelet carece de función de escalado.

Fig A1.16.-Familia Sombrero

• Morlet: función explícita, aunque de nuevo sin escalado.

Fig A1.16.-Familia Morlet.

• Meyer: wavelet y función de escalado definidos en el dominio de la frecuencia.