Introducción a Wavelets (Onditas)

Jaime Gaviria
Introducción

Esta presentación busca realizar una

introducción de una forma sencilla al
concepto de wavelet y básicamente es una
recopilación de artículos y tesis que hablan
del tema. Las Fuentes son citadas al final de
la presentación.
Introducción

 Las necesidades actuales en procesamiento

de señales requieren “nuevos” mecanismos
y tecnicas de análisis
 El manejo de señales con discontinuidades y
cambios abruptos no pueden ser manejadas
adecuadamente con tecnicas de Fourier
Introducción

 Buscar una forma más “humana” de análisis,

los wavelets sintetizan información de la
forma en que lo haría el cerebro
Introducción

 En la actualidad el mundo esta invadido de

“wavelets” se usan multiples aplicaciones,
como animación, procesamiento de
imágenes, análisis y síntesis de audio,
ingeniería minera, predicciones
meteorológicas, estudios de astronomía,
diagnóstico de enfermedades, etc
Una Explicación Sencilla

 Como hace el cerebro para identificar entre

un instrumento y otro en una banda
 Como hace el cerebro para identificar entre
un árbol y otro en un bosque?
 Como lo hacen los wavelets?
Una Explicación Sencilla

 Diapasón y Voz

 El Diapasón genera una frecuencia con un solo

tono sin armónicos y tiene duración infinita
 La Voz contiene picos agudos sin oscilaciones
Una Explicación Sencilla

 Para el caso del diapasón, que genera una señal

periódica, se puede realizar el análisis de la señal
usando fourier de modo que se descompone la
señal en componentes sinusoidales de diversas
frecuencias y una frecuencia fundamental
 Si tenemos dos instrumentos, como una flauta y un
violín, aunque la nota de la frecuencia fundamental
sea la misma, su sonido es distinto, esto se debe a
los pesos de sus armónicos
Una Explicación Sencilla

 Para las señales no periódicas, tambien

existe análisis de Fourier, en el cual se
pueden clasificar la mayoría de señales
existentes en el mundo real,como el ruido de
un carro.
 Las características no repetitivas, pueden
analizarse mediante la transformada de
fourier, como ejemplo, un ruido del motor del
carro.
Algo de Historia

 El análisis de Fourier se venía usando practicamente

para el manejo de cualquier tipo de señales, sin
embargo, produce dificultades a la hora de analizar
señales fugaces o cambios abruptos como la
palabra hablada
 Como ejemplo, los sintetizadores de música, se
basan en Fourier, pero por bien diseñados que
esten, no logran reproducir un instrumento real, pues
la interpretación de un instrumento esta llena de
cambios y picos abruptos
Algo de Historia

 El principio de éste problema se puede

resumir en la “indeterminación de
Heisenberg”
“La posición y la velocidad de un objeto no
se pueden medir exactamente al mismo
tiempo, ni siquiera en teoría”
Algo de Historia
 Es imposible conocer de forma simultánea la frecuencia exacta
y el momento exacto en que ocurre esta frecuencia en una
señal. Para poder conocer la frecuencia, la señal se debe
dilatar en el tiempo, o viceversa.
 Cualquier señal de duración corta debe tener un complejo
espectro de frecuencias formado por una gran variedad de
ondas sinusoidales,
 Cualquier señal formada por una combinación simple de unas
pocas ondas sinusoidales debe tener una apariencia compleja
en el dominio del tiempo
 En otras palabras, no podemos esperar reproducir el sonido de
un tambor, con una orquesta de diapasones.
Algo de Historia

 Ante este problema, se buscó una solución que

permitiera trabajar con una señal tanto a baja como
a alta resolución, en diferentes ámbitos, llegando a
la conclusión, de que era algo que no se iba a lograr
con fourier
 Quizás al dividir una señal en componentes que no
fueran ondas sinusoidales puras sería posible
condensar la información tanto en el dominio del
tiempo como en el de la frecuencia?
La Carrera de las Wavelets

 Alfred Haar, introdujo en 1909 las funciones

que actualmente se denominan "wavelets de
Haar" que consisten en un breve impulso
positivo seguido de uno negativo, producen
picos y no suavidad
La Carrera de las Wavelets

 En la década de 1930, John Littlewood y

R.E.A.C. Paley desarrollaron un método de
agrupación de frecuencias por octavas,
creando de esta forma una señal con una
frecuencia bien localizada (su espectro se
encuentra dentro de una octava) y también
relativamente bien localizada en el tiempo
La Carrera de las Wavelets

 1946, Dennis Gabor, presentó la

transformación de Gabor, análoga a la
transformación de Fourier, que separa una
onda en "paquetes de tiempo-frecuencia" o
"estados coherentes" que tienen la mayor
localización simultánea posible tanto en
tiempo como en frecuencia.
La Carrera de las Wavelets

 En las décadas de 1970 y 1980, las

comunidades de procesamiento de señales y
procesamiento de imágenes presentaron sus
propias versiones del análisis de wavelets
con nombres tales como "codificación de
subbandas", "filtros de duplicación de
cuadratura" y "algoritmo piramidal".
La Carrera de las Wavelets

 Todas estas técnicas tenían características

similares. Descomponían o transformaban
señales en partes que se podían localizar en
cualquier intervalo de tiempo y que también
se podían dilatar o contraer para analizar la
señal a distintas escalas de resolución.
 En 1984, la teoría de las wavelets adoptó
finalmente su carácter propio
La Carrera de las Wavelets

 Morlet buscaba una mejor forma de buscar

petroleo desarrolló su propia forma de
analizar las señales sísmicas para crear
componentes que estuvieran localizados en
el espacio, a los que denominó "wavelets de
forma constante"
La Carrera de las Wavelets

 Se pueden construir familias de wavelets

adoptando una forma diferente, denominada
wavelet madre, y dilatándola,
comprimiéndola o desplazándola en el
tiempo.
 La wavelet madre afecta enormemente a las
propiedades de compresión y precisión de la
aproximación
La Carrera de las Wavelets

 Meyer, despues de descubrir diversas

formas de wavelets ,descubrió una con la
propiedad de ortogonalidad que hacía que
manipular y trabajar con la transformación de
wavelets resultara tan fácil como con una
transformación de Fourier.
 Mallat, en colaboración con Meyer, demostró
que las wavelets están implícitas en el
procesos del análisis multiresolución.
La Carrera de las Wavelets

 Gracias al trabajo de Mallat, en el campo del

procesamiento de imágenes, las wavelets se
convirtieron en algo mucho más sencillo. Ya
se podía hacer un análisis de wavelets sin
necesidad de conocer la fórmula de una
wavelet madre
La Carrera de las Wavelets

 Ingrid Daubechies, descubrió una clase

completamente nueva de wavelets, que no sólo eran
ortogonales (como las de Meyer) sino que también
se podían implementar mediante sencillas ideas de
filtrado digital, de hecho, mediante cortos filtros
digitales.
 Los procesadores de señales disponían ahora de
una herramienta de ensueño: una manera de
descomponer datos digitales en contribuciones de
diversas escalas.
Ahora si, Wavelets!

 Gráficos de varios tipos

distintos de wavelets.
(a) Wavelet de Haar,
(b) Wavelet de
Daubechies, (c)
Wavelet de Morlet.
Ahora si, Wavelets!
 (a) Las imágenes superiores
muestran la señal original, que
presenta saltos y tramos
suaves
 (b) una versión con ruido de la
señal, de la que se desearía
"eliminar el ruido"
 (c) En la parte inferior, el
resultado de la eliminación de
ruido mediante las wavelets de
Haar produce una línea
irregular
 (d) en contraste, si se utilizan
las wavelets de Daubechies
producen una curva más suave
Una Explicación más detallada
 El problema que plantea el
análisis de una señal con
Fourier se resume en la nula
resolución en el dominio del
tiempo, a pesar a su
resolución perfecta en el
dominio de la frecuencia.
 Como solución a este
problema, se planteo el
análisis de Fourier por
ventanas o STFT
Transformada de Fourier
Corta
Una Explicación más detallada –
Transformada de Fourier

 a. Señal
 b. Contenido
Espectral obtenido
con la
transformada de
Fourier
Una Explicación más detallada
Transformada de Fourier

 En este caso, la
transformada muestra un
espectro correcto pero con
la amplitud disminuida a la
mitad, debido a que cada
componente solo se
encuentra la mitad del
tiempo y no se puede saber
en que momento estuvo
cual componente de
frecuencia
Una Explicación más detallada
Transformada de Fourier - Ventaneado

 Ahora se tratará la misma señal pero aplicando el

“ventaneado”
 Usaremos una ventana angosta con alfa=20
Una Explicación más detallada
Transformada de Fourier - Ventaneado

 Ahora se tratara de aumentar la resolución en frecuencia

 Usaremos una ventana amplia con alfa=250
Una Explicación más detallada
Wavelets

 La transformada wavelet constituye una técnica para

el análisis del comportamiento local de una señal. Al
igual que la STFT, esta transformada utiliza una
función ventana que encuadra una señal dentro de
un intervalo y focaliza el análisis sólo en ese
segmento de la señal.
 La transformada continua wavelet intenta expresar
una señal x(t)continua en el tiempo, mediante una
expansión de términos o coeficientes proporcionales
al producto interno entre la señal y diferentes
versiones escaladas y trasladadas de una función
prototipo Y(t) más conocida como wavelet madre
Una Explicación más detallada
Wavelets

 Transformada continua
wavelet
 a controla el ancho o
soporte efectivo de la
función , y la variable b
da la ubicación en el
dominio del tiempo de
Y
Una Explicación más detallada
Wavelets

 ψ(0)=0, significa que el valor medio de φ=0

por lo que φ debe tener valores positivos y
negativos, de modo que φ debe ser una
onda, además como esta definida por a y b
en un intervalo de tiempo, la onda es
compacta. φ decae cuando w=0, y puede ser
considerada como un filtro pasabanda
Una Explicación más detallada
Wavelets – Variables de escala a y
traslación b

 Mediante la variable de escala nosotros podemos comprimir (!

a! < 1) o dilatar (!a! > 1) la función (t), lo que dará el grado de
resolución con el cual se está analizando la señal. Por
definición la Transformada Continua Wavelet es mas una
representación tiempo - escala que una representación tiempo
- frecuencia.
 para escalas pequeñas la CWT nos entrega una buena
resolución en el dominio del tiempo mientras que
 para escalas grandes la CWT nos entrega una buena
resolución en el dominio de la frecuencia.
Una Explicación más detallada
Wavelets

 La diferencia principal entre la CWT y la

STFT, es que la primera ocupa ventanas de
corta duración para altas frecuencias y
ventanas de larga duración para bajas
frecuencias mientras que la STFT ocupa una
sola ventana con la misma duración tanto
para altas frecuencias como para bajas
frecuencias.
Una Explicación más detallada
Wavelets
Una Explicación más detallada
Wavelets

 Los valores de a y b deben ser discretizados, por

lo que es necesario hallar una transformada
discreta
Una Explicación más detallada
Wavelets
Ejemplo de compresión
Las wavelets NO comprimen por si mismas, pero son las componentes de la
imagen.
 Tenemos una imagen de grises con los valores (1,3,7,9,8,8,6,2) donde 0 es
blanco y 15 es negro, de modo que podria describir un objeto gris sobre un
fondo claro
 Podemos calcular el promedio de pixeles adyacentes obteniendo (2,8,8,4), que
mantendria el concepto de la imagen suavizado, de esta forma se realizaría
compresión, obteniendo (2,2,8,8,8,8,4,4) que sería un degradé de la imagen
original.
 Si queremos tener una mayor resolución, debemos tener mas información, en
este caso (-1,-1,0,2) con lo que obtendriamos la imagen original. Si hacemos
esto no obtenemos compresión alguna, pero ya descompusimos la imagen en
un “fondo” de baja resolución y otra parte de mayor resolución, de modo que
en una imagen real, donde las zonas son suaves, la información del detalle,
será en su mayoría 0
Compresión - Wavelets

 Una propiedad fascinante de las wavelets es que

eligen automáticamente las mismas características
que nuestros ojos. Los coeficientes de las wavelets
que quedan aún tras la cuantización corresponden a
píxeles que son muy distintos a sus vecinos, en el
borde de los objetos de una imagen. Por tanto, las
wavelets recrean una imagen principalmente
trazando bordes, que es exactamente lo que hacen
los humanos cuando esbozan un dibujo.
Pertinencia Wavelets-Fourier
 Una señal de la forma de una onda de diente de sierra. La intensidad
de la señal sube continuamente con el tiempo, y entonces baja
abruptamente antes de comenzar otra rampa de nuevo. Esta forma
simple puede ser representada como una suma de wavelets. Las
wavelets de escala gruesa duran a grandes rasgos la duración de la
rampa, la parte suave de subida de la onda, mientras que las wavelets
de escala fina capturan el salto en la mitad. Ambas transformadas de
Fourier y de wavelet nos muestran una descomposición de la señal en
bloques de construcción únicos (sinusoides y wavelets). Donde
difieren es en su eficiencia para un trabajo en concreto. La señal de
diente de sierra, muestreada a 256 observaciones por segundo, es
compactamente representada por 16 wavelets. Por otro lado, un
análisis de Fourier de la misma señal de diente de sierra necesitaría
256 sinusoides completas debido a la dificultad de la técnica para
representar la discontinuidad en la mitad de la señal (Bruce, 1996).
Pertinencia Wavelets-Fourier

 La eficiencia de las wavelets en representar señales

e imágenes con discontinuidades es una clave para
su utilidad con problemas como compresión de
datos y eliminación de ruido. Singularidades y
bordes, que son difíciles de discernir desde una
transformada de Fourier, aparecen claramente en la
transformada de wavelet. Por tanto, el análisis de
wavelet puede ayudar a un ingeniero a identificar
más rápidamente ocurrencias importantes
localizadas en una imagen.
Cálculo Matricial - Wavelets
 El análisis de wavelet ha probado ser potente en facilitar ciertos tipos de
problemas computacionales. El álgebra matricial es uno de estos casos.
Variadas integrales y ecuaciones diferenciales, cuando son expresadas en
forma digitalizada para un ordenador, pueden ser resueltas usando el álgebra
matricial. Desafortunadamente, la velocidad de estas operaciones matriciales
es baja, típicamente del orden de n2 ciclos de CPU para una matriz de n x n
elementos. En 1990, la idea brillante de ver las matrices como imágenes se le
ocurrió a Gregory Beylkin. Cuando la "imagen" de la matriz se manda a la
transformada de wavelet, es necesariamente comprimida debido al
esparcimiento de la transformada. Operaciones simples, como multiplicación
de matrices, se convierten en un trabajo rápido en el "dominio wavelet" porque
las operaciones pueden ser hechas directamente en los coeficientes wavelet.
La transformada inversa es entonces aplicada para retornar al dominio del
problema original, dando una solución aproximada a la ecuación diferencial o
integral. Esta solución aproximada notablemente buena requiere sólo una
fracción del esfuerzo computacional necesario para la solución exacta (Bruce,
1996).
Limpiado de Señal - Wavelets
 Dejar a las señales e imágenes sin ruido es a menudo mucho más
fácil en el dominio de wavelet que en el dominio original. Con
wavelets, el ruido puede ser eliminado de un gran número de tipos de
señal, incluyendo aquellas con saltos, picos y otras ocurrencias no
demasiado suaves. La eliminación de ruido por wavelets es superior a
las técnicas tradicionales, que eliminan el ruido por medio de filtrados
paso bajo, emborronando las zonas abruptas de la señal.
 El procedimiento trabaja tomando la transformada de wavelet de la
señal, poniendo a cero los coeficientes por debajo de un cierto límite e
invirtiendo la transformada para reconstruir la señal original menos sin
el ruido. El proceso de filtrar los coeficientes es bastante parecido a
mantener sólo los coeficientes más importantes en los algoritmos de
compresión de datos
Referencias

 Procesamiento digital de señales acústicas

usando wavelets, Pablo Faundez
 Técnicas de compresión de la Información
digital, Martín Nieves Baena
 Wavelets: ver el bosque y los árboles, Dana
Mackenzie