Transformada Wavelt
Breve Introducción
Prof. Gonzalo Farías Castro
Escuela de Ingeniería Eléctrica
Pontificia Universidad Católica de Valparaíso
Valparaíso, 2013
Señales estacionarias y no estacionarias
Figura 2.1: Señales estacionaria y no estacionarias de las Ecuaciones 2.1 y 2.2
Seńal estacionaria con contenido de 10, 25, 50 y 100 Hz Seńal no estacionaria con contenido de 10, 25, 50 y 100 Hz
4 1
0.5
2
1
0
0
-1
-0.5
-2
-3 -1
0 200 400 600 800 1000 0 200 400 600 800 1000
Tiempo [ms] Tiempo [ms]
Figura 2.1: Señales estacionaria y no estacionarias
de las Ecuaciones 2.1 y 2.2
Transformada de Fourier
Amplitud
∞
F (ω ) = ∫ f (t ) ⋅ e − jωt ⋅ dt
−∞
Frecuencia
Espectro de frecuencias de la seńal estacionaria Espectro de frecuencias de la seńal no estacionaria
600
200
500
400
150
300
200 100
100
0 0
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
Frecuencia [Hz] Frecuencia [Hz]
Figura 2.3: Espectros de frecuencias de las señales de la Fig. 2.1
Transformada Corta de Fourier
ΔT
Frecuencia
∞
TFTC V (τ , ω ) = ∫ ( f (t ) ⋅ V )
*
(t − τ ) ⋅ e − jωt ⋅ dt
ΔF
−∞
Tiempo
Dominio tiempo-frecuencia para seńal estacionaria Dominio tiempo-frecuencia para seńal no estacionaria
250 250
200 200
150 150
Frecuencia
Frecuencia
100 100
50 50
0 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Tiempo Tiempo
Figura 2.5: Representación en el dominio tiempo-frecuencia
de las señales estacionaria y no estacionaria
Transformada Corta de Fourier: Limitaciones
ΔT
Frecuencia
∞
TFTC V (τ , ω ) = ∫ ( f (t ) ⋅ V )
*
(t − τ ) ⋅ e − jωt ⋅ dt
ΔF
−∞
Tiempo
ΔT ⋅ ΔF ≥ c
• En la TFTC existe un compromiso de resolución entre la
frecuencia y el tiempo relacionado con el principio de
incertidumbre de Heisenberg.
• Tal situación no permite obtener una elevada resolución en la
frecuencia y en el tiempo de forma simultánea. Es decir, a medida
que la resolución en la frecuencia (o el tiempo) mejora, en el
tiempo (o la frecuencia) empeora.
Transformada Corta de Fourier: Limitaciones
ΔT
Frecuencia
∞
TFTC V (τ , ω ) = ∫ ( f (t ) ⋅ V )
*
(t − τ ) ⋅ e − jωt ⋅ dt
ΔF
−∞
Tiempo
Figura 2.6: Compromiso de resolución para una señal no estacionaria
ΔT ⋅ ΔF ≥ c
Resolución con ventana angosta Resolucion con ventana ancha
250 250
200 200
150 150
Frecuencia
Frecuencia
100 100
50 50
0 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
Tiempo Tiempo
Figura 2.6: Compromiso de resolución para una
señal no estacionaria
Multiresolución
• En realidad no necesitamos la misma resolución en tiempo para
todas las bandas de frecuencia:
• En las frecuencias bajas los cambios son lentos y no
requerimos mucho detalle relativo a los cambios temporales.
• Por el contrario, para frecuencias altas donde los cambios
son rápidos se necesita mayor resolución en tiempo.
• La idea de tener diferentes resoluciones en el tiempo para
diferentes frecuencias se conoce como “multiresolución” y es
uno de los aspectos clave de la teoría de wavelets.
Frecuencia
Tiempo
Figura 2.7: Dominio Tiempo- Frecuencia obtenido por la TW
Multiresolución
∞
1
t−d *
C ( s, d ) = ∫ f (t ) ψ ( )dt
−∞ s s
Wavelet Madre DB2 Wavelet Madre Haar
Frecuencia
Tiempo
Figura 2.7: Dominio Tiempo- Frecuencia obtenido por la TW
Transformada Wavelet
∞
1t−d *
C ( s, d ) = ∫ f (t ) ψ ( )dt
−∞ s s
Wavelet Madre DB2 Wavelet Madre Haar
Figura 2.9: Procesamiento de la transforma wavelet
Transformada Wavelet Discreta y Banco de Filtros
∞
C [ j , k ] = ∑ f [n]ψ j,k [n]
−∞
ψ ( j ,k ) [n] = 2 − j / 2ψ [2 − j n − k ]
Figura 2.10: Diagrama de descomposición de la TW mediante MRA
S = PA1 + PA2 + ! + PAn + PBn
Transformada Wavelet: Señales Temporales
S = PA1 + PA2 + ! + PAn + PBn
Transformada Wavelet: Imágenes
1 x − d1 y − d 2
ψ s ,s 2 , d1 , d 2
( x, y ) = ψ( , )
1
s1 s 2 s1 s2
• El análisis wavelet bidimensional consiste en filtrar y submuestrear
horizontalmente usando el filtro pasa baja unidimensional L y el filtro
pasa alta H para cada fila en la imagen I(x,y), produciendo las matrices de
coeficientes IL(x,y) y IH(x,y).
• Luego se filtra y submuestrea verticalmente, aplicando los filtros pasa
baja L y pasa alta H en cada columna de los coeficientes IL(x,y) y IH(x,y).
• De esta forma el filtrado y submuestreo produce cuatro subimagenes
ILL(x,y), ILH(x,y), IHL(x,y) y IHH(x,y) para cada nivel de descomposición.
• La subimagen ILL(x,y) puede considerarse como la versión suavizada y
submestreada de la imagen original, esto es, representa la aproximación
de I(x,y). Las subimagenes ILH(x,y), IHL(x,y) y IHH(x,y) representan los
detalles en dirección horizontal,vertical y diagonal de la imagen I(x,y).
Transformada Wavelet: Imágenes
1 x − d1 y − d 2
ψ s ,s 2 , d1 , d 2
( x, y ) = ψ( , )
1
s1 s 2 s1 s2