hélio magalhães de oliveira , hmo@ufpehmo/slides_seminario.pdf · abordagem (pouco formal, mas...
TRANSCRIPT
Entrando na Onda...
1
Hélio Magalhães de Oliveira, [email protected]
Departamento de Eletrônica e SistemasUniversidade Federal de PernambucoCidade Universitária Recife - PEURL: http://www.ee.ufpe.br/codec/deOliveira.html http://www.ee.ufpe.br/codec/WEBLET.html
Wavelets: Entrando Na Onda
2
Wavelets:Uma Evolução na Representação de
Sinais
• A análise espectral constitui uma dasferramentas clássicas mais poderosas.
• Uma teoria mais potente e geral foiintroduzida nos anos 80: A Transformada deWavelet
• Ela inclui: Série de Fourier, a Transformadade Fourier, a Transformada de Gabor deTempo Curto, Espectrogramas.
• Wavelets constituem hoje uma dasferramentas potentes em PDS.
ORIGEM- Escola Francesa
(Morlet, Grossmann,Meyer, Battle, Lemarié,Cohen, Mallat, Coifman, Rioul, etc.)
... Pacotes de ondas acústicas sísmicas.
Wavelets: Entrando Na Onda
3
Em 1909, a primeira menção: tese de doutoradode Alfred Haar, análise escalonada.
As Wavelets de Haar, embora de suportecompacto não são continuamente diferenciáveis.
Década de 80, Alex Grossmann (Université deMarseille) e Jean P. Morlet (Elf Acquitaine)introduziram o conceito de wavelets
Morlet recebeu o prêmio Reginald FessendenAward 1997.
Em 1985, Stéphane Mallat (França) estabeleceua ligação desta teoria com o processamento digital desinais.
Yves Meyer (França) construiu uma dasprimeiras Wavelets não triviais, continuamentediferenciáveis.
Ingrid Daubechies (Bélgica) construiu o maisusado conjunto de wavelets ortogonais de suportecompacto (tempo-limitada).
Wavelets: Entrando Na Onda
4
Jean Morlet. (ecce homo!)
Gama de aplicações:
geologia sísmica
visão computacional e humana
radar e sonar
computação gráfica
predição de terremotos e maremotos
turbulência
distinção celular (normais vs patológicas)
modelos para trato auditivo
compressão de imagens
descontaminação de sinais (denoising)
detecção de rupturas e bordas
Wavelets: Entrando Na Onda
5
análise de tons musicais
neurofisiologia
detecção de curtos eventos patológicos
análise de sinais médicos
espalhamento em banda larga
modelagem de sistemas lineares
óptica
modelagem geométrica
caracterização de sinais acústicos
reconhecimento de alvos
transitório e falhas em linhas de potência
Metalurgia (rugosidade de superfícies)
visualização volumétrica
Telecomunicações
previsão em mercados financeiros
Estatística
solução de eq. dif. ordinárias& parciais
Wavelets: Entrando Na Onda
6
Jean-Baptiste-Joseph Fourier 1822:
"La Théorie Analytique de la Chaleur":
Ondas senoidais como elementos de vibrações eondas periódicas verdadeiros átomos dasflutuações e do fluxo.
Os sinais passaram a ser analisados no domíniode Fourier, i.e., no domínio da freqüência.
A decomposição evoluiu para a representação viatransformada de Fourier.
Definição (ANÁLISE DE FOURIER):
A transformada de Fourier de um sinal f(t),
-∞< t < +∞ é ∫+∞
∞−
−= dtetfwF jwt)(:)( , denotada
algumas vezes )]([ tfℑ , se a integral imprópria
existe. o
Wavelets: Entrando Na Onda
7
Conhecendo-se F(w), é possível voltar ao
domínio temporal (SÍNTESE DE FOURIER):
∫∞+
∞−= dwewFtf jwt)(
2
1)(
π . oo
par transformada: f(t) ↔ F(w).
TEOREMA DE PARSEVAL.
Seja f(t) ↔ F(w) um sinal real, de energiafinita. Então a energia do sinal pode ser calculadaem qualquer dos domínios, i.e,
∫∫+∞
∞−
+∞
∞−= dffFdttf 22 |)(|)( . o
Por que wavelets? Em que esta ferramenta pode
ser mais potente que a análise espectral clássica
de Fourier? De onde surgiram as wavelets?
Wavelets: Entrando Na Onda
8
Análise Espectral P/ Sinais Não-Estacionários
Os sinais devem ser tratados não nodomínio t ou domínio f, mas em ambos(espaço conjunto tempo-freqüência)!
Conceito de estacionaridade
Uma das deficiências da análise de Fourier é queela não apresenta um caráter local.
Todo o sinal, desde o começo dos tempos (-∞)
até o fim dos tempos (+∞) é levado em consideração.
A transformada de Fourier representa um
"comportamento global médio" do sinal.
Wavelets: Entrando Na Onda
9
(a)
(b)Figura. (a) Ilustração de um trecho de um sinal
(possivelmente) estacionário,
(b) Ilustração de um trecho de um possívelsinal não estacionário.
A transformada de Fourier analisa a
contribuição de cada componente harmônica no
sinal como um todo.
Wavelets: Entrando Na Onda
10
O sinal estacionário apresenta umcomportamento "mais ou menos" semelhante emqualquer trecho analisado...
Abordagem (pouco formal, mas suficiente).
Figura. Sinal com linha de base.
Evolução na TF clássica:
(STFT) Transformada de Gabor, outransformada de janela (transformada de Fourier detempo curto).
Esta transformada introduz um caráter locale passa a depender fortemente do instante detempo analisado.
Wavelets: Entrando Na Onda
11
Primeiro passo na direção das wavelets: a
introdução de um caráter local.
Sinal "fatiado" em trechos, e em cada trecho, a
contribuição espectral fosse analisada, resultando em
um espectro local.
seqüência de "fotos" do espectro:
... F(w,t-1), F(w, t0), F(w,t1), F(w,t2) .... evoluindotemporalmente.
Sinais práticos " bem comportado" com relação à
estacionaridade: sinais periódicos.
Não é a toa que a análise clássica de Fourier é
freqüentemente restrita a esta classe de sinais.
Wavelets: Entrando Na Onda
12
FOTOS:
• Representar o rosto por fotos (5 anos, 10 anos,15, 20, 25 e 30 anos).
• Uma única foto representativa do indivíduo,uma "foto média". Essa foto média representao espectro de Fourier.
• Um caráter local (no tempo) => trabalhar commais fotos, => maior complexidade,capacidade de armazenamento/ processamento
A classe de sinais, cujo espectro permanece
relativamente independente no tempo, são referidos
como sinais estacionários.
Os não-estacionários trazem variações
substanciais e significativas de padrão e
comportamento, dependendo do instante de tempo
considerado.
Wavelets: Entrando Na Onda
13
É como se, "de repente", no meio de uma
seqüência de fotos 3×4 de fotos humanas
semelhantes, surgisse uma foto de algum animal
completamente diferente (e.g., girafa).
Diferentes níveis de "estacionaridade":
Ø seqüência de fotos sempre de uma mesma pessoaem diferentes tempos;
Ø seqüência de fotos de pessoas diferentes emtempos diferentes, porém de uma mesma raça(origem);
Ø seqüência de fotos de pessoas diferentes emtempos diferentes, porém de origens diferentes;
Ø seqüência de fotos de diferentes animais emtempos diferentes (levando em conta algumaspecto da classificação de Lineu);
Ø seqüência de fotos arbitrárias diferentes emtempos diferentes, incluindo objetos, paisagens etc.
Wavelets: Entrando Na Onda
14
Quando o espectro de Fourier passa a não tersentido?. A resposta não é fechada.
Depende do que se deseja e quanto se pode"pagar".
A Transformada de Gabor
Embora capaz de determinar o conteúdo de
freqüências presentes em um sinal, não há noção de
quando (em que intervalo de tempo) elas ocorrem.
A transformada de Fourier não fornece umaanálise temporal, apenas freqüencial.
Transformada de Fourier de Tempo Curto (STFT
– Short Time Fourier Transform) também conhecida
como a Transformada de Gabor.
Wavelets: Entrando Na Onda
15
A idéia da STFT é introduzir um parâmetro de
freqüência local (local no tempo) como se a
"Transformada de Fourier Local" observasse o sinal
através de uma curta "janela" dentro da qual o sinal
permanece aproximadamente estacionário.
A transformada local observa f(t) "através" de
uma janela W(t) centrada no instante de tempo τ e de
extensão "limitada", antes do cálculo do espectro.
Formalmente,
dtô) e(tt)Wf(STFT(w jwt* −+∞
∞−−= ∫:),τ .
Wavelets: Entrando Na Onda
16
Representação bidimensional F(w,τ,) do sinal
f(t), composta por características espectrais
dependentes do tempo.
Janela: a mais comum é janela Gaussiana.
f
t
f1
f2
f
f1
f2
t1
Figura. Análise espectral com Transformada deFourier clássica e em tempo curto.
As próximas perguntas:
q Por que a STFT não é suficiente?
q O que seria mais apropriado, além de um
transformada local (wavelets também são
locais)?
Wavelets: Entrando Na Onda
17
A necessidade da segunda operação básica daswavelets, o escalonamento, também pode serentendida neste contexto.
A Guisa de uma Análise de Wavelets
Alternativa para abordar o plano conjunto
tempo-freqüência :
A análise visualizada como um banco de filtros.
resolução no tempo deveria aumentar com oaumento da freqüência central dos filtros, ou ∆f/f=cte(ou fator de qualidade Q constante).
Q constante: as resoluções t e f mudam com a
freqüência central, satisfazendo ainda o princípio da
Incerteza de Gabor-Heisenberg (célula básica).
Wavelets: Entrando Na Onda
18
FOTOS NOVAMENTE:Deve-se usar uma representação para um indivíduode meia-idade com uma meia dúzia de fotos
(0 ano, 5 anos, 10 anos 15 anos, 20 anos, 25 anos).(1 ano, 2 anos, 4 anos, 8 anos, 16 anos e 32 anos).
O comportamento das respostas ao impulso dosfiltros de análise, oscilatório (rápido) e amortecido,gerando "ondinhas".
Figura. Exemplo de uma ondinha:ondelette de Morlet (Matlab).
As wavelets podem ser interpretadas como
as transformadas lineares locais geradas por
um banco de filtros de fator de qualidade
constante.
Wavelets: Entrando Na Onda
19
domínios tempo e freqüência (f × t)domínios escala e deslocamento (a × b).
Interpretação: "mapas".
Uma mudança de escala pode permitir,
numa escala maior, ter uma visão mais global,
mas com menor precisão. Já em uma escala
menor, vê-se detalhes, mas perde-se em
estudar o comportamento global.
1: 15.000.000 idéia do Brasil como um todo1: 3.500.000, analisar Pernambuco,
perdendo-se a noção do Brasil como um todo.
Quem já usou mapas sabe que depende
fundamentalmente do que se quer investigar! A
análise via wavelets permite, por assim dizer,
visualizar tanto a floresta quanto as árvores.
Wavelets: Entrando Na Onda
20
Na Transformada Contínua de WaveletCWT, todas as respostas ao impulso no banco defiltros são versões (expandidas ou comprimidas) damesma ψ(t), chamada de Wavelet básica.
Assim,
ta
ttf
aa )d()(
1:),CWT( *∫
∞+
∞−
−=
τψτ
. o
no rol das Transformadas Lineares...
A função ψψ(t) é conhecida como wavelet mãe.
A partir dela geram-se versões modificas nodecorrer da transformada.
Ela é um protótipo para a geração de outras
funções janela: versões dilatadas e comprimidas da
mesma "wavelet mãe".
Wavelets: Entrando Na Onda
21
ff 2f 3f 4f ...0 0 0 0
ff 2f 4f 8f .... 0 0 0 0
Banda passante constante (STFT)
Banda passante relativa (Q) constante (WT)
Figura. Análise Espectral com banco de Filtros:(a) STFT e (b) WT.
Toos os filtros são da mesma família (e.g., filtrosBPFs Gaussianos, centrados em freqüênciasdistintas, porém todos com o mesmo fator dequalidade Q).
Wavelets: Entrando Na Onda
22
Wavelets Contínuas
Introdução a Transformada Contínua de Wavelet
A Transformada de Wavelet foi
desenvolvida como uma alternativa à STFT
para solucionar o problema da resolução.
Fixada a janela para a STFT, a resolução notempo (t) e na freqüência (f) permanecem constanteem todo o plano t-f.
CWT:
§ Alta resolução temporal e baixa freqüêncial parafreqüências mais altas
§ Alta resolução freqüêncial e baixa resoluçãotemporal para freqüências mais baixas.
Wavelets: Entrando Na Onda
23
Freqüência Freqüência
Tempo Tempo
(a) (b)
Figura . Resolução no plano t-f pela análise(a) STFT (b) Transformada de Wavelet.
Wavelets: Entrando Na Onda
24
A Transformada de Wavelet Contínua CWT
ψ(t) wavelet-mãe ψ(t) ∈ L2(ℜ). ∫+∞
∞−+∞<dtt)(2ψ
Operações:
a) escalonamento
=
a
t
ata ψψ
||
1)( , a≠0.
b) deslocamento )()( bttb −= ψψ .
c) deslocamento com escalonamento
=−= )()(, btt aba ψψ
−
a
bt
aψ
||
1. o
)}({)}({ , tt baψψ → (∀a, a≠0) (∀b∈ℜ).
versão: Comprimida da wavelet mãe, se a<1;
Dilatada da wavelet mãe, se a>1.
Wavelets: Entrando Na Onda
25
O ajuste na amplitude do sinal escalonado foi
introduzido visando garantir a isomeria: todas as
ondelettes tem a mesma energia!
2,
2 ||)(||||)(|| tt baψψ = .
Portanto, a escolha das wavelets como sendo
versões
−
a
bt
aψ
||
1 garante a mesma energia para
qualquer wavelet!
Define-se
CWT(a,b):= ∫+∞
∞−dtttf ba )()( ,
*ψ =< f(t),ψψa,b>. oo
Analogia com Fourier:
F(w)= ∫+∞
∞−
− dtetf jwt)( =< f(t),ejwt >.
Wavelets: Entrando Na Onda
26
Ø Fourier F(w), em cada w:
Projeção de f(t) na direção das ondas { } ℜ∈wjwte
que constituem uma "base" do espaço de sinais.
Esta "base" de Fourier é composta por sinaisoscilatórios perpétuos - traduzindo o fato queFourier está associado a um comportamento não-local no tempo, mas de -∞ a +∞.
Ø Wavelets:
decomposição de f(t) em sinais { }ℜ∈ℜ∈ + baba t
, *)(ψ
que constitui um novo conjunto de análise doespaço de sinais.
Esta nova "base" é composta por sinaisoscilatórios de curta duração - e não sinais abaeterno.
A combinação oscilatório (daí o termo onda) ede curta duração (inha) gera o termo ondinhas,ondeletas, ondelettes no original, ou de forma jáconsagrada, wavelets.
Wavelets: Entrando Na Onda
27
Um critério para definir wavelets:
• Oscilatória (onda=wave), ou melhor, que seuvalor médio no domínio temporal é nulo.
∫+∞
∞−= 0)( dttψ
• Condição de admissibilidade,
Dado o par transformada de Fourier:
)()( ωψ Ψ↔t , ∞+<
Ψ∫∞
∞−
)(
2
ωωω
d o
+∞<Ψ
≡ ∫∞+
∞−ζ
ζζ
ψ dC||
|)(| 2
=> 0)(
0
lim =Ψ→
ζζ .
0)0( =Ψ => ∫+∞
∞−= 0)( dttψ .
Wavelets: Entrando Na Onda
28
Caráter passa-faixa das wavelets interpretadas como
um banco de filtros, note os seguintes fatos:
0)0( =Ψ (pela admissibilidade)
0)( =±∞Ψ (pois ψ é de energia finita).
Dado ε >0 arbitrário, ∃ α, β ∈ ℜ, 0 < α < β <+∞ tal que
|Ψ(w)| < ε para |w| < α e |w| > β. o
Existe uma banda passa-faixa na qual o espectro
Ψ pode ser essencialmente não nulo.
Figura. Comportamento de )(wΨ tipo passa-faixa.
Wavelets: Entrando Na Onda
29
O escalonamento é o processo de
compressão e dilatação do sinal. O
parâmetro de escala "a" usado em Wavelets
tem interpretação grosso modo idêntica à
escala empregada em mapas cartográficos.
O termo |a|-1/2 é um fator de normalização da
energia do sinal e 0 ,1
)(, ≠
−
= aa
bt
atba ψψ é uma
transformada afim.
Uma wavelet )(, tbaψ é definida por um
mapeamento afim unitário. Esta Wavelets são
versões transladadas (b) e dilatadas/comprimidas (a)
de uma mesma onda protótipo, chamada wavelet-
mãe ψ(t).
Wavelets: Entrando Na Onda
30
Figura. A Wavelet-mãe Symmlet 8 em diferentes
escalas e localizações.
Uma Transformada inversa de Wavelet pode serobtida via
2)(
1),(
1)(
a
dadb
a
bt
abaCWT
Ctf ∫ ∫
∞+
∞−
∞+
∞−
−
= ψψ
.
Uma das primeiras transformadas WT
corresponde a Wavelet de Morlet, cuja Wavelet
mãe é ψ(t)=exp(-t2/2).exp(jw0t). Note que ela
corresponde a um BPF gaussiano.
Wavelets: Entrando Na Onda
31
A Transformada Inversa (CWT-1) e aCondição de Admissibilidade
Sejam f(t)∈ L2(ℜ) e ψa,b(t) ∈ L2(ℜ-{0}× ℜ).Sob que condições é possível "pegar uma onda"?(catch the wave...)
Escolher uma wavelet protótipo tal que
ψ(t) ↔ Ψ(w) e +∞<
Ψ= ∫
∞+
∞−ζ
ζζ
ψ d||
|)(|C
2
.
A wavelet utilizada no processo de reconstrução
é referida sempre como wavelet dual. Por isso ψ*(t)
é chamada de "dual" da wavelet ψ(t).
Wavelets: Entrando Na Onda
32
Formula de inversão sob condições menos restritivas
Definição (Wavelets diádicas). Uma wavelet ψ(t) ∈
L2(ℜ), ψ(t) ↔Ψ(w), é dita ser uma wavelet diádica
se e somente se satisfaz a condição de estabilidade,
i.e., ∃ A,B ∈ℜ 0<A≤B<+∞
tais que ∑∈
− ≤Ψ≤Zm
m BwA |)2(| . o
Estas wavelets não obedecem a condição de
admissibilidade (porém obedecem a condição de
estabilidade, menos restringente) e não são wavelets
ortogonais.
A recuperação (fórmula de transformada inversa) se
faz com o auxílio da wavelet dual.
Wavelets: Entrando Na Onda
33
Exemplos: Um mar de Wavelets
Existe um grande número de funções que podemser eleitas como wavelets mãe.
Nome da família de Wavelets
'haar' Haar wavelet. 'db' Daubechies wavelets. 'sym' Symlets. 'coif' Coiflets. 'bior' Biorthogonal wavelets. 'rbio' Reverse biorthogonal wavelets. 'meyr' Meyer wavelet. 'dmey' Discrete approximation of Meyer wavelet. 'gaus' Gaussian wavelets. 'mexh' Mexican hat wavelet. 'morl' Morlet wavelet. 'cgau' Complex Gaussian wavelets. 'shan' Shannon wavelets.'deO' de Oliveira wavelets.'legd' Legendre wavelets.'mth' Mathieu wavelets. 'fbsp' Frequency B-Spline wavelets. 'cmor' Complex Morlet wavelets. o
Wavelet de Haar
Wavelets: Entrando Na Onda
34
Por simplicidade, considera-se um sinalconstante por partes. Bases de sinais constantes porpartes (e.g. Haar) podem ser mais adequadas.
contrário caso
1t0
0t1-
02
12
1
:)()( ≤<≤<
−
=tHψ.
Estas são versões do tipo "wavelet digital".
Figura. As Wavelets de Haar (oito wavelets).
Wavelets: Entrando Na Onda
35
Figura. sinal 1-D de teste, constante por partes.
Wavelet Sombrero
Assumindo uma ρ(t) Gaussiana, segue-se que)('')( tt ρψ −= é a wavelet sombrero (chapéu
mexicano), por razões óbvias.
3
)1(2)(
4/1
2/2)(
2
πψ
tMhat et
t−−
= .
Figura. Wavelet Sombrero. Matlab.Wavelet densidade Gaussiana
Wavelets: Entrando Na Onda
36
Uma wavelet simples derivada da função
densidade gaussiana (gaus1) é dada por:
41
22
21
/
/t)fdG( te
:gaus)t(π
ψ−
== .
10 5 0 5 101
0.5
0
0.5
10.644
0.644−
ψ x( )
88− x
Figura. Wavelet derivada da densidade de
probabilidade gaussiana: gaus1 e gaus8.
Wavelet complexa de Morlet
Wavelets: Entrando Na Onda
37
Morlet propôs uma das primeiras wavelet deinteresse na análise de sinais.
Em sua investigação de sinais geofísicos(exploração de petróleo), empregou a waveletcomplexa:
tjwtMor eet 02 2/
4/1)( 1
)( −−=π
ψ.
Figura. Wavelet complexa de Morlet.(parte real e parte imaginária).
Wavelet de Shannon
Wavelets: Entrando Na Onda
38
A análise correspondente aos filtros passa-faixa
ideais define uma decomposição usando wavelets
conhecidas como wavelets de Shannon.
Espectro da Wavelet real:
∏∏
+
+
−
=Ψπ
ππ
π 2/32/3)(
www .
Tomando a transformada inversa:
=
2
3cos
2)()( tt
SatSha ππψ .
Assumindo t=2x+1,
12
)2sen())1(2sen(2)()(
+−+
=x
xxxSha ππ
πψ .
Wavelets: Entrando Na Onda
39
No caso da wavelet complexa, pode-se usartjCSha etSinct πψ 2)( )()( −= .
(a) (b)
Figura. (a) Wavelet de Shannon. (b) A waveletcomplexa de Shannon (Matlab).
Constata-se facilmente que esta wavelet tem
suporte infinito (i.é., ∃/ M tal que |ψ(t)|=0 ∀|t|>M).
Wavelets: Entrando Na Onda
40
Wavelet de Meyer
A wavelet de Meyer é definida no domíniofreqüencial como:
≤≤
−
≤≤
−
=Ψ
contrário. caso 0
/38|w|/34 14
||3
2cos
2
1
/34|w|/32 12
||3
2sen
2
1
)( 2/
2/
πππ
υπ
π
πππ
υπ
πjw
jw
ew
ew
w
.
Figura. Wavelet de Meyer:
(a) função de escala (b) wavelet. Matlab®.
Wavelets: Entrando Na Onda
41
Wavelets de Daubechies
Atrativos da análise de Fourier: ondas usadas nadecomposição são ortogonais.
As 1as wavelets ortogonais obtidas, (Meyer,Battle-Lemarié), não apresentam suporte compacto.
Haar são ortogonais e de suporte compacto,porém não são diferenciáveis.
Um dos maiores desafios da teoria de waveletsfoi a construção de uma família de waveletsortogonais de suporte compacto.
Figura. Wavelets dbN de Daubechies (N=2,3,4, ...):As Daublets Matlab.
Wavelets: Entrando Na Onda
42
Figura. Diversas versões de uma db2.
Estas formas de onda são ortogonais (!).
Wavelets: Entrando Na Onda
43
Wavelet Symmlets e Wavelet Coiflets
Coiflets e Symmlets são wavelets maissimétricas as quais foram projetadas para garantirmomentos nulos tanto na função de escala )(tφquanto na wavelet-mãe )(tψ .
Elas foram criadas Daubechies sob demanda deR. Coifman em 1989. São também wavelets desuporte compacto.
Figura. Coiflets e Symmlets (coifn e symn); n énúmero de momentos nulos.
Wavelets: Entrando Na Onda
44
Wavelet de "de Oliveira"
Possuem espectro típico passa-faixa ideal
(plano), com regiões de "rolamento" assimétricas,
porém mantendo a filosofia básica da análise a Q-
constante.
Mostra-se que a wavelet complexa de "deOliveira" é dada por
( ).)( )(2/)( wSew deOjwdeO −=Ψ ,
onde ( )wSw deOdeO )()( |)(| =Ψ .
Figura. Módulo da Wavelet de "de Oliveira"
Wavelets: Entrando Na Onda
45
Figura. Wavelet )()( tdeOψ : Parte real
Figura. Wavelet )()( tdeOψ : parte imaginária.
Wavelets: Entrando Na Onda
46
Wavelets Discretas
A CWT essencialmente mapeia um sinal
unidimensional (no tempo) em uma
representação bidimensional (tempo, escala)
que é altamente redundante.
As wavelets agora não são transladadasnem escalonadas continuamente, mas sim emintervalos discretos.
Isto pode ser feito com uma pequenamodificação na wavelet contínua.
−=⇒
=
m
mo
mba
a
anbt
at
a
b
at
0
0
0
nm,,
1)(
-t1)( ψψψψ
onde m e n são inteiros, a0 >1 é um parâmetro dedilatação fixo, b0 é o fator de translação fixo e bdepende agora do fator de dilatação.
Wavelets: Entrando Na Onda
47
A Transformada Discreta de Wavelets:As Séries Wavelet de tempo contínuo (CTWS)
Formas discretas são atraentes do ponto de vista:
i) implementação e ii) computacional.
A discretização da WT
1) ocorre apenas no domínio dosparâmetros (variáveis de escala e translação),
2) não na variável independente do sinal aser analisado (tempo ou espaço).
Retículado 2D no plano escala-translação:
A grade é indexada por dois inteiros m e n:
m => passos na escala discreta
n => passos das translações discretas.Fixam-se dois valores dos passos, a0 e b0.
Wavelets: Entrando Na Onda
48
Escala discreta (logarítmica): a=a0m m=1,2,3,...
Translações discretas: b=nb0a0m n=1,2,3,... dado m.
Assim
∫∞+
∞−
−== dt
a
anbttf
anmCTWSbaWT
m
m
m0
00
0
)(1
:),(),( ψ . o
Note que:
f(t) e a wavelet-mãe são tempo contínuo,
coeficientes discretos CTWS(m,n) são discretos.
Diferentemente da CWT(a,b), as CTWS(m,n)
são definidas apenas para valores positivos de escala
(a0>0), porém esta restrição não é severa.
Wavelets: Entrando Na Onda
49
Assim, a DWT consiste em um mapeamento do
tipo
CTWS: L2(ℜ) → l2(Ζ+ -{0} × Ζ)
f(t) |→ CTWS(m,n)
Enunciado de outra forma: sinais contínuos de
energia finita são mapeados em uma grade
bidimensional de coeficientes de wavelet.
Interessante observar que a DWT é mais análogaà uma representação em série de Fourier ao invés deuma DFT:
• Série ∑+∞
−∞=n
tjnwneF 0
representação de tempo
contínuo, com coeficientes discretos
• DFT ∑−
=
1
0
2
)(N
k
N
nkj
ekfπ
representação em tempo
discreto, com espectro discreto.
Wavelets: Entrando Na Onda
50
Reticulado: A escolha da grade.
Os coeficientes da CWTS correspondem a
pontos num retículo no domínio escala-translação.
A grade é indexada por dois inteiros m e n,
controlando a discretização da escala e translado.
O reticulado uniforme no plano escala-
deslocamento é expresso por:
{ } Znmba nbma ∈=∆ ,00, ),(00 .
Já o reticulado definido pelas wavelets no plano
escala deslocamento é o reticulado hiperbólico
{ } Znm
mmba bnaa ∈=∆ ,000, ),(
00
Caso diádico: a0=2 e b0=1 e { } Znmmm n ∈=∆ ,1,2 )2,2( .
Wavelets: Entrando Na Onda
51
m (escala)
n (deslocamento)
Figura. Resolução de transformadas wavelets:plano translação-escala.
A Transformada Discreta de Wavelets:Séries Wavelets de Tempo Discreto (DTWS)
Wavelets: Entrando Na Onda
52
Além da discretização do plano escala-
translação, a variável independente do sinal pode
também ser discretizada.
Neste caso, define-se:
∑+∞
−∞=
−==
km
m
m a
anbkkf
anmDTWSbaWT
0
00
0
)(1
:),(),( ψ . o
Assim, as DTWS consiste em um mapeamentodo tipo
DTWS: l2(Ζ) → l2(Ζ+ -{0} × Ζ)
f(k) |→ DTWS(m,n).
Enunciado de forma alternativa: sinais discretos
de energia finita são mapeados em uma grade
bidimensional de coeficientes.
Wavelets: Entrando Na Onda
53
Interessante observar que a DTWS é mais
análoga à uma representação do tipo DFT que em
série de Fourier.
O menor passo inteiro para a escala é a0=2. Usa-seentão este fator de escalonamento, o que é referidocomo escalonamento diádico. O menor passo inteirode translação temporal é b0=1.
Wavelets diádicas:
( )∑+∞
−∞=
−− −=k
mm nkkfnmDTWS 2)(2),( 2/ ψ.
Wavelets: Entrando Na Onda
54
Em resumo:
CWT(a,b)= ∫∞+
∞−
− −dt
a
bttfa )(*)(2/1 ψ
( )∫+∞
∞−
−− −= dtnttfnmCTWS mm 2)(2),( 2/ ψ
( )∑+∞
−∞=
−− −=k
mm nkkfnmDTWS 2)(2),( 2/ ψ . o
Wavelets: Entrando Na Onda
55
Um Estudo de Caso:Decomposição via Daubechies db2 para ECG
Decomposição wavelet (AMR) usando db2 paraum sinal ECG, com seis níveis de decomposição.
ECGFigura. Análise de ECG com db2.
Wavelets: Entrando Na Onda
56
A decomposição explicita visualmente, no nível 6, awavelet mãe db2.
Lembra decomposição em série de Fourier: Os
"harmônicos" aqui não são senoidais perpétuas,
mas versões de uma wavelet (e.g., ondas não
perpétuas).
Uma característica diferente: A6=S6 (versão grosseira
ou passa-baixa), a qual devem ser adicionados os
detalhes (versão wavelet ou passa-faixa) para
compor a aproximação.
Maior grau de liberdade é conferido àanálise, pois o mesmo sinal pode serdecomposto via um grande número dediferentes wavelets, ao invés de sempreser decomposto em componentessenoidais.
Wavelets: Entrando Na Onda
57
Aplicações de Wavelets
Provocações... (!)
Wavelets em Descontaminação de Sinais
Infelizmente, descontaminação é um problema
difícil não há fronteiras de distinção entre o sinal
e o ruído.
Métodos de descontaminação: suprimir
"algumas" componentes "incoerentes" com o sinal
de informação.
As wavelets tem se mostrado como ferramentas
importantes no combate e remoção de ruído.
Wavelets: Entrando Na Onda
58
• sinal original fk
• ruído aditivo nk v.a. - ruído branco gaussiano.
• observações kkk nfy σ+= , k=0,1,2,...,K-1,
Matricialmente, y=f+σn .
Aplicando-se a transformada de wavelets, obtém-se
)()()( nfy DWTDWTDWT σ+= .
Os coeficientes wavelet do ruído superpõem-se aos coeficientes wavelets do sinal.
SNR alta:
Eliminam-se as contribuições para a reconstrução dosinal em que o ruído é "comparável" ao sinal,mantendo apenas coeficientes wavelets onde acontribuição do sinal é "importante".
É comum o uso de um limiar abrupto (hard
threshold), contrário caso
|x| se 0)(
T
xxC
≤
= .
Wavelets: Entrando Na Onda
59
Algoritmo Waveshrink
P1. Fixe um nível m≥1 e normalize as observações
via mkk Kyy /~ = .
P2. Calcule a DWT da observações normalizadas.
P3. Aplique o operador C(x) nos coeficienteswavelet obtidos.
O operador de encurtamento (shrinkage), C(x), é
definido por:
contrário caso
T|x| seT|x|).x(Sgn)x(C mm >
−
=0 ,
em que Tm é um limiar.
P4. Efetue a transformada inversa de wavelet paraobter uma estimativa descontaminada do sinaloriginal. o
Wavelets: Entrando Na Onda
60
Figura. Waveshrink:descontaminação de sinais usando wavelets.
Compressão via wavelets
A título de destacar a relevância das waveletscomo mecanismos de compressão:
Ø Inclusão no padrão internacional JPEG 2000.
Ø padrão do FBI (Federal Bureau ofInvestigations) para o armazenamento deimpressões digitais.
Wavelets: Entrando Na Onda
61
Figura (a) Imagem original (261 KB); (b) Imagemcomprimida por JPEG (28 KB);
(c) Imagem comprimida wavelets (5KB).
Wavelets: Entrando Na Onda
62
Wavelets em Localização de Faltas em Linhas de
Transmissão
Wavelets constituem uma ferramenta poderosa na
detecção de faltas em linhas de transmissão,
inclusive na análise de faltas de difícil detecção
(e.g., faltas de alta impedância, faltas em linhas com
compensação série e faltas em linhas com
acoplamento mútuo).
A implementação de algoritmos de identificação
ou localização de faltas em linhas de transmissão
está baseada na configuração do sistema de
monitoramento dos sinais de tensão e/ou corrente na
linha de transmissão, através do uso de registradores
digitais de perturbação.
Entre Daubechies, Haar, Coiflet, Symmlet e
Biortogonal a wavelet escolhida foi a Sym2.
Wavelets: Entrando Na Onda
63
• PRINCIPAIS DESENVOLVIMENTOS NA UFPE
Novas wavelets Potenciais aplicaçõesWavelets em GF(p) Multiplex, Acesso múltiplo,
seqüências de DNA
Wavelet de "de Oliveira" Modulação digital, Modems ADSL
Wavelets de Chebyshev Análise em biomédica
(eletrogastrografia, ECG...)
Wavelets de Legendre Desenhos, Tomografia, RMN,
Imagens médicas
Wavelets de Mathieu Óptica, eletromagnetismo
(antenas...)
• IMPORTANTE E PODEROSA FERRAMENTA NA
ANÁLISE DE SINAIS
• NUMEROSAS APLICAÇÕES E PERSPECTIVAS