WAVELETS

CONCEPTO Y APLICACIONES
PARA EL ANLISIS DE SEALES
RAMIRO TRIANA
PABLO CERON
2006
NDICE
INTRODUCCIN
HISTRICA
QU ES UN
WAVELET?
FOURIER
vs
WAVELETS
DWT
TRANSFORMADA
WAVELETS DISCRETA
WAVELETS
ORTOGONALES Y
BIORTOGONALES
CWT
TRANSFORMADA
WAVELETS CONTNUA
APLICACIONES
DE LOS
WAVELETS
ANLISIS
MULTIRESOLUCIN
ESTUDIO DEL
RUIDO DE UNA
SEAL CON
WAVELETS [...]
INTRODUCCIN HISTRICA (I)
1807 (1822) Joseph Fourier indica que toda funcin
peridica puede ser expresada como una suma infinita de
senos y cosenos de distintas frecuencias.
1909 El matemtico hngaro Alfred Haar descubre una
base de funciones que con el tiempo demostrarn ser los
primeros wavelets.
1946 El fsico Dennis Gabor descompone una seal en
paquetes de frecuencia-tiempo.
1981 El ingeniero Jean Morlet encuentra el modo de
descomponer una seal ssmica en cierto tipo de wavelets
de forma constante.
1984 - Con la ayuda del fsico cuntico Alex Grossman,
Morlet desarrolla su modelo. El trmino wavelet aparece por
primera vez.
INTRODUCCIN HISTRICA (II)
1985 Ives Meyer descubre el primer wavelet ortogonal
suave.
1986 Stphane Mallat muestra que los mtodos de Haar,
Gabor, Morlet...estn relacionados por el mismo algoritmo de
wavelets.
1987 Ingrid Daubechies construye el primer wavelet
ortogonal con soporte compacto. Los wavelets pasan a ser
una importante herramienta prctica de clculo.
1990 David Donoho y Johnstone usan los wavelets para
eliminar el ruido de una seal.
1992 El FBI usa los wavelets para comprimir su base de
datos de huellas dactilares.
2004 Una vez superada la gran revolucin de los aos 90, se
ve que no todo se puede hacer con wavelets, pero que s
suponen una nueva herramienta til de clculo y anlisis.
El anlisis de Fourier de una seal (supongamos temporal) permite
determinar sus frecuencias, pero a costa de perder la informacin de tipo
temporal sobre la seal (no dice cuando aparece cada frecuencia).

Lo que se puede hacer es subdividir la pieza en trozos, y analizar cada trozo.
Esto nos da una informacin rudimentaria sobre el orden temporal en el que
se dan las frecuencias. Este tipo de anlisis se conoce como la transformada
de Gabor (aplicar una ventana a los datos). Sin embargo, este tipo de anlisis
es imperfecto.

Recordemos que la resolucin temporal y la resolucin en frecuencias de una seal estn
acopladas [Existe un principio de incertidumbre similar al de Heisenberg: At
.Ae t]. Existen mtodos de anlisis que alcanzan este mximo. Fourier es
uno de ellos pero alcanza la mxima resolucin espectral sacrificando la
resolucin temporal. Los wavelets s dan informacin simultnea de t y e.
QU ES UN WAVELET?
Motivacin
QU ES UN WAVELET?
Anlisis funcional (I)
Consideremos la transformacin lineal y continua de una
funcin s(t) dada por:
( ) ( ) ( )
*
a
S a, t s t dt

t = + t
}
a
(t ) + t
i t / a
e

i t / a
e w(t )

t
1 t
a a
t
| |
+
|
\ .
FOURIER
GABOR
WAVELETS
[* indica complejo conjugado]
w es una funcin de peso
(ventana) generalmente gaussiana.
El coeficiente 1/\a es un factor
de normalizacin.
El anlisis con Wavelets presenta
interesantes diferencias frente al
anlisis clsico de Fourier.
QU ES UN WAVELET?
Presentacin
Observe algunos de los wavelets ms antiguos...
QU ES UN WAVELET?
Presentacin
QU ES UN WAVELET?
Presentacin
QU ES UN WAVELET?
Presentacin
El nmero de wavelets existentes es enorme. En general conviene
usar aquel cuya forma se adece mejor al tipo de seal con la que se
trabaja. Hay wavelets contnuos/discretos, con/sin soporte
compacto, suaves/con discontinuidades, ortogonales/biortogonales..
Algunos wavelets tienen expresiones analticas. Por ejemplo:
[Wavelet de Morlet]:
[Sombrero mejicano]:
(2derivada de una gaussiana)
( )
2 2
0
i t 1/ 4 t / 2
0
t e e
e |
+ = | t
( )
( )
2
2 t / 2
0
t 1 t e

+ =
QU ES UN WAVELET?
Representacin grfica de los coeficientes de
la transformada discreta de wavelets
El anlisis de wavelets:
Nos da informacin sobre el espectro de frecuencias en funcin del tiempo.
La resolucin espectral de una frecuencia f es: Af f
La resolucin temporal de esta frecuencia es: At 1/f (At.Af = cte).
Realizando una Transformada discreta de Wavelets obtenemos
una serie de coeficientes que podemos interpretar grficamente:
QU ES UN WAVELET?
Anlisis funcional (II):
Traslaciones y Dilataciones
Una transformada de wavelets de una funcin s(t) viene dada
por:
El trmino t nos da las
traslaciones y el trmino a
las dilataciones del wavelet.
( ) ( )
*
1 t
S a, s t dt
a
a

t
| |
t = +
|
\ .
}
TRASLACIONES
QU ES UN WAVELET?
Anlisis funcional (II):
Traslaciones y Dilataciones
Una transformada de wavelets de una funcin s(t) viene dada
por:
El trmino t nos da las
traslaciones y el trmino a
las dilataciones del wavelet.
( ) ( )
*
1 t
S a, s t dt
a
a

t
| |
t = +
|
\ .
}
DILATACIONES
QU ES UN WAVELET?
Anlisis funcional (III):
Traslaciones y Dilataciones
Es decir, la seal s(t) se muestrea empleando versiones (wavelets)
del wavelet madre (dilatados y trasladados) estudiando punto a
punto para qu dilataciones y traslaciones la seal s(t) y el wavelet
son ms similares.


Como es lgico, la frecuencia de la seal s(t) estudiada est
intimamente relacionada con la escala a del wavelet.
Por otro lado, el que el anlisis sea local, es lo que le da a la
transformada de wavelets sus interesantes propiedades.
( ) ( )
*
1 t
S a, s t dt
a
a

t
| |
t = +
|
\ .
}
QU ES UN WAVELET?
Representacin grfica de los coeficientes de
la transformada discreta de wavelets
Tiempo
F
r
e
c
u
e
n
c
i
a

At
Af
Esta forma de descomponer una seal es bastante natural: los eventos de baja
frecuencia suelen durar en el tiempo, mientras que los eventos de frecuencia alta
suelen ser breves.
SCALOGRAM
QU ES UN WAVELET?
Representacin grfica de los coeficientes: EJEMPLO PRCTICO
Seal con altas y bajas frecuencias.
-0.003
-0.002
-0.001
0
0.001
2 4 6 8
200
150
100
50
f
r
e
c
u
e
n
c
i
a

tiempo
Resultado del anlisis con wavelets:
Es posible seguir las frecuencias
dominantes en el tiempo.
FOURIER vs WAVELETS:
Descomposicin de una seal en ondas
FOURIER vs WAVELETS
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
El anlisis de wavelets est especialmente indicado para seales con pulsos o
intermitencias: sucesos que ocurren de manera no peridica. Para estas seales,
Fourier da muy poca informacin, al perder casi toda informacin temporal.

Fourier es inestable frente a seales de tipo intermitentes: si aadimos un
impulso localizado en el tiempo a una seal, todo el espectro de Fourier se ver
afectado, mientras que solo algunos coeficientes de wavelets se modificarn.

Cuando un sistema es lineal y los modos de vibracin son modos propios del
sistema, el anlisis de Fourier proporciona mucha informacin sobre los mismos.
Pero si no es as, la descomposicin en modos propios no da informacin
interesante, ya que mezcla la informacin de los varios modos de oscilacin.

Al estudiar sistemas no lineales que no tienen modos propios, ninguna
descomposicin global en el espritu del anlisis de Fourier tendr xito. Uno se
debe limitar a una expansin local en modos, que es lo que hace el anlisis de
wavelets.
FOURIER vs WAVELETS
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
La Transformada Discreta de Wavelets presenta adems claras ventajas frente a su
contrapartida de Fourier:
- Ms rpida desde el punto de vista computacional: O(N) [DWT], frente a
O(NlogN) [FFT] para una muestra de N datos.
- En muchos casos proporciona un mejor ajuste a los datos con menos
coeficientes.(Permitiendo una mejor compresin de los datos que los
mtodos basados en Fourier).
- Las tcnicas de filtrado de ruido basadas en wavelets dan mejores resultados.
DESVENTAJAS DE LA TRANSFORMADA DE WAVELETS
Es una tcnica reciente. Aunque en las ltimos aos se ha hecho un gran esfuerzo
por darle todo el rigor matemtico que tiene la transformada de Fourier y unificar
mtodos y notaciones, el ritmo de aparicin de publicaciones sobre el tema hace
que no sea tarea fcil.
No permite realizar algunos clculos como los relacionados con la convolucin o
la modulacin de una seal...
FOURIER vs WAVELETS:
Ej: Estudio de discontinuidades en una seal.
FOURIER vs WAVELETS:
Ejemplo: Compresin de imgenes
JPG vs JPG-2000
FOURIER vs WAVELETS:
Ej: Filtrado de Ruido en imgenes
FILTRADO EN
ESPACIO DE
FOURIER:
Se eliminan las
frecuencias ms altas
FILTRADO EN
ESPACIO DE
WAVELETS:
Se eliminan los
coeficientes menores.
DWT
TRANSFORMADA WAVELETS DISCRETA
Partimos de la definicin indicada de la transformada:


El trabajar con transformaciones de wavelets discretas es una prctica
habitual. Esto se debe a su eficacia computacional y a que normalmente se
trabaja con seales de datos discretos. Lo ms comn a la hora de
discretizar la transformada de Wavelets continua es emplear la rejilla
didica.[Tomar a = 2
i
]. En este caso, la transformada viene dada por:


Cada i se denomina octava o escala, y consiste en cada uno de los niveles en
los que se descompone la seal. Las escalas bajas
tienen en cuenta las frecuencias bajas y las escalas altas, las frecuencias
mayores.
( ) ( )
i *
i
i
1 t
S 2 , s t dt
2
2

t
| |
t = +
|
\ .
}
( ) ( )
*
1 t
S a, s t dt
a
a

t
| |
t = +
|
\ .
}
DWT
TRANSFORMADA WAVELETS DISCRETA
Cuando se usan wavelets ortonormales (Desde el punto de vista de las funciones
de cuadrado integrable L
2
) , lo habitual es usar un procedimiento denominado
"decimation (=diezmar). Consiste en descomponer la seal en un nmero de
coeficientes proporcional a la escala analizada. Esto hace que la seal tenga
distinto nmero de coeficientes en cada escala. Fsicamente esto refleja el hecho
de que las frecuencias menores de una seal necesitan menos coeficientes para
ser representadas. Una Transformada de Wavelet diezmada es:


Ahora el paso de obtener la versin Discretizada y Diezmada de la Transformada
de Wavelet (DWT):


( ) ( )
i i *
i
i
1 t
S 2 , 2 n n s t dt
2
2

| |
= +
|
\ .
}
( ) ( )
i i *
i
i
k
1 k

S 2 , 2 n n s k
2
2
| |
= +
|
\ .

DWT
TRANSFORMADA WAVELETS DISCRETA
Definimos la familia de wavelets asociadas a un wavelet madre dado + las
obtenidas mediante las siguientes traslaciones y expansiones:


Con esto, la DWT diezmada queda:


( )
i
n
i
i
1 t
t n
2
2
| |
+ +
|
\ .
( )
( ) ( )
i i i *
n
k

S 2 , 2 n k s k = +

DWT
TRANSFORMADA WAVELETS DISCRETA
Toda transformada de wavelets viene determinada (como mnimo) por dos
funciones (o las dos series de coeficientes (filtros) que caracterizan a estas
funciones): Una funcin de escala madre y un wavelet madre.
La funcin de escala madre tiene la importante propiedad de:

Hay que hacer notar que en esta expresin k toma valores discretos k=0,1..N-1,
mientras que t es una variable contnua. A partir de esta funcin madre se puede
derivar de manera similar a su familia asociada de funciones de escala:

Para unos coeficientes h
k
dados es relativamente sencillo construir la funcin de
escala madre. Partiendo de una funcin inicial e iterando segn la relacin,
obtendremos |(t).
NOTA: La familia de funciones de escala forman una base ortonormal de L
2

( )
N 1
k
k 0
t 2 h (2t k)

=
| = |

FUNCIN DE ESCALA MADRE

( )
i
n
i
i
1 t
t n
2
2
| |
| |
|
\ .
DWT
TRANSFORMADA WAVELETS DISCRETA
Una vez definida la funcin de escala madre, el wavelet viene dado por:

Aunque es bastante evidente no est de ms enfatizar que son los coeficientes h
k
y
g
k
(denominados filtros pasa-bajo y filtro pasa-alto) los que determinan la
funcin de escala madre y el wavelet. En muchos casos, "Los filtros discretos
son ms fundamentales que los propios wavelets.
Por tanto, dados unos coeficientes h
k
y g
k
tendremos ya bien definidos tanto la
funcin madre como los wavelets. A estos coeficientes se les imponen una serie
de condiciones que caracterizan las propiedades de los wavelets que se
obtendrn. Si se es excesivamente restrictivo, la nica solucin que se obtiene es
la del wavelet de Haar. Segn se van relajando condiciones aparece una amplia
variedad de wavelets.
( ) ( )
N 1
k
k 0
t 2 g 2t k

=
+ |

FILTROS PASA-ALTO Y PASA-BAJO

DWT
TRANSFORMADA WAVELETS DISCRETA
Para unos coeficientes h
k
y g
k
podemos crear las funciones de escala y wavelet
madre correspondientes. En la prctica como veremos no es necesario y basta
con trabajar con los coeficientes (filtros).
FUNCIN DE ESCALA MADRE DE DAUBECHIES DE ORDEN 4:
Viene definida por los coeficientes:


Partimos de una funcin de escala inicial (por ejemplo, la funcin escaln) e
iterando con la ecuacin: iremos obteniendo la
nueva funcin de escala.
Con la funcin de escala y g
k
, es fcil obtener el wavelet madre:

CREACIN DE WAVELETS
1 3 3 3
h(0) ; h(1)
4 2 4 2
3 3 1 3
h(2) ; h(3)
4 2 4 2
+ +
= =


= =

( )
N 1
k
k 0
t 2 h (2t k)

=
| = |

( ) ( )
N 1
k
k 0
t 2 g 2t k

=
+ |

0 1 2 3 4
-0.5
0.0
0.5
1.0
1.5
2.0
DAUBECHIE n=4
FUNCIN DE ESCALA MADRE
|(t)
FILTRADO DEL RUIDO
DE UNA SEAL CON
WAVELETS
JOAQUN LPEZ HERRAIZ
WAVELET DE DAUBECHIE DE ORDEN 4
-1 0 1 2 3 4
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
JOAQUN LPEZ HERRAIZ
DAUBECHIE n=4
WAVELET MADRE
+(t)
+
(
t
)
t
[Tras varias
iteraciones]
DWT
TRANSFORMADA WAVELETS DISCRETA
CREACIN DE WAVELETS
Son fractales. Su estructura surge automticamente a partir de las reglas de
escalado y ortonormalidad.
Las derivadas de este wavelet no son contnuas (es una caracterstica de
wavelets de soporte compacto ortonormale).
DWT
TRANSFORMADA WAVELETS DISCRETA
Sea una seal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas
de descomposicin de la seal (2
3
= 8 ): Como la funcin de escala madre forma
una base de L
2
, podemos hacer el desarrollo:
Cada par de funciones de escala de un cierto nivel k, |
2i
k
y |
2i+1
k
, se pueden
escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel
k+1:
DESCOMPOSICIN DE UNA SEAL EN
WAVELETS Y FUNCIONES DE ESCALA
| | | |
( )
7
0 0
i i
i 0
f (t) s t
=
= |

|
0 1 0 1
integrar diferenciar
funcin de escala wavelet
Ejemplo con el wavelet de Haar
(=Daubechies de orden 1).
La funcin de escala recoge la
infomacin suave de la funcin y
el wavelet los detalles de esa
escala.
DWT
TRANSFORMADA WAVELETS DISCRETA
Sea una seal f(t) formada por N = 8 puntos. Esto nos lleva a tener M=3 escalas
de descomposicin de la seal (2
3
= 8 ): Como la funcin de escala madre forma
una base de L
2
, podemos hacer el desarrollo:
Cada par de funciones de escala de un cierto nivel k, |
2i
k
y |
2i+1
k
, se pueden
escribir como la suma de una funcion de escala de nivel k+1 y wavelet de nivel
k+1:
DESCOMPOSICIN DE UNA SEAL EN
WAVELETS Y FUNCIONES DE ESCALA
| | | |
( )
7
0 0
i i
i 0
f (t) s t
=
= |

= +
|
2i
k
|
2i+1
k
u
i
k+1
+
i
k+1

ESCALA 0

ESCALA 1


ESCALA 2

ESCALA 3

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL EN
WAVELETS Y FUNCIONES DE ESCALA
| | | |
( )
7
0 0
i i
i 0
f (t) s t
=
(
= |
(

| | | |
( )
| | | |
( )
3 3
1 1 1 1
i i i i
i 0 i 0
f (t) d t s t
= =
(
= + |
(


| | | |
( )
| | | |
( )
| | | |
( )
3 1 1
1 1 2 2 2 2
i i i i i i
i 0 i 0 i 0
f (t) d t d t s t
= = =
(
= + + |
(


| | | |
( )
| | | |
( )
| | | |
( )
| | | |
( )
3 1
1 1 2 2 3 3 3 3
i i i i 0 0 0 0
i 0 i 0
f (t) d t d t d t s t
= =
= + + + |

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL EN
WAVELETS Y FUNCIONES DE ESCALA
DWT
TRANSFORMADA WAVELETS DISCRETA
DWT
TRANSFORMADA WAVELETS DISCRETA
Los coeficientes de la transformada a distintas escalas vienen dados por las
relaciones (Convolucin circular):




Por supuesto, hay que definir en este proceso a distintas escalas, los valores
de la escala inicial. En este caso, debemos saber los valores de s
i
[0]
. Como
trabajamos con seales discretas s(i) ,, i = 1..N, una posible eleccin es tomar
directamente: s
i
[0]
= s(i).

NOTA: La ventaja de usar como valores iniciales directamente los de la
funcin consiste en que no requiere trabajar con la funcin de escala
directamente sino slo con los coeficientes. , aunque segn las definiciones
anteriores, habra que hacer:

| |
( )
| |
| |
( )
| |
2i L 1
j j 1
i k
k=2i
2i L 1
j j 1
i k
k=2i
s h k 2i s
d g k 2i s
+

=
=

| |
( ) ( )
0
i
k
s k i s k = |

Implementacin de la transformada:
Convolucin circular

| |
( )
| |
| |
( )
| |
2i L 1
j j 1
i k
k=2i
2i L 1
j j 1
i k
k=2i
s h k 2i s
d g k 2i s
+

=
=

DWT
TRANSFORMADA WAVELETS DISCRETA
ESCALA 0 ESCALA 1
DWT
TRANSFORMADA WAVELETS DISCRETA
INVERSA
Implementacin de la transformada INVERSA: (Convolucin
circular):

| |
( )
| |
( )
( )
| |
( )
i / 2 i / 2
j 1 j j
i k k
k i L 2 / 2 k i L 2 / 2
s h i 2k s g i 2k d

= + = +
= +

ESCALA 0 ESCALA 1
DWT
TRANSFORMADA WAVELETS DISCRETA
CONCLUSIONES
3 3 3 3 2 2 2 2 1 1
0 0 0 0 0 0 1 1 0 0
1 1 1 1 1 1
1 1 2 2 3 3
3 3 2
0 0 0
2 3 3
1 0 1
3
2
f (x) s (x) d (x) d (x) d (x) d (x)
d (x) d (x) d (x)
1 x 1 x 1 x
f (x) s ( ) d ( ) d ( )
8 8 4 8 8 4
1 x 1 x 1 x
d ( 1) d ( ) d ( 1)
4 2 2 4 2 2
1
d
= | + + + + + + + +
+ + + + + +
= | + + + +
+ + + + + +
+
3
3
x 1 x
( 2) d ( 3)
2 2 2 2
+ + +
WAVELETS ORTOGONALES Y
BIORTOGONALES
Los wavelets que se hemos estado viendo son ortogonales. Los filtros g y h
han sido elegidos de modo que cumplan:
|(x)|(x m)dx = 0 (m = 0)

}
(x)|(x m)dx = 0

}
(x)(x m)dx = 0

}
(m= 0)
(2
n
x)|(x m)dx = 0

}
(n > 0)
(x)(2
n
x m)dx = 0

}
(n > 0; m= 0 cuando n = 0)
Ortogonalidad frente a
desplazamiento en el mismo
nivel
Ortogonalidad
entre niveles
diferentes
Dentro de los wavelets ortogonales, los wavelets de Daubechies son
compactos en el tiempo, y por tanto tienen una extensin infinita en el
espacio de frecuencias (debido a At.Ae >t). Esto se manifiesta en la
naturaleza no-suave (no diferenciable) de los mismos.

Existen otros muchos wavelets que son compactos en el espacio de
frecuencias (suaves) y que por ello se extienden hacia infinito en el
tiempo.

Tienen la desventaja que no existen algoritmos muy rpidos para la
transformacin (los ms rpidos estn basados en la FFT), y la ventaja de
ser diferenciables.

Ejemplos: Wavelet armnico, Wavelet de Meyer
WAVELETS ORTOGONALES Y
BIORTOGONALES
SOPORTE COMPACTO?
Por supuesto, podemos relajar algunas de estas condiciones mostradas,
con lo que podemos lograr que la forma de los wavelets sea ms suave.

Adems si no nos restringimos al mtodo de clculo (decimation) que
hemos estado mostrando (manteniendo el mismo nmero de coeficientes
en cada escala, y por tanto, informacin redundante), podremos estudiar
correlaciones entre las escalas (muy til).

Es un campo bastante abierto, en el que se emplean por ejemplo splines,
combinaciones de wavelets... En la actualidad se trabaja ms en
desarrollar estos campos que en el uso directo de transformada discreta
con wavelets ortogonales.

WAVELETS BIORTOGONALES
Aunque requiere un clculo ms largo (se acaban usando mtodos
numricos basados en FFT), tiene la ventaja de poder trabajar de un
modo menos restrictivo y ms intuitivo. Adems, su uso es necesario
para el anlisis de seales con gran nmero de discontinuidades (anlisis
fino que en una discretizacin podra verse excesivamente afectado) [Por
ejemplo, para el estudio del caos]
DWT
TRANSFORMADA WAVELETS CONTNUA
WAVELET DE
MORLET
( ) ( )
*
1 t
S a, s t dt
a
a

t
| |
t = +
|
\ .
}
APLICACIONES: EJEMPLOS
ESTUDIO DE DISCONTINUIDADES
APLICACIONES: EJEMPLOS
OBTENCIN DE INFORMACIN
FRECUENCIA-TIEMPO
APLICACIONES: EJEMPLOS
OBTENCIN DE INFORMACIN
FRECUENCIA-TIEMPO
1/a
APLICACIONES: EJEMPLOS
OBTENCIN DE INFORMACIN EN
IMGENES
APLICACIONES: EJEMPLOS
FILTRADO DE RUIDO EN SEALES
FUNDAMENTOS:

1) Pocos coeficientes de wavelets sern distintos de cero si la base es
escogida adecuadamente para que tenga en cuenta las caractersticas de la
seal.

2) Si la seal est distribuida de modo gaussiano, los coeficientes de
wavelets tambin estarn distribuidos de modo gaussiano. (Transforma
ruido en ruido). Por tanto, si se aade ruido a una seal, stos generarn
coeficientes ruidosos, con el ruido contribuyendo a todos los coeficientes,
mientras que la seal slo lo har a unos pocos.

i
i
i i
0 , s
s
s , s
< t
=
`
> t
)
THRESHOLD METHOD (= HARD
THRESHOLDING)
APLICACIONES: EJEMPLOS
i
i
i i
0 , s
s
s , s
< t
=
`
> t
)
THRESHOLD METHOD (= HARD
THRESHOLDING)
0 100 200 300 400 500 600
-12
-10
-8
-6
-4
-2
0
2
4
6
TRANSFORMADA
DE WAVELETS
FILTRADA
(THRESHOLDING)
SEAL FINAL
FILTRADA
SEAL INICIAL
CON RUIDO
TRANSFORMADA
DE WAVELETS
DE LA SEAL
S
e

a
l

e
n

t
t
En este ejemplo se tom como seal la funcin f(t) = 3*Cos(t/128) + r,, t=1..128, siendo r una variable aleatoria con
valores entre 0 y 1 (Ruido gaussiano). Tras realizar una transformada de Wavelets (Con Wavelets de Daubechie de
orden 20), se convirtieron en cero aquellos coeficientes por debajo de un valor t=0.5 [Un 87% de los coeficientes]. Al
hacer la transformada inversa, se puede observar como se ha filtrado gran parte del ruido, mantenindose la seal.
APLICACIONES: EJEMPLOS
SOFT THRESHOLDING
Pare el mismo ejemplo anterior, se aplic este otro mtodo en el que los coeficientes
superiores al valor crtico son "comprimidos" segn este valor t. Se puede observar que el
filtrado de ruido es mejor que en el caso anterior.
( ) ( )
i
i
i i i
0 , s
s
sign s s , s
< t

=
`
t < t

)
0 100 200 300 400 500 600
-12
-10
-8
-6
-4
-2
0
2
4
6
S
e

a
l

e
n

t
t
SEAL FINAL
FILTRADA
TRANSFORMADA
DE WAVELETS
FILTRADA
(THRESHOLDING
& SHRINKAGE)
TRANSFORMADA
DE WAVELETS
DE LA SEAL
SEAL INICIAL
CON RUIDO
ANLISIS MULTIRESOLUCIN
SEAL
ESTRUCTURA
FRACTAL
(Correlaciones entre
escalas)
GRACIAS