Introducción A Las Onditas - D'Attellis

t
. 1
i,
'
Una ptCKnU<:i6n para C1tr10S de Grado
el l ,,,..,lca con M.tLib
..
nueva
librera
Una presentacin para Cursosde Grado

de Ingeniera con Matlab
Marta T. Anaya 1, Mara J. Cava/laro

Francisco F. Villaverde2 , Carlos E. D 'Attellis
1. Departamento de Matemtica, Facultad de Ingeniera, Universidad

de Buenos Aires.
2. Departamento de Matem:itica y Ffsica & O.E.O.A. , Instituto Teenolgico
de Buenos Aires ( l.T.B.A.)
,'. , '
~
j '
INTRODllCCION A LAS ONDITAS
INDICE
INDICE
Prefacio
....... . ........ .. ............ . .. ... . ............... . .... . ..... . ... . .. ....!
Introduccin
......................................................................
l. Primeras actividades en MATLAB ......................................................................... 1
2. Ventana de Gabor en tiempo discreto ............................................................... ........ 6
3. De la transformada de Gabor a la transformada ondita .......................................... 19

3. 1 Escalas y bancos de filtros
............................................................................ 19
3.2 Resolucin, escalamiento y submuestreo .................................................................. 26

3.3 Las onditas
4. Anlisis de multirresolucin
4.1 Camino a la multirresolucn
............................................................................. 27
...................................................................... 30
............................................................................ 30
4.2 Multirresolucin con onditas spline de soporte compacto ........................................ 48

4.3 Rutinas Matlab para el anlisis de multirresolucin ................................................. 56
4.J. I Multirresolucin para la ondita splil)e bsica ................................................ 58
4.3.2 Multirresolucin para la ondita spline cardinal ............................................ 61
4.3.3 Multirresolucin para la ondita spline dual .................................................. 63
4.3.4 Multirresolucin para la ondita spline ortogonal... ........................................ 65
1995
Nuva llbrrfa S.R.L.

Balcllrc: 873 - (1 Oll4) Ba. Aa. - Ar99nlina
Tal9f ax : (541) 362-9266
R11stHVados todos los derechos. Ninguna PBff dI matt1rla/
cubiMtoporesia olxa~ err~ ~.,,
un sistema de informtica o transmitida dlil cualqu/r forma 0
por cuaJqu/er mlildlo elttc!rnico, mecAnco. lolocopia. grllbaci6n

u ourn mtodos sin .t xpresc ,,.rmiso dlil/ tldit<Y.
Hecho 91 depsito qve establee. la ley 11. 723
Primera edicil)n 1995
l""'eso en Atgenllna . Pmted In Arg.ntina
ISBN 9509088773
Apindices:
J. Sobre los filtros digitales
................................................................... 1
l. 1 lntroducin
1.2 Caracterizacin de las seales de tiempo discreto .................................................... .

1.3 Sistemas lineales invariantes en el tiempo ................................................................... 2
1.4 Estabilidad y causalidad
.............................................................................. 3
1.5 Ecuaciones en diferencias a coeficientes constantes.................................................... 3

1.6 Representacin de sistemas de tiempo discreto en el dominio de las frecuencias ....... 4
1.7 La transformada Z
.............................................................................. 6
1.8 Funcin de transferencia
.............................................................................. 7
1.9 Un ejemplo
.............................................................................. 8
2. El teorema dl muestreo
.............................................................................. 1
INTRODUCCIN A l.AS ONOITAS
PREFAClO
Teniendo en cuenta que aparece cada vez con mayor frecuencia la necesidad de poner en contacto
a los estudiantes de carreras de ingeniera con temas que en la actualidad son objeto de investigacin,
y demuestran tener importantes aplicaciones, es nuestro propsito en este trabajo difundir a nivel de
grado la teora de onditas (wavelets. ondelettes). Esta ha ido cobrando mayor importancia en los
ltimos allos y representa una alternativa al anlisis de fourier con ventanas para scllales, adems de
otras aplicaciones.
El libro que presentamos, est dirigido a alumnos que hayan finalizado un curso de Anlisis
Matemtico que incluya: funciones de variable compleja, series de fourier , transformada de Laplace ,
y que hayan asistido o estn asistiencio a un curso de sei\ales y sistemas.
Nuestra propuesta consiste en guiar gradualmente al alumno, desde temas conocidos como el
anlisis en frecuencias a travs de la Transformada de Fourier, hasta la Transformada Ondita,
pasando por las ventanas de Gabor. No nos proponemos desarrollar exhaustivamente los temas
tericos, sino ayudar a la formacin de los nuevos conceptos a travs de la simulacin de algunas
sel\alcs y su procesamiento para extraer informacin relevante de las mismas, transfonnndolas,
mostrando algunos grficos e induciendo al alumno a realizar las actividades sugeridas. Creemos que
sta es una forma adecuada para aproximarse a un tema nuevo. Posteriormente, el alumno interesado
podr profundizar en la bibliografa que se indica.
Para la realizacin de las actividades propuestas se ha elegido el programa utilitario MATUB que
demostr ser de sencillo manejo y verstil para el tratamiento de esta presentacin. Para algunas de
las actividades sugeridas se muestra el cdigo ea MATLA.B nentras que otras se dejan para ser
desarrolladas por el lector , pero mostrando los resultados a obtener a travs de representaciones
grficas. No se requiere demasiada experiencia en el manejo de este programa ; la consulta de Jos
manuales de usuario alcanza para realizar los ejercicios sugeridos.
En la seccin 1 se presentan una serie de actividades tendientes a lograr una fami liarizacin con
MATLA.B asi como la revisin de a lgunos conceptos relacionados con las seales de tiempo discreto.
Los apndices l y 2 complementan algunos de estos conceptos tales como la transformada Z ,
respuesta en frecuencia y el teorema del muestreo. En la seccin 2 se inicia el tratamiento de la
transformada de Gabor y los conceptos preliminares para comprender la resolucin en tiempo y
frecuencia .
La nocin de escala y los bancos de filtros son tratados en la seccin 3 . La introduccin del
escalamiento de la ventana de anlisis de una seal se utiliza para introducir las onditas . Finalmente
en la seccin 4 se presenta el anlisis de multirresolucin a travs de la descomposicin de una seal
en canales de frecuencia. Se muestra cmo dicho ami.lisis se puede implementar , para distintas
onditas spline de soporte compacto , a travs de filtros d igitales que son calculados y utilizados en
ejemplos con seales sintticas. Como ejemplo final se muestran algunos resultados obtenidos al
analizar la sel\al correspondiente a una palabra.
Buenos Aires, Diciembre de 1994
INTRODUC"CION A LAS ONDITAS
INTRODUCCION
El propsito del anlisis de seales es extraer informacin relevante de una seal

transformndola. Puede resultar que ciertas caractersticas de la seal slo pueden se;.
apreciadas o detectadas analizando la transfonnada de la scl\al original ' Esas
transformaciones asumen suposiciones a priori respecto a la seal que ser :analizada
(limitada en frecuencias energa finita , continuidad por tramos etc). Adems interesa que
esas transformaciones sean inversibles , es decir que se pueda pasar de la seal orjginal a
su versin transformada y viceversa.
.
Tales transformadas han sido aplicadas a sel\ales estacionarias, es decir , seales cuyas
propiedades no cambian en el tiempo . Para tales seales f(t) ,Ja 'ttansformada ms usada es
la transformada de Fourier :
i
1
La transformada de Fourier ha sido utilizada como una herramienta confiable en el

anlisis de seales durante muchos al\os. Introducida al principio del siglo XTX por Jean
Baptiste Joseph Fourier. la transformada que lleva su nombre se ha convertido en Ja piedra
angular del anlisis moderno de se'lales. La transformada de Fourier ha demostrado ser
increblemente verstil en sus aplicaciones , ya sea en el reconocimiento de patrones como
en el procesamiento de imgenes. Sin embargo presenta ciertas limitaciones.
Recientemente, una nueva transformacin, la transformada "ondita" , ha mostrado ser tan
poderosa y verstil como la transformada de Fourier, pero sin algunas de sus limitaciones.
'
I'
,.
La transformada ondita es el resultado del trabajo de numerosos investigadores. A

mediados de los al\os 80, un ge.ofisico francs, Jean Morlct, present un mtodo "ad hoc"
para modelar el proceso de ondas sonoras propagandose por la corteza terrestre.
A diferencia del anlisis de Fourier, Morlet no utiliz las funciones seno y coseno ( o
exponenciales complejas), sino otras a las que llam onditas . Yves Meyer, un matemtico
francs, identific este trabajo como parte del campo del anlisis armnico y elabor toda
una familia de onditas las que demostraron ser ms eficientes para modelar fenmenos
complejos. Este trabajo fue luego mejorado por dos investigadores , Stephane Mallat, de la
Universidad de New York, e lngrid Oaubechies, de los Laboratorios Bell. A partir de 1988,
se ha producido una creciente actividad en esta rea, debido a que ingenieros e
investigadores aplican la transformada ondita en diversidad de temas que van desde la
compresin de imgenes hasta el anlisis de huellas dactilares.
Una funcin en el dominio del tiempo es convertida por la transformada de Fourier en

una funcin en el dominio de Ja frecuencia, donde puede ser analizada por su contenido
espectral. Esta conversin ocurre porque la transformada de Fourier expande la funcin
original en trminos de funciones ( ortonormales ) seno y coseno , de duracin infinita. Los
valores de la transformada de la funcin representan la contribucin de cada funcin seno
y coseno para cada frecuencia.
I/'ITRODUCCIOH A LAS ONDITAS
-N_T_R_o_o_,,c
_-c_:1_
o_N_A__1_.A_s _ <_>N_n_1T
_A_s ______________________......;________________~
iv
l. PRIMERAS ACTIVIDADES EN MATLAB

Uno de los inconvenientes de la transformada de Fourier es que no pemite localizar en el
tiem~, eventos que fonnan parte de la seal. Ofrece una buena caracterizacin en el
dominio de las frecuencias, pero no en el dominio del tiempo.
Esta deficiencia. ya habla sido observada por D. Gabor, quien, en su trabajo de 1946,
introdujo una mejora en la localizacin temporal introduciendo una funcin ventana
g(t,b), en la que el parmetro b es utilizado para trasladar dicha ventana para que cubra
todo el dominio del tiempo, extractando informacin local de la transformada de Fourir
de la seal. De hecho, Gabor utiliz una funcin gaussiana para la funcin ventana g. D ado
que la transformada de Fourierde una funcin gaussiana es a su vez una gaussiana. se logra
asi una loc<\lizacin en tiempo y en frecuencia .
La transformada ondita introduce nuevas familias de funciones bsicas obtenidas a
partir de una sola funcin l/l(t) mediante cambios de ~scala y tr~laciones , que _. a
diferencia del seno y coseno de la transformada de Founer, no neces1tan tener duracin
infinita. Pueden ser no nulas slo en un intervalo de corta duracin . Este soporte
compacto permite que la ondita transforme una funcin en el dominio del tiempo en una
representacin que es localizada no slo en frecuencia (como con Ja transformada de
Fourier), sino tambin en tiempo. Tal caracterstica ha aportado nuevos desarrollos ei:i los
campos del anlisis de sei'laJes, procesamiento de imgenes y compresin de datos.
Como ejercitacion previa a continuacin se plantean algunas actividades a desarrollar con

MATLAB cuya finalidad es :
a) lograr alguna familiaridad con el uso de este programa
b) recordar algunas propiedades de la transfonnada Z y de la.transfonnada rpida de
Fourier ( FFT) que sern utiJes a lo largo de todo el trabajo ,
c) presentar a travs de ejemplos algunos conceptos tales como sobremuestreo ,
submuestreo y clculo de filtros inversos .En particular los resultados de algunas de las
actividades ( 3.2 , 3.3 ) se emplearn , corno se presentar mas adelante , para el
procesamiento de seales con el esquema de multirresolocin con onditas spline.
Acti vidad Ml
SabihC!o que la transfonnada Z de la sucesin
A( z) =
L a( k) z -.t
, probar que si
{a ( k
r_ es
(o k.<a )~k) =a( k -k0)
la transformada
Actividad M2
. -.;
, '
2.1) Para una sucesin
{a, ....,anJ determinar
(o(a)Xk). y
f""f!,; ) '.".
.~
(0_1( aJ)(k)
en forma directa y usando el algoritmo FFT incluido como funcin

definida en MATLAB.
'
2.2) Para una sucesin f a.f'/'aN.J.. o-i"M} realizar un corrimiento de forma tal que
el primer elemento sea a0 en forma directa y usando el algoritmo FFf.
Ejemplo: Siendo a(k)={l,3,5,Z,5,3,J} se desea realizar un corrimiento de forma tal que
7 sea el primer elemento
a) En forma directa:
a=[l 3 5 7 5 3 l];
% Ingresamos
a como vector
b:o(a(4:7) a(l:3)); % Reordeoamiento de a

:.
%
b
Re..~puesta
ans
7531135
JNTRODUCCION A LAS ONDlTAS
JNTltODUCCJON A LAS ONDITAS
La transfonnada z debes B(z) = 2 z + 5 + 2zl haciendo z = e27ti t ., con

11
t k/I' resulta
c{t) = 2e 2 " 11 + 5 + 2e2 "
5 + 4 cos( 2 7t t).
b) Usando FFT:
Sabemos que (On(a))(t)= a (t-n); como FFT(a(t-n)) = FFT(a).ei2rt n t IN
donde N el nmero de elementos de a entonces
1=0:11128:127/128 ;
% generamos un vector de 27 elementos para JDuestrear B" l(z) en la

% circunferencfa de radio 1
a=(4cos(2*pi*t)+5)."( -1 ); % B"l(z)
% ser real ya que la sucesin dada es simtrica, sin embargo
b l =iffl(a);
% si se desea representar graficamente
% se deber realizar asi ...
% la parte imaginaria es practlcamente nula ...
plot(real(ifft.(a))
a(t-n) = /FFT(ei2ntn IN. FFT(a)) IFFT es la transformada rpida inversa de Fourier
t=0:6;
g=exr( -i*2*pi*4*t/7); % corrimiento
4 lugares
"'(l 9 5 7 5 3 lJ;
b=re~l(ifft(g. *fft(a)));
% el vector original era real
de
b2=b1(1:30);
for j=!:29
b3Q)=b2(3 l-j);
end
invb=[b3 b2]
%Respuesll\
ans
7531135
conv(invb,{2 5 2))
% son significativos solo 60 puntos ....
% Sucesin Inversa
% Comprobacion si se realiza el producto de convolucion se obtiene

% la sucesin impulso unitario ...
Actividad M3
,.:
Dada {b(k)) se denomina inversa de la misma : b- 1(k) a la sucesin que verifica:
Actividad M4
Teniendo en cuenta que el sobremuestreo de una sticesinfi'nJ se define como la
sucesin F(nJ tal-que
F(2n) ,;,, fin} ,
F(2n+ l } =O
donde"*" es convolucin discreta.
Sobremuestrar una sucesin dada :

a) Usando transformada z
b) Intercalando ceros
Teniendo en cuenta que la transformada z de b-1 es Bl (z), con B(z) la transformada z

de b, hallar b-1
a) en forma d irecta
b) usando FFT
c) ve1ificar convolucionando
para los siguientes casos:

4.1) b={2,5,2 J
4.2) a= sen(4 7t t) con 128 muestras en [0,21t] slo intercalando ceros
Recordar que como en MA1LAB el ndice c:ero corresponde al 1, entonces los teros se
agregan por la derecha de cada elemento de la sucesin original.
Para:
3.1) b={2,5,2}
Ejemplo para b = (2,5,2} usando la transformada z:

'3.2) para b tal que su transformada z es B(z)= (
z ~ 4 + z-1 )16
3.3) para b cal que su transformada z

B(z)=( z3+J20 z2+Jl91 z+2416+1191 z-l+J20z2+z-3 )/ 5040
Ejemplo: Sea obtener la inversa de 3.1) usando FFr
La transfonnada z debes B(z)= 2z+5+2zl (notar que el 5 corresponde al subndice

O de la sucesin)
Siendo B(z2)= 2z2+5+2z-2 con z=e21ti k IN ,tenemos B(z2)= 5+4*cos(41t k/N)
Como Ja sucesin que buscamos tiene el doble de elementos de b, N=6 y ~f slo
bastar antitransfo1mar para encontrar sucesin pedida ,
JM'RODUCCION
A LAS ONl)JTM
INTRODUCCION A LAS ONDITAS
k={):l:5: a2S+cos(4*pl*k/6);
Ejemplo: Sea d ={ 1357 9 8 6}.
usbsiffl(a);
%Respuesta
usb
ans
91r SUBMUESTREO
3 5 7 9 8 6];
Cor j ..t:(lengtb{d))/2
~[ l
502020
ds(j)=d(2*j);
end
ds
Ejemplo para la sucesin b={2,5,2J intercalando ceros:

b"(2 s 2];
Cor j=I :21englh(b)
if rem(O+ 1},2) .. O;
bb(j)=b(O+ 1)12) ;
else
bb(j)= O;
end
end
378
% el veaor teudc el do!1le de elemenlOS de b
% sielrcstoesO,oseaj+l par
% se le asigna el valor corresspondiente
Actividad M6
% n las componentes de ndice wpar le corresponde cero
Crear la funcin submuestm para MATLAB como archivo. ro y probarla para algunas
sucesiones o seales de tiempo discreto.
Analizar los espectros de una sena! de tiempo discreto y su submuestreo de orden _2
usando el algoritmo FFT disponible en MATLAB. Representar graficamente con
adecuadas escalas de frecuencias para poder observar las diferencias en los espectros.
bb
205020
% vecior b sobremuestreado
NOTA : Como se presentar en varias .oportunidades la necesidad de utilizar el algoritmo FFT

disponible en MA1LAB y adems represencar grficamente los resultados obtenidos . entonces se
muestra a continuacin un archivo .m para dos sellales ( f y h ) . Se recomienda ponerlo a prueba
y experimentar algunos 'cambios . En particular observar como se generan las escalas de tiempo y
.frecuencia .
Puede crearse la funcin sobremue como archivo .m en MATLAB.

, Esta forma de sobremuestrear no es eficiente cuando debe aplicarse sucesivamente ya que
el tiempo que tarda en realizafse es considerable. Presentamos, entonces otra alternativa:
. .,. ')
% SOBREMUESTREO DE ORDEN N
% Esta funcin permite intcrcalllt ceros de fonna tal que Jos elementos del vect.or x queden
% USO DE LA TRANSFORMADA DISCRETA DE FOURIBR (IMPLEMENTADA CON FYf)
fsz64;
T=l/fs;
%en los luglll'CS de ndice (2n)k k .. l......lengtb(x)

"
.,fll!lcliOn.y... (()bJcrtue(x,n)
-~,;
...... '
-;;~ .;- .. c=eros(t,2n1ength(x));
~'~; -~ ~;c(I:2n:in1en tb(x)).,x;
N=2S6;
t..O:T:(N-l)*T;
f=2*<:0S(4pi*t}+sin(16*pi*t);
CK,~
D=0.05;
b l l/4*sn(l6pi*(O:T:l-D));
h2=1/2+ t/2sio(pi/0.1 *((1-D:T: l+D)));
h3= 1/2+ l/4*sin(2*pi*(l +D:T:(N-1 )1));
4~c;.-
rf.".
~ ~
91. frecuencia de muestreo en Hz

% intervalo de tiempo entre muestras
% numero de muestras consideradas
9lr rango de tiempos
% una SCllal
- )~ara el ejemplo propuesto:

sobrcmo;.1)
2osofo
h:[hl b2 b3};
% otra sella!
~ % espectro de amplitud de e
f::abs(Cft(t)};
. sobremuc(b,2)
hf:abs(CCt(h));
% espectro de amplitud de h
.200500200
~
F-oO: 1/N:0..5-1/N;
A<:ti~ldad MS
<ro esta sera una forma habitual de generar una escala de frecuencias donde
<ro Ja variable es la frecuencia en Hz sobre la frecuencia de muestreo y que
% llega basta 0.5 ( la mitad de.la frecuencia de muestreo , recuerde et
El submuestreo de orden 2 consiste en fonnar una nueva sucesi~n con los elementos de
.. ndice paf de fa sucesin original.
. :. - ~ubmue.Strear Jas siguientes sucesiones.
. 5.1) d =( i 3 5 7 9 8 6}
5.2) la sucesin a del ejercicio anterior
% teorema del muestreo... )
subplol(221),plot(t,0.xlabel('liempo'),ylabel('una seftal')
subplot(222),p10l(F,ff(l:Nf2)),xlabel('freo:ifrec de muestreo'), ylabel(' espectro de amplitud de f)
subplot(223),plot(t.h),xlabel('tiempo'),ylabel('otra sella!')
subolot(224),plot(F,hf(l:Nn)),,xlabel('frec/frec de muestreo'), ylabel (' espectro de amplitud de b')
1NTRODUCCION A LAS ONDIT/\S
..JNTRODUCCION A L/\S ONDITAS
'Actividad M7
2. VENTANA DE GABOR.EN TIEMPO DISCRETO
l
i
:r
"
;!.
j{ro)=
f(t)
e-i(J)l
!:
dt
Este anlisis se aplica a seales estacionarias, es decir, seales cuyas propiedades no

varan con el tiempo.Ct!alquier cambio abrupto en el tiempo se "distribuye" sobre todo el
eje de frecuencias en f (ro).
Lo expuesto detemna l necesidad de implementar un anlisis adaptado seales no
estacionarias.La solucin es introducir una funcin que localice la seal en el tiempo, para
que la "transformada de Fourier local'' tome a la seal a travs de una "ventana", dentro
de Ja cual la seal es aproximadamente estacionaria. Esto significa reemplazar la base de
fondones sinusoidales de la transformada de Fourier por funciones base que estn ms
concentradas en tiempo .
Se define, entonces, una transformada de Fourier dependiente de un parmetro temporal
,adicional _x relacionado con el intervalo de tiempo donde se localiza el anlisis en el
tiempo a travs de la ventana w(t):
'~
IL
!~
,1
!~
,11t
i!'
!I
Ir
l
11
Representar grficamente w(t) para ex : 1 ,2 . y 1/4 con f3 :O, 1 y 1/2 a partir un archivo
.m con MATLAB . Representar tambin su transformada discreta de Fourier eon el
algoritmo FFf ( Transformada rpida de Fourier ) disponible cmo _fnci6n ctefulidl en
MA1LAB. Hallar la transfonnada de Fourier por defuticin y usando FFT, y observar
con atencin la relacin entre los desvos ( de l funcin gaussiana ) en los dominios
temporal y de las frecuencias. Recuerde que la transformada de Fourier de una funcin
gaussiana es otra funcin gaussiana.
El siguiente ejemplo corresponde al caso : ex= 1 y ex= 114 con ~=O :
Con el anlisL~ de Fourier podemos obtener la medida de las distintas componentes de

una seal en las frecuencias, pero no permite determinar en qu instante se produce,
cada una de ellas, esto es, la infonnacin que provee la transformada de Fourier no est
temporalmente localizada. Basta recordar que la delta de Dirac o(t) ( localizada
punrualmente) tiene transformada de Fourier 1 , es decir tiene componente$ en todo el
. espectro (no localizada en frecuencia). La transformada de Fourier f<oo) se calcula como
producto interior de la seial f(t) con una base de funciones sinusoidales de duracin no
finita . es decir
J(<.O, x) =
t.
w( t - x)
f (~) e-Jw< dt
y
;
1
t
''
% VENTANA DE GADOR
% variable independiente entre .g y 8
1=8:1/16:8 1116;
gw=exp(-t ."214) .*(1/(2*sqrt(pi)));
plot(t,gw) . xlabel('t'), ylabel(' ventana de Gabor alfa= l')
pause
% Detenninacion del espectro de frecuencia
espgw:abs(ffl(gw));
=O:11256:.5-11256;
plot(f,espgw(1:128)), ylabel('espectro de la ventana '). xlabel ("frecuencia /frecuencia de muestreo'}
- 0.3r-----------;.,
11
l!
.l!
-;
~ 15
~02
~
.!!!
.. 10
l
~
"O
~ 5
0.1
.,~
0'----"''--~---"~---1
dondef(t) es la sefial, y w(t) es una funcin de L 2(R), denominada ventana, que e,s una
funcin real tal que su densidad espectral de energa est concentrada en las bajas
frecuencias. Se pide adems t w(t) e L 2(RJ, condicin que ser necesaria ms adelante.
En el caso de tieinpo discreto tenemos:
10
-5
0.02
11
~ 15
~
..
"'
-;;; 10
"O
O'---~--'-J'--_\~~--J
10
.5
o
5
10
g s
..
0'----~--==""-----1
0.02
a> O
o.04
o.e:;
frecuencia/!recuencia de muestreo
-(1-jl)'
2&
0.06
11
.l!
-;
-:;0.2
1
-w(t)=--e 4
0.04
~ 0,6,-...---~,,----~
<!>
y se la llama TRANSFORMADA DISCRETA DE FOURIER CON VENTANA.

En esta seccion se considerar el caso en que la ventana w(t) es gaussiana ( ventana de
,Gabor) esto es :
frecuenclalfrecuencla de muestreo
~ 0.4
Jrro.n)= ,w<t-11)/(t)e-l-Olt
O'-----"'---~----'
10
Flg l : La ventana de Gabor y su transformada de Fourier.
l>ITROOUCCION A LAS ONOITAS
JNTRODUCCION A LAS ONDITt\S
9
4
La disminucin del parmetro a detennina una mejora en la localizacin en el tiempo t

pero una mayor dispersin en las frecuencias ' empeorando la localizacin en las
frecuencias. Para mejorar la localizacin en las frecuencias se debe aumentar l valor de
a con lo que aumenta el ancho cractetistico de la ventana en .el tiempo.
j j
l
'
La transformada de Fourier de tiempo discreto con ventana
__
'
f<o:i,n) ,,w(1-n)f(t)e-10J1
Actividad M8
t.
1
Considerando la seilal j(t) = 3 sen ( 41t1) + cos ( 87tt) y la ventana de Gabor

mostrar que la transformada del producto w(t) f(t) es el producto de
convolucin de las tranfonnadas de Fourier.
Tomar varios valores para n .
Ejemplo con a= 1116
Uempo
t:
t:
..
0.1
vl
'
'
,,.1
Considerando n fijo , j(ro,n) es la transformada de Fourier con ventana del

producto w(t-n)f(t). En este caso w(r-n) acttla como una" ventana" en el
tiempo que detennina el intervalo de tiempo a analizar de la seal en el entorno del
valor fijado de n.
o
tiempo
es una funcin de dos varibles , en las aplicaciones la variable ro se considera discreta.

La transformada de Fowier con ventana de Gabor se denomina TRANSFORMADA >E
GADOR: La expresin para f(ro.nJ puede analizarse desde varios puntos de vista:
l.
1
1
1
0.2
0.3
frecuencia/ frecuencia de muestreo
01 .......---~~~-"--~~~.....J
o
0.1
0.2
0.3
rrecutncia/ trecuencl de muestreo
Flg 2 : Anli~s ?,e un~ se~ con In tmns!oro1ada de Oaoor .El espectro del producto
IW es una
ve.rs1n suaVttada del espectro de la seilal, es el producto de convolucio de los cspeClros de
ambas. Eo el primer grfico de espectros se muestrnn el espectro de la sena! ( 2 " picos " ) y el ~
la ventana ( un filtro pasabajos) .En este ejemplo se tom 11 =O y a. U16 .
w(tj
Actividad M9
f ( t) ={ 2 sen (2 1t32 t)
O s; l s; 1
2 1t 8 f) J < t ~ 2
Considerando ventanas de Oabor en 11 =0.5, 60164, 1, y 1.5 representar-grficamente
los espectros de Ja seilal y del producto sella! por ventana.
Ejemplo:
Dada la seal
Se/1 (
f> ANALJSIS DE SEALES CON VENTANA DE GADOR

l-4:1/64:4-1/64;
alfa=l/16;
gw:oexp(-t ."2/(4rufa)). (1/(2*sqrt(pi*alfa))) ;f 3sin(4*pit)+cos(Spi*l);
$UbplOl(221)
plot(t,gw,t,f,); ylabel(' ventana de Gaoor alfa= 1/16) ;xlabel("tiempo')
subplot(222)
plol( 1, f .gw) ;ylabel('producto seiial ventana') ;xlllbel('tiempo')
subplot(223)
espf=abs(fft(Q);
F=0:1/256:.5-lfl56;
plol(F,espf(l: 128)'); ylabel('espectro de la sella!') ;xlabel('frecuencia/frecuencia de muestreo')
espwf=abs(!fl(gw .*I));
subplot(224)
9'o TRANSFO.RMADA DE FOURIER CON VENTANA
ll=O:l/128:1; 12=1:1/128:2;
t=ru aJ;
f1=2*sin(2 pi*32*tl) ; f'2-sin(2'"pJSQ); f=[fl f2]; 9'o seilal considerada

alfa=inpul('ingresc alfa:') ;
n..lnpul('ingrese n:);
g..( l /(2 sqrt(pl alfa);exp((tn)."11(4*alfa));
9'o ventana de Gaoor
af.g;
b..abs(ffl(f)); c=abs(ffl(g)); d=abs(ffi(a));
% Espectros discretos
bl=b(l:l28); Clc(l:J28); d]ad(1:128);
JJ
f
:xO: 11256:.5-112.56;
subplot(1j2i), plot(l,f,1,g) ,:xlabel('tiempo'),ylabel('scllal y ventana') _
subplot(W).plol(t,a) ,xlabel('tiempo),ylabel('producto' set1aIven1aila')
subplot(2f~).plot(x,bl,x,cl), xlabel('f/ fmuestteo), ylabel('espectros seal y ventana)
subplot(1:4). plol(x,dl) xlabel('C/ em=:reo') ,ylabel('espectro setlal ventana')
u:P;;.;lot:..;;(F~,es~p~w;.;.f(~l.;..:l;.;;2.;;,8)""');"'y-"la;;.;bc.;..l..:..('es.;.;;.:;.pec;;.;;..;;;tr.;..o.;..del~prod'-=u;;.;c:..;;to;.:'):...:;;.;;xla;;;;be:;.:;.;.:l(c..::'frec=u:..;;en;;;c;;;ia/;;.;f;;..recu;.:;.;;.e;;.;.n;.;.cl;;;a...;;d.;..e.:.:.m:..;;ue;;.;s:..;;lt.;..eo;.:')'----..... t.
J~
INTROOUCCION A LAS ONOITAS
JNTROOVCCION A
10
'
ONDITAS
11
cy
10
J.;\&
150
100
1ij
so o
~
0.5
1.5
-10
0.5
1.5
tiempo
tiempo
11
.. 150
.,e:
..
e:
11
~100
.,..
D
g..
.,a.o
.,"'
150
150
100
o o
"
50
\.lo..
'-
0.2
0.4
0.6
frecuencia/frecuencia de muetlreo
50
Flg 4 Se representa el espectro de ampliwd

de la seftal multiplicada por
distintll.S ltaslaciones de la ventana de Gabor. Son 128 muesiras del espectro
para las 16 traslactone.5 propuestas. Puede observarse una transicin desde
la presencia de la frecuencia 1n4yor en el primer producto analizado hasta que
slo se observa la frecuencia menor en Jos tlltimos.
00L-~~-o.~2~i..._~o.~
4~-~__,o.s
frecuencia/frecuencia da muestreo
La figura 5 muestra un fragmento .de un registro encefalogU'iCo.En la figura 6 se muestra

una representacin en 3 dimensiones similar a la de la figura 4 pero utilizando como seal
la correspondiente a ese fragmento .
Flg 3 : Ejemplo de Ja transfonnada de Fouricr con ventana para una seal cuyo espectro presenta dos
frecuencias. Se consider n =0.5 y a = 1164.
Actividad MlO
;
..
Realizar un grfico en tres dimensiones que muestre la distribucin de frecuencias para la

i.;ncin f del ejemplo anterior con la ventana centrada en distintos valores den.
Ejemplo
'ilJ TRANSPORMADA DE FOURIER CON VENTANA (ventana deslizante)
tlO:l/128:1; Q;J:l/128:2:
l .. [ll t2];
% escala de tiempos
n-2sn(2*pi*32*ll); f2eSin(2"'p*812);
r..rn f2J;
alfa=l/64
G=[);
-20
% la seal
% parmetro de la ventana
for jxl:l6
g:(l/(2sqrt(piaJfa)Pexp(-(t-j/8)."2/(4*alfa));
% generacin de la ~~t.rlz G que co111endra 16 1rnnsformad11S
a=f. *g; d=abs(ffl(a)); G=(G;d(l:128)];
end
1,
200
mesb(G}
%Grfico3 D
300
400
tiempo en f/(frec.muestreo)
Flg5
'1
Fragm.,.1io de registro enoe(alogrfico
500
600
J~"TRODUCCION A LAS ONOJTAS
12
. INTRODUCCJON A LAS ONDITAS
13
Ejemplo:
. 1200
tJ MODULAClON
1000
..-4; 1/64:4; r- 3sln(4*pi t)+cos(8*pit);
% seilal moduladora
% seuoldal a modular ( w=2 n:)
% modulaclon
a..exp(i*2"pi t) ;
ffcf.a;
800
Fl..abs(tft{O)
; F2=abs(fft(ft))
% espectro original y modulando una senoldal
.plot(FJ{l;256)) ;title(espectro sella! original y modulando senoidal '), bold on
plot(F2(1:256),'-.'), hold off
600
400
20
200
; Actividad M12
15
sen(21t8t )
i
Flg ~ Espectro de amplitud del fragmento de registro encefalogrfico de la figura 5 correspondiente a ,
distintas ttaslaciones de la ventana de Gabor. Son 12.ll. 111ues1.ras en frecuencia del espectro para 16 g
Dada la seilal
OS t S 1
h(t)::: sen(27tl6t) l!. t S2
sen(21t32t) 2 S t S 3
Filtrar h(t) considerando la ventana de Gabor de parmetro ex = 11256 y las frecuencias
ro/ 27t eje valores 32 Hz y 16 Hz para la sel\al senoidal que mod.ula h(t).
i fA=continuacin
el ejemplo en MAJLAB.
tr.ulaciones de la venlanll.
2. Si se considera O> fijo, esto es, si se desea localizar en frecuencias, entonces j(w,n) ,
. puede considerarse desde dos puntos de vista :
.~ r.;-;;;;:;:::;-:-;::::-:::::::::-:::::::::-:::-:-::-=--::-:-____________...::6::!'.:..:A-~8~0:'.!:.;:::::.42..:....'.n__'.__ _
. .
a)como
i<w.n)=Lw<r-11 )/ (t )e-ias, entonces

,__
~ %FILTRADO CON VENTANA DEGABOR

tl=<J:l/256:1; Q..1:11256:2; t3=2:11256:3; i...[tlt2t3};
,._:
.
~ hlsin(2*pi*Stl) b2=sin(2pi*l612); h3-sn(2*pi*32t3)1: h;D[bl h2)l3J
i <oo.n) eselproductodeJ
convolucin de w(-(1-ri)) con /(t) e-t.>t. La modulacin que ft.t) produce sobre1 x"'l.S:l/256:3861256;
..\
2
815
e1<111 resulta en un espectro que es una rplica del de ft.t) pero centrado en ro, para gl=e)(p(-x." " 64>* qrt(pl); gl l=g1(322;450}; </ ventan:ide Gabor
clexp(i*2*pi 32*x)
htlh.*cl;
de~ alconv(hl t,gt t); na=al(65:lengtb(al)-64);
~ dlcxp(-i*2*pi*32*x);
ver eso es suficiente recordar que Z { ft.t) e.._ } ::: . ](u-w) .

La transformada de Fourier de este producto de convolucin es el producto
las transfonnadas de w( 1) y j(t) pero trasladada en la frecuencia (1).
Entone~ se prod.uce el filtrado de la sel\al _con un filtro pasabajos que dej~ft ~3!x*:C!l2*pi*J x);
pasar Slll atenuacin una banda de frecuencias centrada en ro que ha s1dol h22zh.*c2;
corrida, al origen.
a2acoov(h22,gl 1) bb=a2(65:lengtll(a2)-64);
. ..
\:i
% modulaclo
'7o filtrado y elitninacion de puntos agregados
:it
t d2-e)(p(-l*2*pi*l6*x); b=bb.*d2;
,:J
Actividad Mll
....>..
:t
Con la seal de la actividad M8 modular senoidales de las siguientes frecuencias : ro ;r

21t , 41t , 87t y representar grficamente los espectros de la seal original y la seal,
que modula la senoidul.
Gl abs ( fft (gl)); L =length( 01}; brl: U5; Fl ( k - 1 }IL;
subplot(221) ,plot(l)l}, xlabel('ticmpo'), ylabel('seal')

subplot(222). plot( Fl,Gl(k)), xlabel ('Cree/ free de muestreo'), ylabel('filtro pasabajos '}
subplot(223), plot(real(hl 1)), xlabel('tiempo'), ylabel ('sella! modulada a 32 Hz ')
subplot(224), plot(t,a), xlabel('tiempo') , ylabel('seal filtrada' )
pause
subplot(221), plot(real(h22)), xiabel('tiempo'), ylabel ('sella! modulada a 16 Hz')
1 ,_s_ub~Dp~lo~~~2~2~t)~,~~l~ot~(t.~b~)~,~~a~be~l~(~'ti~em~po~L),wY~la~be~l~('!se~n~ru~ru~t~rn~d~aJ)'...._~~~~~~~~~~_J
ti
14
Jlil'ROOUCCION A LAS OND!TAS
1NTRODUCCION A LAS ONDtT/IS
ventana es generalmente una funcin par el producto de coqvolucin mencionado

anteriormente es de 11-(t-11) con f(t)e ....,, Como el espectro de w<tJ es
predominante en bajas frecuencias ; por ello el filtro que caracteriza se lo denomina
pasabajos, como resultado de la modulacin comentada puede suponerse que fl t) ha sido
filtrada por un filtro pasabanda centrado en la frecuencia ro.
0.5
-0.5
.,.
-1 LJ..Ll.U..l..L.WlJJ.W.ll.WJ,
o.os
free I
tiempo
..
:~
0.1
Actividad M13
free de muestreo
200
~ 0.5
..
. 100
1g
-
~
.. -100
- -0.5
Considere la ventana de Gabor de parmetro a

1/16 y modular con ella una
exponencial compleja de pulsaciones Olo : 4 1t , 8 1t , y 16 1t. Representar
grficamente el espectro de la ventana y el que resulLa de la modulacin.
o
Actividad M14
, .
Considerando ha sefial h de la actividad M12 realizar un filtrado con un filtro pasabanda
centrado en 32liz y tambin en 16 Hz usando la ventana de Gabor. .
A continuacin el ejemplo con un archivo . m desarrollado con MATI..AB.
.,"'
-200
-1 u.J.J.J..Ll..J.,.L;.~~"-'-
2
tiempo
Uempo
Flg 7 a Filtrado de una sella! con Lrt3 frecueoclas localizadas en el llempo. Puede observarse
como resulta filtrada quedando solamente el fragmenlo correspondiente al Intervalo ea
que est presente La frecuencia de 32 Hz.
<J; MAS FILTRADO CON VENTANA DE GADOR

11=0: 1!256:1; a.. l: 1/256:2; t3=2: 11256:3; t= [tl t2 t3J;
hl=sin(2"pi*8*tl ); h2=sin(2*pi*16t2); h3=sin(2*pl*32t3);
!J,:[bl h2 b3];
x=-1.5: 1/256:3861256;
200
~
~ o.s
....
..
~
.. 100
"'
~ o
gl~xp(-x."2*64)8Jsqi:t(pi);
1 cl=exp(l*2"pi*32*x);
.. -100
- -0.5
a
:
-1
Flg 7
-200
2
tiempo
con g(t)
1,
i'
:I
llempo
localizadas en el tiempo. Puede ob~rvarse

como resulta filtrada, quedando solamente el fragmento correspondiente al intervalo
en que est presente la frecuencia de 16 Hz..
w(n-1) e-"'" =w(n- t)e'""-> e-1""'.
expresarse como
1.
u Filtrado de una sella! con tres frecuencias
b) Como
.t
15
= w(t) e'""
entonces
j(ro,n)
j(ro,11 )=e..."" ! u( n- t) f ( t) e~-> = e-s...( f

donde ahora
w( t)
puede
* g )( n )
modula a e
Q)I.
pause
Puede interpretarse el l'esultado corno el filtrado de la seal j(t) con un filtre

caracterizado en el empo por w(t) ( la respuesta del filtro a la excitacion impulso
unitario ) pero con la respuesta en frecuencia centrada en la frecuencia ro. Como la
gal=gl .et;
gal 1.. ga1(322:450);
al=conv(h,gal 1); a=al(-65:leoglh(al)-64);
c2.=exp(i*2pi*16*x);_
g~gl .*c2; ga12=ga2(322:450);
12=conv(h,ga12); b=a2(4S:lenglh(a2)-64);
sobplot(221)
plot(t,h). xlabel('tiempo') ,ylabel('sel'ial')

subplot(222)
plol(rcaI(gal)), xlabcl('tiempo') ,ylabcl('ventana modulada a 32 Hz')
S=(O:lenglh(gal)-1)*641255; S-abs(fn(gal));
subplot(223)
plol(s.S) ,xlabel('Crecueocia') ,ylabcl('fill!O psabanda. 32 Hz')
subplol(224)
plot(l,real(a)) ,xfabcl('tiempo') ,ylabel('seilal fill:rada')
.1
subplot(22 l)
Plot(rcal(ga2)) ,xlabcl('tiempo1 ,ylabcl('veutana modulada a 16 Hi')
lJ:oabs(rrt(ga2));
subplo t(222)
Plot(1,real(b)) ,xlabcl('tiempo') ,ylabel('setlal filtrada')
16
l!<TROOUCCJON A U.S ONDIT/.S
;Ti!ODUCCION A LAS ONDITAS
Actividad Ml6
... s
M
"'
"'
!o
f:.
17
:X:
<V
e:
:: o
I.
i> -5
-1
2
tiempo
2
tiempo
200
300
.; '
t~ 1-0.05
l
0.05
~
t ~ 1+0.05
h( t) = ~.5 + 0.5 sin(l01t( t -1))
1.05 ~ t
.."'
-0.5
Dada la seal:
CQ
0.5
~. :.
filtrarla con una ventana de Gabor de pr;netro a = 1164 para distintos valores de la
frecuencia central del filtro pasabanda generado. Sacar conclusiones.
:e
Analizar la seal obtenida al tomar et = 11512 y considerando 5 Hz la frecuencia de la

senoidal modulada por la ventana (que es la frecuencia de Ja media onda contenida en
h{t)). Se podr as filtrar adecuadamente la seal h(t)?
Realizar grficos aclaratorios .
"' 100
'O
"" o
i.. -100
1
oL..J:.1---~--~---3~00
100
-200L-----~---'
200
tiempo
frecuencia
Ftg s Ftlltado conslderando que la ventana de Gabor modula una sena! scnodal ~ya frecuencia es la
cenital del muo pasabanda que queda determinado. Como en el caso anter:tor (Fig 7. ~puede
observarse como quedan detectados en el tiempo los fragmentos de la seal de detenrunada
frecuencia,
200~--~-----
.. 100
3 0
-=
L,L---~---~--~. i :,
tiempo
,
tiempo
Flg 9 filtr11do considerando que la ventana de Gabor modula una sei\al
Actividad M17
senoi~al
Realizar el filtrado de la seflal f (t) = 3.sin(2rt 16 t) + sin(2
7t
20 t) buscando
i adecuadamente el valor de a para lograr separar 'ias dos frecuencias ( 16 Hz y 20 Hz)

, presentes en ff t). Esto significa que luego del proceso de filtrado la seal resultante sea
l. senoidal pura de una de esas dos frecuencias. Representar grfica'?ente.
lf.
Todo el proceso visto sobre la transformada de Fourier con ventana , puede

.
interpretarse a travs de los denominados bancos de iUtros.
Una vez elegido el ancho de la ventana , para ca~a frecuencia central considerada la
seal es filtrada con un filtro pasabanda que uene cofo respuesta al impulso la ventana
, que modula una senoidal de esa frecuencia centraL EJ eje de frecuencias queda as
,.,. ~ ..,...
de frecueooia del mismo .ncho como m....tra ,,
~guioole <"!em~
cuya f.recuenJ
( 16 Hz en este caso) es Ja centml del fillCO pasabanda que queda determmado.Como en el C3S9
anterior (Fig 8.) puede observarse como quedan deteclados en el tiCUtpo los fragmentos de la set! ,
de determinada frecuencia.
Actividad M15
Flg 10 Fonnacin del banco de filtros caractedstico del anlisis de Fourier C\.:t la tr.uisformada
de Fourier con ventalla observese que el ancho de banda de cada fillCO pasabanda es
constante.
i Crear una funcin MATLAB en un archivo .m que solicite una seal como entrada UiI
I
..__ -
valor para el parmetro a de la ventana .,la frecuencia central del filtro pasabanda 'L,
retome la seal filtrada , representndola grficamente.
~
.~ -
JNTROl>UCCION A LAS ONDITAS
.f
"'
Jl\'TRODUCCION A LAS Ot\'DJT/\.S
19
. r.
Actividad M18
Considerar ahora como ventana la funcin
1:
sen( t)
w(t) =sin e( I) = -1
Modificar Ja frecuencia de la seal senoidal que es modulada y representar grficamente

el banco de filtros ( divisin en bandas del eje de frecuencias ) que se obtiene
A continuacin se muestra el ejemplo en un archivo .m para MAT LAB :
'J
1;
1,
.3.1 Escalas y bancos de filtros

De las actividades y ejemplos presentados en seccion~ anteriores , se pueden extraer
varias conclusones:
!'L1
I' ,
3. DE LA TRANSFORMADA DE GABOR A LA TRANSFORMADA

1 ONDITA
%BANCODEFJLTR OS CON SINC(T)
% escala de tiempos que no incluye al cero

% F es la escala de frecuencias
t= 20: 1/16 + eps:20;
L=lengtl1(t) ; F=(O:(L-1))/L;
for J=1: 12
% va variando la frecencia cen.tral del pasabanda
f=sln(pi*l)./(pi* t).*exp(i*2*pi*j*t) ;
ff=abs(ffi(O);
subplot(221),plot(F.ff),hold ou;
end;
1] Una vez elegida la ventana para el anlisis de una seal queda fijada la resolucin en
y frecuencia.
tiempo
~
2] Conocida previamente la banda de frecuencias que se desea ftrar se puede elegir el
t ancho de la ventana aqecuado para el caso , pero :
.
'
ll
a) si la banda de frecuencias es muy angosta ( con lo cual resulta una buena

Jocalizaci6n en frecuencia) no se obtiene una buena localizacin en el tiempo
b] si se desea una buena localizacin en el tiempo ( disminuyendo el ancho de la
ventana en el tiempd) se empeora la resolucin en las frecuencias.
xlabel('frec/frec de muestreo')
~u~1~Ie~('b~a~n~co~d~e~fi~1l~uo~s~c~o~ns~in~c(~0U)~__:.~~~~~~~~~~~~~~~~~~~~--'
banco de filtros con sinc(t)
15
!!
h( t) = 0.5 + 0.5 sin(IOrt( t;... I))

1
t:;; i -o.o5
1- 0.055.t5.1+0..05
1.05 5, t
' con una ventana de Gabor de parmetro ex =1/64 y 13 =l.
o
o
i
.f
En la actividad M16 se consider una seal que presenta un salto en un intervalo de

tiempo muy corto. En l. figura 12 se representa la seal h :
1i
10
[
!
.
1
0.5
free/free de muestreo
Flg 11 Banco de filtros obten ido considerando la ventana sin (t) I t . Es ~nteresante recordar el
fenmeoo de Gibbs para explicar porqut en este grfico no se obuene el banco de filtros
ideales, como el que muestra la fig 10.
Actividad M19
Filtrar las seales de las actividades anteriores ( M12 y M16 ) si la ventana considerada
es sinc(t) = sin (t) t. Realizar grficos y consideraiones similares a las comentadas Y
mostradas en las actividades mencionadas.
na rapida trans1c1on
.1
1 .5
0.5
-o . s----~-~-----.J
,,
:1
"'
Flg 12 "" ' ""'
'1
0.5
1.S
tiempo
='" dpld> """'ciOo y "''
vM>~
d<
"'' '"' ='"""
Resulta evidente que la localizacin temporal del trans.itorio no puede ser mejor que la
da por el ancho de la ventana. ~ se disminuye demasiado el ancho de la ventana en el
tiem.po para localizar transiciones de este tipo se corre el ries~~ de no m~ar frecuencias
d cadas debido al aumenlo del ancho de la ventana en el dominio frecuencial :
esLa figura 13 muestra el proceso de filtrado de Ja sel\al h con la ventana de par~metr~
a:: 1164 y modulada en las frecuencias de 4 Hz y 8 ~~ . Estas frecuen~ias detennman e
:
centro de la banda de frecuencias de la ventana de anlisis en las frecuencias. .
. .
I~
l!
0.5
!:
~'
-0.1!
200
300
400
puede reescribirse como
400
600
aoo ""o
I__ f(t)h(t-11)=(f(t),h(t-~))
Jro.>,n)= ,
Considerando su escalamiento resulta

h((t - n)la)=w((t-n)la)e"/
finalmente, si la ventana w(t) es la ventana gaussialla ,
1
1
200 ..
,___
j(<iJ,n)= 2.,w(t-11)/(t)e- 1""
(estoesunproductoimcmoentrej(t) y h(tn) !),con h(t-n)=w(t-n)e 1"' 1
-~i---.'\*
-2
100
La transformada de Gabor (tiempo discreto)
40
' -1
. 011-------'
.21
! ' nar nnrada
t.5...-----------i
\:
r;TROOUCCION A LAS ONDITAS
h(( t-n)! a):::: i"''/-:--?- e

2..Jnaa
500
' y
-(1->'
4
"
Como puede verse, ahora la frecuencia de filliado no est ligada a la frecuencia de

modulacin, sino al escalamiento en el tiempo. Esta es la razn por la cual la terminologa
"scala" es preferida a ''frecuencia" .Entonces
.f
senal lllreda
20~-~------,
F(a,n)=
siendo 1 I ..{;,
-'lo'---2-00--..-00--eo-o~-e~oo
largo tiempo. Puede

a y ro fijas, no slo la frecuencia de modulacin
(que permite centrar el filtro pasabanda) vara con a, sino tambin el ancho efectivo de la
,, ventana (que pennite detenninarel grado de localizacin en el tiempo).
1 Para CI = a 0 , ro = c.o , se tiene
_ '0
' ancho la ventana en tiempo:
UV'o
.
Es frecuente al analtzar
sef\ales que se presen ten alt.as frecuencias producidas
. en
.
al de tiempo as como bajas frecuencias presentes en perfodos de tie~po
breves mterv os
d ancho ftjo no resuelve este tipo
grandes.EI anlisis realizado hasta ahora con ventanas e
. es que proponemos
ualizar una forma de reso1ve1 1as
de situaciones . Para comenzar a VlS
introducir un escalamiento de la funcin ventana.
:,
Previamente, recordemos lo que significa escalar una funcinO

Dada la funcin f(t), su versin escalada es fitla), con >
y
si a >1 tenemos una versin "expandida" de la funcin
si a
tenemos una versin "contrada" de la funcin .
<l:
""''un fac tor de noffil~lizacin .
~ observarse que aunque se mantengan
d d 1 sena! fl(t) con dos ventanas de Gnbor moduladas en 4 Hi Y8 Ilz.

d m
1 tra o e n
ci d Ja transicin presenle en la sena!.
. En et p~o de filtrado se pierde toda la lnfonna 11 e
I'
L- f(t)h((t-n)la)
AJ numentar la escala a , h ((t-n)/a) se ~distribuye" en el tiempo ( aumenta su
F lg 13 Proceso e
' I:
1
1
l duracin efectiva ) y tomar slo en cuenta comportamientos de
-200L-----o-oo---~1:::000
1centro de banda de free.:
ro0 /a r,:::1 / a...a.

r.;;::;:0
el factor de normalizacin:
JI 2...naa.
0
Resulta entonces que el ancho de la ventana en frecuencia y el centro de banda son
proporcionales.
ancho de la ventana en free.:
1t Est~ significa que

proporcionalmente el
al aumentar el centro de Ja banda de frecuencia , aumenta
~cho en frecuencia, por lo tanto disminuye el ancho de la ventana
en el tiempo, teniendo una mejor locaUzacin temporal (ver figura 14 ).

Es decir, la resolucin en el tiempo puede mejorarse todo lo deseatie en las altas
frecuencias, mientras la resolucin en frecuencia es mejorable todo lo que se quiera en la
bajas frecuencias.
22 .
fNTRODUCCION A LAS Oll'DITAS
Jl'{J'RODUCCION A LAS ONDITAS
23
Naturalmente, esta clase de anlisis se ajusta mejor si la .seal tiene u~ espectro

preponderante en altas frecuencias de corta duracin en el tiempo o . con. importante
contenido en bajas frecuencias de larga duracin en el tiempo , que son s1tuac1ones que,
como se dijo , a menudo se presentan en la prctica.
ES importante observar cmo se incrementa la duracin temporal de la ventan al

aumentar la escala a en tanto que lo contratio sucede con las respectiyas transforniadas
( esto es bien conocido de la propiedad de cambio de escala de
transformada de
Fourier). Tambin puede verse Ja proporcionalidad entre la frecuencia cenlral de Ja
transformada ( ventana en las frecuencias ) y el ancho de la ventana en la frecuencia ; el
banco de filtroo as obtenido es de factor Q const.lnte ( ver figura 16 ) , donde Q es el
cociente entre el ancho de la ventana en frecuencia ( ancho de banda del filtro ) y la
frecuencia central de la ventana
la
..
3.5
Flg 14 Banco de filtros donde ancho de banda y centro de banda son proporcionales
( se denominan filtros de Q constante ) .
Consider~ escalamientos de la ventana de Gabor ya presentada en activ.idades an~~ores

y representar grficamente en los dominios del tiempo y las frecuencias para distintos
valores de la escala.
'
Ejemplo :
caladas de
Se muesua a continuacin (Fg 15)los grficos correspondientes a versiones es
.
la ventana de Gabor para los valores de la escala a : 2, 4, 8, 16 .Se representan tambin
( Fig 16a) las correspondientes transformadas de Fouri~r en un solo grfico con el
propsi_<o ~~~o~parar sus anc~os caractersticos;}e han
Q)
..,.
.1
et
IL
..,.
rrr-
0
lle~
co
al
-;
-0.2 l------ - -------:-50
-so
tiempo
0.5
.(" ..
{~'
50
o.1
0.2
o.3
-"
__,
fred free de muestreo
Flg 16 a Representacin grfica del espectro de las ventanas de Gabor de la Fig 15. Obslvese
la proporcionalidad entre la frecuencia central del filtro pasabanda obtenido y el ancho de la
banda.
0
tiem:>o
_ _.____.__c;:,_ _.___ _,__ __,__

o.s
o.s
0.1
o.e
o.e
ol......l~'-'--~'--'-----'....:..."'--..__
~,,
}_:
~
0.1
Actividad M21
Representar grficamente el banco de filtros asociado al escalamiento de la ventana de

Gabor.Conslderar por ejemplo fijos a 0 = , (1)0 =J.
Escalar las amplitudes para que Jos mximos sean de valor l.
... La figura 16 b muestra el banco de filtros para cuatro valores posibles de la escala a.
~., -0.1
.. -0. 1
:I
1
oi,------------------,
.., 0.1
Flg 15
"' =1 ,
0.1
-o_~
sq
02
.. -0.1
-o._~
...."
f1Jtado
<Xo = 1
- -0.1
Actividad M20
-O., k
"----------0-- -- -- --50
Actividad M22
tiempo
RepresenlAcln de la ventana de Gabor modulando una senoidal de frecuencia

paa diferentes valOCC$ de la escala a.
O>o
= J
Dadas las seriales presentadas r!P, las actividades M8, M12 y M16 filtrarlas con una
ventana de Gabor escalada para distintos valores de la escala.
..
lN'TRODVCCION A l..A:I UNL>ITA:i
Hemos guardado las senales mencionadas en archlvos de extensin .mal a travs de la

instruccin save .
El programa MATLAB cuyo listado sigue a continuacin que fue guardado como un
a.rchlvo de extensin m solicita la escala, la sei\al a procesar y devuelve el grfico de la
seflal, la ventana
correspondiente a la escala indicada, en un mismo grfico las
traruformadas de la ventana y la se.al, y por ltimo, la sei\al filtrada.
banco de filtros
!
i
I" # '
JNTRODUCCJON A LAS ONDITAS
25
0.1
~
e:
para ta ventaac1e Gabor
200
400
-0.1
600
50
100
liempo
150
200
..
e
~ 0.8
.a
>
~0.6
.,
~ 0.4
.."
!0.2
o
o
""
10
)~
0.2
0.4
0.6
free/ free de muestreo
-10
200
400
tiempo
Flg 17 Ejemplo correspondiente a la selal j(t) 3 stn(2
16 t ) +
600
(2 1t .20 t ) y para la escala

pueden observarse el espectro de
la setlal J(t) y el de ventana utilizada ; la componente de 20 Hz de jt) es prcticamente eliminada .Los
defectos presentes en los bordes en Ja se!lal filtrada pueden ser eliminados haciendo una extensin
conveniente del cuadro analizado de la se(!.al propuesta.
11
se11
a 16 usando el programa anterior .En el grfico en las Crecueocias
Fig 16 b Banco de filtros obtenido al considerar escalamientos de Ja ventana de Gabor .
NOTA:
% ESCALANDO LA VENTANA DE GABOR
a:input(' ingrese la escala: ' );
Haciendo en F(a,n) el cambio de variables t ~ at , resulta
1 -
.F(a,n) = .,fa,~ f{at)h(t-n/a)
c.:-5*a:l:.5*a;
g=-(1/(2sqrt(pia)))*eitp(L"2/(a"2*4)).cxp(l*2*pi*t/a);
r-npul('iogrue la seilal : ');
b--conv(g,0 ; b lcb((length(l)+1)12:1englh{b)leogth{t)f2+1);
xzal:length(O ; xll:Jeogth(0/6;
al abs(fl(O) ;
a11=al(ltl);
gl[g u:ros(siie(l:leng1(0-lengtb(g)))] ;
a2=abs(fft(g 1)) ;
Podemos ver ahora que cuando.awnenta la escala (cambia el valor de a ), se tiene una
versin contrada de la seal, que es filtrada por un filtro de longitud constante .Es en este
sentido que el factor de escala "a"_tiene una interpretacin similar a la escala en un mapa:
las grandes escalas muestran una vista global, mintras las pequefias escalas revelan los
detalles.
a22-a2(d);
subplo1(221), plot(!), ylabel('sellal')
subplot(222) ,plot(reaJ(g)); xlabel{'tiempo');ylabel('venta.ua')
subplot(223), plot(x 1/2,al l/inax(al 1), xl/2,a22/max(a22),'--') ,xlabel('frecuencla'),ylabel('espectros seftal

ventana')
subplot(224) ,plot(x,real(bl),'black'),xlabel('tiernpo'),ylabel('seal fJ.ltrada')
:1
Actividad M23
Considerar las seales de la actividad M22 , y el escalamiento JIat) de las mismas .Filtrar
esas seales escaladas con la vevr;i,na de Gabor.
Generar una funcin MATLAB donde las entradas sean la sef'lal , el parmetro de escala
.a y el ancho caracterstico de la ventana de Gabor.
3.2 Resoiucin , escalamiento y submuestreo

~
=
150
La resolucin de una se'lal est vinculada con su contenido en frecuencias.En una seal
de tiempo continuo, si se cambia Ja escala, no vara Ja resolucin ya que con solo revertir
la escala, se recobra la se'lal original. No sucede lo mismo en las seales de tiempo
discreto, en las cuales un escalamiento involucra un submuest.reo: por ejemplo
considerandoftt) con factor de escala 2, hacemosft2t), que significa considerar solamente
las muestras que estn en los lugares de subndice par. Este submuestreo,
automticamente reduce la resolucin.Recprocamente, si reducimos la escala (por
ejemplo se hace g(t) = f(t/2)), queda determinado un sobremuestreo, que sin embargo no
cambia la ~olucin.
"'
{1100
e
o
2:.
:l
.5.___...._ _...__......__ _....'-'
50
o.._.,...__..._..~~-~~..J
0.5
llempo
0.2
o.~
o.s
free I free de muestreo
Actividad M24
1
1
'
f
Dada la seflal j(t)=sen( 2rtl6t ) + 2cos ( 2ttt ) con r e { O, 21t ] , e intervalo de

muestreo 1/32 , hacer un cambio de escala de factor 2 y observar el cambio de resolucin
en el espectro. Realizar con la misma sef'lal un sobremuestreo de factor 2 <.ft.t/2) ).Observar
el espectro para comparar niveles de resolucin.
A modo de ejemplo se muestra lo que se plantea realizar en las figu~ 18 a y 18 b.
-5'---"---"---....IL..---'1..J
0.5
o.......
~~-~~--"-~..J
tiempo
0.2
0.4
0.6
Actividad M25
Flg 18 b) Cambio en el especuo debido al submuestreO y sobremues!ICo .
Comprobar, para distintas escalas que es lo mismo considerar:

g(tla) con t e [ 5.a , 5.a) muestreando en los enteros que tomar
g(t) con te [-5;5] con paso de muestreo l/a siendo g (t) ,por ejemplo una gaussiana.
3.3 Las onditas
Las observaciones anteriores dan una base para otra aproltimacin al prdblema de
localizacin tiempo- frecuencia : considerar w1a funcin bsica y mediante cambios de
escala y traslaciones definir una familia de funciones que permita una descomposicin de
la sefial que exhiba claramente los efectos de localizacin buscados.
Sea considerar ahora una funcin 'V(t) ( la ond.ita) con la caracterstica de que posee
la modulacin en s misma, se denomina Transformada Ondita de una sealftt) a:
/\
W(a,n)=
o.,_,.~~~~~~"-~~
0.5
tiempo
0 .2
0.4
1 J~
(t-n l..,
,,Ja
_f(t)'V 7 f'
0.6
Si
Flg 18 a) La senaJ considerada y su espectro.
'tf(t)
e L1(R) y satisface la condicin:
c.= t rv~f d
entonces 'tf(I) se denomina "ondira bsica".
<
00
~'
28
NillOOUCCJON A LAS ONDITAS
r
,_
INTROOl!CCION A LAS ONOlTl\S
29.
- filtro endita
Si adems 'll(t) y i.V<roJ verifican la condicin para ser ventanas ( tw(t)) e L (R) );
o/< (1)) es una funcin continua y con la condicin c., < resulta
..
_o.e
00.
~0.6
..~.
i.V(O)= J'll ( t)dt =O
i
J'
g, 0.4
0.2
o
o
y entonces 'lf(t) oscila en el tiempo como una onda de corta duracin y rpido
decaimiento. De all su nombre de 011dtta.
Estas condiciones ( ondita bsica , 'V( t ) y V( ro) ventanas ) son las requeridas para la
reconstruccin de la seilal a partir de su Transformada Ondita . La funcin de Oabor
presentada anteriormente no cumple es~ tiltima condicin.
0 .2
0.4
.f ::
;;
'I
=i
.!!
..
2
-4'-----~-----'
-4
o
0.5
lie!l'IPO
Flg 19 a
I f\
/ fA\,____.;_
01----'
:::
-0.3 ~----------'
200
<400
600
sanal r~llllda
..
~o.e
10r - -- - - - - - ---.
>-
;; 0.6
~
~ 0.4
~5!-0.2
..
-0.5
0.5
lie~
0 .5
~~~~
i o
la ondita
0.5
FHuar c~n la ondita "sombrero mejicano" la selial de Ja actividad M9.

Esta ~ndita es muy eficiente en la deteccin de bordes y saltos (intente verificarlo)
Por e3emplo ensayar con .la seffal h (ver actividad M16 ).
Generar una funcin como a.rchivo .m en MATLAB que solicite una sef'lal, el valor de
la escala y devuelva la sel\al filtrada con la ondita "sombrero mejicano " ( observese su
grfico girando la hoja 1) .

Filtrar las sef'lales de ejercicios anteriores y comparar con los filtrados obtenidos por la
ventana de Gabor escalada.
En la figura 19 se muestra un ejemplo para la seal j(t)=cos ( 21t 4 t) + 2 sen ( 21t J6t)
tomando como escala a =1.7
tiempo
Actividad M26
-4
0.6
ActMdad M27
que es la funcin derivada segunda de una funcin Gaussiana.

Esta funcin cumple las condiciones para serondita como puede verificarse fcilmente.
WNNN
Flg 19 b. Filirado realizado a la sellal de dos frecuencias con la ond ita " sombrero mejicano'' .
La respuesta en fcecueocia del fillIO obtenido corresponde a un filtro pasabanda. La
La ~mxmente de 4 Hz es practicamente eliminada.
Tomemos como ejemplo la funcin ( "sombrero mejicano") :
l.
aeal lillracia
4
o-----"-------~
20
La sella! considerada y la ondita sombrero mejicano.
40
0.2
0.4
0.6
frecuencia/freeuencia de muestreo
60
,,
lllg 20
-10~----------'
0.5
tiempo
's
d tro ejemplo de filtrado con la ondita " sombrero mejicano" . La sella! considerada es
....,.,,
. . la escala de manera que se pudiera
filtrar e dos
d senoidales como muestr"' ':! pruner
grn11co.
. Se ehg1
, :,
una e las dos componentes de la seiiAf como puede obsecvarse en el llltimo grfico.
~ uma
IHTRODUCCION A LAS ONDITAS
31
La expn:8in anterior PS.: ft) es precisamente su desarrollo en serie con respecto a l~

ventana smc~t). La .suces~~ {ajk} es la transformada discreta con ventana. con respecto a
la ventana sznc(t)_ ._ Por la 1gua1dad de Parseval , { wp J j,k e
resulta una base
ortononnal, y los coeficientes pueden calcularse como:
4. ANALISIS DE MULTIRRESOLUCION
z,
4.1 Canno a la multlrresolucln

En esta seccin vamos a tratar de encarar la teora de onditas , desde otro punto de vista.
Recordemos primero que cuando se realiza la transformada de Fourier, ya sea de tiempo'
continuo o tiempo discreto.frecuencia continua o frecuencia discreta, estn presentes:
1. eScal.amientos de la funcin ftja eix , en efecto :
j (a) = f ( t j e_,., dt
subes~acios
3. reconstruccin de la funcin a partir de su transformada .
que en este caso por el teorema de muestreo uniforme en el tiempo resulta :

a,t f/k)
( ver apndice 2)
para el caso
en que t y a son variables continuas.
2. aproximaciones a la funcin que se obtienen al proyectar sta sobre. los

generados por los escalamientos de eix.
a =<J(t), WJ,k{t)>
Con la teora de onditas se obtienen resulta(!os similares ( Chui ] .Es.tos puntos se vern
con mayor claridad con el llamado anlisis de multirresolucMn. Para poder introducir el
anlisis de multirresolucin comenzaremos por presentar la descomposicin de una seal
en canales de frecuencia [Gopi].
Consideremos una divisin del eje de frecuenc::ias en intervalos.de la forma [2j-l , 2j+ 1),
...para.Ja.fncinftt) L2(R). Si Fjw) es la res~ de la transformada de Fourler F(w)
de j(t) al -intervalo , podemos representarla por una serie de Foucier con coeficientes
a;..
Es decir.
En lo que ~igue: centraremos nuestro inters en una descomposicin del eje de

frecuencias en intervalos de longitud constante en escala logartmica .
Esto est motivado por el anlisis de la respuesta en frecuencia de la cclea , situada eri ef
odo interno . que se modela con filtros adaptados a la percepcin auditiva de por ejemplo
la mt1sica y que por lo tanto se distribuyen naturalmente en octavas .
Tambin en el estudio de la visin , resulta que la imagen en la retina se descompone en
canales de frecuencia espacialmente o):ientados con el mismo ancho de banda en esca111logartmica.
:
; '.
Consideraremos entonces una divisin del eje de frecuencias en octavas o sea en
1
y sea j(t) e L 2(R).
intervalos rt i) '[-i. -i'1) con j E
~uscaremos los ftros cuya respuesta en frecuencia coincida con estos filtros pasabanda
ideales . Antes de efectuar los clculos en fonna analtica , veamos algunos grficos de
respuestas en frecuencia correspondientes a j = -.1:
z'
1.5
1.5
1
., -
0.5
W E
donde
{-J/2, J/2)
0.5
O'--~~~--L~~~~~
en otro ca.so
0.5
'L-~-'-~~~~~~~
(a)
(b)
2.--~~~~~~~~~
entonces,
F(w)=[ :L,a1..t e,..x,((w- j21t)/ 2)]

1
1.5
1.5
J,hZ
antitransformando ambos miembros queda:

j(t)=
:L,
aj! W_i
0.5
(t)
donde
= sin(1t t)/rt t = sinc(1t t),
Wji{t)= W(t+k)ei21tjt
0.5
' '--~..L..~-L~~~~~
).tZ
w(t)
0.5
0.5
(C)
01'--~-'-~-L.~~~~
0 .5
(d)
Flg 21 Rcpresenlllcin de la divi$ivn del eje de frecuencias en octavas (a), b)) .En d) ~ ~muestra Ja
clifcr enca de los filtros ideales mostrados en a) y b).
';,
..
. ..
--
'
.!!INTR
!!;!!:20DU~CCl=9:0!:?!N~A_!L"5~_!:!0ND~IT!:A~-------------------S
32'.
Si observ~os que una funcin que vaie un~ en el interv~o [a 1 b] y cero fuera de l se
puede obtener corrio diferencia de las funciones que son iguales a uno en [O , b] Y ert
[O , a]
respectivamente , y cero afuera del correspondiente intervalo : los fillr03
simtricos que buscamos no son otra cosa que versiones escaladas en potencias de dos de
la funcin sine (1t t).
Los siguientes son grficos de los escalamientos de sine(1t t) :
.
sine(1rtd) j
0,1,2... 5, muestreados en los enteros t = -20 21 : 1 : 20 ')} , Y de lo.!
sus espectros de amplitud, abs( fft(sine( rd) .>) paraj =0,1,2,...5.
.
c) Representar grficamente las transformadas de Fourier discretas correspondientes en

valor absoluto: F ($;) =abs( fft( $)).Superponer los grficos llevando las frecuencias
al intervalo [0 , I] , utilizar la instruccin hold on para lograr la superposicin.
Observar que el mximo de cada una de ellas es el doble del de la funcin anterior.
c) Dividir cada una de las F($) por su valor mximo y comparar con la figura 22 grf. a).
Guardar todo en un archivo.ro. : escal.m (ser utilizado luego). '
Actividad M29
Acl atacl6n : la funcin de variable continua sine ( x t), no dCcae rpidamente a cero en el Infinito Y ya
que la predsin que se lograrla tomando SOO ponts no es mucho me~or que la que hemos considerado i
a) Grficamente se observa que el filtro pasabanila buscado se puede obtener por

diferenc,ia entre dos escalamientos sucesivos de sine( t ):
1
$1 ( t) = 2 ., sinc(1t td) j = 0.1,. ..5, t= -202!: 1 : 20*J.
resolvimos simplillcar los clculos para obtener resultados mS lhmediatos .
:,s
1.5
..
,,
1 ----11_,.,.,,..,~--
0.5
Representar grficamente una de estas diferencias con j = O y

cuenta dividir la correspondiente a j = 1 por 2 : emonces definir
0.5
'V ( t)
\.
ol.l.A.a....i..~~-~-----'
0.5
J. = 1 ,
teniendo en
=sine ( 1tf) - 112 sine ( 7tt / 2 )
siempre muestreada en los~nteros.

Editarlo en un archivo.ro , nosotros lo hemos llamado psinc.m
0.5
b
2 . 5~--------.,
function y .. psinc(l)
y,. 2*sinc(2 i*t) slnc(pit);
1.5
b) Representar grficamente F(lj! )= abs{jft( \V (t) ))
Comparar con el grafico de la figura 21.

0.5
~'
eje::
()Clavas
.s1
o.5 .
~puesta
Flg 22: La d:visidn del

frecuencias en
real.izada cou la
en frecuencia de kJg
Ciltros.obtenidos con sine ( itt J Ysus diferencias ( graficos a) Yb)) . En c) Yd) se muestran
uperposlciones de los pares de grficos de a) y b)
1.5j
~-.tvv\~t{\'\f"'.1"'""-"i
j
/
M28
20
a) Generar como archivo .m la funcin sinc(t) .; tener.~. cuenta que dar error ~,
evaluarla en t 0 ,para eso UJl muestreo que evita la d~~lSl(\ por 0 es PO!" ejemplo
t 20: l + eps : 20 , donde eps es la menor dferencta entre dos ntimeros en punto
flotante en MA1LAB:
. .
.
-J+I
i)
b) Representar grfiamente el ~uestreo de las ~nc1ones $1 ( t ) = 2
smc(n t 1
j 0,1, .. :5 y para t -20*2': 1+eps: 20*2'
:1
.
10
1
1
e
:s
Activid~d
/'""
r'
10
20
0.5,
ot
0.5
rl/V'
r==
0.5
Flg 23: (de lu a der.) 1) la fuacn 'l' ( t)
2) la transformada discreta de Fourier de lfl ( t)

3) la t.ransformada discreta de Fourier de dos escalunientos de 1ff ( L)
F.stamos ahora en condicones de efectuar los clculos pendientes. ,,

Sea fjw) Ja resuiccin de F(w), la transformada de Fourier def(t), a los intervalos
34
JPO"llODUCCION A LASONDITAS
r-i 1t' _
Pi.testo que
con je. z
rii-1 7t' 2.1t)
1t) u
R = ( UJ
{- 7t, -f'
.. .
J-
Si se define
1t)) U (u; [2Jl 1t 211t))
resulta
2J \V(X)dx =o
3J " (13( 'VXxJl 2.tixlJdx = 2ln2 < -
L,
b.1 txp(-ikwl2)
4] 11 <? 112 = 11 'V 112 = 2//l
, se cumple:
de F/w) se tiene :
1t -peridica
Bjw)=
Como en el ~teivalo (-2J 1t '
= 2 9( 2x) - cH x)
1] <?(x)dx =l
F(w)= I.;F/w).
Llamando Bjw) a la extensin f'
'V ( x)
B; (w) coincide con Fjw) resulta
1t]
(supondrefl??S cp ( t) ya dividida por este nmero)
As resulla que '!f(x) cumple las condiciones para ser una ondita .
bj.k=f;(-kd)lt.
Actividad M30
. 1.11 .. Xl'1 ..1.JJY 'Y.,

,...,,
Por otro lado.si
ri 1t' 2}-J ~) /
>
1t'
i 1t), r-i 1t
son las funciones que valen 1 en los intervalos,

J
JI
J'
.
o fu ra
2 1t) y { 2 1t 1t) respectivamente t y '
e
1
de ellos respectivamente, se tiene:
'b'~sma
F ( w ) = B1 ( w ) ( 1.JJ. + 'Xll .)
6
F; ( w)
.
' 'F(w)
= F(w)~ L,
= B1( w) ( 'X,( w I 2'+' rc) - xf w / i
;.uz
1t))
!} (
exp ( -J..wd ). X( w!i 1t )
El conjunto de funciones { 'V j.k( x)} ={ iJ 1 'V ( f x-lc) j

. .J
'/2
L2(R). y con j.k ::: f( kl'2 ) I i entonces:
1
t'
=i
1t sine(
1t sine(
es una base ortogonal de
f( x) = La,.to/ i..t( x)
f' 1t( x_-k! Jl2)
J.kZ
t 1t( x-kfi )12 )
es la serie de ondilas de f ( x)
llamando ci ( x ) =~ ( sine ( 1tX / 2 ) ) ' con sine ( x ) = sin ( x) I x
Resumiendo:
l ] Quedan definidas dos funciones :
.se tiene:
(X)
=L
bj.1-2' (2 q,(2
J+I
(x-k/2 )) - cp (2 (x-k/2
)))
J.J.Z
exp(-ikwdX x (wtf' xJ_- x<wd n))
Antitransfonnando Fouer ambos miembros, usando
3 ( e;r.p ( ~ikwd ).X( wn'n)) =
a) Generar un archivo.ro que evalde 18.'! funciones 'Vp ( x ) = 2-1 1 'V ( 2-J+'x ; k )
muestreadas en los enteros t = -20*2'"1 : 1 : 20t . ( Nosotro~so
..wpinc.
W I A.Je_. h
forma que para la actividad M28 , generar un archivo .
a ue
.aparezcan en un mismo grfico F(1f) = abs( jft( o/)). Comparar con el grfico b) de la
figura 22.
ir-x > =
'L M-kli)(2cp r2dx-k
t) = 112 sine( Ttt/2)
donde sine ( t)
=sin ( t) / t
'V ( t) = 2 H 21 J- H t J
- 4>(ix-kJ>
l>Z
Cambiando -x por x, -k por k, y usando la paridad ~e $ (t), resulta:

jfx)=
L
/.kZ
(fJ(wtJJl2; l2[2ip(2(
2Jx-k)) -
$(21-x-kJ]
2] \jf i.k ( x) = 2U+
1111
'Ji ( 2 i+I x - k) resulta
una base ortogonal de L 2(F.).
'; . En lo que sigue cambiamos j por -j , j = 0!1,2 ...
Observando nuevamente el grfico a (figura 22) , se ve que las funciones~ atlian

como filtro pasabajo, sus espectros son no nulos en el intervalo { O , n 2-. l .Si V es el
subespacio de todas las seliales de banda limitada al [ O, n 2-j J , resulta que las funciones
!ji s =!ji ( 2 i+I t - k) , ke Z, son una base ortononnal de ese .subespacio .
Puede verse que V.1 contiene a V y que VJ-J es el subespac10 de sei'lales de banda
limitada a[ O, 1t 2-j+l, y que V j >O, V!:: V.,!;;: Yo.
SJ f(t)e
V;+1
<=> /(2t)e V.
Obse111acit1: Como V 1:: Vo y W1 e: .Vo , las funciones de eslos subcspacios , son

2
Umiie ( en L ) de combinaciones_lineales de las funciones de la base de v0 , o sea existen
sucesiones { u ( k) } y { w ( k) } tales que:
'
Actividad M31
$ (t) = L
Repte$entar grficamente en un mismo sistema de ejes :

a) Las fundones fil =abs ( m(t t)) y psil =abs ( m( 'I' 1 ) )
b) Las funciones fi2 = abs ( fft (~ 2)) y psi2 = abs ( fft ( 'I' 2)).
c) Superponer ambo& grficos , comparar con el grfico d (figura 22).
cj> ( t)
=2 n
1
tt (
k) cp ( 2t - k) (relacin de dos escalas )
L. u ( k)
112 sine ( 2
1t (
t - k / 2) / 2)
cp (t)"" L u( le) 112 sine [ 2rc(l12) (t- -k/2)}
por el leorema del muestreo resulta :

El grfico b (figura 22) da la siguiente infonnacin: para cadaj, 'I' se ~ompo!18 como
un filtro pasabanda , con respuesta en frecuencia limitada al intervalo [ 1t 2-J, 1t 2-1+1J .
Si W es el subespacio de sel'lales de banda limitada a este intervalo , una base ortonormal
.
.
y+/
de este subespacio la cons!ituyen las funciones 'I' .t ( t ) = 'I' ( 2 t - k ) Ice Z
Adems se ve que con estos subespaclos quedan consideradas todas las frecuencias entre
oy
u(k)
dado que
cj> ( t)
= 21n
cp ( k/2 )
= 21n
sin ( 1t k / 4) /
De la misma manera se encuentra una st1cesi~ { w ( k)} tal que:
r. w <k J $ <21 -k J 2
Del anlisis de los grficos a b ,c y d de la figura 22 se pueden extraer las ide&

principales del anlisis de multirresolucin de una seftal [MalllJ .
Se observa a partir de ~
resultando:
grfico a: los subespacios V cumplen 'Vj >o.
De la ortogonalidad resultan las siguientes relaciones:
grfico b: W .L W; ,
V !::: Yo .
i, y que e ;~..1 W; = Y.r
grficos c y d : lt}+i e W..1 = V , C:S decir que W.., e8 el complement? ortogo~al

de V;+i en V , ( en el grfico d
v1 =y 2 Wz) y por lo tanto la i.tiformacin
correspondiente a las frecuencias ms altas quedan en ~..1
Podemos dar ahora la siguente definicin:
DEFINICION: Una estructura de multirresolucin. es uita sucesin de subespacios { V
en L2(R) tales que:
1] V.,
e: V
'V j > o.
'
1if <r J
w
rk J =
112
1i1 ( k 12)
112
i-112
r2H
< $ ( t ) , $ ( t -m ) >
= O( m )
< 'I' ( t), 'V ( t -m) >
= o( m) = L *w (le)
<
 (
t ) , 'V ( t - m) >
V j > O.
k J - cp k 12 )
J.
= L: k u ( k) " ( k + 2m)
=Lt
w(k
+ 2m)
u ( k ) w ( k + 2m )
En Ja leor.ra de bancos de filtros las sucesiones {u ( k )} y {w ( k )} que satisfacen estas

relaciones son las que caracterizan a Jos denominados filtros espejo en cuadratura o filtro.5
QMF ( (Quadrature Mirror Filters).
As! resulta que la transformada ondila discreta puede implementarse usando bancos de
filtros.
Lo que sigue da la base de la idea para esta implementacin:
21 v 1 V es denso en . L2(R).
3] n1 "={O}.
4) '11 = V+1 e W+1
1]
cumple la relacin de dos escalas, se la llama ftmcin de escala.
1t.
V;+1 !::
7t
__R_o_o_oc_c_1o_N
__A_L_A_s_o_m>
__
IT_AS___________________________________________ 39
~11<T
Como
Vf1 = ~
V j > O ,,
f( t) > son los coeficientes del desarrollo de una func16nf ( t) de

s1 c1.1 t - < 'l'f 1 1 '
al 1 t e do en cuenta la
V.1-i. e~tOnCes los coeficienteS de su proyeccin en ~ , se c cu an em n
.
Actividad M32
{;)..,
A>
relacin de dos escalas:

4>.1..t ( t )
= i 111 ( 2}+/ ( t - 2 J k) / 2)

= 2 .n I. u ( k) 4> ( 2
J +l (
t - 2 i k) - n)
Generar en archivos .mat los filtios u(n) y w(n), con los nom
vsnc lue 0 de
calcularlos como se indic antes. Para guardarlos : save usinc usnc y save v me vsinc
Notar que oor la simetra de sinc(t) estos filtros de anlisis resultan simtricos.
tesNeata frecuencia <:i os filtroii siCYY.iC.
2~--~--~---..----..---~---r----.----..----.---~
1 .51--------.--.~
= 2J+mr,. u( Je) 4>(21>1 ( t-2 1 k)l2)
= iJ+ 111 ~Lu(kJ <t><i1 1 (t-2r

= 21
112
I.
+1
<P(i1
u(n-2k)
= :E u ( n - 2k ) <!>
}-1.t (
0.5
(2k+11J .J
oL-___,____._____..____,____
O
(t-2JI n))
O.OS
0.1
O. 1S
0.2
.......~--"'-----'----'----'
..i....::~
0.2S
rre~ncialfr8!:!:'encia
0 .3
0.35
0.4
0.4S
0 .5
de muestreo
2..-~:.--~...-~~:::==;:=::..=c:;===:~==:::;::.~-...~--.~-,
1.5
t )
resulta entonces:
0.5
CJ.t
= <
<f> }.k ,
== <
Cj..t
= L
f (t) >
I. u ( n - 2Jc )
U (

n 2 k ) < $ )l.t ( t ) , f ( t ) >
= L U ( n 2k )
= ( u (-n)
C}I.
* cg. ) J. 2 ( k )
donde* es el producto de convolucin y .1.2 el submuestreo de orden 2.

sobre V; se ~obtiene? filtrand~ Y
subroestreando la sucesin de coeficientes de la proyeccin de f sobre el ruvel antenor
o sea que los coeficientes de la proyeccin de una seal f
ij.1.
Los filtros utilizados
u (-n)
w (-n)
son llamados.filtros de anlisis.
0
o
o.os
0.1
0.15 0.2
0.25
o.3
o.35
o.'4
0.45
o.5
frecuencia/frewencia de muestreo
Fig 24 Respuesta en frecuencia de lo;.filtros usinc y vsinc
Ejemplo:
Para todo este tipo de clculos conviene definir las funciones que los realizan en archivos
.m de MA'ILAB.En primer lugar, deberemos calcular los coeficientes c(k) . Puesto que
al efectuar la convoluin, siempre debemos conservar la cantidad de puntos de la seal
qutando los puntos agregados por el filtro , conviene generar una funcin que lo haga cada
vez que lo necesitemos :
HL.T@~M
functon y= fillO (x,z)
" x es lltla seilal. z un filtro
"Esta funcin filtra y quita los puntos que se agregan en el producto de convolucin
t, Esto resulta valido si z es simetrico .y oc lallto tiene un numero impar de P\lntos.
Nale11'g1(x);
Llenglh(z);
Y=conv(x,z);
y= Y(l+floor(U2):N+loor(LJ2));
A esta funcin la hemos llamado fi1t0 (x ,z)

para distinguirla de la funcin filt que
usaremos ms adelante y que "espeja" la seal antes de filtrarla y quitarle Los puntos
agregados . A la funcin que calcnla los coeficientes , de un nivel al siguiente la hemos
~
JJ'(TROOOCCJON A LAS Ol>JTAS
llamado "coesinc" . La eleccin de la tenninacin "sine" es para individualizar en la

multirresolucin la funcin ele escala (sine en este caso) que se utiliza
Los coeficientes se calculan aplicando recursivamente esta funcin .
Coi'.hc... wv.
Observar que en cada nivel se tiene la mitad de las muestras que en el nivel anterior la
resolucin "empeora" sin embargo los "detall~s" quedan en W , dado que ste es' el
. complemento ortogonl de V en V.1 Si llamamos:
"
dj.11
function y., coesinc(x}

% x es Wl vector,
91> y resulta de filtrar x con el filtro
= < 'I' J. f ( t) >
(los coeficientes del desarrollo en serie de onditas)
resulta con un razonamiento anlogo al anterior que
% u(kpsqrt(l)sin((pi*Icl4)1pi-k), le -40:1:40, submuestrear Y

% quitar los puntos agregados por el muo
load usinc;
41
d;t
= }: w ( n - 2 k) Cj-/,11 =.( w ( - n ) * c1.1,,, ) J.2 ( k )
u..uslnc;
y subJDuest(f1llO(x,u));
Ejemplo:
De la misma manera que para los coeficientes c(k), el clculo de los coeficientes dj(k) , para
J ~ 1 , se puede hacer aplicando recursivamente una funcin que calcula estos "detalles":
donde
function y sub.muesl(lt)
% x es un vector
% Esta funcin sub.muestrea la su~ln x , toma la primera muestra de cada dos
% los indices van de 1 a length(x)
for j =1 : c:eil((lwg1h(x~)/2)
yQ) ,. x(2*j-l);
end
91> w(lc)a(l/sqrt(2))*0.5*psinc((plk/l), ki=-40:1:40, submuestrea y

%quitar m pun10s agregados por el filtro
___________
M~3
Sea la senal h =4 sin ( 8 1t t) +sin ( 1101t t).

Calcular los coefic~entes de la roultittesolucin de h para los nivele5 1 Y 2.
Representar graficamente .
Para calcular cl(k) = c111 utilizar como coeficientes de nivel O: cO, directamente las
muestraS de la funcin .
20
20
20
10
10
10
-10
10
'.10
-20
20
-20
100
seal
200
load wsinc;
wswsinc;
y= submuest(fillO(x,w));
Actividad M34
Obtener los coeficientes dj(k) = <j.t para la funcin h del ejercicio anterior para los
nivelesj = 1,2. Representarlos grficamente.
20
20
.11;
lC
!
functlon y= detslnc(x)
'Ai x es un vector,
91> y resulta de fillrar x con el filtro
,,
--Adi'1idad
200
100
coeficientes nivel 1
'
Flg 25 . l.e scl\al h y los coeficientes de los niveles 1 y 2 .
.,
20
10
of"-/Vv"'v
0
~
100
200
ex>eflclentes nivel 2
-:i<
-2'
l- 11
-H
10
100
.,.n.1 t..
200
Q,
100
de~all
2()0
niv l 1
100
:oo
do~al~ nivel 2
Flg 26 La sellal h y los coeficienleS de detalle de los n iveles ly 2 .
_,~_r_R_CD_'U_c_
c_1o_N_A~L_AS~O_ND_i_1_11S~~~~~~~~~~~~~~~~~~~~~ 42
Trunbin es posible pasar ~.e un nivel "peor" a un nivel "mejor":

De manera anloga a Jo que se vio antes , como V_.1 Vj e W "!:/ j >O,
Estos procesos podemos resumirlos en el siguiente esquema :
J(tJ
= I..t CJ.k IP >1(1J+
I.1d..t'l';;.t(tJ
I. 1 C.1 L u ( n - 2 k ) $ J-J.,. (
="L./
t) +
L.tC~u(n-2k)) q,.1...(1)
= I. C.1.n
I. l
d..t
I.. w ( n - 2 k) e> .1,,. ( 1 )
+ I..(L.td;...tw(n-2k)] $j.1...{t)
'.l .lt
$ fl, ( t)
'
c.1.
~{.
;~.:
e.1..
I. 1 u ( n - 2 k)
= (u ( k) * ( c..t
Cj.t
I. 1 w ( n - 2 k
r.~
) <J..t
}
i2) )( n) +
:;>
...-...
* ( tj,.t i 2)) ( n)
( w ( k)
tJ'
~:~ i
~
1 '!'..
De modo que para recuperar los coeficientes del nivel anterior (mejorar la resolucin)
jebemos duplicar la cantidad de muestras intercalando ceros en los Jugares impares , tanto
?ara los coeficientes de la resolucin menos fina c.* como para los correspondientes a los
jetalles di. , utilizando luego los filtros u(k) y w(k) , que son los filtros de sntesis. Notar
Jue son idnticos a los filtros de anlisis .
tf
!nclufrnos aqu la funcin de sobremuestreo que utilizaremos:
:;6r\l\Ahe.dI'\'\
Ejemplo:
:=z.eros(l :2*1);
:(1:2:2*1)=x: .
:
1
ti ,.r
Puesto que deberemos aplicar recurrente.mente las funciones que calculan los coeficientes
"e" y "d". nos resultar convenienl, tenerla$ disponibles como funciones MA1LAB. .
, ~2.
=length(x.);
i1.
'
I'
( '
i~
Este grfico representa un banco de filtros de dos canales.
unction y= sbnnucst(x.)
I> x. es un vector, y es el sobremues1reo, in1etcala Oen los lugares impares
:-\i
"'
~~
l=Z;
Vl>. vn
1
unction y=up(x,N)
(, x es un vector, y es el sobremuestreo, intercala O,dejando los v11lores de
11. x. cada 2"N lugares.es la 2"N lterncion del sbrmuest(x).
-=lenglb(x);
:=:reros(1:(2"N)*I);
.(1:2"N:(2"N)*l)'=x;
function y-csnc(x.N)
C.x;
~ ,,
n;.l;
wbllen<N+t,
n-n+l;
C-coesioc(C);
cnd
y..C~
fnc.li9n y ,. dsine(x,N)
\.ctividad M35
:omprobar que cl(k)
~1
Flg 27 Proceso de calculo de Jos coefJcienleS Cj.k y d
;'
1Va<te1sinc(csinc(x,N-l ));
= (u
c2 i2) ( k)
-+ ( w
.* d2
i2 )( k)
-'
<4 . ;t
lf
.''i
~
!i
r~
:1
~ :
'
::'
f "~
!" !
Jl :
ti
lNTRODUC<;ION A LAS ONDITAS

Luego de representar grficamente Jos coeficientes e ( k ) y d ( k ) para un dctc1minado

nivel de resolucin , se habr observado que esos grficos no brindan una informacin que
pennita hacer comparaciones con la sella! dada .Una situacin similar ocurre , por ejemplo,
cuando dada una transformacin en el espacio R' conocer slo los coeficientes del vector
transformado respecto de una base que no sea la de salida . no indica como se ha
tra,nsforrnado ese vector a menos que especifiquemos las CQordenadas de la nueva base
re&peclo de la base original . As dada la seal g(t) , ya que g e Vo resulta
g(t)
g(t)
, g ( t) =
L,d,,t'l'i..t
:r, 1
CJ.t
$> ( t) y se llama la aproximacin de nivel j de
Esta funcin g (t) representa una "versin empeorada" de gen el nivel de resolucin j. .~
Es-ia "proyeccin" de gen Vj esc1ita en la base de V : ~i.k (t), donde los coeficientes srf
los c.1.
La suma doble representa a Jos detalles que se fueron perdiendo en ese nivelj. y en cada
uno de Jos niveles anteriores. La funcin
ri ( t)
= L1
'
d;, 1 'Vi. (t)
fuoctlon y -~psinc(x,N)
t:. es el residual de nivel N cuando -x es una sella!
yy-dsiD~x.N);
..
sinc(yy,N);
functlon y .. ap.unc(x,N)
~para cada nivel N especificado asinc(x) esta en el S(psinc(.ll."N-k), k ea Z)
~ ( S es eJ subespaclo cerrado generado por psinc(.ll."N-k) )
~ N:-1.( N-0 es la seal )
~ faltad.l vidir poc la llOllWl.:..J)ilsqrt(2).
+L.
ISfSj
donde g1 ( t) e Yj
g(t).
45
44
se llama residual del nivel
Ejemplo:
Clculo de Ja aproximacin de nivel N
r;(t)eW;
a-2"N;
~-20*a: 1+ej)s:20a;
v.-pslDc(t);
ooditas(0.5fa)*w;
y flltO( x,N),ondita);
Actividad M36
a) Para .la seal h ( actividad M12 ) , calcular las aproximaciones y residuales de niveles
1,2 y 3.Representar grficamente.

b) Lo mismo. para la funcin hS= [ h l h2 h3 ) donde
bl =sin ( 22opi*tl ) : h2 =
sin ( 2"'80*pl*t2) ; h3 =sin ( 2*36"'pi*t3) ;
y h =hi k 1,2,3 en los intervalos
especificados en ti , i : 1,2,3 :
-
tl =o; 1/256 : 85/256 ; t2 = 861256: 11256: 170/256 t3 =1711256 : 1/256 :2551256; '
aprsinc( x,N) :
rS~l'\C ~'\\
. function y =aprsinc(x,N)
'fo es la aproxlmacion de nivel N cuaudo x es . una seal
YY"'csinc(x,N);
y= asinc(yy,N);
'foyy cnlcula los coeficientes de la proyeccin sobre V 11
'l>la funcin "asinc" efecll1a la combinacin Lineal en la base de V"
_,
2
100
209
prolnc rlvtl '
100
200
rcspllnc hlvtl 1
function y= asinc(x,N)
% para cada nivel N especificado asinc(x) esta en el S {sinc(./l."N-k), k en Z)
'1t ( S es el subespacio cerrado generado por siuc(.ll:"N-k} )
% N>=l.( N=O es la sellal )
% Caltadividir por la nonna .. pi/sqrt(2).
a=2"N;
t:<-20*a: l+eps:2on;
u=sinc(t);
escala=(0.5/a)*u;
y= fill(up(x,N),escala);
ol'-
........--"...
..
o,_.,,.,,...,..~
_,
_,
-2
tilo
. aprolnc nl~el '-
2
200
1(!0
200
1up1lnc me~2
Flg l8a Aprox.lmaciones y residuales de Jos niveles 1 y 2 para la sella! hs.
De la misma manera se calcula el residual de nivel N :resosinc(x.N)
''
_1NTR~--ou
......c_CJ_o_N_A~LA~
S ._o_N_D_IT_AS~~..--~~~~~~~~--..---..--............;......,................_
Actividad M37
0 ,05
o.es
47
Generar un archivo.ro que permita rep~ntar grficamente dos aproximaciones y

residuales ~ucesivos de una seal dada.
ActMdad M38
o
100
200
np 1h\c nlvel 3
300
100
200
Realizar ~l anlisis de multirresolucin con las seales h y hs ( actividad M36 ).
300
re,p31nc 11fve! 3
EjeJDJilo:
,
La figura 29 muestra Ja aproximacin y el residual de nivel 2 para la sllaI'b..
Flg 28b Ai>roxmaciones y residuales para el nivel 3 para la sella! bs.
El siguiente programa para la nmltirresolucin que hemos estado ~onsidei:ando, pennite
visuali7.ar mejor grficamente, las aproximaciones Yresiduos de un ru~e~ pedi~~- para ~a

l seal ingresada previamente . Dado que el nmero de muestras se divide~ por
en ca
al a una potencia de dos. A este

..
nivel conviene que la seal tenga un nmero de muestras 1gu
programa lo hemos llamado multsinc.m .
1TJ!{:. -"'1
l~
"
L.. ~...l
h=input('ingrese Ja sella! mueslteada en potencia de 2:');

N;lnput('ingrese el nivel N:');
c=sinc(h,N);
% ooeficiente de nivel N
I ~up(cs,N);
% sobremuestreoN veces
% aproximacion de nivel N
11 ~prsinc(h,N);
% uansomadas de Fourier en Vllor absoluto
fa=abs(ffl(a)); Oi=abs(ffl(h)); I fe=abs(ffl(c));
Jnb><max(fll);
% valor maximo de las transformadtlS
1 OlC"'max(fc);
% residual de orden N
'r-=respsinc(b,N);
/ Jr=abs(ffi(r));
% filtro pasabajo (del Vj parnj=N)
I ;fi,.spinc(N);
% fillIO pasabanda (del Wj pnraj=N)
1 'PSi=wpinc(N);
...
hold on
, . .
. , , {,
plot(ss,ffi/mfi,1l .ss.tps1/mps1, g) , bold off
subplot( ll I) tpause
d 1 fil
d 1 nivel N
% Comparamos los graficos en frecuencia superpuestos de la seilal 'i e os 1 iros e
) ~~
(a)
)00
Cb)
'
,1
Otro hecho que debemos observar es que las funciones 'l'i.1t ( t ) son ortogonales no
solo para diferentes niveles j , sino tambin dentro del mismo nivel de resolucin j para
diferentes valores de k . Estas onditas se llaman ortogonales y para ellas los filtros de
anlisis que de ahora en adelante llamaremos vO y wO , y los filtros de sntesis que
llamaremos v y w resultan idnticos [Malll).
1 '
1:
1
) ~Id
subplot(211) j
J
J
plOl(sb,fh/mh) , hold on plot(ss.ffl/mfi.'b',ss.fpsi/mpsi,'g') , hold offr .,101(sa.fdmc o on
plot(ss,ffi/mfi,'b',ss, fpsi/mpsi,'g')
.
"
200
Lo que debemos tener en cuenta en todo es.te desarrollo es , en primer tnnino la poca
precisin con la que hemos trabajado , motivadS' por el lento decrecimiento de la escala de
la funcin sine y de la,ondita psinc . Para tener una mejor p1-ecisi6 hubiramos tenido que
considerar. ms de diez mil puntos para obtener ms de cuatro . dgit;Os exactos.
Naruralmente nos conformamos con mucho menos para tener una idea grfica dcl proeeso
de muitiresolucin.
-
.; mpsi=max(fpsi);
% normalizacion de las escalas pi [O 1)
Ui=lcngth01); /i,s..tenglh(fi); JLa=lengl.h(fa);
, sh=O: J/Lh:(Lhl)/Lh; Jsa=O:l/La:(La-1)/La; Jss=-0: 1/Ls:(Ls-1)/Ls;
J subplot(22 l} J
/
J plot(h) / plot(a) , plot(r) ,lplot(sa.fclmc)
.
.
% ubicamos Jos coef N_sol>rcm. y los filtros del mvel Nen el mismo grafico
100
,;
.-0.4'----...__ __. _ _ __,

. 100
o
'200
300
Flg 29 (a) Aproximacin' y (b) residual de nivel 2 para la seJlaJ b.
mfi=mait(ffi);
~\
I psi=abs(fft(psi));
0 .2
_,,...__ _...___ _...__ _.J
I ffi=als(ffi(li));
1(wvv
.
.
-1
% MultJrresol ud6n para la ondlta psinc
l.----~-~--~ .
.i
.....
__rr_AS
________________________________________~
~NTR""--~~ov-c_c_Jo_N__;,,A.-.;;L~AS-O_ND
4.2
Mul~rresolucin
48
Para obtener urt muestreo mejor de la m (PCt)) completar con ceros hasta tener por
ejemplo 200 puntos y luego calcular la fft
con onditas spline de soporte compacto
Un resultado importante [Utis2] es el siguiente:
Computacionalmente [Unsl] es eficiente , y"rS sehilio , coniiderar el anlisis de

multirresolucin en el que tanto la funcin de escala q>(t) , como _la ondita \jf(t) son
funciones spline de sopo1te compacto (o sea funciones que son cerci.fuera de un intervalo
cerrado).
Toda funcin spline polinmica de grado n se puede. representar en L 2(R) como:
g. (x)
c(k) ~ (x-k)
Es de notar que en todos estos casos , podremos reconstruir la sella! , no obstante ; si

bien se mantendr la ortogonalidad entre diferentes niveles de resolucin , no ocutrir
necesariamente lo mismo dentro de cada nivel , y por lo tanto los filtros ' de anlisis
resultarn en estos casos diferentes de los de sntesis.
Esta representacin es l1nica y, por lo tanto , g. (x) queda unv-0eamente detenninada por
sus coeficientes { e (k) h.z }.
Si llamamos Yo al subespacio de L 1(R) cerrado, generado por
En lo que sigue nos ocuparemos de este tipo de funciones : funciones spline de orden n,
que son funciones continuas, polinmicas de grado nen los intervalos {k.. k+l) y con
derivadas continuas en todo punto hasta el orden 11-l;
entonces el conjunto de los subespacios V;. cerrados generados por los escalamientos y
je Z forma un anlisis de
traslaciones de la funcin ( P (2-j x-Jc) , ke Z }
multlrresolucin para L 2 (R) , cuya funcin de escala ser P ( x) .
Si X es la funcin que vate 1 en (-112 ,112) y es igual a oruera de l, las funciones:
Para _n ~ oo las funciones ~ ( ~ ) tienden a una funcin gaussiana . En la prxima

actividad, veremos que la spline cl1bica f3(x) , proporciona una aproximacin aceptable a
una ventana de Oabor sin modulacin.
La funcin f3(x) se llama spline bsica ctlbica, y su soporte es el intervalo ~2, 2] .
~ (x)
= (X X*
t-
.... X) (x)
n +1 veces ~
son funciones spline de orden n .
P (x) =
a) SI.
(x) puede evaluarse como:
(c(k)Jef
ex
=l/ 6, utii.zando el
.i
proc~1m1efilp
quad .m para
Jlp (1)-G(1ld1
"= 0.00056
-l
. y =(l-abs(x)+(l/6)*{abs(x)."3)-(113)*( 1-abs(it))."3).*(heav(x+ I)-heav(:.C-1))...
Este resultado cletemtina que el error cuadrtico de la aproximacin es pequeo.

l>) Superponer los grficos de J3(t) y de O(t) .
-
'
Sugerencia : Para hacer uso del procedimiento quad8 ( rutina de integracin numrica en
MA1LAB)
donde heav(x) es la funcin de Heavside o escaln unitario :

Cuoction y" heav(it)
~ es la. funcion de Heav,iside que.vale 1 para x. . >= O. O para it < O
~Y-~_ce
__
il~((~l_+_s~ig~o~(x~)~)n_)~;--------------"-"'/~.~
----'_...._________________..__-'-~
R~ordando que el soporte del producto de convolucin de dos funciones est contenido
en la suma de los soportes de esas funciones , obtener un grfico de ~ (x) y de su
a} muestreando con 100 puntos;
G (t) --" ./7tl(J. e- 1' 14

2
.., % que sigue es el pro<lucto numerico usual
transfonnada de Fourier,
enteros.
~(x-k)
integrar numricamente comprobar que
function y-= spl3(x)

% es la splne cubica= bo*bo*bo*bo, donde!><> es la funcioo =len (-112,112)
% =O afuera, aqui: es la integral de C-011volucion pero en la fonnuli.
. +(((2+x)."3)16). *Cheav(x+2)-beav(x+ 1))....

+(((2-x). "3)/6). *(heav(x- l)-heav(x.-2));
c(k)
Actividad M40
Actividad M39
Paran = 3, comprobar que la funcin
= !,
( g.(x)
q quad8 (' dilb3gb -2, 2 , le-8) 'lo calcula la Integral entre -2 y 2 con una tolerancia de 10
f.
donde difb3gb es la funcin :

functioo
b) muestreando en los ''
J..~
} '
y.; dlfb3gb(t);
a. 116;
b spl3(l)
it t :'21 ( 4 *a):
Y ( b- g) ."2;
=(11 (2sprt (p ~a))) *eitp ( -x: );
'
_11'"rR
__
o_oo_c_c_ro_N_A_LAS
_ _.o...
ND
....1_T....
AS_ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 51 '.
Actividad M41
aproxfmaclon de la spfine cubica por gausslana
'
,1
0.8
Generar un archivo.ro para la funcin psi utilizando la spl3(x) (ver M39 ).

Desarrollar tambin la furicin dpsi que sirva para calcular los valores de los <IJ.slintos
escalamiente& de psi{ta) .Tener en cuenta que t =-i *4 : 1 : i 3. .
0 .6
o~
o2 .
-3
En la prxima actividad veremos que la ondita spline 'V (x) , proporciona una aproximacin
aceptable a una ventana de Gabor con modulacin :
-1
-2
1 ,..
Actividad M42
Flg 30 La spline bsica cllbica ( .- ) y su aproximacin (_}por una gaussiana
Si
g ( t) =
~4a 4 cos(27tC00 (2t + l)e-<1 1>' 11" 2

v8m~
a= .69706, ro0
La ondila asocia~a a 3(t) , se hallar a partir de la relacin :
=0.409177,
donde
cr 2 =0.561145
y si 'I' es la ondita spline bsica ctbica , en fonna anloga a la de la actividad M40 ,

\ji
de la
xl2)
w(k)
mostrar que :
13 (x-k)
relacin de dos escalas :
13 ( xl2)
y de la
Jlw<t>- g(tldt = 0.000030159
u (k)
Como en M40 este resultado determina que el error cuadrtico'de la apro)limacin es

pequeno.
J3 '(x-k)
orlogonalidad :
< "' ( xl2 ) ' 13 . ( xl2 -k ) >
=o
VkeZ
~proxmacion con una runclon de Gabor
:O- a laOlldh -
0.3...---..,....,,...._--.----.-----.----~---.----..
A partir de estas relaciones resulta :
'V (x)
0.2
= Ll w(k) J3(2x-k)
0.1
donde :
w(k)
= O si k < -6
-0.1
o si k > 4, para k de -6 a 4 los vaiores respectivos son:
...0.2....__ __.___ __.__
w(-6) = -1/40320 = w(4);

w(-5) = 124/40320 = w(3) ;
w(-4) = -1677/40320 =w(2);
}\~-3) = 7904/40320 = w(l) ;
w(-2) = -18482/40320 w(O);
w(-1) = 24264/40020;
-4
La ondita ir (x) se llama ondita spline bsica

cbica, y. su
sopo1te , es el inte1valo (-4, 3) .
' . , .. ....... .
.
-2
-""-_ ___."--_ _....__ __.__ ___.

-1
Uempo
. 3
Flg 31 La oadita spUae 'I' (x) aproximada por uua ventana de Gabor con mod.ulacln.
Para los clculos ver [D' AU) .
-3
Actividad M43
Compropar que el centro y radio de la ventana en el tiempo obrenida con 'ljf(t) son :
centro
.-NTR
.....-....._oo......u.c_.Cl:-'O_N_fl............LA
............
s .....
o
ND
~
IT
;;.;.
/l"S
'"
_ __ __ __ _ _ __
4. La convolucin : 13 '* 13 31,._ z =X
radio:
_ _ _ _ _ _ __ _
x ... x x ser designada con

(
53 _.
b7 ( k) .
5. Los operadores de convolucin discreta ( b3 )"1 y ( b7 )"1 se designarn con B3 y B7
Jos valores para el centro y el radio de la ventana en frecuencia son aproxima~amentc

5.1632 y 0.923885 respectivamente . As el rea de Ja ventana en el plano uempo frecuencia resulta:
4Ll'lf~(ljf)
6. Los modulados de b3 y b7 se notarn bb3 y bb7 y el modulado de u , ser uu .
2.0Q107128
que es prcticamente la ventana ptima. Los clculos pueden verse en [O' Att] .
En forma amiloga hallar numricamente las dimensiones de las ventanas en tiempo Y
frecuencia para Ja ondita "sombrero mejicano" y comparar.
Analticamente por integracin directa resulta :
ventana en tiempo
respectivamente ,
Las funciones spline que consideraremos , son aquellas que pueden obtenerse por
convolucin :
cp(t)
= LP<k>P (t-k)
ka-
donde p(k) es un operador de convolucin discreta con inversa p 1 (k). Utilizaremos

como notacin b3 ( k) = 13 ( x) 1it . As! si la funcin de escala es
m =O
4> ( n ) = (p
ventana en frecuencia m =
* b3) ( n )
la ondita asociada se escribir
4
r
3..;rc
~"'
T )=
"\jF(t)
= !, q(k)'11r.(t -k)
h-
donde 'l'b es la ondita spline bsica cllbica, o sea la endita asociada a

un operador de convolucin discreta con inversa q 1
La relacin de dos escalas para J3(x) toma la forma:
13Cx/2)= '!,u(k)p(x-k)
t-
donde u ( k )
= Osi
k S: - 3 o si
k ~3
los valores de u ( k ) para -2 S: k $ 2 son :
La respuesta en frecuencia de u ( k ) es :
Y
1/8 1/2
3/4
l/ l.
1/8
U ( f) = 2 cos4 ( re f)
nivO.
En general,
g(n)
= !eo(k)cj>(n-k)
h-
l. Si a ( k) es la sef'al discreta, su uansfotmada Z ser
L a(k)z-t
p3i,._.
es decir
k-
2. La seal modulada discreta ( -1 la ( k) , por comodidad la designaremos con aa ( k)

k e Z ser designada
es tambin
Tengamos en cuenta adems , que para el anlisis de multirresolucin que se hizo con la
ondita asociada al seno cardinal : psinc(x) = sinc(x) - sinc(x/2)/l
,
dada una
seilal muestreada { g (k) h vimos que, para el nivel O de la multirrC$oluci6n , los
coeficientes coincidan. con las muestras de l seftal.Esto no ocurrir en general, de modo
que deberemos tambin, calcular los coeficientes para el nivel O, que se obtendrn filtrando
la sena! con un filtro que depender de la funcin de escala .A ese filtro Jo llamaremos
La notacin que utilizaremos en lo que sigue es:
3. La funcin de escala muestreada en los enteros:

con b3 ( k ).
~ y q(k)
4> ( n ) ::: (p
* b3) ( n )
y como
=( c0
p b3) ( n )
entonces
Co ( n )
= (p
bJ )"1
"'
g ( n )
funclion y = fill(x,z)
Observar.que cp(x/2 1)= ,p(k)3(x/2i-k) ,demodoquela5muestrasde
<1>1
en
un filtro, filtra y quita los puntos que ngrega esto es valido si z es simetrico y por tanto
tiene un numero impar de puntos.
LxEJength(x); M - Lx -1 ; Lz,.Jength(z);
% x es una sena.1 z,
to--
'JI,
los enteros, pueden ser calculadas como la convolucin discreta d~ un sobremuestreo de

p ( k ) iterado j veces, con el vector de muestras de
j) ( x/2'. ) "en .los enteros .
xO=esp(x);
yy = conv(z,xO);
!Y yy (M+l+floor(l.712): Lx+ floor{L712) + M );
Anlogamente para la ondita asociada 'I' .

La aproximacin de nivel j es :
c1(k)cp ( r 1t-k) que se calculan como en el caso 1
anterior, sobremuestreando j veces los coeficientes del nivelj y haciendo la convolucin

discreta con . 4>1 .
Resumiendo , los clculos a realizar para el anlisis de multirrcsolucin para una ondta
dada son:
l. Calcular los coeficientes p ( k) que llamaremos p" ond" para la funcin de escala .4>
(con "ond" se hace referencia a la ondita de que se trale : pbas para la ondita bsica ,
pcard para la ondita cardinal , etc ... )
El residual de nivel} es: ,d1(k)'l'(r/ r-k) cuyo clculo es similar al anterior.
2. Calcular los coeficientes q ( k ) que llamaremos q "ond" para la ondita 'I' asociada a 4>
As, la descomposicin de la seal g ser:
3. Calcular las muestras de la funcin de escala q, , de los escalamientos en potencias de 2

de $ , es decir de las funciones cp 1, en los enteros , y lo mismo para la ondita
asociada 'I', y sus escalamientos 'l'J.
4. Calcular los filtros de anlisis que llamamos : vO y wO , y los filtros de sntesis v y w
es decir la aproximacin del nivel j ms la suma de los residuales del nivel} y anteriores.
Los coeficientes d., ( k ) son Jos del desanollo en serie de onditas de g ; go es la
proyeccin sobre Vo .
S. Calcular el filtro correspondiente al nivel O de resolucin que esel nivel ms fino , los
coeficientes cO ( k) sern los de la proyeccin de la sel'lal sobre el subespacio Va , y
se obtendrn filtrando seal a analizar con nivO.
Un punto que debemos tener en cuenta es que para evitar las discontinuidades en los
extremos del fragmento de sel'lal a analizar [Uns2) ,resulta necesario recurrir al
~pejamiento de la sel'ial (completar la seal en los extremos con. una copia en esp~jo de_la
misma) . Dado que h~y que hacerlo , en todos los clculos, hemos definido la rutula filtro
a diferencia de la fiJtO.m que utilizamos con la ondita psnc, de la siguiente manera :
funaion y" esp(lC)
'JI, espejamiento ambos
6.Calcular en cada paso los coeficientes de la proyeccin sobre cada subespacio ~ de la

sefial . Estos se obtenan recursivamente , filtrando con el filtro vO y submliestreando los
coeficientes del nivel anterior .
7.Calcular en cada paso los detalles que se pierden del nivel antetior, se obtienen filtrando
con wO y submuestreando los coeficientes "c"del nivel anterior.
lados de una sella!
=lenglh(Jt);
y:=[x(:, N:-1:2) x x (:,N-1:-1:1) );
8.Calcular los coeficientes para el nivel de resolucin N .

9.Calcular los detalles para el nivel de resolucin N .
10. Calcular la aproximacin de nivel N, que se obtiene por convolucin discreta de un
Actividad M44
Probar la funcin anterior con
x = (1 2 3 4 5 ).
sobremuestreo iterado N veces de los coeficientes del nivel N, con las muestras de
$ i ( t) en los enteros .
U.Calcular el residual del nivel N , que se obtiene por convolucin discreta de un
sobremuestreo iterado N veces de los detalles del nivel N , con las n:iuestras de 'lf ( t )
en los enteros .
lNTROt>UCClON /\ LAS ONDIT/\S
56
INTROOUCCION A LAS ONDJTAS
wO(k.)=112 [(q*b7F 1 ]i2*p*uu *01 (k.}
4.3 Rutinas MATLAB para el anlisis de multirresolucin

V (
En esta seccin , daremos como gua , algunas rntinas que permiten los clculos antes
enumerados para 4 tipos de onditas que veremos , lo haremos en el orden de los puntos
anteriores y comenzaremos con las que utilizaremos para todos los casos :
l. y 2. El clculo de los coeficientes p "ond" q y q "o.nd" lo haremos en cada uno de los
ejemplos .
.r 3. Muestras de la funcin de escala

'
k )= {p }
w( k
bb7
o.1
kJ
S. El filtro del nivel Ose calcula como nivO = (p bJr' y los coeficientes del nivel o
son:
cO
% es la funcion de escala para la multirresolucion spline cubica "ond"

, % calculamos las muestras que se usan en cada nivel N
loadp"ood"
>-up(p"ond" ,N);
Cidspl3(N);
Y-Conv(p,Ji);
J = ( q J i2 uu
Los calcularemos en los casos especficos que trataremos luego .
 :
function y=dspl"ond"(N)
i2 * U * ( p F1
= nivO * g
6. Para el clculo de los coeficientes una rutina general. es:

funcLion y coef(x)
CJ1. x es un veccor, y resulta de filtrN' x con el filtro vO y submuestreac
% qui!N' los puntos agregados por el fil::o
load vO;
y= submuest(filt(x,vO));
donde:
~
~~~~~~~~~~~~~~. ~~~~~~~~~~~~~~~~~~~--.
( function y = dsp13(N)
~ % para cada nivel N especificado dsp13(N) son las muestras de la spl3 discreta
(-4): l/(2"N): 3;
}""SDl3(t);
l
Muestras de la onclita asociada
ir
function y=dpsi"ond"(N)
: <JI> es la ondira para la mul tirrcsolucion spline cubica "ond"
1 % calcu !amos las muestras que se usan en cada nivel N
' load q"ood"

. q.. up(q"ond " ,N);
psi=dpsi (N);
y=conv(q,fi);
function y =detalle(x)
CJI. y resul!a de filtcar el vector x con el filtro wO y submue.strar
% y quitar los pw1tos agregados por el filtro
load wO;
y= submuest(filt(x,wO));
8. Si se quiere un nivel detenninadQ conviene tener una funcin que lleve a cabo la
recurrencia .
Para los coeficientes :
function y -cc(x, N)
C=x;
n=l;
donde:
function y= dpsi(N)
CJI. para cada nivel N especificado dpsi(N) son las muestras de la psi discreta bsica.
la (-4) : l/(2"N) : 3;
ycPsi(l);
4. Las f61mulas generales de los filtros de anlisis y sfotesis para las enditas spline cbicas
son:
v0 <k
7. Para los detalles :
1 = 112 <P b7
r 1 r2 P b7 u ek J
1
whilc n<N+l,
n=n+l;
C=coef(C):
end
y=C;
9. Para los detalles :
function y dd(x,N)
y=detalle(cc(x,N l));
INTRODUCCION A LAS ONDITll.S

INTROVUCCION A LAS ONDITAS
58
10. La aproximacin y el residual del nivel N los calcularemos como sigue:

fuoc1ion y =aprox(x,N)
% es fa aproximacion de nivel N cuando x es CO de una selal g
yy=co(x,N);
y -aspl(yy.N);
59
ActlvJdad M4S
a) Obtener los coeficientes cO(k) para la seilal hs ( actividad M36 ) sabiendo que
1
nivO = b1 (ya fue calculado en M3 3.3 ). Hacer el grfico
b) Lo mismo para la sefial :

g(t)
donde
function y .. aspl(x,i)
% para cada nivel especflcado aspl(x) esta en el S{sp13(.n."ik),k en Z)% con componentes: las de x
t= 2: 1/(2."i): 2;
yy=up(x,i);
h=sp13(t);
ap conv(yy(:, 1:Jength(yy)-2."l),b);
y= ap(l+loor(Jength(b)/2):1engtb(ap) floor(length(h)n));
11.
function y ., apsi(x,i)
.
.
% para cadn nivel especificado apsix(x,i} esta en el S(Psi(.n."i-k}.k en Z}% con compone ntes: las de x
t= (-4) : 1/(2"i): 3;
yl= up{x ,i);
h=Psi(t);
y2 = conv(y l(:. l:leng!h(yl)2.~i),h);
y-y2(:, l +floor(lenglh(b)/2):length(y2)floor(lenglb(h)/2));
A conlinacin se propone realizar el clculo de los filtros utilizados en multi~oluciones

con diferentes. onditas spline los grficos servirn de gua as como las rutl!las que se
incluyen.
En este caso es
O S t Sl/16
1116 s t s 2116
2116 s l s 3116
ActJvidad M46
Calcular los filtros de anlisis vO y wO y, los filtros de sfutesis v y w .

1
Para el clculo de vO = 112 [ (b7 F ] 2 b7 * u ( k) conviene hacer la transformada
z de
1
J i2 que es ~)
, el COITespondiente filtro se llamar B27.
b?(z
'll> CALCULO DE D27
t..0:11256:255/256
z0.:(2416+2*(119 I cos(4*pi *l)+ 120*cos(8*pi*t}+cos(l 2*pi*t)))/5040;
:zones(l:256)Jz.0;
zlifft(z.);
z.2rcal(-I);
z27[z.2(129:256) z.2(1: 128)};
B27,.z27(30:228);
Para calcular vO. efectuar Ja convolucin con b7 y con u .

El fillro vO tiene 209 puntos y su grfico y el de su ffl (en valor absoluto) es el que
se muestra en la figura 32.
2.5
2
2
1.5
4.3.I Mu ltirresolucin para la ondita spline bsica
si
con intervalo de muestreo 1/1280.
(b7 )"
function y residual(x,N)
% es el residual de nivel N cuando x es CO de una sella! 8
yy=dd(x,N);
y apsi(yy,N};
sin ( 2n 64 t)
sin ( 2n 256 t)
sin ( 2n 128 t)
1i.........:::.._~
0.2
0.4
Nvcl O:ondtla bOalc::o
''--~~...___;,__~-~-
0.6
0.2
0 ,4
p=So =q
Flg 32 Fill.l'O de nivel O , y filtros de anlisis para la ondita spline bsica.
0 .6
__
LA_ s__
OND
__1_T_AS____________________________
_1N
_
~_R_o_
o_
u_
cc
_1_
o_~_A
~~----------~
61
Actividad M47
a) Obtener los coeficientes para Jos niveles 1,2, y 3 de la seal hs (actividad M36 ).
Obtener la aproximacin y el residual de 195 mismos niveles
b) Lo mismo para la sefial h de la actividad M33 .
c) Lo mismo para la seal g de la actividad anterior.
d) Lo mismo para la seal h de Ja actividad Ml6 que llamaremos es .
20
10
20
20
1o
10
1\f~1r \l~1
o
.10
-10
-20
-20
2CI
'
~.__~~~~~~~~
200
cocnctcnles nlvcl f
100
200
-1
100
200
oprox1msJn 1
300
.fo
fl
-. 1
coonelenlc ntvcl 2
50
100
150 200
coan<:lcnlot ntvel 3
'-o
~
too
20I'
o
1
-2
300
oproxhuncton 2
100
200
reolduol 1
300
;-*
200
.Osldul 2
101)
300
~--~---~----,
20
20
20
10
'
'
10
10
- 10
-20
. 20
-20
o---<
o llllltlilllfllll.
100
200 .
dctes nivel 1
Flg 34 AproJtimaciones y residuales de los niveles 1 y 2 para la sellal bs obtenidos usando el

procedimiento multsplb.m
200
100
dctalt 111\1012
Flg 33 Coeficientes "e" y coeficieotes de detalle "d"

bsica cdbica ( niveles 1 , 2, y 3) .
4.3.2 Multirresolucln para la ondJta spline cardinal

100
200
dlalt dol nlv 3
d~ la mulli.rresolucin para b con .la ondia spline
Actividad M48
De la misma manera que se hizo para la ondita psinc , generar u~ archivo.ro que. permita
representar grficamente aproximaciones y residuales de dos niveles consecutivos.
Actividad M49
( splcard) :
Aqu se busca una interpolacin delas muesuas de Ja seal en el nivel O , y por lo tanto
debe ser nivO = Oo es decir p = (b3( que ya fue calculado.
Los coeficientes de ondita q(k) = ( [ b3 * 111t * bb7] !2 )"1
Actividad M51
'Calcular los.coeficientes q(k) , y los filtros vO y wO y guardarlos en archivos .m.at, como
qcard.mat vOcard.mat y wOcard.mat . Sus grficos y los de sus respuestas en frecuencia
se muestran a continuacin. Como gua pueden tomarse las sigufontes rutinas :
% COEFIClliNTES DE PESO Q PARA LA ONDITA SPLCARD ( ondlta cardinal )
load B3, load u , load bb7
q0..conv(bb7,uu);
ql~nv(b3,q0);
Generar el archivo multsplb.m , anlogo al multsinc.m teniendo cuidado de agregar el

clculo de cO(g) para la seal dada, y que represente la seal 8 Y no c()(g).
Actividad MSO
tiene 7 elementos y simelrla respecto de q2(4)

.
% el filtro inverso lo calculamos a travs de la transformada - z.
qq=q2(4)+2*(q2(5)*cos(2*pi*t)+q2(6)*cos(4*pi*t)+q2(7)*cos(6pi*t));
% a es real y SWllrico con los irlm. 28 elem. no O (usando 15 dgitos )

a=ones(l :256)Jqq;
q.2.=submuest(ql);
t:O:l/2.~6:2551256;
ra~al(irft(a));
Aplicar multsplb.rn para las seales hs y h .

El ejemplo para la seal hs puede verse en la figura 34.
'l{,
al=ra(l:28);
ql=al(28:-1:2);
qcard={ql al);
% Cnlculo del (litro vO para la splcard (se aplic la frmula genet-al ).
load 03 load u
load D27
V l=up(b3, 1);
v2"'conv(b7,vl);
v3=eonv(B3,B7);
v4:con v(v2, v3);
v5=0.5*conv(,v4);
v0cardin=v5(34:236);
wOcard = 'A {u* 112( uu
o
-1
-2~--~--~--~
100.
200
300
-2~---~--~----'
100
npro>ctmaclori i
~~-----
* b3 * bb7 +u * bb3
% Clculo del flltro wOcard
load B3. load B7. load u !9ad bh3 ,load bb7
cl=conv(uu,b3);
c2=conv(cl,bb7);
63
200
300
resldual 1
- - --
* b7) * B3 * Xi7 81 ) ( k)
-7. - - -....--~~---'
c3>=conv(u,bb3);
100
200
npro~l111adon 2
300
-2~--~--~--~
100
200
300
rosldval 2
c4=conv(c3,b7);
e=05*(c2+c4);
%bbh=b7(4)-2*(b7(5)cos(2"pi*t)-b7(6)*cos(4*pi*t)+b7(7)*cos(6*pi*l));
wl=conv(uu,c);
w2=conv(wl,B3);
w3=0.5*coiiv(w2,B7);
F ig 36 Aproximaciones y res.iduales de los niveles 1 y 2 de la seal hs para la multirresolucin con la

ondita spline cardinal .
w4=w3(35:237);
Actividad M53
w0card-(w4(1) w4(1:202)];
De la misma manera que se hizo para la ondita psinc , generar un archivo.m que permita
representar graficamente aproximaciones y residuales de dos niveles consecutivos.
Actividad M54
Generar el ai:chivo mullca.rd.m , anlogo a los anteriores multsinc.m y multsplb.m .
1. s~-----~---,
Actividad MSS
1---
Aplicar el procedimiento multsplb.m para las funciones hs , h , g , y es .
0.5
oo
4.3.3 Multirr esolucin para la ondita spline dual

0.2
0.4
muo11 v() y wO ondlla
cordlnoJ
'
Fig 35 Respuesta en frecuencia <Je los filtros vO y wO para la ondita cardinal

~ctividad
( spldu) :
0.6
M52
a) Ob1ener los coeficientes para los niveles 1,2, y 3 de la seal hs.

b) Obtener la aproximacin y el residual de los mismos niveles.
Es Ja ondita '!'"' , dual" de la bsica , en el siguiente sentido :

1
ii si
<
'l'b (
j = i y k= l
2"1 X - k ) , 'ljf*(2-j X - [ ) >
O en otro caso
11"TllOOUCCION A LAS ONOITAS
En este caso:
1
pd11 = <b7 r
Y
vOd11 = ~u,
\/ = u* b7. 827
=( {
qdu
bb7 b7 J .!-2
wOd1t = !h 1111 * bb7 * 1
y
w
uu * 827
b7 r'
4.3.4 Multirresolucin para la ondita spline ortogonal ( splort) :
.'
En este caso no solo hay ono&onalidad entre los distintos niveles , sino tambin dentro de
los mismos , por ello es que los filtros de anlisis y de sfutesis resultan idnticos , y se
pueden obtener de uno solo :
como se ve estn intercambiados con los filtros v y w de la multirresolucin bsica.

Los grficos de nivOdu y de 'vOdu y de wOdu son Jos siguientes :
-~
0.8
0 .6
o.~
v0
p_o
o.~
0.4
02
nlvol O .oncll dunl
0.5
= ( b7 r112
o
o
0.6
O.~
0.2
lll-os de onhJ~a dual
estn dados por :
- = ( b7 * [ b/;7 * b7 J J.2 rin
el filtro de nivel cero es
0,2
= !h rrb7 r 112 1r2 <b7 J112 *
Los coeficientes p y q a los que llamaremos p_o y q_o
0.8
06
'-
65
nivO_ o = ( b7)
112
* ( b3 )"1
En (Uns2J se presenta el siguiente cuadro para las respuestas en frecuencia de los filtros
vO, wO, v y w para la ondita spline onogonal :
Flg 37 Filtro de nivel O y filtros de anlisis para la roultirresolucin con la ondita dual
Actividad M56
1
Generar un archivo .m en el estilo de los anteriores para implementar la multirresolucin 1

con la ondta dual , y ensayarlo con las sei'lales h , hs , g y es , de los ejercicios
1
=.];_u(f)
b?(f)
2
b7(2f)
v(f)=2v0(f)
vO (f)
r! "/ wO ( f) = 2u(f+112)
b7(f+l/2)
b?( f)
2
.~~~ri~~ i~---~--...,....--,
'T' :.
e-2"fw(f)= u(f+l/2) b7(f+ll2)
b7(2/)
o
Daremos las rutinas de MATLAB que se usaron para calcular estos flros y los grficos
correspondientes .
_,
-1
2'-----~----''---'
100
200
.2L---'--'----~--'
aproxlmacl011 1
100
1uldunl 1
200
% CLCULO DELOS COEFICmNTES P_O Y DELFll..TRO DE NIVEL O NCVO_O PARA LA

% ONDITA SPLINE ORTOGONAL
% C'lculo de (D17)"1/2.
t..O: 11256:255/256;
.2 L--_
<'----~--~-~
100
200
300
__,_ ___,_ ___,

100
200
ruldual 2
300
Flg 38 Aproximaciones y ~iduales de Jos niveles 1 y 2 para la seilal hs con In multirresolucin generada
con la 011dita dual
z;.:(2416+2(l ! 9I cos{2*pi1}+120*cos(4*pi*t)+cos(6pi*t)))."(-112);
zl=sqr1(5040)*fft(z);
z2real(zl);
p_o....[z2(52:-1 :2) z2(1:52)];
'1o usaremos zz3 para calcular cOort
W<({2416+2*(1191*cos(2*pi*t)+120-cos(4*pi*l)+cos(6*pi*l)))/5040)."( 112);
b?.><(4+2*cos(2*pit))l6;
nz-zz./bz;
tzlifft(az);
uZ..real(izl); % hay que arreglarlo
tz3[zz2(43:-l :2) tz2(1 :43)):
Actividad M58
:,..-:..- -...--- - - 1
20
'
t
.20
100
ap10>11Mclort ondll boslca
30- - - - -- - ---i
- ---:2:::---
.20 L - -........
0
10 0 .
oproll.\ma~\on ondll
200
lOO
ielldoel onclla boslc
20
\00
resldu I oodltn cardl11ol
~ordinal
20
20
-20L - - . - :- -- -:2::00;;-o
-:2:::00
; ;--
;apt oxhn;.id on ondlla duol
30 ---~----1
a) La seal a analizar s~ almacenar en un archivo .wav obtenido al " capturar " ta

seal de voz (elegimos la palabra " indice" ) con una plaqueta de sonido para PC. .
En Ja versin para Windows de MATLAB ( Matlab 4.0) est clisponible un comando para
leer y grabar archivos .wav (consultar la ayuda ... )
b) El procesamiento de la seal adquirida se reali7.af en tiempo diferido con las rutinas
presentadas generndose un archivo de salida .wav que podr ser escuchado con auxilio de
la plaqueta de sonido de la PC.
A continuacin se presenta el ejemplo para la palabra Indice si el anlisis se realiza con
la ondita spline bsica.
.20L--__.- - --:2:'oo-;-.:
30 ~------~--1
-zoL- - -1-0-0 -
Para concluir con una aplicacin de lo presentado proponemos procesar una sel'lal de
voz obteniendo coeficientes coeficientes de detalle , aproximaciones y residuales con
alguna de Jas estructuras de multitTesolucin generada por ondit.as spline. El procedimiento
a realizar es el siguiente :
\00
residuo!
ondll dUol
30.-- - - - - - --1
20
20
% DEMO PARA VER EL NIVEL O Y LOS CUATRO PRIMEROS NIVELES CONSECUTIVOS

% DEAPROXIMACION Y RESIDUALES PARA LA ONDITA SPLINEDAS ICA.
% Versin en MATLAD 4.0 para Windows
y=loadwave{'indice');
% se carga el arc!Jivo de audio
h=y';
% necesitamos un vector fila
bOb=cO(b);
abl=aprox(bOb, 1); rbl=residual(hOb, 1)~
ab'boaprox(bOb,2); rb2..residual(b0b,2);
ab3=aprox(h0b,3); rb3=residual(b0b,3);
ab4=aprox(h0b,4); rb4=re.sidual(b0b,4);
subplot(2,2, 1) plot(h) xlabel('seiial "ndice" ') , pause
figure
subplot(2,2,l) , plol(abl) , Jtlabel('apro)(imaclon l? tille('ond. basica? pause
subplot(2,2.2) , plot(rbl) , xlabel('resldual l') pause
subplot(2,2,3) plot(ab2) , xlabel('aproximacion 2') , pause
subplo1(2,2,4) , plot(rb2) xlabcl('residual 2') pause
figure
subplot(2,2,l) . plot(ab3) xlabel('aproximacon 3'), pause
subplot(2,2,2) plot(rb3) , xlabcl('residual 3') , pause
subplot(2,2,3) , plot(ab4) xlabel('nproximacion 4') , pause
subplot(2,2,4) , plot(rb4) , xlabcl('residual 4') , pause
i.
1
l
'!
figure
.10
-20
100
200
oproxhnoCl011 ondlt3 ortogon:il
100
200
rl<IOI ondlla Ql \ogonal
Si se utiliza como frecuencia de muestreo Fs = l 1025Hz, la instruccin para pasar del

archivo de Matlab correspondiente, al de extensin .wav es:
savewave('nombre', datos, 11025).

.
1f
mento de registro eocefalogrfico

Id 1 de mvel 3 para e rag
.
tadas
i" 41 b Aproximaciones Y res ua es
da una de tas cual.TO ondita~ spllne prC$en
.
Fo
.
611 oenerada por ca
1
cardinal , dual y Q<togooal.

ta inulurreso uci . "
De arriba a abll.)O : bsica
.
I'
ll<TROOUCClON A LAS ONDITAS
66
niv0_0"zz3;
% COEF Q_ORT (son guardados como q_o.mat)
load D7
load bl>7
qlconv(bb7,b7) : q2=submuesl(ql) : qconv{b7,q2);
~= 1/1024:1023/1024;
qz=q(7)+2*(q(6)cos(2pi*t)+q(5)"cos(4*pit)+q(4)*cos(6pi*t).+q(3)cos(8*pit)+q(2)*cos(10pi*t)+q(l)cos(l2*pi*t));qz.l,..(qz). "(-112);
q3crcal(irrt(qzl));
IITTRODUCCION /\ L/\S ONDITAS
.. .
Actividad M57
Generar un archivo .m para la multirresolucin con Ja ondila ortogonal , y analizar con
el las seales hs , h , g y es de actividades anteriores .
i1- :1~
_,
DE YO PARA LA ONDITA SPL_ORT
% CLCULO
load u;
(,/
- o-------~-_J
2 --------~--' .2L-----''----~---'
too
200
200
7
l~:tn.56:2551256;
;-
o
-1
._____
100
ruldunl t
200
(00
200
1ptoxhu~cJon
-1
% CLCULO DE WO PARA LA ONDITA S PL_ORT

load u;
t=O: 1/25 6:255/256;
2:0=(2416+2*( l 191 *cos(4*pit)+ t20oos(8*pi t)+cos(l2*pi*l)));
aprox1o11cJon 2
v0..(112)* conv(u,z5);
vO_o=v0(8:194);
100
fllHoJtlmticlon f
z0=(2416+2*(1l9! cos(4*piI)+120*oos(8*pi*t)+cos{l2*pi*t)));
z=ones(l :256)./zO;
z.1(2416+2*(1191 *cos(2*pi*t)+120*cos(4*pl*t)+cos(6*pi*t)));
z2(zJ. *z). "(112);
z3,.ifll(z2);
z4"'real(z3);
z,5o:(z4(99:-1:2) z4(1:99)J;
100
'
2
200
rcclduAI 2
'
rcth:fu"l 3
200
t;=ones(1:256)l:tO:
zl =(2416-2*(119 l *cos(2*pi*t)-120*oos(4pi*t)+cos(6*pi*t)));
z,2..(zl.*7.)."(112);
z3iffl(z2) ; z4real(z,3);
z5s(7A(99:-1:2) z4(1:99)];
w01=(1/2J* conv{uu,z5); w02-w01(8:194); w0_0=[w02(1) w02(1:186)); %traslaclon en l
% el que sigue es w_o
Flg 40 Aproximaciones y residuales de 1a selial h para los niveles 1 , 2 y, 3 con la ondita spline
ortogonal
w1=2'w02;
w o=[wl(2:187) wl(l)];
La siguiente secuencia de grficos muestra Ja aproximacin y residual del nivel 3 para un

fragmento de seal de un registro encefalogrfico ( ya mostrado anteriormente ) con cada
una de las enditas spline presentadas : bsica, cardinal , dual y ortogonal .
0 .9
0 .8
0.6
0.7
0.6,L.--~--~----'
0.2
o.~
nlvtl o -ondH1 ortogonal..
o.&
0
02
o.~
o.6
0
rutrot dt anolll1 .011dllo 01logom1l7,
20'---~'------~
Flg 39 Filtro de nivel
Oy filtros de anlisis para la mullirresolucin con la oudita ortogonal
100
200
300
Flg 41 a Sena! considerada ( frngmeuto de registro encefalog.rMico)
11-TROOUCCION A LAS ONDITAS
JNTltOOUCCION /\ LAS ONDJTAS
71
A continuacin mos1Iarnos los grficos de esta seal, de 1sus coeficientes y detalles para
los dos p1imeros niveles , de las aproximaciones y residuales para los niveles l a 4, as como
la reconstruccin que se obtiene a partir de la aproximacin del nivel 4.
2000
4000
6000
aprox. nivel 1
1000
2000
3000
sooo
4000
&000
7000
8000
2000
4 000
6000
resld. nivel 1
8000
8000
seftal 'lndlct"
2000
4000
6000
8000
2000 . 4000
6000
resld. nlvel 2
aprox. nlvI 2
1000
2000
3000
4000
6000
7000
1 000
recorulruedn
160
20
-20
50'---~--~~~~---'
1000
2000
3000
coeftcente nivel 1
4000
1000
2000
3000
6000
8000
2000
4000
6000
8000
resld. nivel 3
detale nlvtl 1
110
501'---~--~--~---'
500
1000
1500
coencftnte nlvel 2
4000
epro,r. nivel 3
4000
-+
o
2000
~o'--~--~-~---'
2000
-201'--_._--~-~-~
500
1000
1500
detaae nlyel 2
2000
Fig 42 La pah1bra Indice que fue digitalizada con una placa de sonido Sound Blaster de 8 bits a una
frecuencia de muestreo de 11025 Hz. El primer grfico muestra la seal en el tiempo ( 7770
muestras) mientras que el segundo la apro:dmacin del uivel 4. Los grficos restantes muestran
los coeficientes ' e y los coeficientes de detalle ele los niveles l y 2.
''o:--20~00--.-0~0-o--&~oo-o--a-.Jooo
apro(. ntvel 4
2000
000
6000
resld. nlvtl ~
Ffg 43 Se muestran las aproximaciones ~ j .
bsica .Puede observarse como dese!

Y .e s dunles de los niveles 1 n 4 para la palabra Cnd Ice con la ondita
1 1
.
eenvelllavOC<tti"
l.
contemdoprcdominame-en alta free ueac1a
. ..
queda" en e residual
, esa vocal tiene un
1
JNTRODUCCION A LAS ONDlTAS

fRODUCCION A LAS Ol\'OITAS
PENDICE 1
Al'D!DICE
Una secuencia o sucesin y se dice retrasada o desplaz;i.da de la sucesin x si

y(11)
x (n - m)
donde m e Z es el desplazamiento.
SOBRE LOS FILTROS DIGITALES
1 I ntroduccin
ia stal puede defmi..rse como una funcin que porta informacin acerca del estado o
nportamiento de un sistema.Matemticamente las seales se representan como
iciones de una o ms variables.La variable independiente de dicha representacin puede
continua o discreta. Las seffales de tiempo coT1tin110 estn definidas sobre un continuo
tiempo mientras que las seflales de tiempo discreto estn definidas sobre un conjunto
::reto y por consiguiente sern representadas mediante sucesiones. Los valores que
te la seal en cada instante tambin puede ser en un continuo o un discreto. Las
ales digitales son aquellas en lis cuales tanto el tiempo como s.u amplitud son
:retas ; las sef'lales de tiempo y amplitud continua son denonilnadas seales
16gicas.
:,as seales se procesan para poder extraer la informacin deseadiMuchas de las
ticas de procesamiento de seales consisten en la transformacin de la seal original en
..Por ejemplo , pueden disef!arse procedimientos para separar dos o ms seales que
nn combinadas de alguna manera .
os sistemas de procesamiento de seales son clasificados de la misma mci:rtera que -las
tles. As hay sistemas de tiempo continuo ( sistemas donde entrada y salida son
les de tiempo continuo ) y sistemas de tiempo discreto ( sistemas donde entrada y
la son seales de tiempo discreto ) . En forma similar los sistemas analgicos son
mas de entrada y salida analgicas , mientras que los sistemas digitales son aquellos
is entrada y salida son seales digi~es.
r''
Usando esta llima definicin no es dillcil ver que cualquier seal de tiempo discreto
puede ser representada de la siguiente manera :
x(n)= Lx(k)S(n._k)
!.
1.3 Sistemas lineales invarian tes en el tiempo :

Un sistema. de tiempo discreto puede ser representado matemti~amenie como una
transfo1mac16n u operador que transforma una cierta sucesin o secuencia de entrada x(n)
en otra sucesin de salida y{n) , es decir
y(n)
seales de tiempo discreto Se representan mediante sucesiones numricas , que se

tan como { x(n)} con ne Z.
lgunas stuaciones dichas sucesiones se obtienen por muestreo de sef!ales analgicas,
~cir tomando los valores de una seal analgica a intervalos regulares de tiempo;
1ces x(n) resulta la muestra n de la sefial analgica original .
.nos ejemplos de seales de tiempo discreto de inters son :
Los sistemas lineal~ son aq~ellos para los que vale el principio de superposicin , esto es
. !l operador T es lineal. S1 yl(n)
y
y2(n) son las respuestas del sistema cuando
las entradas a l son xl(n) y x2(n) entonces el sistema es lineal si y solo si
T [a xl(n) + b x2(n) ] = a T [ xl(n)] + b T [ x2(n) j
a(n)= { 1
11
sei'ial escaln unitario
y(n)=
J'Lhz
Lx( k)O(n-k )]
y usando Ja linealidad
y(n)= Lx(k)T[O(n -k )]
as operaciones pueden realizarse con las seales de tiempo discreto.. As por ejemplo
y) {n)= x(n) + y(n)
x)(n) =a x(n)
suma
(x. y) (n)= x(n). y(n)
multiplicacin por un .escalar
= Lxk)hdn)
(3)
kZ
de donde se concluye que la respuesta del sistema puede ser expres~da en funci0n de Ja
respuesta a la entrada
(n-k).
Si adems se cumple que el sistema es invariante en el tiempo se obtiene una simplificacin
de mucho inters. Los sistemas invatiantes en el tiempo son aquel.los que estn
caracterizados por la siguiente propiedad : si y(n) es la respuesta a Ja enuada x(n ) ,
entonces la respuesta a la entrada x (n-k) es y (n-k) .
Esta propiedad de invariancia por una traslacin o desplazamiento implica que s h(n) es
la respuesta a la entrada
(n) entonces la respuesta a O(n-k) ser h(n-k).Entonces
Ja [3) resulta en
1 n ;;i:o
u{n)= .{ o n <o
=o
[2)
donde a y b son constantes atbitrarias. De la representacin (1) y la definicin [2)

puede probarse que un sistema lineal puede ser caracterizado completamente por su
respuesta al impulso unitario.
Sea ht(n) la respuesta del sistema en cuestin a la entrada
(n-k) , un impulso
w1idad que ocurre en n = k . Entonces :
hZ
O n ;ieO
= T [ x(n))
Caracterizacin de las seales d~ .tiempo discreto
seal impulso unitario

( o secuencia delta )
(1)
te Z
producto
l1
l~ITROIJUCCION
APENDICE 1
A LAS OND!TAS
y(n)= ,x(k)h(n-k)
(4)
kcZ
Cualquier sistema lineal invariante en el tiempo est completamente caracterizado por su

respuesta h(n) al impulso unitario. La expresin [4) es el producto de convolucin entre
las sucesiones x(n) y h(n) . Esa operacin se acostumbra anotarla de la siguiente
manera:
y( n)= x( n) *h(n)
Planteando un cambi9 de variable se puede probar que dicho producto de convolucin es
:onmutativo.En efecto :
y(n)= Lh(k)x(n-k)=h(n)*x(n)
hZ
\s resulta que para la determinacin de la respuesta de un sisiema lineal invariante en el

iempo cumplen el mismo rol la entrada y la respuesta al impulso.
INTRODUCCJON A LAS ONDITAS
APV.'DIC~ 1
n = no. y as entonces y(n) =O n = no. De [5] puede explicitarse la respuesta del

sistema en funcin de la entrada en Ja forma:
y(n)= - f !!Ly(n-k)+ , !!.r_x(n-r) (6)

k-1
~
Jn sistema estable es aquel para el cual se cumple que si la entrada es acotada entonces la
espuesta es acotada. Los sistemas lineales i.m'.ariantcs son estables si y solo s
El valor n de Ja respuesta puede ser determinado promediando valores anteriores de 1a

respuesta as! como el valor actual y anteriores de la entrada.
En general ia respuesta al impulso de un sistema lineal invariante en el tiempo puede ser
de duracin finita o infinita. Por razones ligadas a su implementacin es conveniente
distinguir entre ambas situaciones.Si la respuesta al impulso del sistema es de duracin
finita el sistema se denomina de respuesta finita al impulso o filtro digital AR ( en
ingls Ja abreviatura es FIR : Finite Impulse Response ) ; en caso contrario el sistema se
dice que es de respuesta infinita al impulso o filtro digital IlR (en ingls Ja abreviatura es
IIR : Infinite Impulse Response ).
Si N =O en la expresin (6) de manera que :
y(n)=_!_
..4 Establlid ad y causalidad :
f b, x(n-r)
r-C
entonces el sistema cuya relacin entrada - salida sea sta se denomina sistema lineal
invariante en tiempo de respuesta finita al impulso. Puede verse que se trata de un .
producto de convolucin entre x(f!) y una respuesta al impulso dada por:
. ''!
~J={~
n = 0,1, .. ., M
para otros n
Jn sistema causal es aquel para el cual la respuesta para algn n = no depende de la

ntrada para n ~ no solamente .Un sistema lineal invariante en el tiempo es causal si y
olo s lA respuesta al impulso es cero paran < O. La nocin de causalidad en este ltimo
aso puede entenderse de la siguiente manera : el sistema es causal si slo hay respuesta
espus de Ja excitacin ( efecto posterior a la causa ). Los sistemas causales son
fsicamente realit.ables ( pueden ser implementados ).
que resulta claramente de duracin finita.

Un sistema lineal invariante en el tiempo de respuesta finita al impulso siempre puede ser
descripto por una expresin como la [6] con N =O.
Un sistema lineal invariante en tiempo de respuesta infinita al impulso es aquel para el cual
N debe ser necesariamente mayor que O.
.5 Ecuaciones en diferencias a coeficientes constantes :
1.6 Repreientncln de slstemas de tiempo discreto en el dominio de las frecuencias
\n muchas aplicaciones interesan los sistemas lineales invariantes para Jos cuales Ja
litrada y fa salida satisfacen una ecuacin en diferencias lineal , de orden N y con
oeficientes constantes de la forma :
Una propiedad fundamental de los sistemas lineales invariantes en el .tiempo es 4ue la

respuesta en rgimen estacionario cuando la entrada o excitacin es sinusoidal es tambin
sinusoidal de la misma frecuencia que Ja entrada , con amplitud y fase determinadas por el
sistema. Esta propiedad detennina que Ja representacin de seales en trminos de
sinusoidales o exponenciales complejas sea de gran utilidad en la teora de sis~mas
lineales.
Para analizar esto en el caso de los sistemas de tiempo discreto, supongamos que la
secuencia de entrada es x(n) ::: e.... para - oo < n < oo , una exponencial compleja de
pulsacin w. Utilizando (4) Ja saiida es
L aty( n- k)= }),x(n-r)

kO
r;O
[5]
:~general un sistema de. este tipo no ser necesariamente causal.

i el sistema es causal pueden asumirse condiciones Uciales tales como x(n) ::: O ,
ODUCCION A LAS ONDITAS
y( n) = Lh( k
)eJw<-41
~ e ""' !,h( k yJwt
Este resultado corresponde tambin a Ja transformada de Fouder del producto de

convolucin
y(n)= Lh( k) x(n-k)=h(n)*x(n)
lZ
oiendo
1.7 La transformada Z
H ( w) = !,Ji( k)e-Pw
[7]
1-
Es posible generalizar l transformada de Fourier para sellales de tiempo discreto, y el

resultado es la transformada Z. La transfonnada Z juega un rol importante en el anlisis y
representain de los sistemas lineales de tiempo discreto invariantes en el tiempo.
La transformada Z de la secuencia x(n) se denota con X( z) y se define como
.ta entonces
y(n)= H(w)ei-
mcin H(w) determina Ja amplitud compleja de una exponencial compleja ( respuesta

entrada tambin del mismo tipo) como funcin de la frecuencia w. Esta funcin es
minada respuesta en frecuencia del sistema cuya respuesta a la secuenci~ delta es
X ( z)=
f,~n)z-
[11)
que H (w) es una funcin peridica de w, puede ser representada por una se~e
ier. De hecho, la expresin (7) expresa a H (w) en la fonna de un~ sene de Founer
. que los coeficientes de Fourier corresponden a la respuesta h(n) cuando la entrada
1 secuencia delta . Con tal observacin queda determinado que h (n) puede ser
iada a partir deH (w) mediante la expresin usada para obtener los coeficientes de
ier de una funcin peridica,
J
1
Jl(n)=-
1" ..
le
(8]
H(w)= Lh(n)e-Jwa
. representacin de una secuencia mediante una transformada como la de [8] ~o est

ingida a Ja respuesta a la secuencia delta de un sistema, per~ puede ser a~li~da a
:uier secuencia con tal de que las series como la [8] conveIJan; Por cons1gwente,
una sucesin general x(n) se define la Transformada de Fourier para seales de
po discreto x(n) como
[9]
X(w)= L.x<n)e-...
consecuencia la transformada de Fourier de Ja salida es

Y(w)=H(w)X(w)
X(z)= f,x(n)z -
(12)
"""
Evidentemente, si x(n) = O para n < O o sea que la secuencia es causal , entonces las
transformadas Z biltera y uniltera, son equivalentes, pero no en otros casos.
Tomando z = e r tiene una interpretacin en tnninos de la transfonnada de F0 wier
como se definiera en la seccin anterior.En efecto
J H(w)e . dw
21t -
en donde z es una variable compleja. En ciertas ocasiones ser conveniente sefalar la

transfonnada Z de una secuencia x(n) como Z[x(n)J. En algunos contextos es til referirse
a la transformada Z, tal como est dada por (11) , como transformada Z biltera y
considerar tambin a la transformada Z uniltera definida como
[10)
X(z~<=.>'" =
,x(n )e-1"
La transformada Z no converge para todas las secuencias o para todos los valores de z.
Para cualquier secuencia dada, el conjunto de valores de z para los cuales converge la
transformada z, se denomina regi6n de convergencia. Una serie como (12) es una serie
de Laurent. De ese modo, un buen nt1mero de teoremas relacionados con la teora de las
funciones de variable compleja pueden ser empleadas en el estudio de la transformada Z.
Una serie de Laurent, y por consiguiente la transformada Z, representa una funcin
analtica en cualquier punto dentro de la regin de convergencia, y en consecuencia la
transfonnada Z y todas sus derivadas son funciones analticas de z dentro de la regin de
convergencia.
Una clase importante de transfo1madas z son aquellas para las cuales X(z) es una funcin
racional, esto es , un cociente de polinomios en z.. Las races del polinvmio numerador
son aquellos valoIB$ de .z para los cuales X(z) O y se hace referencia a stos corno los
ceros de X(z). Los valores de z para los cuales se anula el polinomio denominador se
Ar!NDICE 1
.RC"'IU<'CION A LAS ONOITAS
INTRODUCCION A Ll\S ONDJTAS
x(n)
x(n
+ m)
x(n) a"
X(z)
m entero
X(z) z'"
a complejo
)(Ja' z)
El ejemplo :
A una seal de tiempo discreto x(11) = sen( 2 n 5 0.001 11) + 0.2 se11( 2 n 20 0.001 n) con 11
variando entre O y 999 se le ha adicionado ruido de amplitud 0.4 con distribucin uniforme
(mediante una funcin random ). Esta seal consiste en una suma de una senoidal de frecuencia
5 Hz y otra de 20 Hz muestreadas a una frecuencia de 1000 Hz ( intervalo entre muestras 0.001
seg ).En la figura (a) se muestra un gr.fico de la seal. Se considera un filtro FIR caracterizado
por su respuesta al impulso unitario (figura (b)) h(n) = 1.05 ~ con n variando entre Oy 20 . Se
filtra la seal considerada con ese filtro realizando el producto de convolucin entre x(n) y h(n)
i:omo se muestra en la figura (c).
En la figura (d) se muestran el espectro de Ja seal ( observnse los picos en las frecuencias 5
Hz y 20 Hz ) y la respuesta en frecuencia del filtro ( en linea de puntos) . Recurdese que en las
frecuencias el espectro de la seal filtrada es el producto del espectro de la seal de entrada y la
. respuesta en frecuencia del filtro. Puede observarse que las componentes de alta frecuencia
(correspondientes al ruido) son atenuadas (se trata de un filtro pasabajos ).
+ Y(z)
dX(z)
x{-n)
X(l/z)
*y(n)
~~emplo
Para ilustrar algunos de los conceptos y definiciones comentados en esta breve

introduccin sobre filtros digitales se presenta un ejemplo acompal'lado de un conjunto de
grficos aclaratorios realiza.dos mediante un corto programa en MATLAB.
-z-;;-
n x(n)
x(n)
1.9 Un
Transformada Z
+ y(n)
X(z) Y(z)
umi seiii con algo de ruido
~Fu ncin de
transferencia
Y(z)
oo 1\ltro digital flR
0.8
>moya fue comentado, la transfonnada de Fourier de la. respuesta al impulso unitario

in sistema lineal invariante en el tiempo determina la respuesta en frecuencia del
cna discreLOo filtro digital.En el dominio de la frecuencia la relacin entrada-salida
esponde sim.plemente a una multiplicacin de las transformadas de Fourier de la
tda y la respuesta al impulso unitario.
Ms generalmente se puede describir un sistema lineal invariante en trminos de la
>fonnada Z de la respuesta de impulso unitario. Designando con x(n), y(n), y h(n) a
1trada, la salida y la respuesta al impulso unitario , respectivamente, y X(z), Y(z), y
sus transformadas Z. se puede probar que como y(n) = x(n) * h(n) entonces
=X(z) H(z)
a misma manera que con la transformada de Fourier, la relacin entrada-salida para

istema lineal invruiante en tiempo discreto corresponde a una multiplicacin de las
;formadas z de la enuada y de la respuesta al impulso unitario La transformada Z de
la respuesta al impulso unitario se denomina funci6n de transferencia del sistema discreto

o filtro digital La funcin de transferencia evaluada en el crculo unitario (Id= J) es la
respuesta en frecuencia del sistema.
Cuando el sistema puede ser descri_pto mediante una ecuacin en 'diferencias , lineal y
a coeficientes constantes entonces la funcin de transferencia del sistema es una funcin
racional de z como puede verificarse fcilmente.
10:.1;nan polos de X(z). Para transformadas Z racionales hay un buen m'mero de

:>ortantes relaciones entre la bicacin de los polos de X(z) y la regin de convergencia
ia transformada z. Es evidente que ningt1n polo de X( z) est dentro de la regin de
1vergencia, dado que Ja transformada Z no serla analtica.
, connuacin se listan algunas de las propiedades de la transformada Z que pueden
barse a partir de su definicin.La demostracin y dems detalles pueden verse en la
liografa recomendada.
la siguiente enumeracin se supone que x(n) e y(n) son secuencias osel'lals de tiempo
:reto que admiten transformada z, X(z) e Y(z) sus transformadas Z y las propiedades
vlidas en la regin de convergencia de las series respectiva.S:
Seal de tiempo discreto
APENDICE 1
0.6
O.<I
-1
0.2
-2
'1
l'
0,5
() tiempo
(ll)
20
30
100
150
10
.g 10
~
:I!
10
20
o
o
o
-10
~PvV\
-20
0.5
(e)
~empo
2
10
l10
..
to
10
50
( d)
free en Hz
tOOUCCOH A LAS ONDJTAS
NrROD1JCctON A LAS ONDITAS
'ENDICE 2
Cada tnnino en la serie puede reducirse a una integral en ( - rt /T.

una simple suslitucin , resultando
EL TEOREMA DEL MUESTREO
OREMA :
n T, Q > O constantes tales que T n ~ 1t y x.(t) .una'seal de tiempo contino
l lransfonnada de Fourier X.(0) tiene soporte en [-Ol , Ool2 ] ( x.(t) es una seal
anda limitada al intervalo [-Ol, Oq2 ] ). Entonces
>
f"'r X
1 ,L.
~
21t ,.,._
x(n)=-
APENDICE l
-7t/T
21tr
T
(Q+-)<!JCU.Te' 2""'d0.
1t /
T) mediante
(6)
Valiendo las condiciones para integrar trmino a tnnino la Serie y con
e''- = 1 con,.
y n enteros , resulta
x, ( t )= L x.( kT) sinc[(1t / T)( t-,kT )]
1
x(n)=-
t-
21t
J"'r [ .L,
~ X.(O.+-T
2nr )] e cu.rdQ
1
-KIT
[7]
,..,_
le sinc(x) sen(x) / x.
onvergencia es uniforme en R y en L2( R) .
Con la sustitucin n
IOSTRACION:
(2)
a sucesin { x(n) } con valores x(n) x,.(nT), obtenida por muestreo uniforme
e Tes el perodo de muestreo. Su recproca es la frecuencia de muestrr;o. De
rdo con [1)
.x(n)= x (nT )= _!_ J- X 0 (Q ) ei"TdQ
. 21t -
(3)
rtir de la transformada de Foutier para seales de tiempo discreto se tiene una

;Sentacin para x(n) como sigue :
J"
1 X(ro)efai>ndw
x(n)=-
21t ...,.
[4]
establecer una relacin entre (3) y [4] es conveniente expresar [3] como una suma
tegrales sobre intervalos de longitd 2rt / T , en la forma
j
x(n)=- .LJ
2Jt ,__
en [7] y comparando con [4] resulta
1 .L.i
~ X.
X(w)=-
la seiial de tiempo continuo x.(t) y su representacin en integral de Fourier
le X.(0) es su transformada de Fourier dada por
=w/ T
T ,._
J.(2r-J }11/1" x.(D.)e
jO,.T JI"'\
W. .1.
Para obtener la frmula de interpolacin asumamos que
X(.0)=
~ X.( n )
-1t/T
sn
rt!T
<
7t I
T. Entonces :
[9]
Reemplazando en la representacin en integral de Fourier
} J"'T x.rn Je''dQ

.
2Tt
[5)
(8]
. La expresin [8) muestra claramente la relacin existente entre la transformada de

Fourier X.(ro) de la seal de tiempo continuo x.(t) y la transformada de Fourier X (ro) de .
la sucesin obtenida con sus muestras.
Si la seal x.(t) es de banda limitada , es lo es , Xa(Q) tiene soporte en [-M, M
]
y M
> 1t I T ( el perodo de muestreo es "grande " T > 2rt I (lo J entonces las
traslaciones de X.(Q) se solapan . En este caso el contenido en alta frecuencia en X,,(fl)
se superpone en bajas frecuencias para X (ro). Este fenmeno se denomina aliasiflg ( en
este caso aliasing en las frecuencias ).
Si la seal x.(t) es de banda limitada entonces los trminos de la serie en [8] no se
solaparn si M
< 7t I T ( se muestrea a una frecuencia mayor que el doble de la
mx.irna frecuencia en el espectro de xJ,t) ).En este caso X{ro) es igual a X.(roff) en el
intervalo -1t $ ro $ 7t . As es razonable esperar que x.(t) pueda ser recuperada a
pa.rtr de sus muestras x.(nT) mediante una conveniente interpolacin. La frecuencia de
muestreo crtica l / T = (lot2it se denomina frecuencia de Nyquist.
x.(t)=f(2r+l)iclT
(ro-T +2rtr)
T
- a/T
(10)
HTROOUCCION A LAS ONOl'TAS
APE:NDICE l
:ombinando [9) y 10)
} f"''T TX(.)e 1.flldQ
21t
-11./T
(11)
,
WAVELErS
[BeFra]
Benedetto , J ; Frazier, M : Wavelets : Mathematics and Applications , CRC

Press 1994
[Chui)
Chui ,C. K. : An introduction to wavelets , Academic Press , 1992
ntonces
X (O.)= I,x.,(kT)e-10n
.t-
[12)
[D' Att)
D' Auellis , I.saacson , Sime , Pelle , Cavallaro Anaya : Anlisis de seales

no estacionarias con ondita.r splin.t de soporte compacto, Publicacin Nro 016,
Secretara de Investigacin y Doctorado , Facultad de Ingeniera , UBA,
Octubre 1993.
[Gopi]
Gopinath , R. A. ; Burros , C . S. : Wavelet Transforms and Fi.l ter .Banks , de

Wavelets - A tutorial in Theory and App/ications C . S. Chui ( ed.), 603 - 654
Academic Press , 1992
[Malll)
Mallat , S. : A theory for nwltirresolution signal decomposi.tion : The Wavelet

Representation IEEE Transactions on Pattem Analysis and Machine Intelligence,
Vol 11, Nro 7, 674- 692 , Julio 1989
[Mall2)
Mallat, S.: M11ltifrequency Channel decompositions ofim.a.g es andwavelet

models IEEE Transactions on Acoustics, Speech and Signa! Processing, Vol 37
Nro 102. 2091 - 2109, Diciembre 1989
[Oppe)
Oppenheim A. ; Schaffer, R : Digital Signa/ Processing , Prentice Hall , 1975
[Unsl]
Unser ,M ; Aldroubi , A ; Eden , M : A family of polinomial spline wavelet

transform, Signal Processing , Vol 30, 141-162, 1993
(Uns2]
Unser ,M ; Aldroubi , A : Polynomial Splines and Wavelets A S ignal Processing Perspective , en Wavelets - A tutora[ in Theory and
Applications C. S. Chui (ed.), 91 - 122, Academic Press, 1992
de aquf se concluye que
x (t ) =Ta
21t
f"'r[ ~L X ( kT )e-nn Je'nidO.

.
-'7</T
(13]
.t- "
lie~do condiciones para la integracin trmino a trmino y evaluando la integral resulta
.x.(t)= L x.(kT)sinc{(n/T)(t-kT)]
t--
[14)
pde sinc(x) = sen(x) I x.

La expresin [ 14] provee una frmula de interpolacin para recuperar la sel\al de
x,,(t) a panir de sus muestras . La representacin es slo vlida para
iales de banda limitada y con una seleccin adecuada de T ( condicin de Nyquist ) de
nera que no se produzca el fenmeno de aliasing en las frecuencias.
Asimismo la [14] puede ser expresada como el desarrollo de la seal de tiempo
itinuo x,,(t) en la forma
npo continuo
I,c
.t--
1de c.t =x.(kT)
REFERENCIAS :
.x(t)=-
x,,(t)=
UFER.ENCIAS
4>.(t)
~.
[ 15)
( )- sen{(1t/TXt._kT)]
1
(n!TXt-kTJ
[16).
Hay muchas clases de familias de funciones 4iit) que pueden ser usadas para
resentar seales de tiempo continuo en la fonna de la expresin [15). La eleccin de la
Uia de funciones '.{t) determina expresiones de clculo diferentes para la seal de
1po discreto c1 que representa a la seal de tiempo continuo xa(t) . La seleccin de la
lia (16) deteJmina que los coeficientes c1 sean las muestras de Ja seal de tiempo
tinuo x.(t) .
"'[Marc)
[MathWl]
Marcus , Marvin ; Matrices & Matlah : a turorial , Prentice Hall , The Matlab
Curriculum Series , 1993.
The Mathworks Inc. , The Sti1dent version of Matlab
Currculum Series , Prentice Hall , 1992
The Matlab
~rR~O~OU;..;;..;C~O~O~N~A;;...;;LAS;;.;;._ON;;.;,;;D~rr""""AS;:;_____________________________________;RE:.;;;;.;F~EAEN
~=.;~
ClAS
;;;.;;;_____
rrji
..
i1
lathW2]
The Mathworks Inc. Matlab : Reference Guide , Prentice Hall , 1992.
!athW3]
The Mathworks Inc. , Signal Processing toolbox for use with Matlab
Guide , Prentice Hall , 1993
User, .
',f
'~
. . ,,
d,.
d. ,.
l pfN8f!fft tirad
prim.r flcl6n
obf
trmin de /mprlmir .,, I mH de Ju/10 d 11195.
los lall&res gratlcos de Nuv Librerfa S.~.L..
si~ .,, SaJcarc 873 (1064} 8$. As. Arenana
Teleta: (541} 3629266
II

Introducción A Las Onditas - D'Attellis

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introducción A Las Onditas - D'Attellis

Transféré par

Droits d'auteur :

Formats disponibles

t

Una presentacin para Cursosde Grado

Marta T. Anaya 1, Mara J. Cava/laro

1. Departamento de Matemtica, Facultad de Ingeniera, Universidad

INTRODllCCION A LAS ONDITAS

....... . ........ .. ............ . .. ... . ............... . .... . ..... . ... . .. ....!

l. Primeras actividades en MATLAB ......................................................................... 1

2. Ventana de Gabor en tiempo discreto ............................................................... ........ 6

3. De la transformada de Gabor a la transformada ondita .......................................... 19

3.2 Resolucin, escalamiento y submuestreo .................................................................. 26

4.2 Multirresolucin con onditas spline de soporte compacto ........................................ 48

Nuva llbrrfa S.R.L.

por cuaJqu/er mlildlo elttc!rnico, mecAnco. lolocopia. grllbaci6n

1.2 Caracterizacin de las seales de tiempo discreto .................................................... .

1.5 Ecuaciones en diferencias a coeficientes constantes.................................................... 3

1.8 Funcin de transferencia

INTRODUCCIN A l.AS ONOITAS

Buenos Aires, Diciembre de 1994

INTRODUC"CION A LAS ONDITAS

El propsito del anlisis de seales es extraer informacin relevante de una seal

La transformada de Fourier ha sido utilizada como una herramienta confiable en el

La transformada ondita es el resultado del trabajo de numerosos investigadores. A

Una funcin en el dominio del tiempo es convertida por la transformada de Fourier en

I/'ITRODUCCIOH A LAS ONDITAS

l. PRIMERAS ACTIVIDADES EN MATLAB

Como ejercitacion previa a continuacin se plantean algunas actividades a desarrollar con

(o k.<a )~k) =a( k -k0)

2.1) Para una sucesin

{a, ....,anJ determinar

en forma directa y usando el algoritmo FFT incluido como funcin

b:o(a(4:7) a(l:3)); % Reordeoamiento de a

JNTRODUCCION A LAS ONDlTAS

JNTltODUCCJON A LAS ONDITAS

La transfonnada z debes B(z) = 2 z + 5 + 2zl haciendo z = e27ti t ., con

donde N el nmero de elementos de a entonces

% generamos un vector de 27 elementos para JDuestrear B" l(z) en la

a(t-n) = /FFT(ei2ntn IN. FFT(a)) IFFT es la transformada rpida inversa de Fourier

% son significativos solo 60 puntos ....

% Comprobacion si se realiza el producto de convolucion se obtiene

Dada {b(k)) se denomina inversa de la misma : b- 1(k) a la sucesin que verifica:

donde"*" es convolucin discreta.

Sobremuestrar una sucesin dada :

Teniendo en cuenta que la transformada z de b-1 es Bl (z), con B(z) la transformada z

para los siguientes casos:

Ejemplo para b = (2,5,2} usando la transformada z:

3.3) para b cal que su transformada z

La transfonnada z debes B(z)= 2z+5+2zl (notar que el 5 corresponde al subndice

INTRODUCCION A LAS ONDITAS

Ejemplo para la sucesin b={2,5,2J intercalando ceros:

% n las componentes de ndice wpar le corresponde cero

NOTA : Como se presentar en varias .oportunidades la necesidad de utilizar el algoritmo FFT

Puede crearse la funcin sobremue como archivo .m en MATLAB.

% USO DE LA TRANSFORMADA DISCRETA DE FOURIBR (IMPLEMENTADA CON FYf)

%en los luglll'CS de ndice (2n)k k .. l......lengtb(x)

91. frecuencia de muestreo en Hz

- )~ara el ejemplo propuesto:

% teorema del muestreo... )

1NTRODUCCION A LAS ONDIT/\S

..JNTRODUCCION A L/\S ONDITAS

2. VENTANA DE GABOR.EN TIEMPO DISCRETO

Este anlisis se aplica a seales estacionarias, es decir, seales cuyas propiedades no

Con el anlisL~ de Fourier podemos obtener la medida de las distintas componentes de

y se la llama TRANSFORMADA DISCRETA DE FOURIER CON VENTANA.

f1=2sin(2 pi32*tl) ; f'2-sin(2'"pJSQ); f=[fl f2]; 9'o seilal considerada

..-4; 1/64:4; r- 3sln(4pi t)+cos(8pit);