Transformada Wavelet Discreta.

Lopez Hualpa, Pierre Fidel

Escuela Profesional de Ingeniera en Telecomunicaciones
Universidad Nacional de San Agustn
phyrow.2009@gmail.com

I. INTRODUCCION
La transformada wavelet es eficiente para el anlisis local de
seales no estacionarias y de rpida transitoriedad, esta mapea la seal
en una representacin de tiempo-escala. A diferencia con la
transformada de Fourier, la transformada wavelet prob anlisis de
multiresolucion con ventanas dilatadas.
La transformada wavelet no es solamente local en el tiempo, sino
tambin en frecuencia. Algunos de los usos ms frecuentes de esta
transformada son: el anlisis local de seales no estacionarias, el
anlisis de seales electrocardiogrficas, ssmicas de sonido, de radas
y a su vez es usada para la compresin y procesamiento de imgenes
y reconocimiento de patrones.

Las wavelets Didicas nos van a permitir tener una mejor

aproximacin de la seal en niveles de resolucin muy finos, para ello
es necesario que las Wavelet sean dilatadas por un factor de 2 lo
que nos permitira tener una resolucion de 2 . Y la ecuacion (3) se
convertira en:
(4)

La forma final de la ecuacin de wavelet nos queda de la siguiente

forma:

II. TRANSFORMADA WAVELET DISCRETA

(5)
La transformada de wavelet discreta(DWT) tiene una alta
complejidad numrica y debido a la variabilidad en forma continua de
los parmetros de escala como de traslacin, necesitamos de una
herramienta que nos permita la discretizacion de esta. Por consecuente
se pasar un mapeo continuo a un espectro o conjunto finito de
valores, a travs del cambio de la integral por una aproximacin con
sumatorias.

Y si juntamos y hacemos el procedimiento para las ecuaciones (1)

y (5) obtendremos la representacin general de la seal de la siguiente
forma:

En los sistemas Wavelet las Wavelet madre ()traen

consigo unas funciones de escala () , las primeras son
las encargadas de representar los detalles finos de la
funcin, mientras las funciones de escala realizan una
aproximacin. Es asi que llegamos a la conclusin que se puede
representar una seal f(t) como una sumatoria de funciones wavelet y
funciones de escala:
(6)
(1)
IV. COEFICIENTES DE ESCALA Y COEFICIENTES
WAVELET.
III. FUNCIONES DE ESCALA Y FUNCIONES WAVELET

Coeficientes de escala:

Las funciones de escala hacen el papel de funciones promedio. Para

poder redefinir los parmetros a valores discretos tenemos que hacer
uso del muestreo exponencial lo cual nos permitir obtener una mejor
aproximacin de la siguiente manera:
(7)

(2)
Estas igualdades nos permitirn tener la familia de funciones
discreteadas, que constituyen las bases ortogonales de Wavelets.

Coeficientes Wavelet:

(3)

(8)

I.

TRASNSFORMADA WAVELET PARA COMPRESION

DE IAMGENES

Como sabemos la transformada wavelet es una herramienta

conveniente para el anlisis de multiresolucion de seales y en
particular es ptimo para la compresin de imgenes adaptando el BW
requerido de manera automtica.
Este algoritmo estudia las caractersticas de las imgenes en tonos
de gris para permitir explotar aspectos importantes del sistema visual
humano. El ojo humano es menos sensitivo a las frecuencias
espaciales altas (bordes de una imagen) que a las frecuencias
espaciales bajas (texturas de una imagen). El mtodo utilizado
consiste en codificar con pocos bits los coeficientes que representan
frecuencias altas y con ms bits los coeficientes de frecuencias bajas.
Los algoritmos de compresin de seales intentar minimizar el
espacio requerido minimizando de alguna manera la redundancia de
informacin. dividindose en dos grupos: compresin sin Perdida o
con Perdida.
La transformada wavelet nos ofrece una compresin con Perdida
con la intencin de lograr eliminar la correlacin.
II. ESTRUCTURA DEL ALGORITMO

CODIFICACION: Una vez cuantificados los coeficientes se

codifican para suprimir la redundancia existente en el lenguaje binario
y acercar la longitud promedio lo ms posible a la entropa de datos.

Tenemos que tener en cuenta los daros del rbol de descomposicin

wavelet los cuales no son almacenados en una estructura que refleje
su forma original pues esto ocasionara que el proceso sea lento y se
utilice ms memoria.
El proceso de compresin del algoritmo es el siguiente:

INGRESO DE DATOS:
Requerimos una imagen con formato de archive RAW.
TRANSFORMACION WAVELET: Comprende la transformacin
de la imagen del dominio especial a la frecuencia a travs del uso de
filtros pasa bajos y pasa altos, comprende los siguientes pasos:

Construccin de Filtros: generacin de cuatro filtros,

QMF 2-D, LL (pasa bajos en ambas direcciones), LH
(pasa bajos en vertical y horizontal), HL (pasa altos
horizontal y vertical) y HH (pasa altos en ambas
direcciones).
Lectura: Se efecta por ventanas rectangulares cuyo
ancho es el de la seal y el largo es MaxRead / ancho.
Descomposicin: Se obtiene 4 matrices a partir de la
aplicacin de los 4 filtros mencionados anteriormente.
Filtrado de la matriz: Consiste en aplicar el filtro
apoyndolo sobre elementos intercalados de la matriz.
Aplicacin del filtro

CUANTIFICACION: una vez que tenemos el rbol de

descomposicin armado procedemos a reducir el tamao de la
informacin con una Perdida irreversible, es aqu donde se realiza la
compresin real de la seal.

Normalizacin: Ya teniendo el rbol de descomposicin

wavelet restamos a los coeficientes de cada nodo la media
del mismo, obteniendo asi una distribucin de
probabilidades con media 0
Calculo de coeficientes para asignacin de bits: Primero
se busca el coeficiente de mayor valor absoluto para cada
nodo, pues es el factor principal en la asignacin de los
bits. Simultneamente se calcula la proporcin de
energa que aporta cada nodo al total. Se considera como
energa a la suma del cuadrado de los valores de cada
nodo y la proporcin es tomada como el cociente entre la
energa de un nodo y la energa total de la imagen

transformada. Se toma en cuenta adems un peso de cada

nodo, que es el logaritmo de un valor inversamente
proporcional al tamao del lado de cada uno.
Asignacin de bits: Todos los coeficientes calculados en
el paso anterior, junto con un nivel de compresin
ingresado por el usuario (bajo, mediano o alto), es
utilizado para el clculo de los bits que le sern alocados
a cada nodo.
Umbral amiento y cuantificacion: Una vez asignados los
bits, se recorre el rbol seteando a 0 los coeficientes cuyo
mdulo es menor que un umbral dado y luego
efectivizando la cuantificacin. Esto ltimo se logra
dividiendo los coeficientes de cada nodo por un valor que
reduce su magnitud tal que el mximo coeficiente pueda
representarse con la cantidad de bits asignados.
Almacenamiento: Slo los bits asignados a cada nodo son
guardados para cada valor cuantificado. Juntamente con
esta informacin, se almacena la cantidad de bits
asignados a cada nodo, para la posterior decuantificacin.

Codificacin Run Length: Con el objeto de acercar la

longitud promedio de los datos al lmite inferior que es la
entropa, se aplica el cdigo Huffman. Se da la
posibilidad al usuario de elegir entre Huffman esttico o
dinmico, pudiendo adems en el primer caso proveer
una tabla o aceptar la que est por default. En el caso de
codificacin dinmica hay un paso anterior que no se
efecta en la codificacin esttica:
Codificacin Huffman: Con el objeto de acercar la
longitud promedio de los datos al lmite inferior que es la
entropa, se aplica el cdigo Huffman. Se da la
posibilidad al usuario de elegir entre Huffman esttico o
dinmico, pudiendo adems en el primer caso proveer
una tabla o aceptar la que est por default.
Asignacin de cdigos: Con los cdigos contenidos en la
tabla de Huffman, se recorre el archive reemplazando
cada smbolo por su correspondiente cdigo Huffman.

Figura 1: Imagen original

Figura 2: Imagen Comprimida, Perdidas

III. TRANSFORMADA WAVELET EN JPEG2000

La arquitectura bsica de JPEG-2000 est formada por un conjunto
de etapas de procesamiento la cual la podemos ver en forma de
diagramas de bloques:

pasar y viceversa. Por este motivo, la informacin contenida en las

bandas l[n] y h[n] es la misma que en la secuencia original x[n] que
puede ser regenerada usando los correspondientes filtros de sntesis.
Este proceso de descomponer una seal en dos seales, una de baja
frecuencia y otra de alta puede aplicarse recursivamente a ambas subbandas. Cuando solo se aplica a la banda de baja frecuencia, se habla
de la DWT en su versin didica (didica). Si se aplica a ambas,
obtenemos la DWT en su versin paqueteada (packet). En el caso de
la compresin de imgenes, la forma ms utilizada en la didica
porque la energa se acumula principalmente en la zona de baja
frecuencia.

Figura 4: Proceso de descomposicin aplicado en la DWT

didica unidimensional

Figura 3: Diagrama de bloques de la arquitectura JPEG 2000

El comit Joint Photographic Experts Group(JPEG), crearon un
algoritmo estndar de compresin de imgenes que utiliza ondas
ortogonales, basado en la transformada wavelet JPEG2000, el cual
puede trabajar con niveles de compresin de mejor calidad y altas
tasas de compresin con respecto a algoritmos creados anteriormente.

Ya que estamos trabajando con imgenes y estas tienen dos

dimensiones, es necesario extender este proceso al caso
bidimensional. Por suerte la DWT didica es separable, lo que
significa que podemos calcular la DWT didica bidimensional
aplicando la DWT didica unidimensional primero a las filas y luego
a las columnas de la imagen (o viceversa).

Los pasos necesarios y requeridos para la aplicacin del estndar

JPEG2000 basado en DWT (Transformada Wavelet Discreta) son los
siguientes:

Calcular la DWT de la imagen hasta el nivel deseado.

Umbralizar y cuantiar los coeficientes de la transformada.
Los coeficientes resultantes del paso anterior son
codificados y almacenados en un espacio reducido.
Cuando se requiera la imagen se puede descomprimir
para esto se decodifica y reconstruye usando la IDWT.
IV. TRANSFORMADA WAVELET.

En la compresin JPEG2000 la transformada de wavelet es parte de

la segunda etapa de minimizacin entrpica. Esta representa los
puntos de la imagen a comprimir en un dominio espacio frecuencia
que posee dos ventajas fundamentales:

Figura 5: Descomposicin DWT didica bidimensional de 2

niveles

Reducir la correlacin especial de cada componente de la

imagen, lo cual es esencial para maximizar las tasas de
compresin.
Encontrar una representacin multiresolucion para cada
componente, propiedad que puede ser de ayuda a la hora
de procesar imgenes muy grandes.

Vamos a ver ahora la DWT desde el punto de vista de la Teora de

Bancos de Filtros.
Figura 6: Ejemplo de descomposicin de 4 bandas
Segn dicha teora, una secuencia unidimensional de N muestras
x[n], n = 0, , N 1 puede ser representada mediante dos secuencias
l[n], n = 0, , (N/2) 1 y h[n], n = 0, , (N/2) 1 de tamao mitad,
donde l[n] es el resultado de filtrar x[n] usando un filtro paso bajo L
y h[n] es el resultado de filtrar x[n] mediante un filtro paso alto H.
Este banco de dos filtros se define de forma que, desde el punto de
vista de la frecuencia, lo que el filtro L deja pasar es lo que H no deja

V.

CONCLUSIONES

La transformada wavelet se diferencia con la

transformada de Fourier ya que esta da una
representacin simultanea de la seal en frecuencia y en
tiempo, esto es apropiado para seales que necesiten ser
evaluadas en estos dos campos.
Esta transformada de utiliza sobre todo en el
reconocimiento de patrones, procesamiento, sntesis y
eliminacin de ruido de seales. Tambin se utiliza para
la compresin de cantidades de informacin grandes,
anlisis de imagen.
A travs de los coeficientes de la transformada discreta
wavelet se puede reconstruir la seal, pero para esto sus
funciones wavelet deben ser ortogonales entre s.
La funcin wavelet tiene desventajas, estas son no
invariables en el tiempo que produce aliasing y el
principio de incertidumbre que da la representacin de la
seal en frecuencia y tiempo, pero en baja resolucin.
La transformada discreta wavelet (DWT)es mejor que la
transformada continua wavelet (CWT)en disminuir su
tiempo de clculo ya que cuando CWT desea reconstruir
una seal entrega informacin redundante en cambio
DWT solo entrega informacin necesaria para el anlisis
y la reconstruccin.
JPEG es un algoritmo de compresin con prdida de
calidad y su transmisin y almacenamiento es sencillo,
pero existen compresiones sin perdidas como JPEG2000, JPEG-LS y tambin se encuentra la codificacin
huffman pero estas compresiones son ms complejas.
La transformada wavelet logra una compresin eficaz ya
que transforma los datos y los codifica, en esta la
transformada wavelet discreta ve la codificacin de
seales e imgenes.
La transformada wavelet tiene aplicaciones en
telecomunicaciones,
procesamiento
de
seales,
reconocimiento de voz, procesamiento de imgenes y
anlisis multirracial.

VI. REFERENCIAS

A. Fuentes y P. Faundez, Procesamiento digital de

seales acsticas utilizando Wavelets, Instituto de
Matemticas UACH
H G. Stark, Wavelets and Signal Processing: An
application-Based Introduction, Primera Edicin.
Berln: Pringar, 2005.
C. Burrus, R.A. Gopinath y H. Guo, Introduction to
Wavelets and Wavelets Transforms A Primer. New
Jersey: Prentice Hall.
JPEG-Like Image Compression. Craig A. Lindley, Dr.
Dobbs. 1995.
Linear-Phase M-Band Wavelets with Application to
Image
Coding.
Peter
M.
Heller,
Truong Q. Nguyen, Hemant Singh, W. Knox Carey