Académique Documents
Professionnel Documents
Culture Documents
REGIO SUL
IV Colquio de Matemtica
da Regio Sul
TRANSFORMADA
WAVELET DE HAAR:
CONCEITOS, FORMULAES E APLICAES
THIAGO DA SILVEIRA
ALICE J. KOZAKEVICIUS
Transformada wavelet de Haar:
conceitos, formulaes e aplicaes
Transformada wavelet de Haar: conceitos, formulaes e aplicaes
Copyright 2016 Thiago da Silveira e Alice Kozakevicius
Editor Executivo
Hilrio Alencar
Assessor Editorial
Tiago Costa Rocha
Comit Cientfico
Alexandre Baraviera (UFRGS, Coordenador Geral)
Artur Lopes (UFRGS)
Carmen Mathias (UFSM)
Daniel Gonalves (UFSC)
Elizabeth Karas (UFPR)
Valeria Cavalcanti (UEM)
Distribuio e vendas
Sociedade Brasileira de Matemtica
Estrada Dona Castorina, 110 Sala 109 - Jardim Botnico
ISBN 978-85-8337-098-7
COLQUIOS DE MATEMTICA DAS REGIES
REGIO SUL
IV Colquio de Matemtica
da Regio Sul
TRANSFORMADA
WAVELET DE HAAR:
CONCEITOS, FORMULAES E APLICAES
THIAGO DA SILVEIRA
ALICE J. KOZAKEVICIUS
1 EDIO
2016
RIO GRANDE
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Sumrio
2 Aplicaes 1D 23
2.1 Propriedade dos Momentos Nulos . . . . . . . . . . . . . . . . . 23
2.1.1 Decaimento dos coeficientes wavelet . . . . . . . . . . . 24
2.2 Operaes de truncamento . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Operadores de Truncamento . . . . . . . . . . . . . . . . 27
2.3 Experimentos Computacionais . . . . . . . . . . . . . . . . . . . 30
2.4 Filtragem wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Anlise de Sinais EEG . . . . . . . . . . . . . . . . . . . . . . . 35
3 TWD 2D de Haar 39
3.1 Base para L2 (R2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Algoritmo standard da TWD 2D . . . . . . . . . . . . . . 41
3.1.2 Algoritmo no-standard da TWD 2D . . . . . . . . . . . 42
3.2 Aplicao em anlise de imagens . . . . . . . . . . . . . . . . . . 44
3.2.1 Filtragem de imagens . . . . . . . . . . . . . . . . . . . . 44
3.2.2 Compresso de imagens . . . . . . . . . . . . . . . . . . 45
5
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
6
SUMRIO
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Prefcio
Funes wavelet tm, ao longo dos ltimos cinquenta anos, despertado inte-
resse em ambos matemticos tericos e aplicados [23]. O que diferencia as trans-
formadas wavelet de outras ferramentas matemticas sua habilidade de decom-
por hierarquicamente funes [31], permitindo analis-las em diferentes escalas e
diferentes regies de seu domno ao mesmo tempo. Embora as wavelets tenham
suas razes na teoria das aproximaes e processamento de sinais [23], elas tm
sido exploradas e utilizadas como parte fundamental de vrios esquemas num-
ricos associados s mais diferentes aplicaes. Alguns exemplos so os mtodos
para resoluo adaptativa de equaes diferenciais [6], para anlise e classificao
de sinais biolgicos [30, 29, 1], para deteco de anomalias em redes de com-
putadores [19] e para reconstruo de cenas tri-dimensionais a partir de imagens
bidimensionais [5].
A proposta deste minicurso apresentar, atravs da lgebra Linear, os concei-
tos fundamentais da teoria de transformadas wavelets ortogonais discretas, a partir
de sua representante mais simples: a transformada wavelet de Haar [31, 12]. Neste
minicurso, o conceito fundamental de transformao linear e sua representao
matricial sero o ponto de partida para a apresentao das principais propriedades
da transformada wavelet de Haar, que, na verdade, so compartilhadas por todas as
demais funes wavelets ortogonais integrantes da famlia de Daubechies [12].
Espera-se instigar os participantes deste minicurso a se aprofundarem mais so-
bre o assunto, percebendo a relevncia de disciplinas como lgebra Linear, Al-
goritmos e Mtodos Numricos para a construo de uma base slida de conhe-
cimento. Para ilustrar o potencial da transformada wavelet de Haar em diferentes
aplicaes, exemplos uni e bidimensionais sero exibidos.
1
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
2
SUMRIO
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Captulo 1
Nas ltimas dcadas, uma das famlias de funes wavelet mais difundidas e
utilizadas para a obteno de transformadas ortonormais a de Daubechies [9],
cujas propriedades fundamentais so indispensveis para muitas aplicaes. Neste
minicurso, muitas destas propriedades sero exploradas via exemplos atravs da
representante mais simples da famlia de Daubechies, denominada wavelet de Haar.
Na verdade, esta base de funes foi definida por Haar em 1910 [16], muito antes
da teoria sobre wavelets ter sido estruturada por Daubechies, quando as funes de
Haar foram ento reconhecidas e classificadas como funes wavelets ortonormais.
3
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 0 1 2 3 4
(a) (b)
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 0 1 2 3 4
(c) (d)
Figura 1.1: Vetor C2 visto como (a) uma sequncia de pontos e (b) funo constante
por partes. Vetores (c) C1 e (d) C0 vistos como funes constantes por partes.
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
1 0 1 0 C1,0 C2,0
1 0 1 0 C1,1 C2,1
Q1
2 (C1 ) = = = [C2 ] (1.11)
0 1 0 1 D1,0 C2,2
0 1 0 1 D1,1 C2,3
W1 = Q1 1 1 1
J QJ1 ...Q2 Q1 .
Q1
" #
h i
1 = j 0
Q k (1.12)
0 Ik (j, J)
1 ...Q
W=Q J2 Q
J1 QJ .
W1 = QTJ Q
T ...Q
J1
TQT
2 1.
possibilidade L2 ([0, 1)), espao de todas as funes integrveis em [0, 1), cujo
quadrado tambm integrvel em [0, 1) [33].
Abordar estas questes funcionais com rigor est longe do escopo deste texto
inicial e introdutrio, uma vez que a disciplina de Anlise Funcional seria um dos
pr-requisitos necessrios para isto. No entanto a definio de anlise multiresolu-
o, introduzida por Stephane Mallat e Yves Meyer (1988/1989) ser apresentada,
uma vez que ela pode ser interpretada como um elo de ligao entre o que se en-
tende como representao discreta e o "mundo" contnuo correspondente. Desta
forma, uma outra maneira de se apresentar e construir uma TWD seria comear
atravs do design da estrutura funcional que se deseja para o espao de funes
associado, ou seja, a anlise multiresoluo correspondente.
Definio:
Uma anlise multiresoluo de um espao vetorial V = L2 (R) (ou L2 ([0, 1))
uma sequncia de subespaos fechados Vj V, j Z, com as seguintes propri-
edades:
1. {0} V0 V1 V2 Vn V(n+1) V ;
= {0} e
T S
2. jZ Vj jZ Vj =V;
4. f (x) V0 f (x + k) V0 , k Z;
Assim, {(x k), k Z} uma base para o subespao V0 V , formada por fun-
es contantes por partes em intervalos [k, k + 1) de tamanho 1. No caso particular
de V = L2 ([0, 1)), V0 ser o espao gerado apenas por (x).
Atravs das relaes de auto-similaridade em relao translao e escala (Pro-
priedades (3) e (4)), obtm-se ainda que{(2x k), k Z} uma base para o
subespao V1 e, consequentemente, que (2j x k), k Z uma base para o
subespao Vj V , j Z. Na Figura 1.2, so ilustradas (x) V0 e duas repre-
sentantes em V1 , obtidas pela contrao de (x) por um fator de escala igual a 2 e
por translao. Como para cada nvel j
Z 1/2 q
j x 2
||(2 x k)||2 = |(2 k)| dx = (1/2j ), (1.17)
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
necessrio
n normalizar cada uma o das funes para obter-se uma base ortonormal.
Assim, 2j/2 (2x k), k Z a base ortonormal procurada de cada um dos
subespaos Vj , construda a partir da funo escala de Haar. Nas aplicaes apre-
sentadas, Vj , j = 0, 1, 2, ..., J so os subespaos nos quais as informaes mdias
dos sinais a serem analisados sero representados.
1 1 1
0 0 0
0 1 0 1 0 1
Assim, qualquer funo pertencente a VJ pode ser expressa como combinao li-
near de funes em VJ0 e Wj ; j = J0 ; J0 + 1; ...; J, podendo desta forma ser
analisada separadamente em diferentes escalas. A Anlise Multiresoluo recebeu
seu nome por permitir esta separao de escalas.
Continuando a decomposio envolvendo os complementos ortogonais em cada
nvel, quando J0 e J , obtm-se
M
( Wj ) = L2 (R). (1.19)
j=
1 1 1
1 1 1
0 1 0 1 0 1
X
f (x) = Cj,k j,k (x), (1.34)
k=
C2 = 2
+
+0
+
+1
+
+5
+
Figura 1.4: C2 f (x) = 22,0 (x) + 02,1 (x) + 12,2 (x) + 52,3 (x).
j 1
0 1
NX X NX
J1
f (x) = C0,k 0,k (x) + Dj,k j,k (x), Nj = 2j . (1.40)
k=0 j=0 k=0
C2= 1 C2= 2
+
+3 + -1
+
+
+1 +1
+
+
+-2 + -2
+
+
(a) (b)
Figura 1.5: (a) f (x) V1 W1 e C2 11,0 (x) + 31,1 (x) + 11,0 (x) +
(2)1,1 (x); (b) f (x) V0 W0 W1 e C2 20,0 (x) + (1)0,0 (x) +
11,0 (x) + (2)1,1 (x).
Na prtica muito comum e til poder aplicar a TWD de Haar para decompor
um sinal em uma quantidade desejada de nveis, no necessariamente chegando
at o nvel zero. Isso porque muitas vezes essencial que o sinal mais grosseiro
continue mantendo propriedades significativas do sinal original discretizado em
um nvel mais refinado.
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Norma de f (x)
Uma consequncia importante de se ter uma base ortonormal em VJ a possi-
bilidade de se calcular a norma (tamanho) de um vetor qualquer de VJ usando-se
diretamente suas coordenadas nesta base. Assim, o clculo da norma de f (x) pode
ser feito considerando, por exemplo, sua expanso apenas na base de funes es-
calas no nvel J ou sua expanso envolvendo multinveis:
NJ0 1 j 1
J 1
NX X X NX
J1
||f ||22 =< f (x), f (x) >= 2
|CJ,k | = 2
|CJ0 ,k | + |Dj,k |2 .
k=0 k=0 j=0 k=0
(1.41)
1.1.8 Projees em Vj
Quando for dada uma funo f (x) L2 (R) que no seja originalmente cons-
tante por partes, essa funo no poder ser representada exatamente por apenas
um nico subespao Vj para um certo nvel j escolhido, mas ser possvel ob-
ter sua projeo no espao Vj , denotada por (PVj f )(x), assim como ser possvel
obter sua projeo em Wj , (PWj f )(x) :
Nj 1 Nj 1
X X
(PVj f )(x) = Cj,k j,k (x), e (PWj f )(x) = Dj,k j,k (x), (1.42)
k=0 k=0
Lembrando apenas que D=2, no caso da TWD de Haar. De forma anloga, tem-se
D1
X
j1,l (x) = gk j,2l+k (x).
k=0
Captulo 2
Aplicaes 1D
23
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
24 CAPTULO 2. APLICAES 1D
Z + + Z +
Mkp
X
p
x (x)dx = (x)dx(x k) = 0. (2.3)
k= k= k=
C7
C6 D6
C5 D5
C4 D4
C3 D3
C2 D2
C1 D1
C0 D0
Figura 2.1: TWD de Haar de f . Variao do mdulo dos detalhes por nvel
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
26 CAPTULO 2. APLICAES 1D
+
X J1
X +
X
(PVJ f )(x) = CJ0 ,k J0 ,k (x) + Dj,k j,k (x) (2.7)
k= j=J0 k=
X +
+ X
eJ (x) = f (x) (PVJ f )(x) = Dj,k j,k (x). (2.8)
j=J k=
Na tentativa de seachar uma quota superior para este erro, define-se para cada
Ij,k = supp(j,k ) = k/2j , (k + D 1)/2j
Atravs do Teorema 2.1.1, estima-se que cada termo do somatrio possa ser majo-
rado por:
Como os suportes das funes wavelets so os intervalos Ij,k , para cada valor
de x escolhido, existem apenas D 1 intervalos contendo este valor, e portanto o
somatrio em k possui apenas D 1 termos no nulos. Assim, definimos N j (x)
como sendo
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
+
|Dj,k j,k (x)| N C 2jN (D 1)N
X
j (x). (2.11)
k=
+
X + +
2jN
X X
|eJ (x)| |Dj,k j,k (x)| N C (D 1)N
J (x)
j=J k= j=J
2JN
N C (D 1)N
J (x) = C2JN .
1 2N
28 CAPTULO 2. APLICAES 1D
A escolha entre hard ou soft e do limiar de corte feita muitas vezes caso
a caso, dependendo da aplicao. Contudo, os mtodos de truncamento hard e
soft no so os nicos possveis. Vrios mtodos de truncamento de coeficientes
wavelets podem ser encontrados na literatura, como os discutidos no trabalho de
reviso [21].
De qualquer forma, uma questo relevante a ser analisada o erro eJ cometido
nestas operaes de thresholding para que se possa classificar a aproximao bf
como satisfatria ou no.
q1
X
eJ = f (x) bf (x) = dj,i j,i (x), . (2.14)
i=0
sendo {dj,i } todos os coeficientes wavelets que foram descartados pela operao
de truncamento, e q = #{dj,i } o nmero de elementos desse conjunto. As posi-
es i neste somatrio so na verdade associadas s verdadeiras posies que os
coeficientes Dj,k originais assumiam na representao wavelet de f . Com isso,
atravs da ortogonalidade da base wavelet, tem-se
m1
X
||eJ ||22 = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >= |dj,i |2 .
i=0
(2.15)
M-best approximation
Uma outra possibilidade de se produzir representaes esparsas (ou, pelo me-
nos, com uma quantidade menor de coeficientes) a partir de sinais iniciais atra-
vs da estratgia de escolha dos m-primeiros maiores coeficientes wavelet da s-
rie wavelet original, descartando todos os demais. Esta estratgia denominada
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
sendo (j, k) a permutao que faz a busca dos coeficientes Dj,k de maior mdulo,
de tal forma que |D0 | |D1 | |D2 |... |Dm1 |.
(c) m = 12 (d) m = 10
(e) m = 8 (f) m = 6
(g) m = 4 (h) m = 2
A Figura 2.2 mostra uma funo em V4 , definida por uma expanso na base
de Haar contendo inicialmente 16 amostras. Na sequncia, so apresentadas as
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
30 CAPTULO 2. APLICAES 1D
J 1
NX
||em || = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >= |D(j,k) |2 ,
j=m
(2.17)
Teste 1
C2
C1 D1
C0 D0
Teste 2
Para o Teste 2 consideram-se duas operaes (mtricas): (a) o clculo do pro-
duto interno de um vetor por ele mesmo < v, v >= ni=1 (vi )2 , tambm denomi-
P
n.
Nas Tabelas 2.2 e 2.3 so apresentados os valores dessas mtricas aplicadas
para os coeficientes de escala (Cj ) e de detalhe (Dj ) de todos nveis de decompo-
sio do vetor v1 do Teste 1. E ainda, sobre a representao multiresoluo de v1 ,
CM Rj = (Cj Dj Dj+1 DJ1 ), conforme Equao 1.40 para cada nvel j.
Tabela 2.2: Energia ao quadrado dos coeficientes de detalhe e escala quando apli-
cadas as TWDs no normalizada e normalizada sobre o vetor v1 .
TWD no normalizada TWD normalizada
j E 2 (Cj ) E 2 (Dj ) E 2 (CM Rj ) E 2 (Cj ) E 2 (Dj ) E 2 (CM Rj )
2 121,0 - 121,0 121,0 - 121,0
1 56,25 4,25 60,50 112,5008 8,4998 121,0006
0 27,5625 0,5625 32,375 110,25 2,25 120,9998
Percebe-se, atravs da anlise das Tabelas 2.2 e 2.3, que a TWD normali-
zada preserva a energia total (a menos de erros computacionais de arredonda-
mento) independentemente do nvel de decomposio, enquanto que a TWD no-
normalizada preserva sempre a mesma mdia para cada conjunto de coeficientes de
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
32 CAPTULO 2. APLICAES 1D
Tabela 2.3: Mdia dos coeficientes de detalhe e escala quando aplicadas as TWDs
no normalizada e normalizada sobre o vetor v1 .
TWD no-normalizada TWD normalizada
j (Cj ) (Dj ) (CM Rj ) (Cj ) (Dj ) (CM Rj )
2 5,25 - 5,25 5,25 - 5,25
1 5,25 1,25 3,25 7,4246 1,7677 4,5962
0 5,25 0,75 3,0 10,5 1,5 6,0
Teste 3
Este teste responsvel pela avaliao da TWD Inversa. O vetor exemplo v1
do Teste 1, mais uma vez foi tomado para realizar os testes. Os resultados da
TWD Inversa no normalizada foram exatos, enquanto o da normalizada sofreu
truncamento (problemas de arredondamento). O vetor reconstitudo, v10 , atravs
da aplicao da TWD Inversa normalizada
Teste 4
O Teste 4 ilustra uma propriedade extremamente relevante da famlia de Dau-
bechies, que a relao biunvoca entre a funo e seu filtro correspondente. A
funo de Haar a nica da famlia de Daubechies que possui expresso analtica,
todas as demais so obtidas apenas atravs de seus filtros. O procedimento para
obter os grficos de qualquer funo desta famlia atravs da avaliao da TWD
Inversa a partir de um grosseiro nvel J0 . Como dados de entrada para a TWD
Inversa so considerados um par de vetores, um completamente nulo e outro com
valor igual 1 apenas em uma posio, sendo todas as demais nulas. Assim, para
serem reconstrudas as funes escala, assume-se CJ0 como sendo o vetor com um
nico valor no nulo e o vetor de coeficientes wavelet DJ0 como sendo nulo. No
caso da construo dos valores das funes wavelets, o vetor CJ0 nulo e o vetor
DJ0 possui uma posio no nula. A posio do valor no nulo no vetor, faz com
que a funo seja gerada com deslocamento correspondente.
Desta forma so obtidas as funes escala e wavelet de Haar: (x k) e
(x k), com k = 0 e 1. A Figura 2.4 mostra a funo escala com deslocamento
k = 0, assumindo-se C2 = [1, 0] e D2 = [0, 0] e para k = 1 os dados iniciais so
C2 = [0, 1] e D2 = [0, 0]. Para a funo wavelet com deslocamento k = 0 tem-se
C2 = [0, 0] e D2 = [1, 0] e finalmente para k = 1, C2 = [0, 0] e D2 = [0, 1].
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
1.5 1.5
1.0 1.0
0.5 0.5
Signal value
Signal value
0.0 0.0
0.5 0.5
1.0 1.0
1.5 1.5
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Time Time
(a) (b)
1.5 1.5
1.0 1.0
0.5 0.5
Signal value
Signal value
0.0 0.0
0.5 0.5
1.0 1.0
1.5 1.5
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Time Time
(c) (d)
34 CAPTULO 2. APLICAES 1D
Por ser ortogonal, a TWD ainda preserva a energia do sinal analisado. Portanto, no
caso deste sinal ser um rudo gaussiano, suas propriedades de mdia zero e varin-
cia constante 2 so preservadas aps a transformao. Em termos de coeficientes
wavelets, esta constatao pode ser expressa por: dj,k = wj,k + zj,k , sendo dj,k
os coeficientes wavelet de y, wj,k os coeficientes wavelets de f e zj,k N (0, 1)
variveis aleatrias provenientes de distribuio normal com mdia 0 e desvio pa-
dro 1. Ou seja, os coeficientes wavelets de uma amostra com rudo podem ser
escritos como os coeficientes wavelets sem rudo adicionados a rudo branco, dado
por zj,k N (0, 1) [21].
(a)
(b)
36 CAPTULO 2. APLICAES 1D
0 50Hz CJ
38 CAPTULO 2. APLICAES 1D
19
10
15
Tenso (V)
21
41
51
Figura 2.7: Decomposio wavelet em cinco nveis de uma poca de EEG com
2048 (J = 11) amostras.
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Captulo 3
TWD 2D de Haar
39
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Assume-se como hiptese fundamental, como proposto em [9, 7], que as fun-
es escala e wavelets so separveis e suas definies so dadas por:
(a) (b)
(c) (d)
Figura 3.1: Bases de Haar 2D: (x, y) em (a); H (x, y) em (b); V (x, y) em (c) e
D (x, y) em (d).
...
TWD 1D aplicada
sobre as colunas
...
TWD 1D aplicada
sobre as linhas
TWD 1D aplicada
sobre as colunas
...
diz respeito a como os dados so tratados nas vizinhanas dos pontos da fronteira.
Para as TWDs 1D e 2D de Haar nenhum valor precisa ser extrapolado para que se
possa obter a transformao nos pontos da fronteira. No caso das demais funes
de Daubechies, so necessrios D 2 valores extrapolados direita para a TWD
direta e outros D 2 valores extrapolados esquerda para se calcular a TWD
inversa. Outro ponto importante a ser destacado que a TWD 2D de Haar inversa,
considerando tanto o algoritmo standard quanto o no-standard, pode ser obtida
seguindo os passos de cada algoritmo na ordem reversa.
Figura 3.4: Imagem original em (a), rudo Gaussiano aditivo (somado ao valor 128
para melhor visualizao) em (b), verso ruidosa em (c) e verso filtrada em (d).
Figura 3.5: Imagem original em (a) e suas verses comprimidas utilizando (b)
decomposio em cinco nveis e = 200, (c) decomposio completa e = 50 e
(d) decomposio em trs nveis e = 150.
Captulo 4
As wavelet Packets, propostas por Coifman, Meyer and Wickerhauser [8], po-
dem ser interpretadas como uma generalizao das funes ortonormais de su-
porte compacto da famlia de Daubechies. De forma simplificada, uma wavelet
Packet L2 (R) pode ser descrita como sendo uma forma de onda modulada
de quadrado integrvel com mdia zero, bem localizada tanto em posio quanto
em frequncia, possuindo agora trs parmetros livres (variveis independentes):
frequncia, escala e posio. Assim como as wavelets de Daubechies, as Packets
com suas translaes, dilataes e modulaes (variaes na frequncia) tambm
formam uma base ortonormal para L2 (R). Na verdade, quando tomadas ao limite,
elas formam uma infinidade de bases ortonormais para L2 (R). Quando aproxima-
das por vetores do Rn , ento existe um conjunto de nlog(n) desses vetores que as
representam. Assim, uma funo f L2 (R) pode ser expressa nestas bases de
wavelet Packets, e os coeficientes na expanso so as projees da f na direes
dos elementos da base. Quando f VJ , a base wavelet Packet ter ento nlog(n),
com n = 2J , elementos. Neste caso, o algoritmo rpido para a transformada wa-
velet Packet ser a maneira eficiente de se calcular os coeficientes de f nesta base.
Neste captulo, o enfoque a ser dado novamente em relao ao algoritmo asso-
ciado a esta transformao. E os aspectos funcionais e tericos pertinentes podem
ser encontrados em textos mais especficos, como [8].
4.1 Formulao
Na Seo 2.5, a relao entre escalas da TWD 1D e faixas de frequncia foi
explorada na aplicao referente a reconhecimento de padres de sono e ilustrada
atravs da Figura 2.6. Na verdade, existe uma infinidade de outras aplicaes que
necessitam de localizao tanto em relao ao tempo, quanto em relao frequn-
cia. Esta uma tarefa difcil de ser atingida, especialmente porque at metade do
sculo passado a melhor ferramenta que se conhecia eram as transformadas de Fou-
47
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
rier janeladas para se obter o melhor compromisso entre tempo e frequncia. Com
o surgimento das wavelets foram criadas vrias alternativas para se tentar mais de-
finio em ambos os parmetros ao mesmo tempo. As wavelet Packets tm este
objetivo.
A Transformada wavelet Packet (TWP), em termos de algoritmo, pode ser vista
como uma extenso natural da TWD 1D, uma vez que, a princpio, no haveria ne-
nhuma restrio em se decompor em vrios nveis as componentes relativas aos
coeficientes wavelet. Assim, a faixa de frequncia associada ao primeiro bloco de
detalhes, DJ1 , da TWD 1D tambm poderia ser fracionada, permitindo esta me-
lhor localizao escala/frequncia desejada. E exatamente isso que a TWP faz.
Ela no faz distino entre os blocos C j e Dj da TWD 1D, ambos so decompostos
da mesma forma. Isso faz com que a cada nvel de decomposio, faixas cada vez
menores de frequncia estejam associadas aos blocos obtidos no nvel correspon-
dente. No final, quando cada bloco possuir apenas um elemento cada, a associao
entre frequncia e escala ser a melhor possvel.
Quanto implementao da TWP, cujo algoritmo ser omitido, uma das difi-
culdades est no armazenamento das informaes obtidas a cada nvel da trans-
formada, pois o nmero de blocos cresce exponencialmente. A Figura 4.2 ilustra
a estrutura de rvore gerada neste processo para o caso de quatro nveis de de-
composio. Para se evitar o alocao extra de memria, a cada nvel (iterao
do algoritmo), os coeficientes calculados devem substituir os coeficientes antigos,
utilizando assim o mesmo espao de memria. Alm disso, uma heurstica efici-
ente de busca de dados dentro da rvore essencial. Algoritmos eficientes usam
estruturas de dados especficas para alcanar estes objetivos. O cdigo em Python
desenvolvido para a anlise de sinais EEG, apresentada no final deste captulo,
aplica noes complexas sobre pilha, tpico da disciplina Estrutura de Dados.
4.1. FORMULAO 49
blocos. Assim nasce a TWP podada, e algoritmos de busca da melhor poda possvel
para a rvore analisada, conhecidos com o best-basis algorithm.
Figura 4.2: Exemplo de rvore, gerada pela TWP de Haar no-normalizada com 4
nveis de decomposio
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Figura 4.3: rvore gerada pela TWP de Haar mostrando os resultados da funo
de custo de truncamento, KT , por bloco.
Uma vez calculados os custos de cada bloco da TWP (de Haar neste exemplo),
o algoritmo best-basis ir procurar quais os melhores blocos dentro da rvore ge-
rada pela TWP a serem considerados para representar os dados originais da melhor
forma possvel, em relao funo custo em questo. isso implica, que aps esta
busca, uma representao com uma quantidade menor de blocos ser obtida. Esta
busca executada via estratgia bottom-up, ou seja, de baixo para cima, de forma
recursiva, atravs das seguintes regras:
uma folha bloco da TWP que no possui filhos, ou seja, no possui mais
blocos associados em nveis ainda menores. Quando visitada, uma folha
retorna sempre seu valor da funo de custo. (Neste exemplo, a KT );
Os blocos, ou ns, sombreados na Figura 4.4 realam aqueles que foram sele-
cionados pela heurstica de busca do algoritmo best-basis, dependendo dos custos
da funo KT para os dados apresentados na Figura 4.2. O conjunto de sada do al-
goritmo best-basis, tambm denominado best-basis set (BBS), para este exemplo
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
dado por: BBS= {29.6, 22.2, 4.8, 0.16, 2.6, 0.0, 1.23, 3.75, 1.0, 3.25, 0.75,
1.75, 5.6, 1.25, 0.93, 3.43}. Em alguns casos, o algoritmo pode selecionar to-
dos os blocos e neste caso o best-basis set igual representao multiresoluo
completa dos dados iniciais obtida pela TWD.
funes de custo, uma vez que tanto as frequncias de interesse quanto as faixas de
frequncia dos blocos so conhecidas a priori.
C0,0
C2,3
C3,3 C3,5
C9,132 C9,306
0.9
/P(C0,0)
0.8 /P(C0,0)
0.7
0.6
Potencia relativa
0.5
0.4
0.3
0.2
0.1
0.0
4000 4500 5000 5500 6000
Indice da epoca
Figura 4.6: Potncias relativas dos coeficientes wavelet packet referentes aos rit-
mos baixo-gama e delta [28]. Experimento realizado com o EEG do canal Pz-Oz
do paciente SC4181 do banco de dados Sleep-EDF [Expanded]. Parte hachurada
indica quando o sujeito foi classificado como sonolento pelas anotaes do banco
de dados Physionet.
a eventos especficos. Este exemplo ilustra ainda o potencial das TWD e TWP em
aplicaes que necessitam de reduo de dimensionalidade, uma vez que os dados
brutos, por serem de dimenso muito grande, no permitem a distino imediata
de padres.
Muitos aspectos tericos sobre as wavelets foram omitidos neste texto, mas
atravs dos exemplos apresentados, dos algoritmos e das referncias complemen-
tares fornecidas, acredita-se ter oferecido um passeio geral pelos tpicos mais ex-
plorados na literatura especializada nas ltimas dcadas.
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
54
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Agradecimentos
55
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
56
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
Referncias Bibliogrficas
[4] W. L. BRIGGS AND V. E. HENSON. The DFT: An Owners Manual for the
Discrete Fourier Transform. Miscellaneous Bks. Society for Industrial and
Applied Mathematics, 1995.
57
egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi
58 REFERNCIAS BIBLIOGRFICAS
[11] MARIE FARGE AND KAI SCHNEIDER. Wavelet transforms and their ap-
plications to mhd and plasma turbulence: a review. Journal of Plasma Phy-
sics, 81, 12 2015.
REFERNCIAS BIBLIOGRFICAS 59
[26] M. SHENSA. The discrete wavelet transform: wedding the a trous and Mallat
algorithms. Signal Processing, IEEE Transactions on, 40(10):24642482,
Oct 1992.
[33] BRANI VIDAKOVIC AND PETER MUELLER. Wavelets for kids: A tuto-
rial introduction. Technical report, Duke University, 1991.
COLEO DO PROFESSOR DE MATEMTICA
Logaritmos - E. L. Lima
Anlise Combinatria e Probabilidade com as solues dos exerccios - A. C. Morgado, J. B.
Pitombeira, P. C. P. Carvalho e P. Fernandez
Medida e Forma em Geometria (Comprimento, rea, Volume e Semelhana) - E. L. Lima
Meu Professor de Matemtica e outras Histrias - E. L. Lima
Coordenadas no Plano as solues dos exerccios - E. L. Lima com a colaborao de P. C. P.
Carvalho
Trigonometria, Nmeros Complexos - M. P. do Carmo, A. C. Morgado e E. Wagner, Notas
Histricas de J. B. Pitombeira
Coordenadas no Espao - E. L. Lima
Progresses e Matemtica Financeira - A. C. Morgado, E. Wagner e S. C. Zani
Construes Geomtricas - E. Wagner com a colaborao de J. P. Q. Carneiro
Introduo Geometria Espacial - P. C. P. Carvalho
Geometria Euclidiana Plana - J. L. M. Barbosa
Isometrias - E. L. Lima
A Matemtica do Ensino Mdio Vol. 1 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado
A Matemtica do Ensino Mdio Vol. 2 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado
A Matemtica do Ensino Mdio Vol. 3 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado
Matemtica e Ensino - E. L. Lima
Temas e Problemas - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado
Episdios da Histria Antiga da Matemtica - A. Aaboe
Exame de Textos: Anlise de livros de Matemtica - E. L. Lima
A Matemtica do Ensino Medio Vol. 4 - Exercicios e Solues - E. L. Lima, P. C. P. Carvalho, E.
Wagner e A. C. Morgado
Construes Geomtricas: Exerccios e Solues - S. Lima Netto
Um Convite Matemtica - D.C de Morais Filho
Tpicos de Matemtica Elementar - Volume 1 - Nmeros Reais - A. Caminha
Tpicos de Matemtica Elementar - Volume 2 - Geometria Euclidiana Plana - A. Caminha
Tpicos de Matemtica Elementar - Volume 3 - Introduo Anlise - A. Caminha
Tpicos de Matemtica Elementar - Volume 4 - Combinatria - A. Caminha
Tpicos de Matemtica Elementar - Volume 5 - Teoria dos Nmeros - A. Caminha
Tpicos de Matemtica Elementar - Volume 6 - Polinmios - A. Caminha
Treze Viagens pelo Mundo da Matemtica - C. Correia de Sa e J. Rocha (editores)
Como Resolver Problemas Matemticos - T. Tao
Geometria em Sala de Aula - A. C. P. Hellmeister (Comit Editorial da RPM)
Nmeros Primos, amigos que causam problemas - P. Ribenboim
Manual de Redao Matemtica - D.C de Morais Filho
COLEO PROFMAT