MATEMATICA UNIVERSITARIA
n233 ~ dezembro 2002 ~ pp.13-44
Wavelets: uma introducaéo
Paulo Cupertino de Lima!
Resumo
Este artigo é uma introdugdo a uma das ferramentas matemati-
cas que se tornaram necessdrias em muitas aplicacdes: as wavelets.
| Nos restringiremos as wavelets discretas e, pela sua simplicidade,
| daremos uma atengdo especial 4 wavelet de Haar que é amplamen-
| te usada em muitas aplicagées, especialmente em processamento
; de imagens digitais. Descreveremos algoritmos rapidos para cal-
cular 08 coeficientes de wavelets (decomposigao e reconstrugio), a
| partir de seus coeficientes de filtros. Introduziremos as wavelets
de Daubechies [1], bem como 0 conceito de andlise de resolugdo
miltipla, que é 0 contexto em que wavelets podem ser entendidas
© construfdas naturalmente. Em particular, a partir desse con-
ceito, podemos ver as wavelets como uma ferramenta matematica
para se representar 0 incremento de informacées entre duas esca-
Jas ou resolugdes sucessivas. Finalmente, veremos porque a repre-
sentagao com wavelets 6 esparsa e usaremos esta propriedade na
compactagao de dados (imagens digitais).
1 Introdugéo
Embora a primeira mengao as wavelets tenha acontecido em 1909, por
A. Haar [2], as wavelets de Haar ficaram no anonimato por muitos anos
e, por um perfodo muito longo, elas continuaram a ser a tinica base orto-
normal de wavelets conhecida. $6 recentemente, 1985, Stephane Mallat
deu as wavelets um grande impulso através de seu trabalho em proces-
samento digital de imagens e, inspirado nos resultados de Mallat, Y.
20 autor gostaria de agradecer ao CNPq e & FAPEMIG pelo apoio financeiro. 14
Meyer construiu a primeira wavelet néo-trivial (suave). Ao contrério
das wavelets de Haar, as wavelets de Meyer séo continuamente diferen-
cidveis; contudo, elas n&éo tém suportes compactos. Poucos anos mais
tarde, Ingrid Daubechies usou os trabalhos de Mallat para construix um
conjunto de bases ortonormais de wavelets suaves, com suportes com-
pactos. Os trabalhos de Daubechies sao os alicerces das aplicagées atuais
de wavelets.
As transformadas de wavelets podem ser vistas como mecanismos
para decompor ou quebrar sinais nas suas partes constituintes, permi-
tindo analisar os dados em diferentes dom{nios de freqiiéncias com a
resolucio de cada componente amarrada & sua escala. Além disso, na
anélise de wavelets, podemos usar fungdes que esto contidas em re-
gides finitas, tornando-as convenientes na aproximagio de dados com
descontinuidades.
O prinefpio mais geral na construcio das wavelets é 0 uso de di-
latagdes e translagées. As wavelets mais usadas formam um sistema
ortonormal de funcdes com suportes compactos construido desta forma.
Esta 6 a razdo pela qual elas podem distinguir as caracteristicas locais
de um sinal em diferentes escalas e, por translagées, elas cobrem toda a
regifio na qual o sinal é estudado, Na andlise de sinais nio-estaciondrios,
a propriedade de localidade das wavelets nos conduz as suas vantagens
sobre a transformada de Fourier.
Os algoritmos de wavelets processam dados em diferentes escalas ou
resolugées e, independentemente da fungao de interesse ser uma imagem,
uma curva ou uma superficie, wavelets oferecem uma técnica elegante
na representacio dos niveis de detalhes presentes. Elas constituem uma
ferramenta matematica para decompor fungées hierarquicamente, per-
mitindo que uma fungio seja descrita em termos de uma forma grosseira,
mais outra forma que apresenta detalhes que vao desde os menos deli-
cados aos mais finos. O objetivo na andlise de wavelets é “ver a floresta
e as drvores”.
Se pudermos escolher as wavelets que melhor se adaptam aos da-
dos, ou truncarmos os coeficientes de wavelets menores do que um valor
previamente estabelecido, os dados so esparsamente representados. Es-
ta “codificagio esparsa” faz das wavelets uma excelente ferramenta no
campo de compressao de dados. 15
Por causa de suas propriedades tnicas, wavelets foram usadas em
anélise funcional em matematica, em estudo de propriedades (multi)frac-
tais, singularidades ou oscilagées locais de fungdes, em solucdo de equa-
des diferenciais, em reconhecimento de padrées, em compressio de ima-
gens e de sons, em processamento de geometria digital, na solugdo de
varios problemas de fisica [3], biologia, medicina, astronomia, acistica,
engenharia nuclear, grupo de renormalizagéo em mecdnica estatistica,
problemas de computacao grfica, neurofisiologia, muisica, ressonancia
magnética, identificagéo de vozes, dtica, fractais, turbuléncia, previsio
de terremotos, radar, visio humana.
Este artigo esté organizado da seguinte forma: na Seg&o 2 introdu-
zimos 0 espago das fungdes de quadrados integraveis, L?(I), o conceito
de ortogonalidade neste espaco e definimos as wavelets discretas. Como
exemplo, consideramos a wavelet Haar ¢ mostramos como representar
uma funcdo em L?(IR) em termos desta. Introduzimos algoritmos répidos
para se calcular os coeficientes de wavelets de Haar e fazemos uma in-
trodugio suscinta as wavelets de Daubechies. Na Segao 3 introduzimos
o conceito de Andlise de Resolugio Multipla e enunciamos o Teorema
3.2 que é um dos resultados mais importantes naquele contexto. Na
Seco 4 introduzimos os algoritmos répidos para se calcular coeficientes
de wavelets para uma wavelet geral. Na Segdo 5 aplicamos wavelets &
compressao de dados, com énfase 4 compressao de imagens digitais.
2 Transformada Discreta de Wavelets
No que se segue denotaremos por [?(R) 0 espaco das fungées, J’, defini-
das em R, assumindo valores em C (ou B), tais que
isie= ([° vearar)* 7’, temos (Wyn, Bye) = 2°77 (b, vy), onde k” =
i! — 27-7" 6 inteiro e 7” = 9’ — j 6 um inteiro negativo.
Note que
1 ahi" gg”
4/2 = 2b"l-19i",
portanto, 1/2 e 1 so muiltiplos inteiros de 27”, em particular, se divi-
dirmos a reta real em intervalos da forma. [} 2%", (1 + 1)25") onde I € Z,
entao, 0, 1/2 ¢ 1 sero extremidades de tais intervalos, portanto, teremos
uma das seguintes possibilidades: (i) [k!”22”, (kl + 1)2!") ¢ (ce, 0), (ii)
(k120", (ke 4.1)20") 0, 1/2), (ii) [2129 (K"” + 1927”) < [1/2, 1) ou (iv)
(a2, (k!” + 1)23") € fl,oo). Nos casos (i) e (iv} temos yj.” = 0
para todo -, nos casos {ii) e (iii) como w é constante em cada um dos
subintervalos (0, 3) ou [}, 1), temos que » Wj," é proporcional a bye",
mas [°° by,0"(x) da é proporcional a f°, v(x) dz = 0. Isto mostra
que 0 t;,4 ¢ Yj',¢' S80 Ortogonais.
A funcao
1, O
J=12 k=—21-jo-d
ou seja, ho é escrita como uma versio de baixa resolugao, he € Vjo+2s
mais detalhes correspondentes as passagens de V;, para Vj,+1 ¢ de Vj.41
para V;,4.2, representados por 5; ¢ d2, respectivamente:
Repetindo-se o procedimento acima j1 — jp vezes, teremos
fcjo it-d0-F—1
hole) =hjpl2)+ D> SD djai(2- 2 ~ i),
j=l ke—gii~tomd |
21
onde hj, -o(x) = a-9(2°9'z) tas p(2e +1), a = 2H ay aoe
6 ay = 2% et) aoe.
Aplicando-se o procedimento acima n vezes a hy, jo, teremos,
Ryan = 6A E+ 1) + SHO OMa) +
S F = ap(2 Ge 4 1) + Suen G¥D)) ,
Logo,
hg(a) = eee + 1) + GAO) + Be
onde
iirjo Y1-fo-F—-1
-% SD dyay(aWoHa ~ b)
2-0-4
SG = yar tie +1) + evo (43) 2)
é uma combinagao linear finita de wavelets j,,.
Para finalizar, temos |[ho — Anll2 = 2 |a- + a,|27# — 0 quando
nao
Note que as wavelets nos permitem recuperar os detalhes que seriam
perdidos com a diminuig&o de resolugdo quando se passa de uma escala.
para a escala seguinte, ou seja, elas medem o incremento de informagéo
entre duas escalas consecutivas.
A wavelet de Haar é a tinica wavelet com suporte compacto para a
qual se tem uma forma analitica fechada. As wavelets de Daubechies
{1, 4] também tém suportes compactos e podem ser tomadas téo suaves
(e com quantos momentos nulos quanto desejamos); entretanto, ndo se
conhece uma forma analitica fechada para as mesmas e elas sao calcu-
ladas numericamente, veja, por exemple, 1, 6). 22
2.1.1 Calculo Rapido dos Coeficientes de wavelets na Base de
Haar
Das relagées (3) e (4), temos
1 1
de) = V3 (J0020) + Jae(a0 -1)) ©)
= V2 (ho d(2c) + hn p(2e - 1))
1 1
ve) = v8(Ze020) - ear - 1) (6)
V2 (90 (22) + 16(22 ~ 1))
As relagGes (5) e (6) sio validas em geral, ou seja, se y é uma wa-
velet ¢ $ é a fungdo escala associada a 7 (veja Definiggo 3.1), entdo,
necessariamente (veja relagées (32) e (31)),
$2) = V2>> hib(2e —k) 7)
k
P(e) = V2D> gee (2z — k). (8)
&
Os ‘coeficientes h,, sio denominados coeficientes de filtros da wavelet.
No caso das wavelets de suportes compactos, apenas um numero finito
de valores de hy serao diferentes de zero.
Das relacées (6) € (5), temos
=1,2n ~ Pj, 2nb1
po
j-12n +
v2
Se definirmos 0 coeficiente de wavelet dj. e.a “média”a;, como as pro-
jegdes de f sobre 4; ¢ dj, respectivamente, ou seja, ajx = (f,45,4)
¢ dix = (f,%;,), 20 multiplicarmos as equagdes (9) e (10) por f(x), as
tinla) = 2 FY(2F%n—n) =
fl
$ipl2) = 22g(29n—n)= (10)
2 cp nomena |
|
|
}
'
23
integrarmos de --co a oo ¢ usarmos a ortogonalidade dos @y. para uma
mesma escala, teremos as seguintes relagdes
1
din = Fy (rte — di-tpnet) (11)
1
An = J (titan t+ dj—t,2041) (12)
que nos permitem o cdlculo répido dos coeficientes de wavelets, dj,.,
j > jo, a partir de {aj 4},, onde jo pode ser visto como uma escala
fina, tal que a projegio de f sobre o espaco das fungdes constantes em
intervalos da forma [k2,(k + 1)2%), ou soja, D7, @j,,4Gj,e Seja uma
boa aproximagao para f.
Das relagées (11) ¢ (12), temos graficamente o seguinte algoritmo em
cascada para calcular os coeficientes de wavelets {djn}:
Gin, FP Qjg41,, F Ag $2. —F Ujor-3,. +++ AjotI-1, —F Bots, (13)
No dist, Sv ding, Se dints,. ++ Ne Goes.
Na Segao 4, veremos que para uma wavelet em geral, temos as se-
guintes relagdes
On She 45—-1,2n+k (14)
din = SFE 4-1 anths (15)
k
portanto, o algoritmo descrito por (13) vale para uma wavélet em geral,
onde a passagem de j — I para j é feita através das relagdes (14) e (15).
Como os coeficientes hy € gz sao em geral reais, a barra representando
o complexo conjugado poderé ser omitida.
Somando-se (11) ¢ (12), temos
a (jn + jn) (18)
Qj—120 Subraindo-se (11) e (12), temos
1
Oy-12041 = Fe (43.2 — din). (17)
Da relagdes (16) e (17), temos graficamente o seguinte algoritimo
em cascada para reconstruir f, ou seja, {aj,,h}4, a partir de aj,47,,
ig dyu2 diet Tyas Eat 2yr Uioty?
t5, PF GjotJ—1,, 7 BYotJ~2,. re4 Qjotl, 7? Bo,
dint 7 tint. 7 din, 7 (18)
Na Secfio 4, veremos que para uma wavelet em geral, temos as se-
guintes relagdes
Aj-in = > han ak Oj,6 +S) THAT Fis (19)
& &
ou seja, o algoritmo deserito por (18) vale para uma wavelet geral.
Das relagdes (16) e (17), podemos reconstruir a fungio a partir de
seus coeficientes de wavelets.
Na pratica, dado uma colegdo arbitréria de N = 2” valores, tratamos
estes como se fossem ao, & = 0,...,2"-1 = N—1e através das
relagées (11) e (12) obtemos uma nova representagio para a mesma,
on seja, {an,0,4j4,7 = 1,12, k= 0,...,2"-9 — 1} © a partir deste
e das relagdes (16) ¢ (17), podemos voltar aos valores iniciais. Nos
problemas de interesse, devido & grande correlagao local, a representagao
em termos de coeficientes de wavelets é esparsa no sentido que a maioria
dos coeficientes d;,, so nulos ou muito pequenos e podemos ignord-los,
dai a idéia de compressio por trés da representagio em bases de wavelets.
Note que o procedimento descrito pelas equagées (11) € (12) para se
calcular os coeficientes de wavelets Haar requer 42g 22"-) = 4(N —1)
operagées (somas e multiplicagées). Para uma wavelet em geral, este
nmimero é proporcional a N e dizemos que 0s algoritmos para caleular
coeficientes de wavelets séo da ordem de N. 25
2.2 As wavelets de Daubechies
Em [4] so construidas as wavelets de Daubechies, yi; tais wavelets
possuem todos os momentos até ordem N — 1 nulos, ou seja,
f a! v Wo) de N-1.
Para N > 1, yw € CH, onde uw ~ 0.2, ou seja, a regularidade
de vy aumenta com o paraémetro N; além disso, existe um intervalo de
comprimento 2 —1, tal que ya) se amula fora deste, neste caso, dizemos
que yy tem suporte compacto.
A wavelet de Haar pode ser vista como um caso particular das wa-
velets de Daubechies quando N = 1.
No caso das wavelets de Daubechies, yw, os valores de wh, serio
diferentes de zero apenas para 2.N valores de k, digamos k = 0,1,...,
| 2N ~ 1, eles so raizes de equagdes algébricas, calculadas por métodos
muméricos (veja tabela 6.1 de [1]). Conforme sera visto na Secio 3, os
valores de gg e hy est&o relacionados e uma possivel relag&o entre eles
6, por exemplo, gx = (—1)*hoy—1-4. Em calculos numéricos envolvendo
wavelets, tudo que precisamos so 0 seus coeficientes /n’s.
Em nossas aplicacdes ao problema de processamento de imagens di-
gitais, nos restringiremos a wavelet 91, também conhecida na literatura
por Daub4; neste caso, os valores exatos de seus coeficientes de filtros
S80
ho = (1 + ¥3)/4V2, hy = (3 + V3)/4V2,
hy = (3 — V3)/4V2, hg = (1 — V3)/4V2
e hy = 0, para os demais valores de k. Esta wavelet tom os momentos
de ordem zero e ordem um nulos, ou seja,
f. wba) de = 0 [ ayd(e)ae
Necessariamente, toda wavelet satisfaz f°, o(x)dx = 0, ou seja, ela
tem o momento de ordem zero nulo. Sob o ponto de vista pratico, quanto
mais momentos nulos uma wavelet possuir, menores serao os coeficientes
de wavelets correspondentes as partes de f que so suaves, ou seja, os 26
coeficientes de wavelets serao aprecidveis onde f nio for suave, o que nos
permite usar wavelets para detectar singularidades de f. Em contra-
partida, para uma fungdo escala, ¢, necessariamente, Le G(a)da £0.
Observagdo 2.5 A vantagem de uma wavelet p ter vérios momentos
nulos nos conduz a uma alta compressividade, porque os coeficientes de
wavelets das escalas mats finas de uma fungdo sdo essencialmente nulos
onde a funcdo € suave. Veremos que também é desejdvel que a fungéo
escala tenha momentos nulos: seja @ tal que
[ a'¢(a)de =0, paral=1,...,L-1
—ee
e suponha que f tenha derivadas até ordem L numa vizinkanga do pon-
to k2-". Fazendo-se uma expanséo de Taylor f(k2-4 +2772) em tor-
no de deste ponto, para J suficientemente grande, temos (f,¢—sx) ~
2% f(2-k). Com isto temos um método simples para calcularmos os
coeficientes a_jz = (f,—74) de uma escala mais fina, evitando-se in-
desejdveis integragées numéricas na obtencdo da seqtiéncia inicial, ne-
cessdria no primeiro passo nos cdleulos dos coeficientes de wavelets de
uma funedo, veja Observagio 4.2.
Em 1989, Coifman sugeriu a Daubechies a construcéo de uma ba-
se ortormal de wavelets onde néo somente , como também 4, tivesse
momentos nulos, mais precisarente,
[Hoes = 0, 1=0...,b-1
90
0 20
[ O(x)de = 4, [ a'd(a)de =0, L=1,...,L-1.
00
Tais wavelets foram denominadas de coiftets ¢ foram usadas nos algo-
ritmos numéricos de [5], nos quais séo Jeitas compressies de operadores
via wavelets. Para uma discussdo das coiflets, veja [1], Segao 8.2.
3 A Andlise de Resolugdéo Multipla
As primeiras construgGes de bases ortonormais de wavelets pareciam
um pouco miraculosas. A situagéo mudou com o a chegada da andlise 27
de resolugéo miltipla (ARM), formulada em 1986 por Mallat e Meyer.
A ARM fornece um referencial onde bases de wavelets so naturalmente
compreendidas, bem como permite a construgio de novas bases. Quando
Mallat trabalhou com wavelets de Meyer pela primeira vez, ele estava
trabathando com andlise de imagens, onde a idéia de se estudar ima-
gens em varias escalas simultaneamente era popular. Isto o estimulou a
ver bases ortonormais de wavelets como uma ferramenta para descrever
matematicamente o “incremento na informagdo” necessdrio para se ir de
uma aproximagao grosseira para uma aproximagao com maior resolucdo.
Definigéio 3.1 Uma ARM € uma seqiiéncia, {V;}jez, de subespagos
fechados de L7(I8), representando os sucessivos niveis de resolugées, tais
que eles satisfagam as seguintes condicdes:
me CRCKUCKHCVACVac., (20)
Nye2V; = {0}; (21)
UjezVj é denso em L?(R); / (22)
F(a) € Vj < F(x) € Vo; (23)
f(z) € Vo => f(@—n) E Vo, para todone & (24)
Eviste ¢ € I7(R), denominada funcdo escala, tal que
{¢(@ — n)}nez constitui uma base ortonormal para Vo. (25)
A propriedade (23) expressa que todos 08 espacos esto relacionados
por escala a um mesmo espago, % (este &.0 aspecto da “multiresolugao”).
Ainda por causa desta propriedade, se f(a) € Vj, ent&o, f(2—2/n) € Vj,
para todo n € Z. As condiges (25) e (23) implicam que {¢jn}jnez 6
uma base ortonormal para V; para todo j € Z.
Se definirmos-P; como o operador projegao ortogonal sobre Vj, a
condig&o (22) assegura que lim; P;f = f para todo f € L?(IR). 28
Cada V; pode ser interpretado como um espago de aproximagao su-
cessiva: a aproximagio de f € L7(IR) na resolugéo 27 é definida como a
projecio de f sobre Vj e quanto menor j, mais fina é a resolugdo obtida.
A condigao (23) significa que nenhuma escala é privilegiada. Os deta-
Thes adicionais necessdrios para aumentar a resolugdo de 2 para 27-1
siio dados pela projecio de f sobre o complemento ortogonal de Vj em
relagéo a V}..1, 0 qual denotamos por W}: Vj @W; = Vj-1. Note que
WjiWy, sep Xi’. (26)
(Se j > j!, por exemplo, entao W) C Vy1.Wy.) Segue-se que, para j <
J, podemos decompor Vj como a seguinte soma direta de subespagos:
Vy = Wy OW... BWI eV, (27)
onde todos estes subespagos so ortogonais. Em virtude das condigées
(21) e (22), isto implica que o espaco todo, L?(R), pode ser decomposto
como wma soma direta de subespagos mutuamente ortogonais, os W;’s.
Além disso, os subespagos W; herdam a propriedade de escala (23) de
Vj:
f(x) € Wy @ f(%x) € Wo. (28)
Por causa de (28), se {0h(— k)},, for uma base ortonormal para Wo,
entio, {v;4(a)}_ seré uma base ortonormal para W;.
A decomposigao (27) nos permite escrever uma fungdo dada na escala
23 como a soma, da sua versio onde a sua resolugio foi reduzida por um
fator de 27-7, mais os detalhes correspondentes as escalas intermedidrias
entre as escalas 2/ e 27. Além disso, como o espago todo é uma soma
direta dos W;’s, o “dissecamos” em fatias correspondendo a detalhes que
viio dos mais delicados aos mais grossos, sendo que fatias distintas sio
ortogonais. Para cada uma destas fatias, digamos, Wj, temos a familia
de wavelets {1j,4}j,he% como uma base ortonormal.
No caso das wavelets de Haar, a fungéo 4 é dada por (2) e definimos
Vj = {f € L7(R) | flpiaainayy = Constante, & € Z}
As condigdes acima sio trivialmente satisfeitas ( a propriedade (22) é
uma imediata conseqiiéncia do fato de que as fungées degraus com saltos
nos racionais da forma k2/ sio densas em L?(R)). Para a wavelet de Haar, temos
Pia f= Py £+ UVa bie: (29)
kez
A beleza da abordagem usando ARM 6 que desde que exista uma
seqiiéncia de subespacos (V;)jez e uma fungao ¢ satisfazendo as con-
digdes (20)-(25), entio existe uma fungio w tal que (29) ocorra.
O teorema enunciado abaixo é um dos resultados mais importantes
da ARM (veja (1, 6]):
Teorema 3.2 Se uma segtiéncia de subespagos fechados (Vj)jez em
E7(R) ¢ @ satis-fazem as condigées (20)-(25) da Definigéo 3.1, entdo
existe uma base ortonormal de wavelets {yz | j,k € Z} para L°(R), tal
que para todo f € L?(R),
Pyaaf = Pf + Df Pin) Pie (30)
k
Uma possivel escotha dep é
b= (-1) hnid-tn (31)
onde An = (b, 6-1).
Como ¢ € VC V_1 e {¢(% — 2) }n forma uma base ortonormal para
V_i, temos a seguinte relagdo de escala
(0) =P hnd-an(a) = V2 ohn oO ~ 2). (32)
7 7
Segue-se da demonstragio do Teorema 3.2, que a wavelet » 6 deter-
minada a menos de um fator de fase (um miltiplo escalar com médulo
1); ocasionalmente, faz-se a seguinte escolha:
Gn = (-1)"hng142N) (33)
com uma escolha conveniente de N € Z. 30
4 Algoritmos Rapidos
Havfamos descrito um algoritmo répido para se calcular os coefici-
entes de wavelets para o caso particular da wavelet de Haar. A seguir,
obteremos algoritmos répidos para se fazer a decomposigao (andlise) ¢
reconstrugio (sintese) de uma fungio no caso de uma wavelet arbitraria,
por exemplo, as wavelets de Daubechies.
A seguir transcreveremos as relagées (31) e (32), ou seja,
Uz) =V2> gb(22— k), (34)
-
#2) = VEY) hed (2e - b) (35)
&
onde hy = ($,¢-1,4). Além destas relagées, também usaremos que V;—1
é uma soma direta de Vj e Wj, ou seja,
Yrs Yow), (36)
Note que de (35), temos
bjn(@) = 29? ¢(2-%2—n)
2 GDA S™ pygQQ-G Va — an ~ ki)
k
She bjtansele), Vim (37)
ok
De maneira andloga, de (34), temos
Bin = Dl9nbjrntks Vm, (38)
rs
De (37), temos
(Pjm1,n bj,k)
Shi (j—101 Bj,2440)
t
SOW Sn.2e41 = Pana: (39)
7 FO
31
e (38), temos
(bj-yns Pik) = SIH (Gjams $5 an)
t
= Wen aes = Tire. (40)
7
Seja P; a projegio ortogonal sobre Vj, entéo, como {4j,4}4 forma
uma base para V;, temos
Pif =Vajn din, (41)
B
e em virtude da ortonormalidade dos $)%, aj,4 = (Pjf.djx). Como
1 — P; é a projegio ortogonal sobre 0 complemento de Vj, temos que
(1 = Pi) F, 63,4) = 0, logo, (f, bj,4) = (Pi fs 65.4).
A andlise de wavelets agora procede na diregio de j crescente. Des-
creveremos 0 passo j —1 ++ j. Assuma que os coeficientes {aj-1,.}4
sejam conhecidos e estejam armazenados numa matriz. De (41) e (37),
temos
(Pf bin)
(f, bin)
(f, he $j-1,2n48)
k
SOF UF By-1an+4)
k
Sh 85-1, 2n-+ke
k
Portanto, a passagem de a;_1, ++ a3, é dada pela seguinte relacdo
Ojn = > Fie Oj—1anse = > hen Qj-1,h- (42)
E k
Seja Q; a projecdo ortogonal sobre W;, entdo, (f, 3,4) = (Qj, ¥ix)s
assim, se fizermos dj = (f,vj,x), entao,
|
|
|
|
|
|
|
| O5f = diay: (43)
&
Substituindo-se (38) em (43) e multiplicando-se o resultado escalar-
mente por $j, temos
din = (Q3f,¥5n)
(fr Pin)
(fo 9% b5-12n+8)
k
SOG (Fb) ante)
kK
il
ys Tk Gj—1.2n+ks
k
© que nos dé a seguinte recursio dj, +> dj,
din = SFR 4j12nse + D_ Te tn jt ance. (44)
E E
Observacao 4.1 Na passagem j ~1~—> j, f perde-se a resolugdo por
um fator de 2. A nova versdo de baiza resolugdo de f, que é a projecdo
de f sobre Vj, é obtida a partir dos coeficientes aj, ¢ os detalhes cor-
respondentes a esta perda, ou seja, a diferenca das projegdes de f sobre
Vj-1 @ Vj, respectivamente, séo armazenados nos coeficientes din.
Dados f € L°(R) e « > 0, como ||P;f ~ f||2 + 0 quando j + —oo,
existe um jo € Z tal que ||P;,f — f\l2 < 6 assim, hé uma escala mais
fina, jo, com a qual comecgaremos, poderiamos até mesmo supor que
a funcio inicial f € Vj,. O nosso ponto de partida serd a seqiéncia
ay,4 = Fs bia) = $2, f(2I0j,,e(@) dx, a qual poderd ser determinada,
por exemplo, por integracéo numérica o que requer o conhecimento de
@ (veja na Observacéio 2.5 como evitar isso). Em [1, 6}, io descritos
algoritmos répidos para se calcular numericamente ¢.
Observagao 4.2. Virnos que no primeiro passo do algoritmo acima pre-
cisamos dos valores de 4, pois, a3,,¢ = (f, bj,4). Em muitos casos, como |
|
|
:
33
por exemplo, para as wavelets de Daubechies, ndéo existe uma formula
analitica fechada para $(x) ¢ yx) (eaceto, para o caso trivial de wa-
velet de Haar). No entanto, conforme haviamos mencionado, existem
algoritmos rdpidos para se calcular ¢ com uma precisdo arbitrdria e em
tais algoritmos, como nos descritos acima, precisamos apenas dos coe-
ficientes hn. No caso do processamento de imagens que descreveremos
na Secéo 5, podemos tomar j, = 0 como sendo a escala mais fina e
segtiéncia inicial ap,., representa os valores dos pixels da imagem.
Tudo que precisumos é de uma tabela com os valores de hy para
comecarmos um trabalho numérico concreto. Nem a fungdo escala ¢
nem a wavelet mae @ precisam ser armazenadas, seja numericamente
ou nao.
A seguir, veremos como reconstruir f a partir de seus coeficientes de
wavelets. De (36), temos
Prat = Pf +Qif = Daipdyet Do uty. (45)
k k
De um lado, temos aj-1, = (Pj-1f,4;-1n). Por outro lado, de (45),
(39) e (40), temnos
(Pi, $j—an)
(S) apabin + Do diag: $7-1n)
k k
So aj ndbjerdj-asm) + D> die linny Bam)
k k
xs 5, ¢ Pn—2k + xy Dj: Gn 2k:
F &
© que nos dé
jin = Sy hnae a + D Gnaak dy.b- (46)
E E
5 Aplicagdes
5.1 A Necessidade da Compressio de Dados
Como sabemos, a quantidade de informagées armazenadas, transmiti-
das e manuseadas por computadores tem crescido exponencialmente nas 34
ultimas décadas. Dois desenvolvimentos recentes tém contribuido para
este efeito, um deles é 0 surgimento dos sistemas de multi-midia junta-
mente com suas numerosas aplicagées. O tempo em que 0 computador
manuseava apenas texto e niimeros jd sé passou e foi substitufdo pela era
dos sons, imagens, filmes e realidade virtual. Outro desenvolvimento é
a crescente disponibilidade da internet que fez com que tais informacées
estivessem 4 disposicéo de uma quantidade enorme de usuarios. Este
dois desenvolvimentos resumem-se no chamado “World Wide Web”, um
sistema interativo e de multi-midia baseado na informagao.
Este desenvolvimento s6 foi possivel por causa da ripida evolucéio dos
hardwares. O desempenho das CPU's, discos e canais de transmissio
tém crescido enormememente. Mesmo assim temos alguns problemas e
para entendermos methor mencionaremos os seguintes fatos:
1. Para armazenar uma imagem moderadamenie grande, digamos
com 512 x 512 pixels e 24 bit de cor, requer cerca de 0.75 MBytes.
Um video de sinal tipicamente tem 30 imagens por segundo.
2. Uma fotografia padrdo de 35 mm digitalizada a uma resolugio de
12 ym requer 18 MBytes.
3. Um segundo de video colorido NTSC requer 23 MBytes.
Isto mostra que os atuais hardwares s&io inadequados (ou tecnica-
mente ou economicamente). As técnicas de compressio fornecem uma
solugiio.
Se pudermos representar a informacdo num forma comprimida, po-
demos obviamente: economizar espaco, tempo de cpu e tempo de trans-
missao.
A maioria da informagio que usamos é altamente correlacionada,
em outras palavras, ela inerentemente contém redundancia; portanto,
parece ser possivel compressio sem perda de informacéo. O requeri«
mento bésico da compressio 6 que se possa mudar rapidamente dos
dados originais aos comprimidos e vice-versa. 35
5.1.1 A Idéia Geral Por Tr4s da Compressfo Via Wavelets
Existem dois tipos de esquemas de compressio: com perda e sem
perda.
No caso de compressdo sem perda, estamos interessados em recons-
truir os dados exatamente, sem qualquer perda de informacdo, como nos
arquivos de texto.
No caso de compressdo com perda, permitimos um erro, desde que a
qualidade depois da descompressio seja aceitavel. O esquema de com-
presséio com perda tem a vantagem que podemos atingir fatores de com-
pressdes muito maiores do que nas compressées sem perda; entretanto,
ele 86 pode ser usado no caso em que pode-se substituir os dados origi-
nais por uma aproximacéio que seja facil de se comprimir. Temos que
ser especificos no que significamos uma representagdo “aceitavel”. Por
exemplo, na compresso de imagens, uma aproximagao aceitavel de uma
imagem é uma que seja visualmente indistingufvel da imagem original.
Nesta seco consideraremos a aplicag&io de wavelets ao problema de
compressio de dados. Este, sem diivida, 6 um’ assunto de suma im-
portancia nos dias atuais, visto que em todos momentos temos que rece-
ber ou enviar uma enorme quantidade de dados que podem, por exemplo,
ser arquivos de uma imagem ou de um dudio, digitais.
A idéia por trés de qualquer esquema de compressio ¢ a de se remover
a correlacio presente nos dados. Dados correlacionados sao caracteriza-
dos pelo fato que a partir de uma parte dos dados, podemos preencher a
parte que esteja faltando. Existem varios tipos de correlagées, daremos
alguns exemplos:
1. Correlagéo espacial: pode-se freqiientemente predizér o valor de
um pixel numa imagem olhando-se para os pixels vizinhos
2. Correlagio espectral: A transformada de Fourier de um sinal
geralmente suave, isto significa que pode-se freqiientemente predi-
zer urna componente de freqiiéncia olhando-se para as freqiiéncias
vizinhas.
3. Correlacéio temporal: Num video digital, a maioria dos pixels de
duas imagens mudam muito pouco na direc&io do tempo. A idéia é de se representar os dados usando-se uma. base matematica.
diferente na esperanca que esta nova representagdo revelaré ou nao a
correlagéo. Com isto queremos dizer que nesta nova base a maioria
dos coeficientes séo muito pequenos. Assim, a compressao é alcangada
calculando-se a transformada associada a esta base, fazendo-se os coe-
ficientes menores do que um certo limiar iguais a zero. A informacdo
seré, portanto, caracterizada por um pequeno mimero de coeficientes.
Na pratica procura-se uma transformada que tenha as seguintes pro-
priedades:
1. Seja independente dos dados.
2. Exista um algoritmo répido (linear ou linear-logaritmico) para cal-
culé-la.
3. Seja capaz de remover a correlago para um conjunto grande e
geral de dados.
Um candidato possivel para uma, transformada é a transformada de
Fourier rapida. Ela definitivamente tem as duas primeiras propriedades;
entretanto, nio possui a terceira propriedade. A base é perfeitamente
jocal na freqiiéncia, mas de maneira alguma local no tempo. Portanto,
ela é incapaz de revelar correlagdo local no tempo. A maioria dos sinais
tem correlacao local na fregiiéncia e no espacgo. Necessitamos uma base
adaptada a, este comportamento, mais precisamente, necessitamos uma
base que seja local no tempo e na freqiiéncia, Existem duas maneiras de
se construir tais bases:
1. Divide-se 0 dominio espacial em pedagos ¢ usamos uma série de
Fourier em cada pedago separadamente. Desta forma, obtem-se
uma base trigonométrica local.
2. Pode-se usar uma base de wavelets.
Ambos os métodos resultam numa transformada que é independente
dos dados, r4pida e que nos conduz a uma representagdo compacta para
um enorme e geral conjunto de dados.
Para termos uma idéia de como a compressAo ocorre na representacio
de wavelets, basta darmos uma olhada na relag’o (44): 08 coeficientes
de wavelets, dj, medem as flutuagdes locais dos valores dos “pixels”na |
37
escala j, pois, ao calcularmos estes, o fazemos como uma combinaciio
linear cuja soma dos coeficientes é 37, 9, = 0, de modo que a referi-
da combinagio linear serd nula quando os valores de “pixels” adjacentes
forem iguais e pequenos quando os valores destes forem préximos (is-
to ocorre numa imagem tfpica, devido as correlagées locais no espaco).
Assim, os valores de dj so pequenos em regiées de suavidade de uma
funcdo. Com isso eles podem ser usados para caracterizar a regularidade
de uma funciio, localmente.
Para vermos que J7, 9 = 0, ternos que usar o fato que uma wavelet
e a sua fungio escala associada, ¢, satisfazem f° y(x)de = 0
J%, (2) dx # 0. Portanto, integrando-se (34) sobre a reta real, temos
O= (Lege) 5 J Me) de.
Numa, imagem tipica 0 que se vé sio regides enormes onde os va-
lores dos pixels si iguais ou muito préximos, o que significa que os
coeficientes de wavelets a elas associadas ou so nulos ou despreziveis.
Somente em regides de transigdes, préximas aos contornos separando as
regides onde os valores dos “pixels” variam muito, 6 que teremos uma flu-
tuagio local significativa nos valores dos “pixels”, portanto, coeficientes
de wavelets aprecidveis.
5.2 Processamento de Imagens Digitais
Existem diferentes sistemas para se representar uma imagem. No siste-
ma RGB, uma imagem digital € caracterizada atribuindo-se a cada pizel,
um vetor com trés componentes, cada wma das quais representando as
intensidades das.cores vermelho, verde e azul, respectivamente. O valor
de cada componente é um niimero inteiro entre 0 e 255. No caso de uma
imagem em preto e branco, as trés componentes sao iguais e a imagem é
completamente caracterizada pelo escalar, que é o valor comum das trés
intensidades.
Dada uma fungio f em V, ela pode ser escrita de maneira tinica
como
F(2) = YF a0,60(2 — &) (47)
ik 38
¢ de (27) podemos reescrevé-la. como
J
F (2) = fie) + Y°Aj(2), (48)
j=l
onde fy € Vy e Aj € W;, portanto, fy(z) = Dpazadze ¢ A(x} =
De djattse(2), onde os coeficientes ay, ¢ d;, so calculados recursiva-
mente a partir de ag,, por meio das relac&es (42) e (44).
De maneira andloga, se conhecermos os coeficientes ay, e dj,. j =
.,J, podemos, a partir de (46), recursivamente, calcular os ap, e
reconstruir a funcéo f, dada em (47).
Dada uma imagem digital unidimensional, em preto e branco, com
2! pivels, onde U6 um inteiro néio-negativo, sejam {40,.}420,,..2!-1 08 Va-
lores de cada um dos seus pizels. Associamos a esta imagem a seguinte
fungio em Vo: f(z) = Yo, a04¢(a — k). Com tal definigdo, os algorit-
mos acima nos permitem caleular os coeficientes de wavelets de f, dj,4,
j=l, = 2 © 08 coeficientes a4. Ao projetarmos f sobre um
dos subespagos Vj, 0 que estamos fazendo é obter uma versdo de baixa
resolucio de /', reduzimos a resolugdo por um fator de 2/ e ao passarmos
de V; para V;1 perdemos a resolugao por um fator de 2 e os detalhes
que perderiamos sfo representados por Aj. Assim, ao decompormos f
de acordo com (48), 0 que fazemos é obter uma versio da imagem onde
todos os pizels possuem o mesmo valor, que é a “média” de todos os
pizels, mais detalhes correspondentes As escalas intermediérias.
Sob o ponto: de vista computacional; comegamos com uma imagem
unidimensional com 2! pizels, armazenada num vetor A, com 2! po-
siges. No primeiro paso passamos de Vj para Vj, usando-se as re-
lagdes (42) e (44), geramos 2!~1 coeficientes {a1¢}72) 7! e 2-2 * coef
cientes {d1,4,}22,77; fazemos Alk] = a1,., para k )- 2b 1e
Aa! +k] = diy, para k = 0,...,2*'-— 1. Com isso, temos uma
imagem de baixa resolug&o, f, € Vi C Vo, com resolugdo diminuida por
fator de dois, armazenada nas primeiras 2'~! posigdes de A, nas posigdes
seguintes est&o os detalhes, correspondentes a passagem de Vp para Vi,
que é a projecdo de f sobre Wy. Podemos repetir este processo a f; €
partindo-se de seus coeficientes {a1, if cg te das relagéos (42) e (44) e
encontrarmos 08, coeficientes fare} e {dou}? ia +5 estes serio. ar-
mazenados nas:2'—! primeiras posigées.de A, sendo que A(k] = a2, para |
39
k=0,...,2°?—1e Ala? +k] = doy, para k = 0,...,2°? — 1. Nas
primeiras 2'~? posigdes de A temos a versio de f, fo € Va C Vp, onde a
resolugio foi dimuida por um fator 2, em relaco a versio anterior, nas
posig6es seguintes os detalhes correspondentes As escalas intermedidrias,
em ordem decrescente. Repetindo-se 0 processo | vezes, na 1—ésima vez,
a partir da versio fi_1 € Vi-1 C Vo de f e das relagées (42) e (44), obte-
mos @,9 € dio que sero armazenamos em A(0] ¢ A[1], respectivamente.
Com isso teremos passado de um vetor A para um vetor CW, sendo que
neste temos os coeficientes de wavelets de f. Cada passo no processo
acima pode ser implementado por uma matriz invertivel (ortogonal, nos
exemplos que consideraremos), 0 que significa que podemos a partir do
vetor CW obter o vetor A e, portanto, reconstruir a imagem.
No caso de uma imagem colorida, os coeficientes acima aj, ¢ dj.
serao vetores com trés componentes e aplicamos o procedimento acima
a, cada componente, separadamente.
Imagine que tenhamos uma imagem com 2! x 2! pixels, a qual pode
ser armazenada numa matriz quadrada, Ali, j], i,j = 0,...,2'-1. Neste
caso, tratamos cada linha ou coluna como se fosse uma imagem unidi-
mensional, aplicando-se o processo acima no calculo dos coeficientes de
wavelets.
Existem dois tipos de decomposigées de imagens digitais: a padrao
ea ndo-padro, que descreveremos abaixo.
5.2.1 A Decomposig&éo Padrao
Na decomposigio padrao, no primeiro passo, associamos a cada linha
da imagem uma func&o em Vo, conforme foi descrito acima, em seguida,
para cada linha calculamos os coeficientes de wavelets. A seguir, associ-
amos a cada uma das colunas transformadas no processo anterior uma
fung&o em Vp e aplicamos 0 processo acima As mesmas e obtemos os res-
pectivos coeficientes de wavelets. Note que em A[0, 0} estd a “média” dos
pizels, nas demais posicdes estéo armazenados os coeficientes de wave-
lets, propriamente ditos. Como estas operagées sao invertiveis, podemos
inverter o processo de decomposigdo e reconstruir a imagem inicial. 40
5.2.2 A Decomposicgéo Nao-Padrao
Na decomposigdo ndo-padrao, veja Figura 4, aplicam-se operagées
em linhas e colunas alternadamente. Associamos & cada linha da ima-
gem uma funcdo em Vo; a seguir, decompomos cada linha aplicando-se
apenas um passo no processo descrito na passagem de Vo para, 6 Wy,
depois, tratamos cada coluna resultante como se fosse uma fun¢gao em
Vo ¢ as decompomos, como feito no passo anterior, onde as linhas foram
substituidas pelas columas. No passo seguinte tomaremos a versio de
baixa resoluco da imagem original a qual est armazenada numa sub-
matriz, de A, restrita aos Afi, j] com i,j =0,...,2/-1 - 1 (nas demais
posicSes teremos os coeficientes de wavelets). A seguir, repetimos o pro-
cesso & versio de baixa resolugao da imagem obtida no passo anterior ¢
teremos uma submatriz de A, restrita a Aj[i, j] com i,j =0,...,2-?-1,
na qual est4 uma nova versio de baixa resolugio da imagem (nas de-
mais posigdes os coeficientes de wavelets). Prosseguindo desta forma,
apés, J passos, encontraremos uma submatriz de A, formada por A[0, 0]
contende a “média” de todos os pirels e nas demais posigdes estarao os
coeficientes de wavelets.
5.2.3 Implementagio para as Wavelets de Haar e Daub4
Vimos que quando consideramos uma imagem digital (bi-dimensio-
nal), para calcularmos seus coeficientes de wavelets tratamos suas linhas
e suas colmas como se fossem “imagens unidimensionais”, onde uma
imagem unidimensional, digamos com com 2! de pixels 6 a seqiiéncia
numérica {a9).},20,.,.9'-1 com os valores dos pixels, ou se preferirmos,
a fungéo f(x) = D2 ave (a — ) em Vo.
‘Veremos como implementar a passagem de V;_, para Vj @ Wj (j =
.--;l), para as wavelet de Haar e Daub4.
No j—ésimo passo, 0 vetor aj—1 = (@j-1,0,-
formado no vetor em
151 91-5411); € trans-
(05,05 0+ 5.91515 Gj,02-+ +2 dy 9t-3-1) = Q5aj-1- (49)
Onde a matrix Q, 6 obtida através das relagdes (42) e (44). Para a
wavelet de Haar, Qy 6a seguinte matriz de ordem 27: 41
ee i
| colunas
Y
z =" wa
|
| colunas
Figura 4: A Decomposi¢éo Néo-Padréo
ho hy
ho hy
ho hy
ho ha
ho hy
fo hy
Como hj +h? = 1, a matrix Q; é ortogonal, logo, Q5* = Qj. Com
isto, no processo inverso, ou seja, na reconstrugio, a implementagao da
passagem j -> j — 1, é imediata. 42
Para a wavelet Daub4, das relagdes (42) e (44), usando-se condigdes
periddicas, segue-se que Q; é a seguinte matriz, de ordem 2 (2
Você também pode gostar
- Método de Detecção de Bordas SobelDocumento8 páginasMétodo de Detecção de Bordas SobelEdgeMaster99Ainda não há avaliações
- Afinamento de Imagens Digitais - Thinning of Digital ImagesDocumento48 páginasAfinamento de Imagens Digitais - Thinning of Digital ImagesLeidmar E Priscila Festa100% (2)
- ImamgemDocumento12 páginasImamgemBruno DuruAinda não há avaliações
- Estatistica 4 BussabDocumento19 páginasEstatistica 4 BussabBruno DuruAinda não há avaliações
- Afinamento Da ImagemDocumento3 páginasAfinamento Da ImagemBruno DuruAinda não há avaliações
- Capítulo 3Documento22 páginasCapítulo 3Bruno DuruAinda não há avaliações
