Você está na página 1de 87

Wavelets

Leonardo Carneiro de Ara ujo


9 de agosto de 2006
To see a world in a grain of sand
and heaven in a wild ower
Hold innity in the palms of your hand
and eternity in an hour
(William Blake)
1 Introducao
Nos ultimos anos, alguns de matematicos acostumados `a abstracao
da pesquisa pura tem sujado suas maos com entusiasmo em
uma surpreendente gama de projetos praticos. O que essas tarefas
dspares possuem em comum e uma nova linguagem matematica, o
seu alfabeto consistindo-se de ondulacoes chamadas wavelets, apro-
priadamente estiradas, comprimidas ou deslocadas.
Uma variedade de informacoes sua voz, sua impressao digital, uma
fotograa, uma raio-x pedido pelo medico, sinais de radio do espaco
sideral, ondas ssmicas podem ser traduzidas nesta nova lingua-
gem, que emergiu independentemente em diversas areas; na ver-
dade, apenas recentemente foram entendidas como uma mesma lin-
guagem. Em varios casos, essa transformacao em wavelets torna-o
mais facil de ser transmitido, comprimido e analisado ou de se ex-
trair informacoes apesar do rudo envolvente e ate mesmo a fazer
calculos mais rapidos.
(Prologue - The World According to Wavelets, Barbara Burke Hub-
bard)
Como veremos aqui, as funcoes wavelets surgem como uma nova forma de
ver o mundo, onde as representa coes sao feitas em diferentes escalas e pode-
se escolher a relacao de compromisso desejada entre a resolucao temporal e em
freq uencia. Com a transformada wavelet podemos escolher dentre varias formas
de representa cao no domnio tempo-freq uencia. Os diferentes nveis de detalhes
em cada representacao constituem informacoes contidas em diferentes bandas
de freq uencias, de forma que a analise em resolucoes m ultiplas e uma forma
de seccionar o espaco em diversas faixas de freq uencias nao sobrepostas.

E
1
possvel assim segregar informacoes de diferentes faixas espectrais. Todas essas
propriedades da analise wavelet nascem naturalemente decorrente da relacao de
escala que satisfazem.
Uma contribuicao das wavelets, como disse Farge, e que elas forcam as
pessoas a pensarem sobre o que realmente e a transformada de Fourier, forcam-
nos a pensar que quando escolhemos um tipo de analise estamos na verdade
misturando o sinal e as funcoes utilizadas na analise. Geralmente, quando se
usa a mesma tecnica por varias geracoes cientcas, tornamo-nos cegos a elas.
Uma nova ferramenta como as wavelets forcam-nos a reconsiderar o problema
desde o seu princpio.
As wavelets sao um produto da colaboracao de varias areas, desde a ma-
tematica e fsica puras, ate engenharia e processamento de sinais. Varias pes-
quisas independentes nessas areas buscavam objetivos semelhantes, mas utili-
zavam abordagens diferentes. Buscavam novas formas de representar sinais no
domnio tempo-freq uencia. As diversas linhas de pesquisa convergiram para um
ponto no nal da decada de 80, sendo entao formalizada a teoria de wavelets.
A unicacao de todos os pensamentos tornou-se um fator primordial para a
subseq uente popularidade das wavelets, impulsionando assim novas pesquisas
na area.
A teoria e muito extensa, nao sendo possvel em um unico texto fornecer
todas as informacoes. Diversos livros existem sobre wavelets e sua aplicacoes,
e muito mais ainda textos de conferencias e jornais. A maioria dos textos e
dedicada a um p ublico que ja possua algum conhecimento sobre o assunto e
mesmo os textos introdutorios assumem uma maturidade e dedicacao do leito.
Wavelets sao uteis em diversas aplicacoes, como analise e reconstrucao de
sons (18), e levou ao desenvolvido de um novo algoritmo, com varias carac-
tersticas atrativas, de decomposicao da informacao do sinal visual (20). Analise
de sinais ssmicos, sinais biomedicos, modelagem geometrica, reconhecimento
e sntese de fala, reducao de rudo e compressao, sao apenas algumas das
aplicacoes para as wavelets.
2 Denicao
As funcoes wavelets () fornecem uma base para o espaco vetorial das funcoes
cujo quadrado e integravel (L
2
(R))
1
. Tais funcoes devem satisfazer uma relacao
de translacao e escala dada por

s,u
(t) =
1

s
(
t u
s
) , (1)
1
Um espaco L
2
e um conjunto de func oes cujo quadrado e integravel em um espaco de
medida X. Juntamente com o produto interno denido em L
2
em relacao a uma medida ,
f, g =
Z
X
fgd ,
o espaco L
2
forma um espaco de Hibert.
2
onde a funcao e dilatada por um fator s e transladada de u. Alem disso, as
funcoes wavelets devem possuir momento de ordem zero nulo
_

(t)dt = 0 . (2)
Note que o fator de normalizacao [s[
1
2
e escolhido de forma que |
s,u
| = ||
para todo s e u. Iremos entao assumir || = 1. A funcao e chamada wavelet
mae, pois e a partir dela que e gerada uma famlia de wavelets, atraves da
transformacao dada na equacao (1).
As funcoes wavelets possuem suporte compacto
2
, ou decaem exponencial-
mente a zero quando t . Isto signica que as wavelets sao funcoes que
possuem uma boa localizacao no tempo, contribuem localmente na analise de
funcoes, ao contrario do que ocorre nas funcoes de base da analise de Fourier
(seno e cosseno), que sao nao nulas em todo intervalo de denicao, e por tanto
contribuem globalmente.
Queremos que a famlia de funcoes
s,u
forme um sistema ortonormal com-
pleto para o subespaco L
2
(R), isto signica que uma funcao qualquer f L
2
(R)
pode ser representada em termos das funcoes
s,u
. Dependendo da aplicacao,
podemos escolher diferentes famlias de wavelets. Podemos, por exemplo, esco-
lher parametros s e u que variem continuamente em R

R, onde R

= R0.
A funcao f pode entao ser representada por Wf
W
c
f(s, u) =
s,u
, f) =
_
+

f(t)
1

(
t u
s
)dt (3)
correlacionando f com o atomo wavelet W
c
f.
Se satiszer a seguinte condicao
_
[[
1
[

()[
2
d < , (4)
onde

e a transformada de Fourier de ,

() =
1

2
_
(t)e
jt
dt , (5)
W
c
e entao uma isometria
3
de L
2
(R) em L
2
(R

R). O mapeamento W
c
e cha-
mado transformada contnua de wavelet (12), (13), (14). Nesta formulacao, a
transformada continua de wavelet e semelhante `a representa cao de estado coe-
rente am da mecanica quantica (2), (24). A equacao (4) e chamada condicao
2
O suporte da funcao, intervalo em que esta assume valores diferentes de zero, e um
conjunto compacto. Um subconjunto S de um espaco topologicoX sera compacto quando
qualquer recobrimento aberto de S admite um subrecobrimento nito de S. Um suporte
compacto nos interessa apenas quando o domnio for limitado.
3
Isometria e um mapeamento bijetivo entre dois espacos metricos que preserva as
distancias. Seja T o mapeamento e d(., .) a func ao de distancia, entao d(T(f), T(g)) = d(f, g).
Isometrias sao as vezes chamadas de Transformac oes Congruentes.
3
de admissibilidade. Uma primeira vista sobre esta revela que deve ser tal que

(0) = 0, ou, equivalentemente,


_
(t)dt = 0 ( possu momento de ordem zero
nulo). Por razoes praticas, podemos considerar que decai sucientemente por
tanto, a condicao (4) torna-se equivalente a escolher com momento de ordem
zero nulo (2).
Para outras aplicacoes, incluindo analise de sinais, gostaramos de restringir
os valores dos parametros s e u em (1) a um subconjunto discreto. Podemos
entao xar o passo de dilatacao s
0
> 1, e o passo de translacao u
0
,= 0. A
famlia de wavelets ca entao, para j, k Z,

j,k
(t) = s
j/2
0
(s
j
0
t ku
0
) , (6)
o que corresponde a escolher s = s
j
0
e u = ku
0
s
j
0
, o que mostra que o parametro
de translacao u depende do parametro de dilatacao s. Para valores grandes
de j, o fator de dilatacao e grande e conseq uentemente a funcao
j,.
torna-se
bastante espalhada e o passo de translacao torna-se subseq uentemente menor
(u
0
s
j
0
), adaptando-se ao novo tamanho da funcao dilatada. Para valores de
j negativos ocorre o oposto, a funcao
j,.
ca bem concentrada e o passo de
translacao torna-se menor.
A transformada de wavelet discreta (W
d
) esta associada a wavelet discreta
em (6). Ela mapeia uma funcao f em uma seq uencia indexada em Z
2
,
(W
d
f)
j,k
=
j,k
, f) = s
j/2
0
_
f(t)

(s
j
0
t ku
0
)dt (7)
Se for admissvel (satiszer uma condicao semelhante `a condicao (4), ja que
agora estamos tratando do caso discreto), e possuir um decaimento suciente,
entao W
d
e um mapeamento de L
2
(R) em l
2
(Z). Em geral, W
d
nao possui uma
inversa limitada em todo domnio, mas se tiver, isto e, se para algum A > 0,
B < ,
A|f|
2
<

j,kZ
[
j,k
, f)[
2
< B|f|
2
, (8)
para todo f L
2
(R), entao o conjunto
j,k
; j, k Z e chamado de frame.
Nesta situacao e possvel construir algoritmos numericos estaveis para recons-
truir f a partir de seus coecientes wavelet
j,k
, f). Em particular,
f =
2
A+B

j,k

j,k
, f)
j,k
+R (9)
onde o resto R e tal que
|R| O(
B
A
1)|f| . (10)
Para frames em que A = B, chamados fraimes estreitos, um resto R = 0. Para
valores de A e B tais que B/A esta proximo de 1, o termo de erro podera ser
omitido, este e o caso de decomposicao e reconstrucao de sinais musicais e outros
sons, como feito por A. Grossmann, R. Kronland e J. Morlet (18).
4
Se os
j,k
sao normalizados (|
j,k
| = 1), a redundancia e medida pelos
limites do frame A e B. Quando os vetores do frame forem linearmente in-
dependentes teremos A 1 B. Neste caso o erro so sera nulo quando a
igualdade for valida, ou seja, quando os vetores do frame forem ortonormais.
3 Medida Tempo-Freq uencia
Dado um sinal f(t) (vamos considerar t uma variavel contnua), em varias
aplicacoes, estamos interessados no seu conte udo em freq uencia e, ainda mais,
na sua localizacao no tempo. Isso e similar a uma representacao musical, em
que as notas denem freq uencias diferentes, estao localizadas em instantes de
tempos diferentes e possuem duracoes diferentes. A transformada padrao, a de
Fourier,
(Tf)() =
1

2
_
f(t)e
jt
dt , (11)
da uma representa cao em freq uencia de f, mas a informacao contendo a loca-
lizacao no tempo nao pode ser vista nesta forma. Podemos obter uma localizacao
temporal janelando o sinal f, de forma a obter apenas uma fatia bem localizada
do sinal f, e posteriormente aplicando a transformada de Fourier
(T
win
f)(, t) =
_
f(t)g(t )e
jt
dt . (12)
Esta e a transformada de Fourier com janela, a forma mais tradicional de analise
tempo-freq uencia. A forma mais usual deste tipo de analise e versao discreta
desta, aquela na qual os parametros e sao regularmente espacados da forma:
= n
0
e = m
0
, onde m e n pertencem a Z, e
0
,
0
> 0 sao xos. A equacao
(12) ca entao na forma
(T
win
m,n
f)(, t) =
_
f(t)g(t n
0
)e
jm
0
t
dt . (13)
Para valores de n xos, T
win
m,n
(f) corresponde aos coecientes de Fourier de
f()g( n
0
). Se g possuir suporte compacto, entao, uma escolha apropriada
de
0
garante que os coecientes de Fourier T
win
,n
(f) sao sucientes para carac-
terizar e, se necessario, reconstruir f()g( n
0
). Mudancas em n acarretam
deslocamentos de
0
na fatia de f que se esta considerando, e possvel entao
reconstruir toda o sinal f a partir de T
win
m,n
(f).
As transformadas wavelet descritas nas equacoes (3) e (7) (contnua e dis-
creta) fornecem uma representa cao tempo-freq uencia similar aquela fornecida
pelas equacoes (12) e (13), respectivamente. Note que, em ambos os casos, re-
presentados nas equacoes (3) e (12), toma-se o produto interno entre f e uma
famlia de func oes,
s,u
(t) =
1

s
(
tu
s
) em (3) e g
,
(t) = g(t )e
jt
em (12).
A transformada de Fourier, como denida na equacao (5), correlaciona f com

s,u
. Utilizando o teorema de Parseval (veja appendice (A)) podemos escrever
5
a integral no tempo como uma integral na freq uencia.
W
c
f(s, u) =
_
+

f(t)

s,u
(t)dt =
1
2
_
+

f()

s,u
()d (14)
Assim como a transformada de Fourier janelada, a transformada wavelet e ca-
paz de medir as varia coes no domnio do tempo-freq uencia dos componentes
espectrais de um sinal, mas a resolucao tempo-freq uencia e diferente.
Os coecientes wavelet W
c
f(s, u) dependem nao apenas de f e

f(), mas da
regiao tempo-freq uencia em que a energia da funcao
s,u
e

s,u
esta concentrada.
As wavelets em que u estiver proximo de t terao uma maior contribuicao em t.
A diferenca entre a transformada wavelet e a transformada de Fourier com
janela reside da forma das funcoes de analise g
,
e
s,u
. As funcoes g
,
consistem em envelopes deslocados no tempo de e preenchidos por oscilacoes
de altas freq uencias. Todos os envelopes descritos por g
,
possuem a mesma
largura. Em contraposicao, as wavelets
s,u
possuem uma largura adaptavel `as
freq uencias constituintes. Quando e constitudas por altas freq uencias, a wavelet
e bem estreita, ja para baixas freq uencias a wavelet sera larga. Desta forma, a
transformada wavelet e superior `a transformada de Fourier com janelas quando
estamos interessados em analisar fenomenos de curta duracao, tais como sinais
transientes ou singularidades em funcoes.
A transformada de Fourier de
s,u
, que no tempo esta deslocada de u e
dilatada de s, pode ser expressa em funcao da transformada de :

s,u
() = e
ju

(s) (15)
Podemos vericar pela equacao acima, que uma translacao no tempo de uma wa-
velet implica apenas na mudanca de sua fase. Ja uma compressao ou dilatacao
no domnio do tempo, implica em uma dilatacao ou compressao (respectiva-
mente), por um mesmo fator, no domnio da freq uencia.
O princpio da incerteza de Heisenberg estabelece que um par de variaveis
observaveis nao pode ser determinado com qualquer precisao desejada para am-
bas as variaveis. Existe um limite para o qual aumentar a precisao em uma
variavel implica em diminuir a precisao na outra. Este limite e estabelecido
pela seguinte relacao entre as variancias das variaveis

2
t


1
4
. (16)
Esta relacao esta diretamente ligada `a proporcionalidade inversa entre dilatacoes
no tempo e na freq uencia. As variancias no tempo e freq uencia denem caixas
no plano tempo-freq uencia, chamadas caixas de Heisenberg (veja gura 1).

E
possvel mostrar que o limite de 1/4 sera obtido para as funcoes gaussianas,
ou seja, a melhor relacao de precisao entre o par de variaveis se da quando
escolhemos uma funcao gaussiana (veja o apendice ?? para mais informacoes
sobre o princpio de incerteza de Heisenberg).
Se desejamos analisar como a informacao de uma funcao qualquer f esta re-
presentada no plano tempo-freq uencia (t, ) quando representada atraves de um
6
Figura 1: Caixas Tempo-Freq uencia.
atomo

, f,

) devemos olhar para as caixas de Heisenberg, sendo que a lo-


calizacao e o tamanho de tais caixas dependem exclusivamente do espalhamento
e disposicao do atomo

no plano tempo-freq uencia. Como


|

|
2
=
_
+

(t)[
2
dt = 1, (17)
onde podemos interpretar [

(t)[
2
como uma densidade de probabilidade cen-
trada em
u

=
_
+

t[

(t)[
2
dt. (18)
O espalhamento de

em torno de u

e medida pela variancia

2
t
() =
_
+

(t u

)
2
[

(t)[
2
dt. (19)
Pela identidade de Plancherel (460) (veja apendice A) podemos concluir que
_
+

()[
2
d = 2|

|
2
. Desta forma, a freq uencia central de

e denida
por

=
1
2
_
+

[
2
d, (20)
e o espalhamento em torno de

e dado por

() =
1
2
_
+

)
2
[

()[
2
d. (21)
A caixa de Heisember centrada em (u

) e com largura de
2
t
() ao longo
do eixo do tempo e
2

() ao longo do eixo das freq uencias representa a resolucao


tempo-freq uencia do atomo

.
7
Considerando a transformada de Fourier, o atomo de Gabor e da seguinte
forma

(t) = g
,u
(t) = e
jt
g(t u), (22)
uma funcao g transladada de u e modulada pela freq uencia (translacao na
freq uencia). Podemos vericar que o espalhamento em torno de u e sao ambos
independentes de u e , e por tanto, o tamanho da caixa de Heisenberg para o
atomo de Gabor independe de sua localizacao no plano tempo-freq uencia.

2
t
=
_
+

(t u)[g
u,
(t)[
2
dt =
_
+

t
2
[g(t)[
2
dt. (23)
A transformada de Fourier de g
u,
e dada por
g
u,
() = g( )e
ju()
. (24)
A transformada de Fourier e tambem uma funcao simetrica e real. g
u,
esta
transladada em freq uencia de . O espalhamento em torno de e

=
1
2
_
+

(w )
2
[ g
u,
()[d =
1
2
_
+

2
[ g()[d. (25)
Mostramos assim que tanto
2
t
, quanto
2

sao idependentes de u e . Desta


forma, para qualquer u e , g
u,
corresponde a uma caixa de Heisenberg de
area
t

e centrada em (u, ). O tamanho da caixa e idenpendete de (u, ),


o que signica que a transformada de Fourier janelada (12), possu a mesma
resolucao no plano tempo-freq uencia, as caixas de Heisenberg possuem tamanho
constante, uma vez que o tamanho da largura da janela e xo. Isso implica
em uma precisao pre-determinada para o par tempo-freq uencia, ditada pelo
tamanho da janela escolhido. Alem disso a precisao sera a mesma em todos os
instantes de tempo e em todas as freq uencias.
Ja as funcoes wavelets devido as dilatacoes geram caixas de Heisenberg de
tamanhos vari aveis. Diferentes escalas possuirao diferentes relacoes de precisao
entre tempo e freq uencia. Veja as guras 2 e 3.
Podemos mostrar que a cochela humana realiza uma analise bem semelhante
`a analise wavelet. Os sons incidentes sao transmitidos do ouvido externo, atraves
do meato ac ustico, passando pelo tmpano e em seguida pela cadeia de ossicu-
los, que constituem o ouvido medio. A vibracao mecanica e transmitida para o
interior da cochlea atraves do contato do estribo com a janela oval. As ondas
de pressao propagam-se agora no meio lquido, o interior da cochlea. Imerso
nesse meio encontra-se a membrana basilar, esta possu uma rigidez e largura
que variam ao longo do comprimento da cochlea, sendo mais rgida e mais es-
treita na base, proximo `a janela oval, e menos rgida e mais larga no apice,
extremidade oposta `a janela oval. Se imaginarmos a cochlea estirada, pode-
mos introduzir uma coordenada y ao longo de seu seguimento, ou seja, y sera
uma coordenada que fornecera a distancia de um certo ponto na membrana
basilar ate a janela oval. Experimentos e simulacoes numericas () mostram
8
Figura 2: Caixas de Heisenber para
a transformada Fourier com janela.
Figura 3: Caixas de Heisenber para
a transformada wavelet.
que a resposta na membrana basilar a uma excitacao, que seja uma onda de
pressao de uma unica freq uencia, f

(t) = e
jt
, possui a mesma freq uencia no
tempo, mas tambem um envelope em y, F

(t, y) = e
jt

(y). Sabemos que


para freq uencias acima de 500Hz podemos dizer que a freq uencia varia loga-
ritmicamente em relacao `a distancia da janela oval, ou seja, a dependencia de

(y) em relacao a corresponde a deslocamentos por fatores do tipo log. Isso


quer dizer que

(y) e bem proximo de (y log). Para um excitacao qual-


quer f, f(t) =
1

2
_

f()e
jt
d, que pode ser visto como uma sobreposicao
das respostas elementares, onde os vetores de entrada sao funcoes senoidais,
e
jt
, e a ponderacao para cada freq uencia e dada por

f(). Segue entao que
a resposta a esta excitacao qualquer, F(t, y), sera dada pela sobreposicao das
respostas elementares, ou seja, os vetores de entrada agora serao F

(t, y) e cada
freq uencia sera ponderada por

f(),
F(t, y) =
1

2
_

f()F

(t, y)d (26)


=
1

2
_
e
jt

(y)

f()d (27)
=
1

2
_
e
jt
(y log)

f()d (28)
Fazendo a seguinte substituicao

(e
x
) =

2
_
[a[(x), teremos
F(t, y) =
1
2
_
[a[
_
e
jt

(e
y+log
)

f()d (29)
e posteriormente, y = loga, obtendo
F(t, loga) =
1
2
_
[a[
_
e
jt

(e
loga+log
)

f()d (30)
=
1
2
_
[a[
_
e
jt

a
)

f()d (31)
9
Utilizando as seguintes propriedades da transformada de Fourier
Tf(ct) =
1
[c[

f(

c
) (32)
Tf(t t
0
) =

f()e
jt
0
(33)
juntamente com o teorema de Parseval (459), teremos:
F(t, loga) =
_
[a[
_
f(t

)(a(t

+t))dt

(34)
Substituindo agora F(t, loga) por G(a, t),
G(a, t) =
_
[a[
_
f(t

)(a(t

+t))dt

(35)
Escolhendo a = 1/s, t = u e como e necessario que a > 0,
G(s, u) =
1

s
_
f(t)(
t u
s
)dt (36)
o que e exatamente a transformada wavelet conforme denido em (3). Note que
o parametro de dilatacao surge como conseq uencia do deslocamento logartmico
em freq uencia de

, que surge naturalmente na representa cao tonotopica na


cochlea. A semelhanca entre a analise realizada pela cochlea e a transformada
wavelet sugere que tal metodo e capaz de representar com maior delidade o
processo auditivo, e assim seria possvel extrair informacoes do sinal ac ustico o
mais proximas possvel das que sao extraidas pelo aparelho auditivo.
4 Bases Ortonormais de Wavelets: a wavelet de
Haar e analise em resolucoes m ultiplas
Vamos aqui fazer a seguinte restricao: escolheremos s
0
= 2 e u
0
= 1 em (6),
cando na forma

j,k
(t) = 2
j/2
(2
j
t k) (37)
Existe entao com boa localizacao tempo-freq uencia, tal que a famlia de
funcoes
j,k
constitui uma base ortonormal para L
2
(R). O exemplo mais
antigo (1910) para a funcao e a funcao de Haar,
(t) =
_
_
_
1 0 t <
1
2
1
1
2
t < 1
0 caso contrario.
(38)
Embora a wavelet de Haar nao possua uma boa localizacao tempo-freq uencia
(pois a transformada de Fourier

() decai da forma [[
1
para ) a
utilizaremos como ilustracao por possuir uma forma fechada simples e, desta
forma, poderemos construir demonstracoes de forma simples.
10
Vamos inicialmente ilustrar o efeito da translacao e dilatacao na funcao de
Haar (veja as guras 4, 5 e 6). O suporte de
j,k
e [2
j
k, 2
j
(k + 1)[, segue
entao, que wavelets de Haar na mesma escala nao se sobrepoem, desta forma,

j,k
,
j,k
) =
k,k
. Fixada a escala j, as wavelets de Haar serao ortogonais,
pois seus suportes nao sao coincidentes. Para escalas diferentes, e possvel obter
wavelets com suportes que se sobrepoem.

E facil mostrar que para j < j

, o
suporte de
j,k
esta completamente dentro de uma regiao onde
j

,k
e constante
(veja as guras 4 e 6). Neste caso, o produto interno entre as duas wavelets sera
proporcional `a integral de , que e zero. Desta forma mostramos que wavelets
em escalas diferentes sao ortogonais, mesmo nos casos em que os suportes das
funcoes se sobrepoem.
Figura 4: Wavelet de Haar.
Vamos agora pensar em como uma funcao arbitraria pode ser representada
em termos das wavelets de Haar. Uma primeira observacao que devemos fazer
e que detalhes que sejam menores que metade do suporte da funcao de Haar
nao podem ser enxergados por essas funcoes. Detalhes com tamanho muito
menor que 2
j
praticamente nao sao enxergados por uma wavelet de Haar
numa escala inferior a j 1, da mesma forma, detalhes muito maiores que 2
j
tambem nao serao enxergados por wavelets de Haar de escala superior a j+1. As
informacoes passveis de serem representadas por wavelets em uma dada escala
constituem uma faixa, de forma que podemos imaginar escalas subseq uentes
como faixas adjacentes, compreendendo detalhes de diferentes tamanhos.
Se tomarmos uma funcao f em L
2
(R), poderemos representa-la com a pre-
cisao desejada por uma funcao constante por partes em intervalos da forma
[l2
j
, (l +1)2
j
[, bastando para tanto tomar j tao grande quanto se queira. Va-
mos restringir entao a funcao f de forma que esta tenha seu suporte no intervalo
[2
J
1
, 2
J
1
] e seja constante por partes em intervalos [l2
J
0
, (l +1)2
J
0
[. Chama-
remos entao a funcao f como denida anteriormente de f
0
e o seu valor em cada
11
Figura 5: Wavelet de Haar - translacao.
Figura 6: Wavelet de Haar - dilatacao.
12
intervalo em que ela e constante de f
0
l
. Podemos agora decompor f
0
em duas
partes f
0
= f
1
+
1
, no qual f
1
e uma aproxima cao de f
0
constante por partes em
intervalos duas vezes maiores que o anterior, [k2
J
0
+1
, (k+1)2
J
0
+1
[. Os valores
constantes de f
1
, no intervalo citado anteriormente, sao dados por f
1
k
. O valor
de f
1
k
e dado pela media dos valores correspondentes em f
0
, f
1
k
=
1
2
(f
0
2k
+f
0
2k+1
).
A funcao
1
e constante por partes em intervalos de mesmo tamanho que os de
f
0
, e os valores assumidos sao dados por

1
l
= f
0
l
f
1
k
(39)

1
l+1
= f
0
l+1
f
1
k
. (40)
Como l = 2k, teremos

1
2k
= f
0
2k
f
1
k
(41)

1
2k+1
= f
0
2k+1
f
1
k
. (42)
Usando agora que f
1
k
=
1
2
(f
0
l
+f
0
l+1
), teremos

1
2k
= f
0
2k
f
1
k
=
1
2
(f
0
2k
f
0
2k+1
) (43)

1
2k+1
= f
0
2k+1
f
1
k
=
1
2
(f
0
2k+1
f
0
2k
) =
1
2k
(44)
A funcao
1
e uma combinacao linear de funcoes de Haar transladadas

1
=
2
J
1
+J
0
1

l=2
J
1
+J
0
1
+1

1
2l

1
2l
(2
J
0
1
x l) . (45)
Podemos entao escrever f na seguinte forma
f = f
0
= f
1
+
1
= f
1
+

l
c
J
0
+1,l
J
0
+ 1, l . (46)
O processo de decomposicao apresentado acima pode ser aplicado sucessiva-
mente, de forma que f
1
podera ser escrito como f
1
= f
2
+
2
, onde f
2
ainda
possu suporte em [2
J
1
, 2
J
1
], e e constantes por partes em intervalos da forma
[k2
J
0
+2
, (k + 1)2
J
0
+2
[.
f
1
= f
2
+
2
= f
2
+

l
c
J
0
+2,l

J
0
+2,l
(47)
Continuamo o processo, ate que por m teremos
f = f
J
0
+M
+
M

m=J
0
+1

l
c
m,l

m,l
(48)
onde f
J
0
+M
e constante por partes em intervalos [k2
J
0
+M
, (k + 1)2
J
0
+M
[.
Para mostrar que a aproxima cao de f converge para f no limite e necessario
13
Figura 7: Funcao f
0
decomposta como f
1
+
1
.
14
que o processo de decomposicao continue expandindo os horizontes para fora do
intervalo [2
J
1
, 2
J
1
].
f = f
J
0
+J
1
+K
+
J
1
+K

m=J
0
+1

l
c
m,l

m,l
(49)
onde o suporte de f
J
0
+J
1
+K
e [2
J
1
+K
, 2
J
1
+K
] e a funcao assume dois dife-
rentes valores 2
K
f
J
0
+J
1
0
e 2
K
f
J
0
+J
1
1
nos intervalos [0, 2
J
1
+K
[ e [2
J
1
+K
, 0[,
respectivamente.
f
J
0
+J
1
+K
[
[0,2
J
1
+K
[
= 2
K
f
J
0
+J
1
0
e f
J
0
+J
1
+K
[
[2
J
1
+K
,0[
= 2
K
f
J
0
+J
1
1
(50)
Segue entao que
|f
J
1
+K

m=J
0
+1

l
c
m,l

m,l
|
2
L
2 = |f
J
0
+J
1
+K
. . . |
2
L
2
(51)
= 2
K/2
2
J
1
/2
[[f
J
0
+J
1
0
[
2
+[f
J
0
+J
1
1
[
2
]
1/2
(52)
pode ser feito arbitrariamente pequeno, bastando para tanto escolher K grande
o suciente. Mostramos entao que f pode ser aproximado, com a precisao
desejada, por uma combina cao de wavelets de Haar.
O processo de decomposicao mostrado acima pode ser visto como uma forma
de se obter representa coes cada vez mais grosseiras (f
1
, f
2
, f
3
, . . .) da funcao ori-
ginal f, sendo as informacoes (detalhes) perdidos a cada passo armazenadas em
forma de wavelets (
1
,
2
,
3
, . . .). O que construirmos aqui, de forma intuitiva,
foi uma analise em resolucoes m ultiplas, em que cada passo da decomposicao
e, na verdade, uma projecao feita sobre um subespaco de menor resolucao, de
forma que a seq uencia de subespacos formada sera uma seq uencia encaixante.
Alem disso, as funcoes de base de um subespaco podem ser obtidas atraves de
uma mudanca de escala sobre as funcoes de base de outro subespaco. Veremos
mais sobre a analise em resolucoes m ultiplas na sessao 5.
5 Analise em Resolucoes M ultiplas
Um sinal pode ser visto como uma componente suave acrescido de utuacoes,
detalhes. A distincao entre o que e suave e o que sao detalhes e feita de acordo
com o nvel de resolucao empregado, isto e, uma escala a partir das quais os
detalhes nao podem mais ser distinguidos. Uma analise em resolucoes m ultiplas
(ARM) e uma forma de representar uma funcao em diferentes resolucoes. Tais
representa coes sao feitas na forma de projecoes ortogonais sobre subespacos
V
j
L
2
(R) de resolucao 2
j
. A projecao ortogonal de uma funcao f e a funcao
f
j
V
j
que minimiza |f f
j
|. Para uma funcao f L
2
(R), a diferencas entre
as aproximacoes f
j
e f
j+1
, nas resolucoes 2
j
e 2
(j+1)
, respectivamente, e dada
pela soma parcial das wavelets

+
n=
f,
j,n
)
j,n
, como visto anteriormente
(sessao 4), o que nada mais e do que a projecao de f sobre o subespaco W
j
.
15
Os subespacos V
j
formam uma seq uencia encaixante tal que V
j+1
V
j
e ainda
V
j
= V
j+1
W
j+1
, onde os subespacos W
j+1
contem a informacao perdida
ao se passar de um subespaco V
j
para um subespaco V
j+1
(ao se diminuir a
resolucao por um fator de 2). Chamaremos de funcoes wavelets as funcoes de
base para os subespacos W
j
, e de funcoes escala aquelas que formam a base
para os subespacos V
j
.
Dizemos que temos uma ARM quando as seguintes propriedades sao satis-
feitas para uma seq uencia de subespacos V
j

jZ
fechados de L
2
(R)
j Z , V
j+1
V
j
, (53)
(j, k) Z
2
, f V
j
f( 2
j
k) V
j
, (54)
j Z , f V
j
f(2
j
) V
0
, (55)
lim
j+
V
j
=

jZ
V
j
= 0 , (56)
lim
j
V
j
=
_
jZ
V
j
= L
2
(R) , (57)
V
0
tal que
0,k
(t) = (t k) constitui uma base ortonormal para V
0
. (58)
A equacao (53) e a propriedade de causalidade na ARM, ela implica que toda
a informacao em um nvel de resolucao 2
j1
esta contida na resolucao 2
j
, e
portanto, apenas a versao de mais alta resolucao e necessario para se obter uma
representa cao mais grosseira do sinal original. (54) garante que os subespacos V
j
sejam invariantes por translacoes m ultiplas de 2
j
. A propriedade (55) garante
que mudancas de escala por fator de 2
j
sao capazes de mudar a resolucao por um
fator de 2
j
. Quando a resolucao de representa cao tende a zero (lim
j+
2
j
),
todos os detalhes de f sao perdidos e portanto para qualquer f teremos
lim
j+
|P
V
j
f| = 0 (59)
(propriedade (56)). Por outro lado, quando a resolucao tende a innito, lim
j
2
j
,
a propriedade (57) garante que a aproximacao da funcao f converge para a
funcao f original
lim
j
|f P
V
j
f| = 0 . (60)
A propriedade (58) e, na verdade, um pouco mais forte que o necessario.
Na verdade
0,k
(t) = (t k)
kZ
deve constituir uma base de Riesz (veja o
apendice B para a denicao). Isto garante a equivalencia de energia, de tal forma
que a expansao na base de Riesz seja numericamente estavel. Existem A, B > 0
tais que qualquer f V
0
pode ser decomposto univocamente da seguinte forma
f(t) =
+

n=
a
n
(t k) (61)
de forma que
A|f|
2

n=
[a
n
[
2
B|f|
2
. (62)
16

E possvel mostrar que as famlias obtidas a partir de dilatacoes da base de


Riesz de V
0
constituem tambem bases de Riesz para os subespacos V
j
com os
mesmo limites A e B em todas as escala 2
j
.
A seq uencia de subespacos encaixantes e gracamente representada na gura
8. Podemos visualmente vericar a propriedade (53), assim como a V
j
= V
j+1

W
j+1
, e tambem a ortogonalidade entre os subespacos W
j
(W
j
Wj

quando
j ,= j

) e entre W
j
e V
j
onde j

j.

E possvel tambem vericar que
V
j
= V
j+1+J

j+1+J

n=j+1
W
n
, (63)
ou seja, um subespaco V
j
qualquer pode ser decomposto em um subespaco de
mais baixa resolucao V
j+1+J
mais uma seq uencia de J subespacos W
n
, com n
variando de j +1 a j +1 +J. Uma funcao f
j
inicialmente representada em V
j
pode ser decomposta como uma versao de baixa resolucao f
j+1+J
somada aos
detalhes correspondentes a cada subespaco W
n
, d
n
,
f
j
= f
j+1+J
+
j+1+J

n=j+1
d
n
(64)
Figura 8: Seq uencia de subespacos encaixantes.
Retomando o exemplo da sessao 4 podemos facilmente vericar que a colecao
de espacos V
j

jZ
, sendo os espacos V
j
gerados por funcoes constantes por par-
tes em intervalos da forma [k2
j
, (k + 1)2
j
[, onde k Z, satisfaz as condicoes
citadas nas equacoes (53) a (58), constituindo assim uma ARM para o espaco
L
2
(R). A primeira condicao (53) pode ser vericada apenas argumentando que
funcoes constantes por partes em intervalos da forma [k2
j+1)
, (k + 1)2
j+1
[ sao
tambem constantes por partes em intervalos da forma [k2
j)
, (k +1)2
j)
[, ou seja,
funcoes no espaco V
j+1
podem ser escritas como uma combina cao de funcoes do
17
espaco V
j
e, por tanto, V
j+1
V
j
. A condicao de invariancia por translacao (54)
e vericada pelo simples fato de que se uma funcao esta em um subespaco V
j
, de
funcoes constantes por partes em intervalos [k2
j)
, (k +1)2
j)
[, entao, translacoes
desta funcao por fatores m ultiplos de 2
j
levarao a funcoes ainda constantes
por partes em intervalos da mesma forma. Para vericarmos a equacao (55),
basta notar que se uma funcao e constante por partes em intervalos da forma
[k2
j)
, (k + 1)2
j)
[, entao, uma compressao desta por um fator 2
j
, levara a uma
funcao constante por partes em intervalos da forma [k, k + 1[, ou seja, a funcao
estara agora em V
0
. Para demonstrar (56), basta notar que no limite j +,
V
j
sera um subespaco de funcoes constantes por partes em intervalos de tama-
nho tendendo ao innito. Como a energia nao pode ser innita, a amplitude
tente a zero, e por tanto, apenas a funcao identicamente nula esta no subespaco
limite.

E facil tambem vericar que apenas a funcao identicamente nula esta
em todos os subespacos V
j
. Tomando o limite na direcao oposta, j , o
subespaco obtido sera de funcoes constantes por partes em intervalos innite-
simais, ou seja, qualque funcao em L
2
(R) podera ser representada. Fica assim
demonstrado (57). Para demonstrar o ultimo item (58), basta tomar a funcao
tal que (t) = 1 no intervalo [0, 1[ e (t) = 0 fora deste intervalo.

E facil veri-
car que com esta escolha e possvel construirmos uma base para V
0
, o espaco
de funcoes constantes por partes em intervalos da forma [k, k + 1[, onde k inZ.
6 Algoritmos rapidos de decomposicao e recons-
trucao
Pela ARM sabemos que V
j
V
j1
, e por tanto, uma funcao em V
j
pode ser
escrita em termo do conjunto de funcoes (2 n)
nZ
que constitui uma base
para V
j1
. Em particular, para j = 0, teremos
(t) =

n
h
n

1,n
(t) =

2

n
h
n
(2t n) (65)
onde h
n
= ,
1,n
).
De forma semelhante, como W
j
V
j1
, teremos, para o caso j = 0
(t) =

n
g
n

1,n
(t) =

2

n
g
n
(2t n) (66)
onde g
n
= ,
1,n
).
Os coecientes h
n
e g
n
sao, respectivamente, os coecientes de ltro relacio-
nados `a funcao escala e `a funcao wavelet. Veremos adiante que esses coecientes
determinam completamente essas funcoes, ou seja, tudo o que e necessario para
uma analise wavelet sao os coecientes de ltro. Apenas conhece-los e suciente
para determinar o valor da funcao em qualquer ponto, com a precisao dese-
jada, atraves de um algoritmo recursivo que sera mostrado posteriormente em
(??). Temos ainda que os coecientes g
n
podem ser determinados a partir de
h
n
, e vice-versa. Alem disso, eles nao podem assumir quaisquer valores, uma
18
primeira restricao pode ser obtida, bastando para tanto integrar ambos os lados
das equacoes (65), (66) e lembrarmos que queremos uma base ortonormal, e
portanto, a norma L
2
das funcoes de base e unitaria.
_
+

[(t)[
2
dt =
_
+

n
h
n
(2t n)[
2
dt (67)
1 =

n
h
2
n
_
+

2(2t n)[
2
dt (68)
1 =

n
h
2
n
(69)
Da mesma forma, para a equacao (66) teremos
1 =

n
g
2
n
(70)
As funcoes escala e wavelet devem satisfazer a seguinte relacao de escala

j,k
(t) = 2
j/2
(2
j
t k) , (71)

j,k
(t) = 2
j/2
(2
j
t k) . (72)
Utilizando agora o resultado obtido em (65) e (66), teremos

j,k
(t) = 2
j/2

n
h
n
(2
j
2t 2k n) (73)
= 2
(j1)/2

n
h
n
(2
(j1)
t (2k +n)) (74)
=

n
h
n

j1,2k+n
(t) (75)
e de forma analoga

j,k
=

n
g
n

j1,2k+n
. (76)
Isso mostra como uma funcao de base na escala j pode ser obtida a partir
de funcoes de base na escala anterior j 1. Poderemos tambem mostrar como e
possvel obter a representacao de uma funcao na escala j utilizando, para tanto,
a representacao em j 1. Suponha que uma funcao qualquer f possa ser escrita
na base V
j
f
j
=

k
a
j,k

j,k
(77)
onde os coecientes sao dados por a
j,k
= f,
j,k
). Utilizando a relacao (75),
19
podemos reescrever os coeciente a
j,k
na forma
a
j,k
= f,

n
h
n

j1,2k+n
) (78)
=

n
h
n
f,
j1,2k+n
) (79)
=

n
h
n
a
j1,2k+n
(80)
Todos os coecientes da representacao de f em V
j
podem ser obtidos a partir
da convolucao em (80) dos coecientes da representa cao de f em V
j1
com os
coecientes de ltro h
k
.
De maneira analoga, se tomarmos f
j1
= f
j
+
j
onde f
j
e a projecao sobre
o subespaco V
j
e
j
a projecao sobre W
j
(V
j1
= V
j
W
j
), podemos obter os
coecientes da representa cao de
j
(d
j,k
) em termos dos coecientes a
j1,k
.

j
=

k
d
j,k

j,k
(81)
onde d
j,k
= f,
j,k
). Utilizando (76), teremos
d
j,k
= f,

n
g
n

j1,2k+n
) (82)
=

n
g
n
f,
j1,2k+n
) (83)
=

n
g
n
a
j1,2k+n
(84)
Construirmos desta maneira uma algoritmo rapido para passar de uma es-
cala para outra escala subseq uente. Para tanto e necessario apenas conhecermos
os coecientes a
j,n
que representam a funcao f numa dada escala j e tambem
os coecientes de ltro h
k
da funcao escala associada `a analise. De forma seme-
lhante obtemos uma maneira simples de obter os detalhes perdidos ao se passar
de uma escala de maior para uma de menor resolucao, sendo agora necessario
os coecientes de ltro g
k
da wavelet associada.
Figura 9: Algoritmo rapido de decomposicao.
Seja f uma funcao qualquer em L
2
(R), podemos escolher um subespaco V
j
0
de forma que o erro cometido na representa cao de f nesse subespaco, |f f
j
0
|,
seja tao pequeno quanto se queira (onde f
j
0
= P
V
j
0
f, a projecao de f em V
j
0
).
Sem perca alguma de generalidade, podemos escolher j
0
= 0. Seja a famlia
20

0,k

k inZ
uma base ortonormal para V
0
, podemos escrever f
0
em termos das
funcoes da base
f
0
=

k
a
0,k

0,k
(85)
onde os coecientes a
0,k
sao dados por a
0,k
= f,
0,k
).
Talvez seja interessante obter uma versao de baixa resolucao de f
0
. Se
quisermos uma perda de resolucao por um fator de 2, basta tomarmos agora a
projecao de f no subespaco V
1
. A projecao de f em V
1
e dada
f
1
= P
V
1
f =

k
a
1,k

1,k
(86)
Da mesma forma que anteriormente, os coecientes a
1,k
sao dados por a
1,k
=
f,
1,k
).
Como V
1
V
0
, podemos escrever
1,k
em termos das funcoes
0,2n+k
, como
visto em (75).

1,k
=

k
h
k

0,2n+k
. (87)
Desta forma, os coecientes a
1,k
podem ser dados em funcao de a
0,2n+k
, como
demonstrado na equacao (80)
a
1,n
=

k
h
k
a
0,2n+k
(88)
De forma semelhante poderemos obter os detalhes perdidos ao se passar de
uma representa cao de alta para uma de baixa resolucao. Seja f
0
= f
1
+
1
,
onde
1
representa os detalhes perdidos ao se passar de V
0
para V
1
, teremos

1
=

k
d
1,k

1,k
(89)
onde d
1,k
= f,
1,k
).
As funcoes
1,k
podem ser escritas como uma combinacao dos vetores da
base V
0
, entao

1,n
=

k
g
k

0,2n+k
e (90)
d
1,n
=

k
g
k
a
0,2n+k
(91)
Mostramos acima uma forma de obtermos os coecientes de escala e wa-
velet para a decomposicao, passando de uma escala mais na, para uma mais
grosseira. Queremos ser capazes de reconstruir o sinal original, utilizando para
tanto a versao de baixa resolucao e os detalhes perdidos. Vejamos entao como
podemos obter o algoritmo de reconstrucao. Tomemos a projecao do sinal f
21
sobre o subespaco V
j1
. Como V
j1
= V
j
W
j
podemos escrever a projecao da
seguinte forma
P
V
j1
f = P
V
j
f +P
W
j
f (92)

n
a
j1,n

j1,n
=

k
a
j,k

j,k
+

k
d
j,k

j,k
(93)
Os coecientes a
j1,n
sao obtidos por
a
j1,n
= P
V
j1
f,
j1,k
) (94)
= (P
V
j
f +P
W
j
f),
j1,n
) (95)
=

k
a
j,k

j,k
,
j1,n
) +

k
d
j,k

j,k
,
j1,n
) (96)
=

k
a
j,k

j,k
,
j1,n
) +

k
d
j,k

j,k
,
j1,n
) (97)
=

k
a
j,k
h
n2k
+

k
d
j,k
g
n2k
(98)
=

k
h
n2k
a
j,k
+

k
g
n2k
d
j,k
(99)
O algoritmo construdo acima (99) e uma forma de obtermos os coecientes
que representam a funcao numa escala mais na, a partir de uma versao de
baixa resolucao e os detalhes. Este e gracamente ilustrado na gura 10.
Figura 10: Algoritmo rapido de reconstrucao.
7 Algumas Wavelets e Propriedades
Uma caracterstica importante da representacao atraves de funcoes wavelets e
a nao redundancia. A ortogonalidade entre os subespacos W
j
e W
j
, j ,= j

,
assim como a ortogonalidade entre um subespaco V
J
e os subespacos W
j
, com
j J, acarreta na nao redundancia da representacao de uma funcao qualquer
f nos subespacos V
J
, W
j
0
, W
j
0
+1
, . . ., W
J
. Esta ausencia de redundancia e
fundamental quando se trata de compressao de dados.
Outra propriedade importante e possuir momentos de diferentes ordem iguais
a zero. Dizemos que uma wavelet possu momento de ordem M igual a zero,
quando
_
x
k
(x)dx = 0, k = 0, . . . , M. (100)
22
Isto signica que os coecientes de wavelets para polinomios de ordem ate M
sao todos nulos. A informacao de detalhe gerada no processo de decomposicao
sera toda nula, ou seja, a informacao de polinomios de ordem ate M pode
ser suprimida. Suponha que tenhamos um sinal s(t) que pode ser decomposto
como s(t) = p(t) + n(t), uma parte polinomial de ordem M, p(t), e outra nao
polinomial n(t). Neste caso, todos os coecientes de detalhe serao gerados pela
informacao exclusiva da parte nao polinomial, d
j,k
= s(t),
j,k
(t)) = p(t) +
n(t),
j,k
(t)) = n(t),
j,k
(t)). Os coecientes de wavelets representam entao
apenas a parte nao polinomial do sinal.
Todas as wavelets possuem momento de ordem zero nulo, ou seja, media nula.
Desta forma, funcoes constantes nao sao representadas pelas funcoes wavelets.

E possvel obtermos wavelest com diferentes momentos nulos. As wavelets de


suporte compacto propostas por Ingrid Daubechies podem possuir momentos
de diferentes ordens nulos. No caso em que apenas o momento de ordem 1 e
nulo, a wavelet e equivalente `a wavelet de Haar.
O exemplo de wavelet mais antigo e a funcao de Haar, proposta por Alfred
Haar em 1909, embora na epoca o termo wavelet ainda nao tinha sido cunhado.
Ele estudava bases incondicinais para classicacao de espacos de funcoes, tal
como o espaco de Lebesgue. A sua construcao resultou na criacao de um sistema
completo. A wavelet de Haar e a wavelet mais simples e pode ser vista como
uma spline de ordem zero ou como uma wavelet de Daubechies com apenas o
momento de ordem zero nulo. A funcao de Haar, ao contrario de varias outras
waveles, possu formula explcita, denida em (38). Nao apenas a funcao de
Haar, mas todas as demais splines possuem tambem formula explcita, o que
fascilita muito a sua manipulacao. As wavelets de Haar tem sido utilizadas
recentemente para explorar a possibilidade de construir-se wavelets em domnos
gerais, tais como esferas. Isto porque elas podem ser manipuladas para satisfazer
certas condicoes geometricas. Desta forma, foram construidas wavelets de Haar
em espacos com medidas que nao sao invariantes `a translacao (como as medidas
de Lebesgue).
Ingrid Daubechies foi precursora na construcao de uma famlia de wavelets
ortogonais com suporte compacto e um n umero especco de momentos nulos.
Tais wavelets nao possuem formula explcita e devem ser calculadas numerica-
mente. A construcao destas comeca com o calculo dos coecientes de ltro,
de forma que a transformada de Fourier, a funcao de resposta em freq uencia,
satisfaca as condicoes de ortogonalidade e momento. Daubechies tabelou os
coecientes dos ltros para os ltros ate ordem 10 em seu trabalho (11). As
wavelets de Daubecheis possuem o n umero maximo de momentos nulos (N)
para um dado tamanho de suporte (2N). Exitem varias maneiras de escolher
as raizes, implicando em diferentes caractersticas de fase do ltro. Dentre as
2
N1
possibilidades, escolhemos aquela em que todas as raizes encontram-se no
interioir do crculo unitario, os ltros assim obtidos sao chamados ltros de fase
extrema.
Em algumas aplicacoes pode ser tambem desejado que a funcao escala de su-
porte compacto possua tambem momentos nulos. Coifman sugeriu a Daubecheis
em 1989 a construcao de bases ortonormais de wavelets onde essa caracterstica
23
fosse incorporada. Tais wavelets, chamadas de coiets, sao mais simetricas que
as wavelets de Daubechies. Enquanto as de Daubechies possuem N/2 1 mo-
mentos nulos, as funcoes escala das coiets possuem N/3 1 momentos nulos e
as wavelets N/3. A desvantagem das coiets e o fato destas possurem um maior
suporte que as wavelets de Daubechies, para um mesmo n umero de momentos
nulos, N, ela apresenta suporte de tamanho 3N 1, enquanto o suporte das
wavelets de Daubechies eram de tamnho 2N.
Outro tipo de wavelet sao as wavelets splines, funcoes que sao polinomios por
partes. Desta forma elas podem ser localmente bem simples e, ao mesmo tempo,
bem exveis e suaves. As splines sao portanto muito utilizadas para se modelar
funcoes arbitarias. Quando tratando-se de problemas de interpolacao, as slines
sao preferveis, em detrimento da interpolacao polinomial, pois e possvel obter
resultados semelhantes utilizando polinomios de ordem inferior, e tambem sao
importantes para evitar o fenomeno de Runge.
4
As wavelets splines podem ser divididas nos seguintes grupos: ortogonal,
semi-ortogonal, deslocamento ortogonal e biortogonal. O exemplo mais conhe-
cido de wavelets do primeiro tipo sao as wavelets de Battle-Lemari`e (4) (19).
As wavelets de Battle-Lemari`e sao tidas como as precursoras da analise em re-
solucoes m ultiplas, em que as escalas estao associadas aos espacos funcional das
splines, em cada qual tomamos uma B-spline com nos nos inteiros como funcao
escala original. Se a funcao escala escolhida for a funcao porta, entao resulta-
remos numa base de Haar. As wavelets semi-ortogonais manteem a ortogona-
lidade entre escalas, mas nao mais e garantida a ortogonalidade entre funcoes
de base em uma mesma escala (resolucao). As B-splines de suporte compacto
constituem um exemplo, proposto por Chui-Wang (8) e Unser-Albdroubi-Eden
(25). Nas wavelets de deslocamento ortogonal, apenas a ortogonalidade devido
`a translacao em uma mesma escala e mantida, nao havendo mais ortogonali-
dade entre escalas. Para gerar uma base para um subespaco a ortogonalidade
entre as funcoes de base nao e necessaria, podemos entao relaxar as condicoes
de ortogonalidade e obter as wavelets biortogonais. O unico exemplo conhecido
de wavelet que e ao mesmo tempo de suporte compacto, ortogonal e simetrica
e a wavelet e Haar. Em muitas aplicacoes pode ser necessario construirmos wa-
velets simetricas de suporte compacto. Para tanto podemos relaxar a condicao
de ortogonalidade.
4
O fenomeno de Runge e um problema que ocorre quando se faz interpolacao com po-
linomios de alta ordem. Foi descoberto por Carle David Tolme Runge quando investigando o
comportamento do erro ao se utilizar uma interpolacao polinomial para se aproximar funcoes.
Quando uma funcao e interpolada em pontos equidistantes entre duas extremidades, uma
oscilacao resultande e gerada em direcao `as extremidades. Tal oscilac ao pode ser minimizada
escolhendo-se para tanto os nos de Chebyshev ao inves de nos equidistantes. Polinomios de
maior grau acabam sendo inapropriados para se realizar a interpolacao. O problema pode ser
evitado utilizando-se splines. Ao se tentar diminuir o erro de interpolac ao, pode-se optar por
aumentar o n umero de pedacos polinomiais que constituem a spline, ao inves de se aumentar
o grau dos polinomios utilizados.
24
0 0.5 1 1.5 2 2.5 3
0
0.5
1
Scaling function
0 0.5 1 1.5 2 2.5 3
1
0.5
0
0.5
1
1.5
Wavelet
Figura 11: Daubechies 4.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.5
1
1.5
Scaling function
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
2
1
0
1
Wavelet
Figura 12: Coiet 6.
0 0.5 1 1.5 2 2.5 3
0
0.5
1
Scaling function
0 0.5 1 1.5 2 2.5 3
1
0.5
0
0.5
1
1.5
Wavelet
Figura 13: Symlet 2.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.2
0.4
0.6
0.8
1
Scaling function
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1
0.5
0
0.5
1
Wavelet
Figura 14: Biorthogonal 1.3.
8 Wavelets e Bancos de Filtros
A analise em resolucoes multiplas pode ser vista como um processo de ltragem
por um banco de ltros espelhados em quadratura. Iremos entao analisar o
processo de decomposicao utilizando wavelets sob esse diferente ponto de vista.
No algortmo rapido que vimos acima para decomposicao fazemos
f,
j,k
) =

n
h
n2k
f,
j1,n
) (101)
f,
j,k
) =

n
g
n2k
f,
j1,n
) (102)
mas isso e equivalente a fazer
f,
j,k
) = ( 2)[(f,
j1,n
)) h
n
] (103)
f,
j,k
) = ( 2)[(f,
j1,n
)) g
n
] . (104)
Ambas equacoes acima podem ser reescritas na forma matricial. A con-
volu cao do sinal com o ltro e representada por uma multiplicacao matricial,
onde chamares de H e G as matrizes dos ltros h e g, respectivamente. A
decimacao (reamostragem) tambem sera representada por uma multiplica cao
matricial, onde a matriz D sera a matriz de decimacao.
25
H =
_

_
.
h
0
h
1
h
0
h
1
h
0
h
1
. .
_

_
(105)
D =
_

_
.
1 0
1 0
1 0
. .
_

_
(106)
DH =
_

_
.
h
0
h
1
h
0
h
1
h
0
h
1
. .
_

_
(107)
a
j
=
_

_
.
.
.
a
j,1
a
j,0
a
j,1
.
.
.
_

_
(108)
As operacoes escritas em (103) e (104) porem ser representadas entao por
a
j
= DHa
j1
(109)
a
j
= DGa
j1
(110)
A decimacao no domnio do tempo e bem simples e consiste apenas em
discartar metade das amostras do sinal, alternadamente,
v = ( 2)x = v(k) = x(2k) (111)
Para obter a representacao no domnio de Fourier, basta
V () =

v(k)e
jk
=

x(2k)e
jk
=

x(n)e
jn/2
(112)
A soma acima e apenas para n pares, n = 2k, e portanto a armativa V () =
X(

2
) e falsa. Considernado agora
A() =

k par
b(k)e
jk
=
1
2

todo k
b(k)e
jk
+
1
2

todo k
b(k)e
j(+)k
(113)
=
1
2
[B() +B( +)] (114)
26
que pode ser facilmente vericado, lembrando para tanto que x e periodico de
perodo 2, podemos obter
V () =
1
2
[X(

2
) +X(

2
+)] (115)
bastanto para tanto tomarmos os dois ultimos resultados.
As operacoes acima podem ser descritas pelo banco de ltro da gura 15.
O sinal de entrada e processado por dois ltros L e H, para obtermos as com-
ponentes de baixas (yl(n)) e altas freq uencias (yh(n)), respectivamente. Neste
ponto as sinais ltrados constituem uma representacao do sinal original x(n),
mas juntos, teremos o dobro do n umero de amostras. Para manter o mesmo
n umero de amostras e feita entao uma decimacao por uma fator de dois. A sada
do banco de ltros (S(x(n))) e uma representacao do sinal x(n) em termos de
suas componentes de altas e baixas freq uencias, com o mesmo tamanho que o
sinal original. Resta entao a pergunta: e possvel reconstruir o sinal x(n) a
partir da representa cao S(x(n))?
Figura 15: Banco de Filtros.
A resposta a esta pergunta nao e obvia, principalmente devido `a decimacao
feita no processo. Nas guras 16 e 17 e ilustrado o processo de decimacao. A
primeira ilustra o caso em que o sinal x(n) possu um espectro restrito `a faixa
[

2
,

2
], neste caso nao havera falseamento (aliasing) gerado no processo de
decimacao. O segundo caso (gura 17) ilustra a situacao em que o espectro
do sinal nao mais esta restrito ao intervalo [[

2
, neste caso havera aliasing,
ilustrado pela regiao rachurada na gura. No caso geral devemos assumir que
havera aliasing e, por tanto, so sera possvel reconstruir o sinal original x(x) se,
de alguma forma, for possvel cancelar esse falseamento de forma perfeita.
Uma tentativa de reconstruir o sinal original e usar o banco de ltros de
sntese da gura 18, que consistiria em fazer um processo inverso ao que foi
feito no banco de analise. Primeiro uma etapa de upsampling e posteriormente
uma ltragem, mas o par de ltros agora utilizado (

L e

H) sera diferente.
Tentaremos especicar as condicoes que esses ltros devem satisfazer para que
seja possvel efetuarmos a reconstrucao perfeita do sinal ( x(n) =

SS(x(n)) =
x(n)). Geralmente e possivel obeter a reconstrucao perfeita, mas havera um
atraso do sinal, o que nao e um problema, pois podemos compensar incluindo
um avan co no sinal no sistema.
27
Figura 16: Decimacao sem aliasing.
Figura 17: Decimacao com aliasing.
28
Figura 18: Banco de Filtros de Sntese.
Pelo problema que foi descrito acima, podemos concluir que a questao da
possibilidade de se obter a reconstrucao perfeita recai no problema da matriz
S ser inversvel ou nao. Se a inversa existir, e zermos

S = S
1
, entao sera
possvel obter a reconstrucao do sinal sem erro. Um caso particular importante
ocorre quando o sistema linear S for ortogonal, neste caso a matriz S sera uma
matriz ortogonal, sendo portanto sua inversa determinada pela transposta da
matriz de analise, S
1
= S
T
.
Devemos analisar quais as implicacoes na freq uencia do processo de upsam-
pling que sera utilizado como a primeira etapa da reconstrucao do sinal. Su-
ponhamos ter inicialmente v(n) e atraves do upsampling obtemos o sinal u(n).
Esta operacao pode ser representada matricialmente, da sequinte forma
u = Uv (116)
onde u = (. . . , u(1), u(0), u(1), . . .)
T
, v = (. . . , v(1), v(0), v(1), . . .)
T
e
U =
_

_
.
1 0
0
1 0
0
1 0
.
_

_
(117)
Para representa-la no domnio do tempo e necessario separar as amostras
pares das amostras mpares, n = 2k e n = 2k + 1, de forma que
u = ( 2)v =
_
u(2k) = v(k)
u(2k + 1) = 0
(118)
No domnio da freq uencia veremos que os zeros acrescentados nada contribuem
para U(), e em oposicao ao downsampling, quando um termo no domnio do
tempo dava origem a dois no domnio da freq uencia, teremos dois termos no
domnio do tempo dando origem a apenas um termo no domnio da freq uencia.
29
A representacao em freq uencia de u(n) sera entao
U() =

n
u(n)e
jn
(119)
=

n=2k
u(n)e
jn
(120)
=

k
u(2k)e
j2k
(121)
=

k
v(k)e
j(2)k
(122)
= V (2) . (123)
onde dispresamos os termos mpares (2k+1), pois sao eles todos nulos. Se temos
V () com perodo 2 U() tera entao perodo , havera entao uma compressao
em freq uencia por uma fator de 2, de forma tal que todo o conte udo espectral
de U estara agora restrito a [[

2
. Como U tera perodo , imagens dessa
versao comprimida (em freq uencia) aparecerao adjacentes a ela (veja a gura
19). Enquanto o downsamplig cria o aliasing, o upsampling cria o dual, chamado
imageamento (imaging).
Figura 19: Upsampling.
Considerando o processo de decomposicao seguido do processo de recons-
trucao, veremos que o processo de downsampling e seguido pelo processo de
upsampling. Se chamarmos de x o sinal de entrada e u o de sada, teremos
u = ( 2)( 2)x. Combinando os resultados de (115) e (123) obtemos
U() =
1
2
[X() +X( +)] (124)
A analise em resolucoes multiplas discutida anteriormente e vista como uma
representa cao de uma funcao, inicialmente em um subespaco de L
2
(R), em
subespacos desse subespaco inicial. Cada uma das projecoes feita em subespaco
com nveis de resolucao subseq uentes podem ser vistas como uma ltragem por
um banco de ltros, conforme descrito acima. A representa cao em termos de
30
funcoes escala esta assiociada `a ltragem passa-baixas, enquanto a representa cao
em termos das funcoes wavelets esta associada ao ltro passa-banda. A analise
em resolucoes multiplas denira um banco de ltros como exposto acima de
forma que a reconstrucao do sinal seja possvel, com erro nulo, pois como vimos,
e possvel, a partir de uma versao de baixa resolucao e dos detalhes associados,
obter a versao um nvel acima, ou seja, e possvel reconstruir a funcao sem
cometer erros. Ja que isso acontece no caso da analise em m ultiplas resolucoes
iremos entao derivar as condicoes sobre os ltros de analise e sntese que fazem
com que isso seja verdade.
No banco de ltros de decomposicao teremos uma seq uencia de ltragem e
decimacao. No caso especco da analise em resolucoes m ultiplas, o ltro a ser
utilizado em todas as etapas possu os mesmos coecientes h
k
, mas o sinal e
decimado ao longo do processo, alterando assim a escala em freq uencia. Aplicar
um ltro apos o sinal ter sido decimado pro um fator de 2 equivale a aplicar
previamente um ltro comprimido por 2 na freq uencia e em seguida fazer a
decimacao. Fazer y = hv onde v = ( 2)v

, ou seja, y = h(( 2)v

) equivale a
fazer y = ( 2)(h
2
v

), onde h
2
e tal que H
2
() = H(

2
). Podemos demonstrar
isso no domnio da freq uencia, basta para tanto fazer
Y () = H()V () (125)
= H()
1
2
[V

2
) +V

2
+)] (126)
=
1
2
[H()V

2
) +H()V

2
+)] (127)
=
1
2
[H()V

2
) +H( + 2)V

2
+)] (128)
= ( 2)(H(2)V

()) . (129)
Um outra propriedade interessante pode ser facilmente demonstrada. Supo-
nha o caso em que tenhamos ( 2)h v. Iremos mostrar que isto e equivalente
a ter h ( 2)v. No domnio da freq uencia a convolu cao sera escrita como um
produto. Utilizando a relacao (115) teremos
(( 2)H())V () = [
1
2
H(

2
) +
1
2
H(

2
+)]V () (130)
=
1
2
H(

2
)V () +
1
2
H(

2
+)V () (131)
=
1
2
H()V (2) +
1
2
H(2 + 2)V (2) (132)
= H()V (2) (133)
= H()(( 2)V ()) (134)
e por tanto, ca demonstrada o que foi proposto. A equivalencia entre h( 2)v
e ( 2)h v segue de forma analoga.
Analisaremos agora o efeito de um banco de ltro conforme esquematizado
na gura 20. Este e chamado Banco de Filtros Espelhados em Quadratura de
31
dois canais (Two-Channel Quadrature Mirror Filter Bank).

E uma estrutura
muito comum e muito utilizada. O banco de analise e composto por um ltro
passa-baixas (H()) e um ltro passa-altas (G()), dividindo o sinal de entrada
em duas bandas complementares. Os sinais resultantes de cada um dos ltros
e entao decimado por um fator de dois. Para a sntese do sinal original, a
primeira etapa e a interpolacao. A decimacao e a interpolacao causam aliasing
e imaging. Os ltros de sntese (

H() e

G()) possuem como proposito eliminar
as imagens espectrais.

H() sera um ltro bassa-baixas para eliminar as imagens
de altas freq uencias criadas na interpolacao do sinal de baixas freq uencias. De
maneira analoga,

G() sera um ltro passa-altas para eliminar as imagens de
baixa freq uencia criadas na interpolacao do sinal de altas freq uencias. Como
resultado, y
1
e y
2
sao boas aproxima coes para x
1
e x
2
. O sinal reconstrudo
sera portanto bem semelhante ao original. Note que o nome ltros espelhados
em quadratura deriva do fato a resposta de H() ser uma imagem espelhada
de G() em relacao `a freq uencia /2 (um quarto da freq uencia amostragem).
Figura 20: Banco de Filtros (decomposicao e sntese).
Para que nao haja aliasing e necessario que as respostas dos ltros nao
se sobreponham, assim como ilustrado no primeiro graco da gura 21. No
entando, para que toda a informacao do sinal de entrada este presente no banco
de analise e necessario que os ltros se sobreponham, ou que os ltros sejam
ideais, tenham uma transicao abrupta em /2. Mas sabemos que ltros ideais
sao impossiveis de serem obtidos, e ltros proximos do ideal precisam ser ltros
de alta ordem, sendo sensveis `a quantiza cao e geralmente sofrem de problemas
de instabilidade (se forem IIR).
A losoa por tras dos ltros espelhados em quadratura, e assim tambem dos
ltros wavelets, e permitir o aliasing na sada do decimador, mas os ltros devem
ser projetados de tal forma que as imagens produzidas no interpolador cancele o
aliasing, perfeitamente no caso dos ltros waveles, levando a um problema mais
estrito.
Para o banco de ltros em questao teremos x = y
1
+y
2
. Vamos entao achar
32
Figura 21: Filtros Espelhados em Quadratura.
y
1
e y
2
no domnio da freq uencia.
Y
1
() =

H()U() (135)
=

H()(
1
2
[X

() +X

( +)]) (136)
=
1
2

H()[H()X() +H( +)X( +)] (137)
=
1
2
[

H()H()X() +

H()H( +)X( +)] (138)
De maneira analoga podemos obter
Y
2
() =
1
2
[

G()G()X() +

G()G( +)X( +)] . (139)
E juntado os resultados podemos expressao

X em termo das entradas

X() = Y
1
() +Y
2
() (140)
= X()
1
2
[

H()H() +

G()G()] + (141)
X( +)
1
2
[

H()H( +) +

G()G( +)] (142)
Para que a reconstrucao realizada pelo ltro seja perfeita, iremos querer

X() =
X() e por tanto sera necessario que as duas opcoes seguintes seja satisfeitas
H()

H() +G()

G() = 2 (143)
H( +)

H() +G( +)

G() = 0 (144)
ou seja, queremos cancelar o termo em X(+), o termo de aliasing e imaging.
Para tanto basta tomar os ltros de sntese da seguinte forma

H() = G( +) (145)
33

G() = H( +) . (146)
A condicao (143) ca entao
H()G( +) H( +)G() = 2 . (147)
Cancelado o aliasing o banco de ltros torna-se um sistema linear e invari-
ante no tempo. A sua funcao de transferencia e agora facilmente determinada,
bastanto tomar a razao entre sada e entrada.
T() =

X()
X()
=
1
2
[H()G( +) H( +)G()] (148)
Se queremos um banco de ltros com reconstrucao perfeita do sinal, nao po-
demos admitir distorcoes, neste caso, permitiremos que T() seja no maximo
um atraso, i.e., T() = e
j
0
. Neste caso, com esta condicao um pouco menos
restritiva, a condicao (147) cara na seguinte forma
H()G( +) H( +)G() = 2e
j
0
. (149)
O sistema de equacoes constitudo por (143) e (144) pode ser reescrito em
forma matricial, da seguinte forma
_
H() G()
H( +) G( +)
_ _

H()

G()
_
=
_
2e
j
0
0
_
. (150)
Temos entao a matriz de modulacao de analise, que e central na teoria de bancos
de ltros. Podemos tambem, sem diculdades, obter a matriz de modulacao de
sntese, bastando para tanto tomarmos as mesmas equacoes, mas agora substi-
tuir por +.
_
H() G()
H( +) G( +)
_ _

H()

H( +)

G()

G( +)
_
=
_
2e
j
0
0
_
(151)
Utilizando a inversa da matriz de analise podemos obter os ltros de sntese,
da seguinte forma
_

H()

G()
_
=
2
()
_
G( +)
H( +)
_
(152)
onde () e o determinante da matriz de analise
() = H()G( +) H( +)G() . (153)
Os ltros de reconstrucao serao estaveis apenas se o determinante for nao nulo
em todo o intervalo [, ].
Se os ltros em questao possurem uma resposta ao impulso nita, entao, o
determinante () pode ser calculado. Isso leva a uma relacao simples entre os
ltros de decomposicao e reconstrucao.
34
A equacao (152) fornece uma maneira se obtermos os ltros de sntese, de
forma que teremos

H() =
2
()
G( +) e (154)

G() =
2
()
H( +) . (155)
Utilizando a denicao acima (154) podemos retirar
G() = G( + 2) =

H( +)
( +)
2
(156)
Usando agora (155) e (156) obtemos

G()G() =
( +)
()

H( +)H( +) . (157)
Pela denicao (153) e facil mostrar que ( +) = (), entao

G()G() =

H( +)H( +) . (158)
Utilizando agora o resultado de (158) em (143)

H()H() +

H( +)H( +) = 2 . (159)
Se os ltros possuirem resposta ao impulso nita, entao suas representacoes
em freq uencia serao na forma de uma serie nita em exp(jn). Desta forma, o
determinante denido em (153) sera tambem representado por uma serie nita.
E ainda mais, as equacoes (154) e (155) mostram que
1
() deve tambem
ser representado por uma serie nita. Como ambos () e
1
() sao series
nitas em exp(jn), podemos concluir que elas devem possuir apenas um
termo. Como ( +) = (), conclumos que o expoente n deve ser mpar.
Finalmente conclumos que () deve ser da forma
() = ae
j(2l+1)
(160)
onde a R e l Z. O que nos leva, usando as relacoes (154) e (155) a

H() =
2
a
e
j(2l+1)
G( +) e (161)

G() =
2
a
e
j(2l+1)
H( +) . (162)
Se impormos que o ltro de reconstrucao deva ser igual ao ltro de sntese,

H() = H(), teremos, a partir de (159),


[H()[
2
+[H( +)[
2
= 2 , (163)
condicao esta que dene os ltros conjugados espelhados. Veremos posterior-
mente, ao analisar as funcoes wavelets no domnio da freq uencia, que esta mesma
condicao sera derivada.
35
De maneira analoga e possvel obter

G()G() +

G( +)G( +) = 2 . (164)
Mais uma fez escolhendo a condicao que fornece ltros conjugados espelhados,
teremos agora
[G()[
2
+[G( +)[
2
= 2 . (165)
A condicao para que nao haja distorcao (143) pode ser reescrita, denindo
para tanto P
0
() = H()

H() e P
1
() = G()

G()
P
0
() +P
1
() = 2e
j
0
. (166)
Usando as escolhas feitas em (145) e (146) teremos P
1
() = P
0
( +)
P
1
() = G()

G() = G()H( +) =

H( +) + = P
0
( +) .
(167)
Podemo assim simplicar a equacao (166)
P
0
() P
0
( +) = 2e
j
0
. (168)
O projeto dos ltros agora restringe-se a projetar um ltro passa-baixas P
0
satisfazendo a condicao (168), em seguida, deve-se fatorar P
0
em H e

H, e entao,
atraves das relacoes (145) e (146) encontrar os outros dois ltros.
Vamos adotar agora como convensao a utilizacao da variavel complexa,
entao, ao inves de utilizarmos , passaremos a utilizar z. A relacao entre as
duas variaveis e dada por e
j
= z. Nada mais e que um mapeamento, sendo as
freq uencias reais mapeadas no crculo unitario [z[ = 1, as freq uencias complexas
com parte real negativa sao mapeadas no interior do crculo e as de parte real
positiva no exterior do crculo.
Ao se realizar tal mapeamento, estaremos evitando a inconveniencia da im-
possibilidade de se distinguir entre as freq uencias , + 2, + 4, etc. No
domnio z essas freq uencias sao mapeadas em um mesmo ponto, e portanto
evitamos a preocupacao em tentar distinguir tais freq uencias, pois os n umeros
complexos z = e
j
, z = e
j+2
, z = e
j+4
, etc, sao absolutamente iguais. Esse
resultado e tambem valido para freq uencias complexas, pois basea-se apenas no
fato de que e
j2
= 1.
Dado um sinal discreto x(n), temos a sua representacao em freq uencia X()
e agora a sua representacao no domnio z, X(z), dada pela transformada z do
sinal
X(z) =

n
x(n)z
n
. (169)
Poderemos agora transpor as propriedades dos ltros vistos anteriormente
para o domnio z. A equacao (168) ca
P
0
(z) P
0
(z) = 2z
l
, (170)
e as equacoes (145) e (146) cam

H(z) = G(z) (171)


36

G(z) = H(z) . (172)


Existem varias formas de se escolher o polinomio P
0
(z), assim como varias
sao as formas de fatora-lo em H(z) e

H(z). Note que a grau do polinomio
P
0
(z) determina o grau dos polinomios H(z) e

H(z), sendo o grau do primeiro
a soma dos graus do segundo e terceiro. A condicao (170) acima pode ser vista
como uma condicao sobre os termos de potencia mpar em P
0
(z). Os termos de
potencia mpar deve possuir coecientes nulos, exceto o termo em z
l
, que deve
possuir coeciente unitario.
Uma maneira utilizada de se escolher o polinomio P
0
(z) e deni-lo da se-
guinte forma
P
0
(z) = (1 +z
1
)
2p
Q(z) . (173)
Essa e a chamada construcao binomial ou maximamente plana, devido ao termo
(1 + z
1
)
2p
. O termo binomial fornece 2p zeros em z = 1, desta forma a res-
posta e maximamente plane em = . O termo binomial sozinho representa um
ltro spline, mas Q(z) sera necessario Mais sobre a construcao desses polinomios
sera discutido adiantes, seguindo os passos de Daubechies.
A equacao (170) pode ser simplicada, utilizando para tanto a seguinte nor-
malizacao
P(z) = z
l
P
0
(z) . (174)
Como l e mpar, entao P(z) = (z)
l
P
0
(z) = z
l
P
0
(z), e a equacao (170)
se reduz a
P(z) +P(z) = 2 . (175)
Os termos mpares se anulam (ao combinar P(z) com P(z)), e todos os termos
pares de P(z) devem ser nulos, com excessao do termo constante que deve ser
igual a um.
9 Wavelets no Domnio da Freq uencia
Para obtermos uma representacao no domnio da freq uencia, iremos utilizar
a transformada de Fourier. Tomemos a funcao escala . A transformada de
Fourier da funcao escala e dada abaixo

() =
_
+

(t)e
jt
dt (176)
37
Se aplicarmos a (176) a relacao de escala (65), teremos

() =
_
+

(t)e
jt
dt (177)
=
_
+

k
h
k
(2t k)e
jt
dt (178)
=
_
+

k
h
k
(t

)e
j
t

+k
2
1
2
dt

(179)
=

2
2

k
h
k
e
j

2
k
_
+

(t

)e
j
t

2
dt

(180)
=

2
2

k
h
k
e
j

2
k

2
) (181)
=

2
2
H(

2
)

2
) , (182)
onde denimos
H() =

k
h
k
e
jk
. (183)
A relacao (182) acima nada mais e que a relacao de dilatacao vista no domnio
de Fourier.
De forma similar podemos obter a relacao para a funcao wavelet

() =

2
2
G(

2
)

2
) , (184)
onde G() e dado por
G() =

k
g
k
e
jk
. (185)
As equacoes (183) e (185) sao representa coes no domnio da freq uencia para
os ltros de escala e wavelet, respectivamente.

E interessante aqui notar que
estas representacoes, a menos do fator

2/2 e identica a resposta em freq uencia
de ltros digitais, conforme visto em (??). Isso mostra a equivalencia entre os
ltros digitais implementados com os coecientes de escala e wavelet e a funcao
de transferencia entre a representacao em uma escala e a representacao na escala
seguinte.
Queremos que as funcoes escala satisfacam certas condicoes de ortogonali-
dade. E ainda mais, que as funcoes geradas por translacoes e dilatacoes sejam
ortogonais entre si. Vejamos primeiramente como a ortogonalidade entre funcoes
transladadas numa mesma escala se reete no domnio da freq uencia.
Desejamos que (t) seja ortogonal a (t k), onde k Z.
(t), (t k)) =
_
+

(t)(t k)dt =
0,k
(186)
38
Aplicando o Teorema de Parseval (veja apendice A) `a equacao acima (186),
(t), (t k)) =
1
2
_
+

()

()e
jk
d (187)
=
1
2
_
+

()[
2
e
jk
d (188)
podemos agora dividir a integral como um somatorio de varias integrais
(t), (t k)) =
1
2
+

l=
_
2(l+1)
2l
[

()[
2
e
jk
d (189)
=
1
2
+

l=
_
2
0
[

+ 2l)[
2
e
j

k
e
j2lk
d

(190)
=
1
2
_
2
0
+

l=
[

( + 2l)[
2
e
jk
d (191)
=
1
2
_
2
0
+

l=
A()e
jk
d (192)
onde denimos
A() =
+

l=
[

( + 2l)[
2
. (193)
A() e uma funcao periodica, de perodo 2, e por tanto, possu uma serie de
Fourier
A() =
+

l=
[

( + 2l)[
2
=

k
a
k
e
jk
(194)
Queremos a ortonormalidade de (t k)
kZ
, ou seja
(t), (t k)) =
k
=
_
1 , k = 0
0 , k ,= 0
(195)
Quando k = 0, teremos
(t), (t k))[
k=0
= (t), (t)) = |(t)|
2
= 1 (196)
Para k ,= 0
(t), (t k)) =
k
=
1
2
_
2
0
+

l=
[

( + 2l)[
2
e
jk
d (197)
Se zermos a seguinte escolha
+

l=
[

( + 2l)[
2
= 1 , (198)
39
a equacao (197) se reduzira a
(t), (t k)) =
k
=
1
2
_
2
0
e
jk
d. (199)
Usando agora a identiade
_
e
jk
d = 2(k) , (200)
teremos
(t), (t k)) =
1
2
2(k) =
k
(201)
Para garantir que isso aconteca, basta dividirmos pela raiz quadrada de

+
l=
[

( + 2l)[
2
.

orto
() =

()
_

+
l=
[

( + 2l)[
2
, (202)
de forma que
+

k=
[

orto
( + 2k)[
2
=
+

k=
[

( + 2k)

+
l=
[

( + 2l)[
2
[
2
= 1 . (203)
Desat forma,

orto
() satisfaz a condicao (198), e entao,
orto
(t k)
kZ
e
ortonormal.
Vejamos agora como a escolha feita em (198) se reete atraves da equacao
de dilatacao do ponto de vista de Fourier (182) como uma condicao sobre H().
+

l=
[

( + 2l)[
2
=
+

l=
[

2
2
H(
+ 2l
2
)[
2
[

(
+ 2l
2
)[
2
(204)
=
1
2
+

l=
[H(

+l)[
2
[

+l)[
2
= 1 (205)
A relacao (205) e verdadeira para todo

= /2, podemos entao simplesmente


substituir

por . Separando os termos pares (l = 2k) e os mpares (l = 2k+1),


teremos
2 =
+

k=
[H(+2k)[
2
[

(+2k)[
2
+
+

k=
[H(+(2k+1))[
2
[

(+(2k+1))[
2
.
(206)
Como H() e periodico de perodo 2, temos
H( + 2k) = H() e H( + (2k + 1)) = H( +) . (207)
40
Desta forma, a equacao (206) se reduz a
[H()[
2
+

k=
[

(+2k)[
2
+[H(+)[
2
+

k=
[

(+(2k+1))[
2
= 2 . (208)
Como zemos a escolha (198), (208) se reduz a
[H()[
2
+[H( +)[
2
= 2 , (209)
que e a mesma condicao derivada em (163).
Como H() e denido em termos de h
k
em (183), a condicao (209) e na
verdade uma condicao sobre os coecientes de ltro h
k
para que (tk)
kZ
seja ortogonal.
De maneira semelhante derivamos as condicoes no domnio da freq uencia
para que as funcoes wavelets tambem satisfacam a condicao de ortogonalidade
por translacao. Para que (t k)
kZ
seja ortogonal sera necessario que as
seguintes condicoes sejam satisfeitas
+

k=
[

( 2k)[
2
= 1 (210)
ou, de forma equivalente, como mostramos no caso analogo das funcoes escala,
[G()[
2
+[G( +)[
2
= 2 (211)
A relacao (211) acima, por sua vez, impoe uma restricao sobre os valores de
g
k
.
Falta-nos agora derivar as condicoes no domnio da freq uencia para que
(t k) e (t k) sejam ortogonais entre si. Ou seja, queremos
(t), (t k)) =
_
+

(t)(t k)dt = 0 (212)


=
1
2
_
+

()

()e
jk
d (213)
=
1
2
_
2
0

l=

( + 2l)

( + 2l)e
jk
d (214)
Para que tenhamos ortogonalidade, sera necessario que os termos

l=

(+
2l)

( + 2l) sejam identicamente nulos.

l=

( + 2l)

( + 2l) = 0 (215)
Utilizando agora as relacoes (182) e (184), reescrevemos a condicao (215) na
seguinte forma

l=
H(
+ 2l
2
)

(
+ 2l
2
)G(
+ 2l
2
)

(
+ 2l
2
) = 0 (216)
41

l=
H(

+l)

+l)G(

+l)

+l) = 0 . (217)
Como a relacao acima e valida para todo

= /2, podemos substituir

por
. E em seguida, mais uma vez, separaremos os termos pares (l = 2k) dos
termos mpares (l = 2k + 1).

k=
H( + 2k)

( + 2k)G( + 2k)

( + 2k) +

k=
H( + (2k + 1))

( + (2k + 1))G( + (2k + 1))

( + (2k + 1)) = 0(218)


Lembramos mais uma vez que H(), G() e

() sao todos periodicos com
perodo 2. Assim, a equacao (218) ca na forma
H()

()G()

() +H( +)

( +)G( +)

( +) = 0 (219)
Se tivermos

() =

( +) a equacao (219) se reduz a
H()G() +H( +)G( +) = 0 . (220)
Esta condicao deve ser satiseita para que (t k) e (t k) sejam orto-
gonais entre si. A condicao (220) estabelece uma relacao entre os coecientes
wavelet g
k
e aquelas da equacao de dilatacao h
k
, atraves de (183) e (185).
Para encontrar uma relacao explcita entre os dois conjuntos de coecientes,
precisamos resolver a equacao.
Por denicao sabemos que
_
+

(x)dx = 1 (221)
isto implica em termos

(0) = 1, e entao, pela relacao (182) teremos
H(0) =

2 (222)
Utilizando agora (222) juntamente com (209) teremos
H() = 0 (223)
Utilizando agora a relacao entre H e G, dada em (220), podemos concluir que
G(0) = 0 (224)
Como G satisfaz a relacao (211), conclumos tambem que
G() =

2 (225)
42
O fato de que H(0) = G(), H() = G(0) e H()G()+H(+)G( +) =
0 fazem de H e G um par de ltros complementares. Estes sao chamados ltros
conjulgados espelhados, pois suas respostas em freq uencia sao imagens espelha-
das com relacao `a freq uencia central /2 (tambem conhecida como freq uencia
de quadratura).
As condicoes (222) e (223) fornecem uma dica de que H possa ser escrito da
seguinte forma
H() = (
1 +e
i
2
)
m
Q() (226)
onde m 1 e Q e uma funcao periodica de perodo 2. Observe que, quando
= , e
i
= 1, entao H() = 0, conforme a restricao em (223). Fazendo
agora = 0, teremos e
0
= 1, e portanto H(0) = Q(0). Para que a condicao
(222) seja tambem satisfeita, vamos exigir Q(0) =

2. Alem disso, exigiremos
tambem que Q() ,= 0, para que a multiplicidade da raiz de H em nao seja
aumentada por Q.
Como zemos a escolha em (226) e interessante ver gracamente a forma da
funcao (
1+e
i
2
)
m
para alguns valores de m. Vejamos entao as guras 22 a 24.
Podemos observar que quao maior o valor de m menor sera a banda passante
do ltro H.
0
0.2
0.4
0.6
0.8
1
0 /4 /2 3 /4
magnitude
2
1
0
1
2
0 /4 /2 3 /4
phase
Figura 22: m = 1.

E facil observar que a equacao (220) e satisfeita para a seguinte escolha de


G()
G() = ()H( +) , (227)
onde () = ( +) e uma funcao periodica de perodo 2 e [()[
2
= 1.
Observe que a escolha feita acima nao especica unicamente um G ou uma
wavelet, temos a liberdade de escolher funcoes periodicas de perodo 2 e de
modulo unitario. Podemos, por exemplo, escolher () = e
j
, mas sempre
tendo em mente que outras escolhas sao igualmente possveis. Com tal escolha,
G sera da seguinte forma
G() = e
j
H( +) (228)
43
0
0.2
0.4
0.6
0.8
1
0 /4 /2 3 /4
magnitude
4
2
0
2
4
0 /4 /2 3 /4
phase
Figura 23: m = 4.
0
0.2
0.4
0.6
0.8
1
0 /4 /2 3 /4
magnitude
4
2
0
2
4
0 /4 /2 3 /4
phase
Figura 24: m = 16.
44
Escrevendo H() explicitamente usando (183), teremos
G() = e
j

k
h
k

2
e
j(+)k
(229)
=

k
h
k

2
(e
j
)e
jk
e
jk
(230)
=

k
h
k

2
(1)
1k
e
j(1k)
(231)
=

n
(1)
n
h
1n

2
e
jn
(232)
Comparando o resultado de (232) com a denicao de G em (185), imediatamente
identicamos os coecientes g
n
g
n
= (1)
n
h
1n
. (233)
Uma vez que a funcao escala e conhecida, os coecientes h
k
sao obtidos
calculando o produto interno entre e
1,k
. Por sua vez, os coecientes g
k

serao obtidos pela relacao (233). Atraves da equacao (66), podemos calcular a
funcao wavelet. Por outro lado, se conhecemos os coecientes h
k
, podemos
achar a funcao escala resolvendo, para tanto, a equacao de dilatacao (65).
10 Func oes no Domnio da Freq uencia
Na sessao anterior, vimos anteriormente a representacao das funcoes escala e
wavelet no domnio da freq uencia. Foi tambem mostrado a equivalencia entre
a resposta em freq uencia de ltros digitais e a respresentacao em freq uencia da
relacao de dilatacao. Iremos aqui mostrar como podemos aplicar os mesmos
conceitos na representa cao de funcoes no domnio da freq uencia.
Seja uma funcao f em L
2
(R). Podemos supor, sem perca alguma de gene-
ralidade, que esta funcao pode ser bem representada no subespaco V
0
. Chama-
remos aqui de f
0
a representacao de f em V
0
, ou seja, f
0
= P
V
0
f. Como, pela
AMR, sabemos que V
j+1
V
j
, e em particular, V
0
V
1
, podemos tambem
representar f em V
1
, sem perder informacao alguma, f
0
= f
1
.
Tomemos entao o seguinte conjunto de funcoes
0,k

kZ
como base para o
subespaco V
0
e
1,k

kZ
como base para V
1
. As projecoes f
0
e f
1
podem
ser representadas da seguinte forma
f
0
=

k
a
0,k

0,k
=

k
a
0,k
(t k) (234)
f
1
=

k
a
1,k

1,k
=

k
a
1,k
(2t k) . (235)
45
Para obtermos a representa cao no domnio da freq uencia, tomemos a trans-
formada de Fourier (denida em (5)) das equacoes acima

f
0
=

k
a
0,k

()e
ik
(236)
=

()

k
a
0,k
e
ik
(237)
=

()A
0
() (238)

f
1
=

k
a
1,k

2
e
i

2
k
(239)
=

k
a
1,k
e
i

2
k
(240)
=

()A
1
(

2
) , (241)
onde denimos
A
j
(2
j
) =

k
a
j,k
e
i2
j
k
. (242)
A representa cao em freq uencia de uma funcao qualquer, nada mais e do que o
produto entre a representa cao em freq uencia da funcao de base e a representa cao
em freq uencia do ltro de coecientes a
j,k
.
Seja f
j
a projecao de f em um subespaco V
j
, teremos
f
j
=

k
a
j,k

j,k
(243)

f
j
=

k
a
j,k

j,k
(244)
=

k
a
j,k

(2
j
)e
i2
j
k
(245)
=

(2
j
)

k
a
j,k
e
i2
j
k
(246)
=

(2
j
)A
j
(2
j
) . (247)
Vejamos agora como e possvel representar A
j
em funcao de A
j1
. Para
tanto, tomemos o exemplo de A
0
, dado em (238), e A
1
em (241). Apliquemos
a equacao (80) a A
0
e obteremos
A() =

k
(

n
h
n
a
1,2k+n
)e
ik
(248)
=

n
h
n

k
a
1,2k+n
)e
ik
, (249)
46
fazendo a substituicao m = 2k +n,
A() =

n
h
n

k
a
1,2k+n
)e
ik
(250)
=

n
h
n

m
a
1,m
)e
im/2
e
in/2
(251)
=

n
h
n
A
1
(

2
)e
in/2
(252)
= A
1
(

2
)

n
h
n
e
in/2
(253)
= A
1
(

2
)H(

2
) (254)
Voltando agora na representacao de f
0
no domnio da freq uencia (238) e
utilizando o resultado obtido acima (254), temos

f
0
=

()A() (255)
=

()A
1
(

2
)H(

2
) (256)
= H(

2
)

2
)A
1
(

2
)H(

2
) (257)
=

(

2
)A
1
(

2
)H(

2
)H(

2
) (258)
= [H(

2
)[e
jH(/2)
[H(

2
)[e
jH(/2)

f
1
(259)
= [H(

2
)[[H(

2
)[

f
1
(260)
= [H(

2
)[
2

f
1
, (261)
onde empregamos que [H()[ e uma funcao par, o que pode ser facilmente
vericado pela propria denicao de H() em (183). De maneira geral, teremos

f
j
= [H(

2
)[
2

f
j1
. (262)
Acabamos de obter uma relacao entre a representa cao em freq uencia da
projecao de uma funcao f em dois subespacos subseq uentes. Se conhecemos
a transformada de Fourier da funcao em uma dada escala, e sabendo quais os
coecientes de escala, podemos obter a representa cao em freq uencia em uma
escala subseq uente, basta para tanto utilizar a relacao (261).
De maneira analoga podemos derivar a representacao no domnio de Fourier
dos detalhes perdidos ao se passar de uma resolucao para a sua subseq uente.
Como vimos, a ARM fornece a seguinte relacao entre os subespacos subseq uentes
V
j1
= V
j
W
j
, de forma que sendo f
1
V
1
e f
0
,
0
W
0
, temos a relacao
f
1
= f
0
+
0
. Mostramos acima como e possvel obter

f
0
com base em

f
1
.
Mostraremos agora como obter

0
. Utilizando (81), podemos escrever
0
como
47
uma combinac ao linear de funcoes wavelet
j,k

0
=

k
d
0,k

0,k
. (263)
Tomando a transformada de Fourier da equacao acima, teremos

0
=

k
d
0,k

()e
ik
(264)

0
=

()

k
d
0,k
e
ik
(265)

0
=

()D() , (266)
onde denimos
D() =

k
d
0,k
e
ik
. (267)
Utilizaremos agora (184) em (266),

0
= D()G(

2
)

2
) (268)
Os coecientes de wavelet d
j,k
sao dados pela relacao (84)
d
0,k
=

n
g
n
a
1,2k+n
. (269)
Substituindo em (267)
D() =

n
g
n
a
1,2k+n
e
ik
(270)
=

n
g
n

k
a
1,2k+n
e
ik
(271)
e agora fazendo a substituicao m = 2k +n
D() =

n
g
n

m
a
1,m
e
i(mn)/2
(272)
=

n
g
n

m
a
1,m
e
i

2
m
e
i

2
n
(273)
=

n
g
n
A
1
(

2
)e
i

2
n
(274)
= A
1
(

2
)

n
g
n
e
i

2
n
(275)
= A
1
(

2
)G(

2
) (276)
O resultado obtido (276) pode agora ser utilizado em (277), obtendo, assim

0
= A
1
(

2
)G(

2
)G(

2
)

2
) . (277)
48
Fazendo uso de (241) e do fato de [G()[ ser uma funcao par, obtemos

0
= [G(

2
)[
2

f
1
. (278)
Se utilizarmos agora os resultados obtidos em (261) e (278) teremos o se-
quinte

f
1
=

0
+

f
0
(279)
= [H(

2
)[
2

f
1
+[G(

2
)[
2

f
1
(280)
=

f
1
([H(

2
)[
2
+[G(

2
)[
2
) , (281)
ou seja,
[H(

2
)[
2
+[G(

2
)[
2
= 1 (282)
11 Transformada Wavelet Contnua
Vamos aqui analisar alguns aspectos da transformada wavelet contnua ja anteri-
ormente introduzida em (3). Iremos sempre supor que L
2
(R), e alem disso,
a wavelet deve satisfazer a condicao de admissibilidade tambem mensionada
anteriormente em (4)
C

= 2
_
[[
1
[

()[
2
d < . (283)
Essa condicao assegura que

(0) = 0 ou, equivalemtemente,
_
(t)dt = 0 deve
ser satisfeito. Alem disso, veremos posteriormente que esta condicao assegura
a convergencia da representa cao de uma funcao qualquer em termos de sua
transformada wavelet.
Uma famlia de funcoes
s,u
e gerada por dilatacoes e translacoes

s,u
(t) = [s[

1
2
(
t u
s
) , (284)
onde s, u R, s ,= 0 (note que nao estamos aqui restringindo s como negativo
ou positivo). Iremos tambem considerar || = 1. A transformada contnua
wavelet, com relacao `a famlia dada acima e denida
W
c
f(s, u) = (W
c
f)(s, u) = f,
s,u
) (285)
=
_
+

f(t)
s,u
(t)dt (286)
=
_
+

f(t)[s[

1
2
(
t u
s
)dt . (287)
Note que [W
c
f(s, u)[ |f|.
49
A funcao f pode ser recuperada atraves da sequinte formula
f = C
1

_
+

_
+

1
s
2
(W
c
f)(s, u)
s,u
dsdu , (288)
que iremos demonstrar a seguir. Para tanto, consideremos f, g L
2
(R), para
as quais teremos
_
+

_
+

1
s
2
(W
c
f)(s, u)(W
c
g)(s, u)dsdu =
_
+

_
+

1
s
2

_
+

f(t)[s[

1
2
(
t u
s
)dt

_
+

g(t

)[s[

1
2
(
t

u
s
)dt

dsdu =
_
+

_
+

1
s
2

1
2
_

f()[s[
1
2
(s)e
ju
d

1
2
_
g(

)[s[
1
2
(s

)e
j

u
d

dsdu , (289)
onde utilizamos a identidade de Parseval (veja apendice A). Fazendo agora
F
s
() = [s[
1
2

f()

(s) e G
s
() = [s[
1
2
g()

(s), temos
(289) =
_
+

_
+

1
s
2

1
2
_
F
s
()e
ju
d
1
2
_
G
s
(

)e
j

u
d

dsdu(290)
Os termos entre chaves podem ser vistos como (2)
1/2
vezes a transformada
de Fourier de F
s
() e G
s
().
(290) =
_
+

_
+

1
s
2
1

F
s
(u)
1

G
s
(u)duds (291)
Aplicando mais uma vez o teorema de Parseval, teremos
(291) =
_
+

_
+

1
s
2
F
s
(u)G
s
(u)duds . (292)
Substituindo agora F
s
e G
s
(292) =
_
+

_
+

1
s
2
[s[
1
2
f(u)

(su)[s[
1
2
g(u)

(su)duds = (293)
_
+

_
+

1
s
2
[s[

f(u) g(u) [

(su)[
2
duds . (294)
50
Pelo teorema de Fubini, a ordem de integracao pode ser invertida, entao
(294) =
_
+

f(u) g(u)(
_
+

1
[s[
[

(su)[
2
ds)du = (295)
2
_
+

f(t)g(t)(
_
+

[[
1
[

()[
2
d)dt = (296)
C

f, g) . (297)
Concluimos entao que
_
+

_
+

1
s
2
(W
c
f)(s, u)(W
c
g)(s, u)dsdu = C

f, g) . (298)
Podemos ler a formula (298) da sequinte maneira
C
1

_
+

_
+

1
s
2
(W
c
f)(s, u)g,
s,u
)dsdu = f, g) (299)
f = C
1

_
+

_
+

1
s
2
(W
c
f)(s, u)
s,u
dsdu . (300)
Vemos aqui a importancia da condicao de admissibilidade imposta em (283).
Esta condicao deve ser satisfeita para que seja possvel ter (300).
12 Transformada Wavelet Discreta
Para obtermos a transformada wavelet discreta, devemos restringir os valores
de s e u em (284) um conjunto discreto de valores. Por conveniencia, na dis-
cretizacao, iremos restringir s a assumir apenas valores positivos. Com tal rs-
trincao, a condicao de admissibilidade em (283) tomara agora a seguinte forma
C

=
_

0

1
[

()[
2
d =
_
0

[[
1
[

()[
2
d . (301)
Vamos restringir s e u da seguinte forma: s = s
j
0
e u = ku
0
s
j
0
, onde j, k Z.
s
0
e u
0
sao xos, escolheremos s
0
,= 1 e u
0
> 0. b
0
deve ser escolhido de forma
que as funcoes (tku
0
) cubram todo o tempo. Para valores diferentes de j a
largura da funcao s
j/2
0
(s
j
0
t) e s
j
0
vezes a largura de (t) (usando a medida
largura(f) = [
_
t
2
[f(t)[
2
dt]
1/2
, onde assumimos que
_
t[f(t)[
2
dt = 0), devemos
entao escolher u = ku
0
s
j
0
, e assim garantiremos que as wavelets discretas na
resolucao j cubrirao o eixo do tempo da mesma forma que (t ku
0
). As
wavelets discretas terao entao a seguinte forma

j,k
(t) = s
j/2
0
(
t ku
0
s
j
0
a
j
0
) = s
j/2
0
(s
j
0
t ku
0
) . (302)
51
Queremos representar uma funcao qualquer f em termos das funcoes wave-
lets discretas, atraves dos coecientes f,
j,k
). Esta representa cao deve ser tal
que esses coecientes caracterizem completamente a funcao f, e ainda mais, a
reconstrucao de f a partir desses deve ser numericamente estavel. Veremos que
a escolha de admissvel e s
0
e u
0
apropriados garante a existencia de

j,k
de
forma que a reconstrucao de f se de da seguinte forma
f =

j,k
f,
j,k
)

j,k
(303)
Para que os coecientes caracterizem bem uma funcao f qualquer em L
2
(R),
e necessario que estes determinem univocamente a funcao, ou seja, se temos
f
1
,
j,k
) = f
2
,
j,k
) para todos j, k Z, entao f
1
f
2
, ou, de forma equiva-
lente, se f,
j,k
) = 0 para todos j, k Z, entao f = 0. Sendo isso satisfeito,
teremos uma boa caracterizacao das funcoes em L
2
(R) em termos dos coeci-
entes f,
j,k
). No entanto, queremos ir alem, queremos que a representa cao de
f em termo dos coecientes seja tal que exista um algoritmo numericamente
estavel para reconstruir f a partir dos coecientes f,
j,k
). Podemos ver esse
processo de representacao em termo dos coecientes como um mapeamento de
L
2
(R) em l
2
(Z)
5
. Queremos tambem que o espaco das seq uencias possua uma
topologia, de forma que seja possvel garantir que se temos duas seq uencias
(f
1
,
j,k
))
j,kZ
e (f
2
,
j,k
))
j,kZ
e se estas estao proximas, entao f
1
e f
2
tambem estao proximos. O espaco L
2
(R) ja possu uma topologia, por se
tratar de um espaco de Hilbert. Vamos entao escolher para l
2
(Z) uma topolo-
gia similar, de forma que a distancia entre duas seq uencias, c
1
= (c
1
j,k
)
j,k inZ
e
c
2
= (c
2
j,k
)
j,k inZ
, seja dada por
|c
1
c
2
|
2
=

j,kZ
[c
1
j,k
c
2
j,k
[
2
. (304)
Veremos que uma escolha adequada de (uma funcao que possua um
decaimento consideravel em tempo e freq uencia e possua media nula) e valores
para as constantes de dilatacao e translacao tais que s
0
> 1 e u
0
> 0 garantem
que

j,k
[f,
j,k
)[
2
B|f|
2
. (305)
Esta inequacao garante que se uma dada funcao f for tal que seu modulo |f|
2
for pequeno, entao, sua representacao em termos dos coecientes de wavelets
sera tal que

j,k
[f,
j,k
)[
2
tambem sera pequeno.
Para termos estabilidade, sera necessario que dado

j,k
[f,
j,k
)[
2
pequeno,
tenhamos |f|
2
tambem pequeno. Em particular, deve existir < tal que

j,k
[f,
j,k
)[
2
< 1 implique em |f|
2
. Tomando um f L
2
(R) arbitrario,
5
l
2
(Z) e o espaco das seq uencias em que, dada uma seq uencia {c
i
}
iZ
, teremos
P
i
c
i
<
52
podemos denir

f = [

j,k
[f,
j,k
)[
2
]
1/2
f Para

f denido desta forma, tere-
mos

j,k
[f,
j,k
)[
2
1, e entao |

f|
2
. Mas isto signica que temos
[

j,k
[f,
j,k
)[
2
]
1
|f|
2
(306)
ou, equivalentemente,
A|f|
2

j,k
[f,
j,k
)[
2
(307)
onde A =
1
> 0. Se esta condicao (307) for satisfeita para todo f, o criterio
de estabilidade sera satisfeito.
Combinando as equacaoes (305) e (307), teremos
A|f|
2

j,k
[f,
j,k
)[
2
B|f|
2
(308)
para todo f L
2
(R). Em outras palavras, o conjunto
j,k

j,kZ
constitui um
frame.
13 Transformada Wavelet Discreta com Fator
de Escala Qualquer
Conforme vimos na sessao 12, no caso da Transformada Discreta, iremos restrin-
gir os fatores de escala e translacao. O fator de escala sera da forma s = s
j
0
onde
j Z e s
0
deve ser tal que s
0
,= 0. O fator de translacao dependera do fator
de escala, da seguinte forma u = ku
0
s
j
0
, onde b
0
> 0 e k Z. A transformada
discreta de wavelets tera entao a seguinte forma

j,k
(t) = s
j/2
0
(
t ku
0
s
j
0
s
j
0
) = s
j/2
0
(s
j
0
t ku
0
) . (309)
Podemos seguir o mesmo desenvolvimento adotado na sessao 9 e derivar
algumas propriedades no domnio da freq uencia. Usando a fato dos espacos
gerados pelas funcoes serem espacos encaixantes, fato derivado das propriedades
da analise em resolucoes m ultiplas, podemos usar V
j+1
= V
j
W
j
para escrever
uma funcao qualquer em V
j
ou em W
j
como uma combinacao linear de funcoes
em V
j+1
. A funcao escala pode entao ser escrita como uma combinacao linear
de funcoes
1,
,
(x) = s
1/2
0

k
h
k
(s
0
x ku
0
). (310)
Tal relacao, no domnio da freq uencia e reescrita como

() = s
1/2
0

k
h
k
1
[s
0
[

(

s
0
)e
jku
0
/s
0
(311)
= s
1/2
0

k
h
k

(

s
0
)e
jku
0
/s
0
(312)
53
Podemos entao denir
H() =

k
h
k
e
jku
0

(313)
e assim (312) pode ser reescrita na forma

() = s
1/2
0
H(

s
0
)

(

s
0
). (314)
Seguindo os mesmos passos, deniremos
G() =

k
g
k
e
jku
0

(315)
e a relacao entre a wavelet e a funcao escala no domnio da freq uencia sera dada
por

() = s
1/2
0
G(

s
0
)

(

s
0
). (316)
Podemos derivar algumas propriedades sobre os ltros H e G, assim como
foi feito na sessao 9, a equacao (205) pode ser reescrita, no caso de uma fator
escala qualquer, da seguinte forma
+

l=
[

( + 2l)[
2
=
+

l=
[s
1/2
0
H(
+ 2l
s
0
)[
2
[

(
+ 2l
s
0
)[
2
(317)
= s
1
0
+

l=
[H(

+l)[
2
[

+l)[
2
= 1 (318)
O algortmo rapido para decomposicao tambem pode ser derivado da mesma
maneira em que foi derivado na sessao 6, tomemos para tanto a relacao de uma
funcao escala em um subespaco V
0
reescrevendo-a na base de V
1
(x) =

k
h
k

1,k
(x) =

k
h
k
s
1/2
0
(s
0
x ku
0
) (319)
onde h
k
= f,
1,k
). Consideremos a relacao de escala e utilizemos o resultado
de (319)

m,n
(x) = s
m/2
0
(s
m
0
x nu
0
) (320)
= s
m/2
0

k
h
k
s
1/2
0
(s
(m1)
0
x (s
0
u
0
n u
0
k)) (321)
=

k
h
k

m1,s
0
nk
(x). (322)
Como a
m,n
= f,
m,n
), reescrevemos a formula acima (322) e obtemos
a
m,n
=

k
h
k
a
m1,s
0
nk
, (323)
54
o algortmo rapido para obter os coecientes de representa cao de uma funcao em
uma escala a partir dos coecientes da escala anterior. De maneira equivalente
obtemos os coecientes wavelets
d
m,n
=

k
g
k
a
m1,s
0
nk
. (324)
Note que assim como anteriormente, a operacao de mudan ca de escala pode
ser vista como uma convolucao do sinal com um ltro e uma subseq uente de-
cimacao. No caso em questao a decimacao sera de fator igual a s
0
. Se este
for um n umero inteiro, nao haverao maiores problemas e poderemos facilmente
implementar o algortmo rapido em (323) e (324). No entanto, caso s
0
nao seja
inteiro, sera necessario adotar uma outra abordagem. (17; 16; 5; 9)
A decimacao de um sinal x por fator qualquer M e dada
v = ( M)x (325)
v(k) = x(Mk). (326)
Generalizando o resultado de sessao 8 podemos derivar a relacao de decimacao
para o domnio da freq uencia. Facamos entao
V () =

k
v(k)e
jk
=

k
x(Mk)e
jk
=

n
x(n)e
j

M
n
(327)
O somatorio em n e apenas para n da forma Mk, ou seja, nao para todos os
valores de n. Facamos entao
A() =

k
k = Mn
b(k)e
jwk
(328)
=
1
M

k
todo k
b(k)e
jwk
+
1
M

k
todo k
b(k)e
j(w+
2
M
)k
+ (329)
+
1
M

k
todo k
b(k)e
j(w+
4
M
)k
+. . . + (330)
+
1
M

k
todo k
b(k)e
j(w+
(M1)2
M
)k
(331)
=
1
M
M1

i=0

k
b(k)e
j(w+
2i
M
)k
(332)
=
1
M
M1

i=0
B( +
2i
M
) (333)
55
Utilizando a relacao obtida em (333) em (327), teremos
V () =
1
M
M1

i=0
X(

M
+
2i
M
) (334)
Podemos tambem generalizar o resultado para uma interpolacao por um
fator M, dada
u = ( M)v =
_
u(Mk) = v(k)
u(nk) = 0, n < M
(335)
Podemos entao vericar quais as conseq uencias dessa interpolacao no domnio
da freq uencia
U() =

n
u(n)e
jn
(336)
=

n
n = Mk
u(n)e
jn
(337)
=

k
u(Mk)e
jMk
(338)
=

k
v(k)e
jMk
(339)
= V (M) (340)
No caso em que o fator de decimacao M for um n umero fracionario, da forma
M = P/Q, poderemos escrever ( M) da seguinte forma
( M) = ( P)( Q). (341)
Dado um sinal x e v obtido pela decimacao de x
v = ( M)x = ( P)( Q)x (342)
podemos obter a representacao na freq uencia, bastando para tanto tomar os
resultados de (333) e (340).
V () = ( P)(X(Q)) =
1
P
P1

i=0
X(
Q
P
+
2i
P
) (343)
Consideremos agora o caso pratico em que temos um banco de ltros onde
o sinal e ltrado por um ltro h e em seguida decimado, sendo esse processo
repetido varias vezes. Em algum momento teremos um sinal v que poderemos
dizer ser a versao decimada por um fator M de um sinal v

. O sinal v, por sua


vez, sera ltrado por h e subsequentemente decimado pelo mesmo fator M, ou
seja, y = h v. No domnio da freq uencia podemos representar essas operacoes
da seguinte forma
Y () = H()V () , (344)
56
mas sabemos que v = ( M)v

, e por tanto,
V () =
1
M
M1

i=0
V

(

M
+
2i
M
) . (345)
Aplicando (345) em (344) obtemos
Y () = H()
1
M
M1

i=0
V

(

M
+
2i
M
) (346)
=
1
M
M1

i=0
H( + 2i)V

(

M
+
2i
M
) (347)
= ( M)(H(M)V

()) (348)
Ou seja, podemos postergar a decimacao, bastanto para tanto escalar o ltro
pelo fator de decimacao. No domnio do tempo teremos
y = ( M)[(( M)h) v

] . (349)
Ambas relacoes, (348) e (349), sao validas para o caso em que M e da forma
M = P/Q, o que pode ser facilmente vericado.
No caso em que M = P/Q a relacao (341) sera valida, e assim podemos
aplica-la a (349)
y = ( P)( Q)[(( Q)( P)h) v

]. (350)
Neste momento e interessante desvencilhar-mos do possvel problema com a
decimacao do ltro h, para tanto buscaremos generalizar o resultado obtido em
(134), mostrando assim que ( M)h v e equivalente a h ( M)v. Vamos
escrever entao a primeira relacao no domnio da freq uencia, fazendo o uso de
(334)
(( M)H())V () = [
1
M
M1

i=0
H(

M
+
2i
M
)]V () (351)
=
1
M
M1

i=0
H( + 2i)V (M) (352)
=
1
M
M1

i=0
H()V (M) (353)
= H()V (M) (354)
= H()(( M)V ()) (355)
Poderemos entao aplicar a relacao obtida (355) `a (350), obtendo assim
y = ( P)( Q)[(( Q)( P)h) v

] = ( P)( Q)[(( P)h) ( Q)v

]. (356)
57
14 Fator de Escala Inteiro Maior que Dois
Um esquema de analise utilizando uma fato de escala inteiro N maior que 2,
em geral, possu uma funcao escala e N 1 diferentes funcoes wavelets
l
,
l = 1, 2, . . . , N 1. A funcao escala deve satisfazer uma relacao de escala e
translacao da forma
(x) =

n
c
n
(Nx n), (357)
que, sob o ponto de vista da freq uencia, e expressa como

() = m
0
(

N
)

(

N
), (358)
onde
m
0
() =
1
N

n
c
n
e
in
. (359)
Sob a otica da analise em resolucoes m ultiplas, cada subespaco gerado pelas
funcoes escala sera subsequentemente decomposto em um espaco de baixa re-
solucao mais N 1 espacos de detalhes associados `as N 1 wavelets. Ou
seja, dado um

V
j1
qualquer, este sera decomposto em

V
j1
=

V
j


W
1
j

W
2
j
. . .

W
N1
j
. Fica obvio entao que tildeV
j
,

W
1
j
, . . . ,

W
N1
j


V
j1
. Desta
forma, todas as wavelets
l
podem ser escritas como uma combinacao linear de
(Nx n),

l
(x) =

n
g
l
n
(Nx n). (360)
No domnio de Fourier, temos

l
() =

n
g
l
n
1
N

(

N
)e
j

N
n
(361)
=

(

N
)m
l
(

N
), (362)
onde e denido
m
l
() =
1
N

n
g
l
n
e
jn
. (363)
Se assumirmos que e
l
possuem suporte compacto, entao m
0
e m
l
serao
polinomios.
Queremos mostrar a ortonomalidade nos diferentes subespacos, faremos entao
um desenvolvimento analogo ao que foi feito na sessao 9. Para que tenhamos
a ortonormalidade entre as funcoes da famlia (x n)
nZ
exigiremos que
(x), (x n)) =
o,n
. Seguindo os mesmos passos em (186) a (192), teremos
(x), (x n)) =
1
2
_
2
0
+

l=
A()e
jn
d, (364)
58
onde denimos
A() = [

( + 2l)[
2
. (365)
A escolha que garante a ortogonalidade e
+

l=
A() = 1, (366)
pois
1
2
_
2
0
e
jn
=
o,n
. (367)
Tal escolha se reete em m
0
da seguinte forma, usando

() =

(

N
)m
0
(

N
)
+

l=
[

( + 2l)[
2
= 1 (368)
+

l=
[

( +
2l
N
)[
2
[m
0
( +
2l
N
)[
2
= 1 (369)
Separando nas varias fases, l = Nk, l = Nk + 1, . . . , l = Nk +N 1, teremos
1 =
+

k=
[

( + 2k)[
2
[m
0
( + 2k)[
2
+
+

k=
[

( + 2k +
2
N
)[
2
[m
0
( + 2k +
2
N
)[
2
+. . . +
+

k=
[

( + 2k +
2(N 1)
N
)[
2
[m
0
( + 2k +
2(N 1)
N
)[
2
(370)
1 =
N1

i=0
+

k=
[

( + 2k +
2i
N
)[
2
[m
0
( + 2k +
2i
N
)[
2
(371)
Como m
0
e periodico com perodo 2, podemos fazer a seguinte simplicacao
1 =
N1

i=0
+

k=
[

( + 2k +
2i
N
)[
2
[m
0
( +
2i
N
)[
2
1 =
N1

i=0
[m
0
( +
2i
N
)[
2
+

k=
[

( + 2k +
2i
N
)[
2
1 =
N1

i=0
[m
0
( +
2i
N
)[
2
, (372)
o que e a condicao de ortonormalidade sobre m
0
.
59
Para que cada uma das famlias
l
(t n)
nZ
, l = 1, . . . , N 1, seja
ortonormal, iremos exigir que
l
,
l
(x n)) = (n). De forma semelhante ao
desenvolvimento anterior, escolheremos

l=
[

( +
2l
N
)[
2
[m
l
( +
2l
N
)[
2
= 1. (373)
Usando agora

l
() =

(

N
)m
l
(

N
) e fazendo a separacao nas diversas fases,
chegaremos `a seguinte conclusao
N1

i=0
[m
l
( +
2i
N
)[
2
= 1, l = 1, . . . , N 1. (374)
Devemos, alem de exigir a ortonormalidade dentro uma famlia, exigir a
ortogonalidade entre famlias diferentes, para que assim os subespacos

V
j
e

W
l
j
sejam ortogonais entre si, e tambem para que os subespacos

W
l
j
e

W
l

j
sejam
ortogonais se l ,= l

. Para termos ortogonalidade entre



V
j
e

W
l
j
e necessario que
(x),
l
(x n)) = 0
_

(x)
l
(x n)dx = 0
1
2
_

()

l
()e
in
d = 0
1
2
_
2
0

l=

( + 2l)

l
( + 2l)e
in
d = 0, (375)
e por tanto, devemos escolher

l=

( + 2l)

l
( + 2l) = 0. (376)
Escrevendo

e

l
em funcao de m
0
e m
l
, teremos

l=

( +
2l
N
)m
0
( +
2l
N
)

( +
2l
N
)m
l
( +
2l
N
) = 0

l=
[

( +
2l
N
)[
2
m
0
( +
2l
N
)m
l
( +
2l
N
) = 0. (377)
Separando as fases, teremos
N1

i=0

k=
[

( + 2k +
2i
N
)[
2
m
0
( + 2k +
2i
N
)m
l
( + 2k +
2i
N
) = 0,(378)
60
mas m
0
e m
l
sap periodicos de perodo 2 e por tanto podemos reduzir a equacao
acima a
N1

i=0

k=
[

( + 2k +
2i
N
)[
2
m
0
( +
2i
N
)m
l
( +
2i
N
) = 0
N1

i=0
m
0
( +
2i
N
)m
l
( +
2i
N
)

k=
[

( + 2k +
2i
N
)[
2
= 0
N1

i=0
m
0
( +
2i
N
)m
l
( +
2i
N
) = 0. (379)
A ortogonalidade entre
l
e
l

, l ,= l

, nos levara, atraves de passos muito


semelhantes aos anteriores `a seguinte condicao que deve ser satisfeita entre m
l
e m
l

N1

i=0
m
l
( +
2i
N
)m
l
( +
2i
N
) = 0. (380)
Analisando as condicoes (372), (374), (379) e (380) podemos concluir que a
ortonormalidade dos diferentes subespacos na analise em resolucoes m ultiplas
implica me que a matrix N N, M(), com elementos da forma
M
l,k
() = m
l1
_
+
2
N
(k 1)
_
, (381)
e unitaria para todo , ou sejam, a inversa de M e a transposta complexa
conjugada de M, M
1
= M

. As linhas de M sao bases unitarias, isto e, cada


linha possu tamanho unitario e produto interno Hermitiano nulo. De forma
similar, as colunas tambem sao bases unitarias. Na verdade, se tomarmos uma
base unitaria, a matriz cujas linhas ou colunas for essa base sera uma matriz
unitaria.
Tendo em vista os elementos da matriz M em (381), podemos reescreve-la
como um produto de duas matrizes
M() = GE(), (382)
onde os elementos de tais matrizes sao dados por
G
l,k
=
1

N
g
l
k
, (383)
E
l,k
() =
1

N
e
il(+
2k
N
)
(384)
para l = 0, 1, . . . , M 1 e k = 0, 1, . . . , N 1. A matriz E esta completamente
denida acima (384), para projetar a matriz M e necessario entao apenas espe-
cicar os coecientes dos ltros na matriz G.
61
Atraves de uma simples analise e facil constatar que a matriz E e de fato uma
matriz unitaria. Qualquer elemento do produto E()E

() pode ser escrito da


seguinte forma
N1

k=0
(
1

N
)
2
e
il(+
2k
N
)
e
il(+
2k
N
)
= 1, (385)
e por tanto a matriz E e unitaria.
Para termos a condicao de ortonomalidade entre os subespacos, como vimos
acima, e necessario que a matriz M seja unitaria, ou seja, M()M

() = I,
mas, temos tambem
M()M

() = (GE())(GE())

(386)
= GE()E

()G

= GG

= I,
onde usamos o fato de E ser tambem unitaria. Conclumos assim que impor que
a matriz M seja unitaria, e equivalente a impor que uma matrz G seja tambem
unitaria. O projeto de bancos de ltros resume-se entao a achar uma matriz G
unitaria.
No caso em que a matriz G e 2 2, podemos escreve-la como
G
2x2
=
_
p t
q u
_
. (387)
Para que a matriz G
2x2
seja unitaria sera nessarias que as seguintes condicoes
sejam satisfeitas
pp +tt = 1 (388)
qq +uu = 1 (389)
pq +tu = 0. (390)
Uma possvel escolha que satisfaz as condicoes (389) a (390) e a seguinte: p =
e
i
/

2, q = e
i
/

2 e t = q, u = p ou t = q, u = p. No primeiro caso, se os
coecientes forem reais e = /4, entao teremos o caso equivalente a wavelet de
Haar. As matrizes 2 2 propostas, podem ser vistas como matrizes de rotacao,
no caso de Haar, teramos uma rotacao de um angulo /4.
Se tomarmos agora o caso em que G e nn, podemos tomar como exemplo
as matrizes ortogonais que promovem as transformacoes de Householder. No
espaco tridimensional, tal transformacao e uma reexao de um vetor em um
plano. Em espaco euclidianos genericos, e uma transformacao linear que des-
creve uma reexao num hiperplano que contenha a origem. Para obter a matriz
da transformacao basta tomar um vetor nao nulo qualquer v e obter a matriz
da seguinte forma
Q = I 2
vv
T
v
T
v
. (391)
Desta forma, o numerador em (391) e uma matriz simetrica enquanto o de-
nominador e o quadrado da magnitude de v. Isto sera uma reexao em um
62
hiperplano perpendicular a v. No caso em que v for um vetor unitario, basta
fazer = I 2vv
T
. Qualquer matriz ortogonal de tamanho n n pode ser cons-
truida com um produto de nao mais que n matrizes de reexao de Householder.
15 Fatores de Escala Nao-Inteiros
Uma das maneiras se obtermos uma melhor resolucao em freq uencia e tomando
fatores de escala menores que o usualmente escolhido fator de escala dois. Ob-
viamente o fator de escala deve ser maior que um, e por tanto, queremos um
fator de escala no intervalo aberto ]1, 2[.

E possvel existir bases ortonormais de wavelets para fatores de dilatacao


racional, como mostrado em (3). No entanto nao e possvel estabelecer uma
analise em resolucoes m ultiplas (ARM) com funcoes e de suporte compacto.
Suponhamos que o fator de escala seja p/q onde p e q sao inteiros. Se levantarmos
a hipotese de que a ARM e valida, entao teremos V
0
V
1
, e exitem entao duas
seq uencias (c
1,n
)
nZ
e (c
2,n
)
nZ
, tais que
(x) =

n
c
1,n
(
p
q
x n), (392)
(x 1) =

n
c
2,n
(
p
q
x n). (393)
As equacoes em (393) podem ser reescritas da seguinte forma, tomando a
transformada de Fourier e manipulando alguns termos
p
q

(
p
q
) =
_

n
c
1,n
e
jn
_

(), (394)
p
q

(
p
q
) = e
jp/q
_

n
c
2,n
e
jn
_

(). (395)
Isto implica em

n
c
1,n
e
jn
= e
jp/q

n
c
2,n
e
jn
. (396)
Mas, se assumimos que as funcoes e possuem suporte compacto, entao as
seq uencias (c
1,n
) e (c
2,n
) devem ser necessariamente nitas. Se ambas sao nitas,
entao na igualdade (396) temos polinomios em ambos os lados, e por tanto a
igualdade e falsa. Nao e possvel gerar um termo de freq uencia fracionaria, `a
direita, com um n umero nito de termos de freq uencias inteiras, `a esquerda.
Em aplicacoes praticas devemos trabalhar com um n umero sempre nito de
coecientes, para tanto devemos truncar a serie em algum ponto, o que gerara
erro no resultado nal.
Restringindo a analise `a fatores racionais da forma p/q. Estaremos nesse
caso lidando com bancos de ltros com mudanca no fator de amostragem por
uma fator p
i
/q
i
em cada um dos bracos. Interessante notar que, para que a
63
densidade de amostras se mantenha a mesma ao longo do banco e necessario
que
N1

i=0
q
i
p
i
= 1, , (397)
onde N e o n umero de bracos no banco de ltros. A condicao (397) e a condicao
de taxa de amostragem crtica.
Figura 25: Banco de Filtros com Decimacao Racional.
O banco de ltros esquematizado na gura 25 e um artefato que separa o
sinal em M canais atraves de ltragem e decimacao por fatores da forma p
i
/q
i
.
O i-esimo canal do banco de ltros contem as freq uencias na faixa
__
i1

k=0
p
k
q
k
_
,
_
i

k=0
p
k
q
k
_

_
(398)
No caso em que os bancos de ltros possuem dois ramos, teremos entao uma
interpolacao pode um fator q e outra por um fator p q, e uma decimacao pelo
fator p em ambos os ramos. O esquema do banco de ltros esta representado
na gura 26. Dado um banco de ltros de analise em duas bandas conforme o
proposto, e necessario projetar os ltros FIR para analise e sntese. Uma abor-
dagem analtica de como o fazer e descrita em (15) e uma abordagem numerica
pode ser vista em (23).
Figura 26: Banco de Filtros Iterativo com Decimacao Racional.
64
Para obtemos uma analise racional devemos claramente, em cada ramo, ter
uma interpolacao ou decimacao por um fator racional. Se assumirmos que
um sinal x(t) e limitado em freq uencia, entao este pode ser reconstrudo sem
erro a partir das suas amostras x(n), para tanto usando a relacao de Nyquist
x(t) =

k
x(k)(t/ k) onde (t) = sen(t)/(t). Mudar o perodo de
amostragem de para p/q fornece entao
x
_
p
q
n
_
=

k
x(k)
_
np kq
q
_
(399)
A equacao acima apenas estabelece que para se obter as amostras em ins-
tantes de amostragem da forma p/qn e necessario primeiramente realizar uma
interpolacao (upsample) por um fator q, posteriormente ltrar pelo ltro bassa-
baixas G(z) =

k
(k/q)z
k
, e nalmente realizar uma decimacao (downsam-
ple) por um fator p. Teremos desta forma
y[n] =

k
g[np kq]x[k]. (400)
Vejamos um exemplo direto, a implementa cao de um banco de ltros com
fatores de conversao da taxa de amostragem 2/3 e 1/3., conforme esquemati-
zado na gura 27. Como podemos observar na gura 28, atraves da analise
Figura 27: Banco de Filtros com fatores 2/3 e 1/3.
da informacao espectral do sinal ao longo do banco, que a reconstrucao per-
feita e atingida na condicao de se utilizar ltros ideais (com coecientes reais).
Em alguns casos e possvel obter a reconstrucao perfeita, embora exista um
embaralhamento em freq uencia (17).
16 Particionamento do Subespaco com mais de
uma wavelet
Como mostrado no artigo de A. Cohen e I. Daubechies (??) e tambem na sessao
15, fatores de dilatacao nao inteiros nao podem gerar uma analise em resolucoes
m ultiplas com funcoes escala de suporte compacto. Uma segunda alternativa
para se obter uma melhor resolucao em freq uencia e utilizar mais de um espaco
de detalhes, ou seja, se temos um fator de dilatacao N, utiliza-se entao uma
funcao escala e N 1 diferentes wavelets
l
, l = 1, . . . , N 1. Tais funcoes
65
Figura 28: Analise espectral do sinal ao longo do Banco de Filtros.
66
devem satisfazer relacoes de escala semelhantes (x) =

n
c
n
(Nx n), ou
equivalentemente, na freq uencia,

() = m
0
(/N)

(/N), onde assumimos


aqui m
0
() = N
1

n
c
n
e
in
. As diferentes
l
podem ser escritas como com-
binacao linear de (Nx n). Existe, no entanto, polinomios trigonometricos
m
l
de forma tal que

l
() = m
l
(/N)

(/N). Para que m


l
sejam de fato po-
linomios, e necessario assumir suporte compacto das funcoes e
l
. Para que
tenhamos ortonormalidade nos diferentes subespacos na analise em resolucoes
multiplas e necessario que a matriz NN, M(), cujos elementos sao da forma
M
lk
() = m
l1
( +
2
N
(k 1)), (401)
seja unitaria para todo , ou seja, a transposta conjugada de M e a propria
inversa.
Para um valor de N qualquer, a mudanca de um subespaco V
j
para um
subespaco de resolucao mais grosseira V
j+1
, corresponde `a salto de log
2
N oitavas
em freq uencia, ja que o fator de dilatacao entre as duas resolucoes e N. Cada
uma das wavelets
l
corresponde entao, em media, a uma largura de banda de
(N 1)
1
log
2
N. Para N = 4, por exemplo, teramos 3 wavelets para duas
oitavas, correspondendo a uma media de
2
3
oitavas por wavelet, o que e melhor
que a relacao de uma oitava por wavelet obtida com N = 2.
No artigo de A.. Cohen e I. Daubechies (??), ilustra-se um processo de con-
trucao de uma base wavelet com fator de dilatacao 4, dada uma base ortonormal
wavelet para o fator de dilatacao 2. Para tanto referenciaremos as wavelets com
fator de escala 4 com um til sobre as letras e as sem o til serao utilizadas para
designar aquelas cujo fator de escala e 2. Os polinomios trigonometricos pode
entao ser dados
m
0
() = m
0
()m
0
(2), (402)
m
1
() = m
0
()m
1
(2), (403)
m
2
() = m
1
()m
1
(2), (404)
m
3
() = m
1
()m
0
(2), (405)
onde m
1
() = e
i
m
0
( +) e m
0
() e um polinomio trigonometrico associado
a uma base ortonormal wavelet com N = 2.
Um banco de ltros para o esquema de decomposicao proposto acima e
ilustrado na gura 29. O banco e constitudo por quatro ramos, mas como o
fator de decimacao e 4, a densidade de amostras ao longo do banco e mantida
constantes.
Tomando o caso mais simples, teremos m
0
() = (1 + e
i
), o que nos da
as wavelets de Haar. Para tal escolha de m
0
, m
1
sera dado por m
1
() =
e
i
(1 e
i
). Os coecientes para m
0
sao sabidamente [

2/2,

2/2] e para m
1
sao [

2/2,

2/2]. Podemos facilmente calcular os coecientes para m


i
, i =
0, 1, 2, 3. Teremos respectivamente: [1/2, 1/2, 1/2, 1/2], [1/2, 1/2, 1/2, 1/2],
[1/2, 1/2, 1/2, 1/2], [1/2, 1/2, 1/2, 1/2]. A matriz de coecientes M
c
67
Figura 29: Banco de Filtros com fator de escala 4.
pode ser dada entao
M
c
=
_

_
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
1/2 1/2 1/2 1/2
_

_
, (406)
e os polinomios trigonometricos para o caso em questao serao dados por
m
0
() = 1 +e
i
+e
i2
+e
i3
, (407)
m
1
() = e
i
+e
i2
e
i3
e
i4
, (408)
m
2
() = e
i3
e
i4
e
i5
+e
i6
, (409)
m
3
() = 1 +e
i
+e
i
e
i2
. (410)
As respostas em freq uencias dos ltros acima especicados, nas equacoes
(407) a (410), sao gracamente ilustradas na guras 30, 31, 32 e 33, respectiva-
mente.

E facil vericar que ltros da forma especicada em (405) fazem com que a
matriz M dada em (401) seja de fato unitaria.
A funcao

correspondente ao ltro m
0
pode ser dada por

() =

j=1
m
0
(4
j
) (411)
=

j=1
[m
0
(2
2j
)m
0
(2
2j+1
)] (412)
=

j=1
m
0
(2
j
) =

(), (413)
ou seja,

. As funcoes de base dos subespacos

sao equivalentes `as funcoes
de base , isso signica que o espaco gerado pelas primeiras funcoes e equivalente
ao subespaco das segundas, ou seja,

V
0
= V
0
. Seguindo o mesmo princpio, os
68
0
0.5
1
1.5
2
/2 0 /2
magnitude
4
2
0
2
4
/2 0 /2
phase
Figura 30: Resposta em Freq uencia
do Filtro m
0
.
0
0.5
1
1.5
2
/2 0 /2
magnitude
4
2
0
2
4
/2 0 /2
phase
Figura 31: Resposta em Freq uencia
do Filtro m
1
.
0
0.5
1
1.5
2
/2 0 /2
magnitude
4
2
0
2
4
/2 0 /2
phase
Figura 32: Resposta em Freq uencia
do Filtro m
2
.
0
0.5
1
1.5
2
/2 0 /2
magnitude
4
2
0
2
4
/2 0 /2
phase
Figura 33: Resposta em Freq uencia
do Filtro m
3
.
espacos

V
j
gerados por funcoes

(4
j
x k) sao equivalentes a subespacos V
m
onde o ndice m e um n umero par, tendo entao

V
j
= V
2j
.
As funcoes wavelets

l
, l = 1, 2, 3 sao dadas por

l
() =

m
l
(

4
)

4
), (414)
em particular,

1
() = m
1
(

2
)m
0
(

4
)

4
) (415)
= m
1
(

2
)

2
) =

(), (416)
entao

1
. Como a funcao e em essencia uma funcao de banda de
oitava, assim tambem sera

, por conseguinte. Este fato mostra que a primeira
suposicao de que a largura de banda media por wavelet fosse de
2
3
de oitava
era, em verdade, ingenua e erronea. A funcao

1
possui a mesma localizacao
em freq uencia que a funcao . Por outro lado, as duas wavelets remanessentes,

2
e

3
, que nao estavam presentes no caso do fator de escala 2, possuem sim
uma melhor localizacao em freq uencia. As duas, juntas, sao responsaveis por
uma oitava, o que nos leva a crer que sejam de funcoes de largura de banda de
1
2
oitava aproximadamente, mas com certeza, menor que uma oitava.
69
As funcoes

2
e

3
geram espacos

W
2
j
e

W
3
j
que juntamente com

W
1
j
= W
2j
complementam

V
j
= V
2j
em relacao a

V
j1
= V
2j2
,

V
j1
=

V
j


W
1
j


W
2
j


W
3
j
(417)
V
2j2
= V
2j
W
2j


W
2
j


W
3
j
(418)
Como V
2j
W
2j
= V
2j1
, segue que

W
2
j


W
3
j
= W
2j1
. Todo subespaco da
forma W
2j1
, de ndice mpar, sera dividido em dois subespacos de aproxima-
damente
1
2
banda de oitava.
17 Matriz Polifasica Para Conversao Racional
da Taxa de Amostragem
Os sistemas mais simples com multiplas taxas de amostragem sao aquele com-
posto por um simples decimador M : 1, preserva uma a cada M amostras,
descartando as demais, ou aquele constitudo por um unico interpolador 1 : L,
acrescentando L 1 zeros entre pares de amostras consecutivos. Geralmente
utilizamos ltros passa-baixas no lado de menor taxa de amostragem, por exem-
plo, ltros anti-aliasing, anti-imaging e ltros quadraticos espelhados (quadratic
mirror lters) em decimadores, interpoladores e codicadores de sub-banda, res-
pectivamente. Os casos mais simples de interpolador e decimador podem ser
visualizados nas guras 34 e 35. Observe que no caso do decimador, a cada
M amostras computadas pela ltragem pelo ltro F(z), M 1 sao despreza-
das e apenas uma e mantida. De forma semelhante, no interpolador, a cada
L amostras na entrada do ltro G(z), L 1 sao nulas, e por tanto dispensa-
riam qualquer calculo. Esses fatos devem ser considerados ao se implementar
os ltros, de forma a diminuir o esforco computacional, nao realizando calculos
desnecessarios.
Figura 34: Decimador M:1 com ltro anti-aliasing F(z).
Figura 35: Interpolador 1:L com ltro anti-imaging G(z).
Os ltros F(z) e G(z) podem ser decompostos em suas M e L fases, res-
pectivamentes. Suponhamos que F(z) = f
0
z
0
+ f
1
z
1
+ f
2
z
2
+ . . . e G(z) =
g
0
z
0
+g
1
z
1
+g
2
z
2
+. . .. F(z) pode ser dividido em suas M fases da seguinte
70
forma:
F(z) = f
0
z
0
+f
1
z
1
+f
2
z
2
+. . . (419)
= [f
0
z
0
+f
M
z
M
+f
2M
z
2M
+. . .]z
0
+
[f
1
z
0
+f
M+1
z
M
+f
2M+1
z
2M
+. . .]z
1
+
[f
2
z
0
+f
M+2
z
M
+f
2M+2
z
2M
+. . .]z
2
+. . . +
[f
M1
z
0
+f
M+M1
z
M
+f
2M+M1
z
2M
+. . .]z
(M1)
= F
M
0
(z
M
)z
0
+F
M
1
(z
M
)z
1
+F
M
2
(z
M
)z
2
+. . . F
M
M1
(z
M
)z
(M1)
.
De maneira analoga, fazemos
G(z) = G
L
0
(z
L
)z
0
+G
L
1
(z
L
)z
1
+G
L
2
(z
L
)z
2
+. . . G
L
L1
(z
L
)z
(L1)
. (420)
Vericamos agora que F(z) e G(z) podem ser implementados de forma que
cada fase seja computada em paralelo, conforme esquematizado nas guras 36
e 37. A resposta ao impulso do i-esimo subltro, F
M
i
ou G
L
i
, e uma versao
subamostrada da resposta ao impulso do ltro, F ou G, atrasada de i unidades.
Figura 36: Implementa cao em paralelo do ltro F(z).
Figura 37: Implementacao em paralelo do ltro G(z).
71
Como os subltros F
M
i
(z
M
) e G
L
i
(z
L
) sao funcao de z
M
e z
L
apenas, eles
podem ser subamostrados e trasferidos para o lado de menor taxa de amos-
tragem, sem alterar a relacao entrada-sada do sistema. A nova estrutura esta
esquematizada nas guras 38 e 39. O n umero total de coecientes dos ltros
continua o mesmo, mas como agora os ltros atuam numa extremidade de me-
nor taxa de amostragem, o n umero de computacoes artitmeticas necessarias e
reduzida por um fator M ou L.
Figura 38: Segunda implementa cao em paralelo do ltro F(z).
Figura 39: Segunda implementacao em paralelo do ltro G(z).
Na gura 40 apresentamos o esquema de um sistema de conversao de taxa
de amostragem por um fator racional L/M, onde L e M sao mutualemte primos
(o maior divisor comum entre ele e 1). O ltro H(z) faz o papel de ltro anti-
aliasing e anti-imaging ao mesmo tempo, e para tanto, sua freq uencia de corte
deve ser o mnimo entre as freq uencias de corte de um ltro anti-aliasing e a de
um ltro anto-imaging. Ao longo do sistema podemos vericar a existencia de
tres distintas freq uencias de amostragem, F
x
, LF
x
e (L/M)F
x
.
Na forma ilustada na gura 40, o ltro H(z) esta atuando sobre a taxa
de amostragem mais alto do sistema. Como vimos anteriormente, podemos
decompor H(z) e move-lo para um dos lados de menos taxa de amostragem.
72
Figura 40: Conversao da Taxa de Amostragem L/M.
Sendo o ltro H(z) um ltro FIR, o esforco computacional sera reduzido por
um fator de L ou M vezes, dependendo do lado para o qual o ltro for movido.
Utilizando as identidades da gura 41 podemos mostrar equivalencia dos
sistemas representados na gura 42. Poderemos tambem utilizar a equivalencia
entre decimacao seguida de interpolacao e interpolacao seguida de decimacao,
quando os fatores de interpolacao e decimacao, M e L, forem primos entre si,
conforme ilustrado na gura 43.
Figura 41: Identidades de Sistemas de M ultiplas Taxas de Amostragem.
Figura 42: Dois Sistemas Equivalentes.
O sistema ilustrado na gura 40 pode ser decomposto em duas formas dife-
rentes utilizando para tanto uma das implementacoes ilustradas nas guras 38 e
39. Os sistemas obtidos apos a decomposicao polifasica estao representados nas
guras 44 e 45, onde cada um dos bracos e constitudo por mu ltro H
M
i
(z) ou
H
L
i
(z) e um atraso z
i
, 0 i < M ou z
j
, 0 j < L, situado entre decimadores e
interpoladores. Se L e M sao mutuamente primos, entao para qualquer inteiro
i, 0 i < M, existe um n umero p
i
, 0 p
i
< M, tal que (p
i
LmodM) = i.
Por tanto, p
i
L = i + q
i
M para algum q
i
, 0 q
i
< L e entao, i = p
i
L q
i
M.
Desta forma, cada um dos atrasos das guras 44 e 45 podem ser dismembrados
e deslocados, conforme a gura 42. O interpolador e o decimador tornam-se
entao adjacentes, podemos assim trocar a ordem em que aparecem, conforme
73
Figura 43: Sistemas Equivalentes (L e M sao mutuamente primos).
ilustrado na gura 43, derivando assim as estruturas representadas nas guras
46 e 47.
Figura 44: Arranjo Polifasico para um Sistema com Conversao de Amostragem
L/M.
Com a mudan ca da ordem entre a decimacao e a interpolacao, a taxa de
amostragem intermediaria, que antes era LF
x
, passa a ser F
x
/M. Esta nova
taxa de amostragem e menor que ambas as taxas, de sada e de entrada do
sistema. Desta forma, e interessante aplicar uma decomposicao polifasica aos
ltros individuais H
M
i
(z) ou H
L
j
(z), ltros esses associados ao atraso z
+q
i
, for-
mando entao uma estrutura de matriz. A estrutura polifasica em matriz nal
para o sistema de conversao de taxa de amostragem L/M e ilustrado na gura
48.
Para derivar a matriz do ltro polifasico para um dado ltro H(z) =

n
h[n]z
n
,
e necessario fazer os seguintes passos. A cada M amostras de x[n], L amostras
de y[k] sao geradas. Os sinais de entrada e sada podem ser agrupados eme
blocos com M e L, respectivamente.
X
M
m
[i] = x[m+iM], 0 m < M, (421)
Y
L
l
[j] = y[l +jL], 0 l < L. (422)
O mapeamento de n em (m, i) e de k em (l, j) e um mapeamente um para
um. Desta forma, para cada bloco de entrada, um bloco de sada e gerado.
X
M
m
[i] e Y
L
l
[j] sao versoes subamostradas de X[n] e y[n], transladadas de m
74
Figura 45: Arranjo Polifasico para um Sistema com Conversao de Amostragem
L/M (2).
Figura 46: Arranjo Polifasico Modicado.
Figura 47: Arranjo Polifasico Modicado (2).
75
Figura 48: Estrutura de Matriz Polifasica.
76
e l amostras, respectivamente. A transformada z da entrada e da sada po-
dem ser representadas como uma soma das transformadas de X
M
m
[i] e Y
L
l
[j]
multiplicadas pelos atrasos de fase.
X(z) =

n
x[n]z
n
=

i
M1

m=0
x[m+iM]z
(m+iM)
=
M1

m=0
z
+m

i
X
M
m
[i](z
M
)
i
=
M1

m=0
z
+m
X
M
m
[i](z
M
), (423)
onde X
M
m
[i](z
M
) =

i
X
M
m
[i](z
M
)
i
. De forma similar teremos
Y (z) =
L1

l=0
z
+l
Y
L
l
[i](z
L
). (424)
A relacao entrada-sada do sistema e dada por
y[k] =

n
x[n]h[kM nL]. (425)
A representacao de um bloco de sada e da seguinte forma
Y
L
l
[j] = y[l +jL]
=

n
x[n]h[(l +jL)M nL]
=

i
M1

m=0
X
M
m
[i]h[(l +jL)M (m+iM)L]
=
M1

m=0

i
X
M
m
[i]h[(lM +mL) + (j i)ML]. (426)
Se denirmos agora h
ML
m,l
[j] = h[(lM + mL) + jML], 0 m < M e 0 l < L,
teremos
Y
L
l
[j] =
M1

m=0

i
X
M
m
[i]h
ML
m,l
[j i]
=
M1

m=0
X
M
m
[j] h
ML
m,l
[j]. (427)
77
Podemos entao escrever Y
L
l
(z) da sequinte forma
Y
L
l
(z) =
M1

m=0
X
M
m
(z)H
ML
m,l
(z), (428)
e Y (z) como
Y (z) =
L1

l=0
z
l
Y
L
l
(z
L
)
=
L1

l=0
M1

m=0
X
M
m
(z
L
)H
ML
m,l
(z
L
). (429)
Os ltros polifasicos H
ML
m,l
(z) sao os ltros ilustrados na gura 48. Pelo
teorema chines dos resduos (1), o mapeiamento do indice n de h[n] `a (m, l, j) e
um para um. Cada coeciente do ltro h[n] esta associado a apenas um elemento
de ltro polifasico da matriz.

E importante notal que o n umero de coecientes
permanece o mesmo, e por tanto o esforco computacional sera reduzido por um
fator LM comparando-se com a implementacao inicial de H(z).
18 Pacotes Wavelets
Com a analise em resolucoes m ultiplas temos o seccionamento do espaco em su-
bespacos ortogoais encaixantes, de forma a termos um subespaco de mais baixa
resolucao V
0
e os demais espacos W
j
. Se considerarmos espacos subsequentes,
V
j1
e V
j
, temos V
j1
= V
j
W
j
. Heuriscicamente, V
j1
e duas vezes maior que
V
j
e W
j
(que possuem, possivelmente o mesmo tamanho), conseq uentemente,
V
j2
e quatro vezes maior que V
j
, e W
j1
e duas vezes maior que W
j
. Es-
sas diferencas entre os tamanhos dos subespacos sugere que podemos dividi-los
ainda mais algumas vezes, de forma a termos ao nal subespacos de tamanhos
iguais. Devemos entao construir novas funcoes que servirao de base para esse
espacos ortonormais. Essas funcoes sao chamadas pacotes de wavelets, sao
funcoes bem localizadas no tempo e na freq uencia. Os pacotes de wavelets foram
introduzidos por Coifman, Meyer e Wickerhaser (10).
Para decompor o espaco utilizamos os ltros espelho conjugados. Queremos
agora mostrar que com a utilizacao de ltros espelho conjugados e possvel
dividir um espaco U
j
, que admita uma base ortogonal de funcoes transladadas
por n2
j
, onde n Z, em dois outros subespacos de forma que: seja
j
(t
2
j
n)
nZ
uma base orthonormal do espaco U
j
e sejam os pares de ltros espelho
conjudados h e g, entao denimos

0
j+1
=
+

n=
h[n]
j
(t 2
j
n) e
1
j+1
=
+

n=
g[n]
j
(t 2
j
n). (430)
sendo a famlia

0
j+1
(t 2
j+1
n),
1
j+1
(t 2
j+1
n)
nZ
(431)
78
tambem uma base ortonormal de U
j
.
A hipotese de que
j
(t 2
j
n)
nZ
e ortonormal equivale a dizer que (lem-
brando que

j
e periodico de perodo 2
j+1
)

n,m
=
j
(t 2
j
n),
j
(t 2
j
m)) (432)
=
1
2
_

e
i2
j
(nm)
[

j
()[
2
d (433)
=
1
2

kZ
_
2(k+1)2
j
2k2
j
e
i2
j
(nm)
[

j
()[
2
d (434)
=
1
2
_
22
j
0
e
i(nm)2
j

kZ
[

j
( +
2k
2
j
)[
2
_
d (435)
Como
_
e
ik
= 2(k), conclumos que
1
2
j

kZ
[

j
( +
2k
2
j
)[
2
= 1. (436)
Tomando a transformada de Fourier de
0
j+1
(t), denido em (430), temos

0
j+1
() =

nZ
h
n
e
in2
j

j
() =

2m
0
(2
j
)

j
(), (437)
onde m
0
() = 1/

nZ
h
n
e
in
. De forma analoga

1
j+1
() =

nZ
g
n
e
in2
j

j
() =

2m
1
(2
j
)

j
(), (438)
onde m
1
() = 1/

nZ
g
n
e
in
.
Como vimos na sessao 9, as funcoes m
0
e m
1
devem satisfazer `as seguintes
condicoes:
[m
0
()[
2
+[m
0
( +)[
2
= 1, (439)
[m
1
()[
2
+[m
1
( +)[
2
= 1, (440)
m
1
()m
0
() +m
1
( +)m
0
( +). (441)
Da mesma forma que mostramos (436), deve-se mostrar que as famlias

l
j+1
(t 2
j+1
n)
nZ
, l = 0, 1, sao ortonormais se e somente se
1
2
j+1

kZ
[

l
j+1
( +
2k
2
j+1
)[
2
= 1. (442)

E necessario tambem que as duas famlias seja ortogonais entre si, isso implica
em
1
2
j+1

kZ

0
j+1
( +
2k
2
j+1
)

1
j+1
( +
2k
2
j+1
) = 0 (443)
79
Para mostrar (442) e necessario tomar (437) ou (438), separar o somatorio
em nos termos pares e mpares, considerar as condicoes (440) e (441), e ainda
lembrar que m
l
e uma funcao periodica de perodo 2. Teremos
1
2
j+1

kZ
[

l
j+1
( +
2k
2
j+1
)[
2
=
1
2
j+1

kZ
[

j
( +
k
2
j
)[
2
[m
l
(2
j
+k)[
2
=
1
2
j+1
[m
l
(2
j
)[
2

kZ
[

j
( +
2k
2
j
)[
2
+
1
2
j+1
[m
l
(2
j
+)[
2

kZ
[

j
( +2
j
+
2k
2
j
)[
2
= 1. (444)
Podemos mostrar (443), para tanto devemos seguir o mesmo procedimento,
mas considerar tambem a relacao (441).
Para completar a demonstracao de que U
j
= U
0
j+1
U
1
j+1
, onde U
j
e o espaco
gerado por
j
(t 2
j
n)
nZ
, U
0
j+1
o espaco gerado por
0
j+1
(t 2
j+1
n)
nZ
e U
1
j+1
o espaco gerado por
1
j+1
(t 2
j+1
n)
nZ
, devemos mostrar que as
duas ultimas famlis juntas, geram o mesmo espaco que a primeira famlia.
Ou seja, dada a seq uencia a
n

nZ
l
2
(Z), existem as seq uencias b
n

nZ
e
c
n

nZ
l
2
(Z), tais que

nZ
a
n

j
(t 2
j
n) =

nZ
b
n

0
j+1
(t 2
j+1
n) +

nZ
c
n

1
j+1
(t 2
j+1
n). (445)
Como
0
j+1
e
1
j+1
sao ortogonais, b
n
se restringe a
b
n
=

lZ
a
l

j
(t 2
j
l),
0
j+1
(t 2
j+1
n)) (446)
=

lZ
a
l
1
2
_

e
i2
j
l
e
i2
j+1
n

j
()

0
j+1
()d (447)
Usando agora a relacao (437), e lembrando que m
0
e

j
sao periodicos com
perodo 2 e 22
j
, respectivamente, temos
b
n
=

2
2

lZ
a
l
_

e
i2
j
(l2n)

j
()m
0
(2
j
)

j
()d
=

2
2

lZ
a
l

mZ
_
22
j
0
e
i2
j
(l2n)
[

j
( +
2m
2
j
)[
2
m
0
(2
j
+
2m
2
j
)d
=

2
2

lZ
a
l
_
22
j
0
e
i2
j
(l2n)
_

mZ
[

j
( +
2m
2
j
)[
2
_
m
0
(2
j
)d. (448)
Considerando a equacao (436) e posteriormente fazendo a substituicao = 2
j
,
80
teremos
b
n
=

2
2

lZ
a
l
_
2
j
_
22
j
0
e
i2
j
(l2n)
m
0
(2
j
)d
_
=

lZ
a
l
_

2
2
_
2
0
e
i2
j
(l2n)
m
0
()d
_
. (449)
Ao calcularmos h
n
a partir da relacao (430) temos
h
n
=
0
j+1
(t),
j
(t 2
j
n))
=
1
2
_

0
j+1
()e
i2
j
n

j
()d
=

2
2
_

m
0
(2
j
)

j
()

j
()e
i2
j
n
d
=

2
2
_

m
0
(2
j
)e
i2
j
n
[

j
()[
2
d
=

2
2

mZ
_
22
j
0
m
0
(2
j
+ 2m)e
i2
j
n
[

j
( +
2m
2
j
)[
2
d
=

2
2
_
22
j
0
m
0
(2
j
)e
i2
j
n
_

mZ
[

j
( +
2m
2
j
)[
2
_
d
=
2
j

2
2
_
22
j
0
m
0
(2
j
)e
i2
j
n
d
=

2
2
_
2
0
m
0
()e
in
d (450)
Utilizando o resultado ascima, conclumos que
b
n
=

lZ
a
l
h
2nl
. (451)
De forma semelhante, conclumos que
c
n
=

lZ
a
l
g
2nl
. (452)
A ideia e utilizar o resultado acima para particionar subseq uentemente os
subespacos ao longo do processo de decomposicao. Um subespaco W
0
j
sera
particionado em W
0
j+1
e W
1
j+1
, W
0
j+1
sera particionado em W
0
j+2
e W
1
j+2
, ja
W
1
j+1
sera particionado em W
2
j+2
e W
3
j+2
, e assim podemos continuar o processo.
A divisao recursiva dos espacos vetoriais pode entao ser representada por uma
arvore binaria.
Ao inves de dividir apenas os epacos de aproxima cao V
j
, dividiremos tambem
o espaco dos detalhes W
j
, para tanto fazendo uso do que foi mostrado acima.
81
Se U
j
= W
j
, entao podemos particionar esse espaco em dois novo subespacos,
e podemos obter a base para esse subespaco, bastando para tanto conhecer
as funcoes de base do espaco antecessor e os coecientes do ltro espelhado
conjugado. A arvore binaria que representa o processo de decomposicao pode
ser vista na gura 49.
Figura 49:

Arvore Binaria de Decomposicao do Espaco com Pacotes Wavelets.
Cada no da arvore e indexado por um par (j, p), sendo j indexando a pro-
fundidade do no na arvore e p a posicao do no no nvel em questao, quantos
nos existem `a esquerda do no selecionado. Cada no (j, p) e associado a um
subespaco W
p
j
, que admite uma base ortonormal
p
j
(t 2
j
n)
nZ
. Os nos na
estrema esquerda, estao associados aos subespacos W
0
j
, espacos de aproxima cao,
W
0
j
= V
j
e
0
j
=
j
. Se para um dado subespaco W
p
j
, associado ao no (j, p),
temos ja costruda a sua base B
p
j
=
p
j
(t 2
j
n)
nZ
, podemos obter a base
para os subespacos dos nos lhos atraves do particionamento

2p
j+1
(t) =

n=
h
n

p
j
(t 2
j
n) e (453)

2p+1
j+1
(t) =

n=
g
n

p
j
(t 2
j
n). (454)
Os coecientes h
n
e g
n
sao dados por
h
n
=
2p
j+1
(u),
p
j
(u 2
j
n)), (455)
g
n
=
2p+1
j+1
(u),
p
j
(u 2
j
n)). (456)
Dissemos inicialmente, que dividir mais vezes os subespaco de detalhes le-
varia a uma melhora na resolucao em freq uencia. Pelo princpida de incerteza
de Heisenberg, e de se esperar que como conseq uencia tenhamos uma perda na
denicao temporal. Para averiguar esses aspectos, suponhamos que os ltros h
e g possuem resposta ao impulso de tamanho K. O suporte de sera entao de
tamanho K 1 ??, e entao
0
L
=
L
tera suporte de tamanho (K 1)2
L
. Uti-
lizando as relacoes (453) e (454), podemos mostrar que o suporte de
p
j
possu
tamanho (K 1)2
j
. O parametro j especica, pois, a escala 2
j
do suporte.
82
Tomando a transformada de Fourier de (453) e (454), mostramos que a trans-
formada de Fourier dos lhos esta relacionada `a dos pais da seguinte maneira

2p
j+1
() =

h(2
j
)

p
j
(), (457)

2p+1
j+1
() = g(2
j
)

p
j
(). (458)
A maior parte da energia de

p
j
esta concentrada em uma determinada banda
de freq uencias, e os dois ltros

h(2
j
) e g(2
j
) selecionam entre as componentes
de altas e baixas freq uencias dentro desta banda.
19 Perspectiva Historica
A origem dos estudos sobre wavelet e bastante difusa e se confunde com di-
versos outras estudos correlatos. Meyer diz ter encontrado 15 distintas raizes
para a teoria de wavelets, sendo as mais antigas delas da decada de 30. Da-
did Marr, por exemplo, trabalhando em visao articial e robotica no MIT teve
ideias similares a wavelets. A comunidade de fsicos foi apresentada `as wavelets
com o trabalho de renormalizacao de Kenneth Wilson, ganhador do Nobel em
1971. Os matematicos Littlewood e Paley desenvolveram tecnicas semelhantes
`as wavelets que foram aplicadas ao estudo de series trigonometricas. Na area de
processamento de sinais, os trabalhos de tres pesquisadores franceses em 1976,
A. Croisier, D. Esteban e C. Galand, introduziram um banco de ltros que po-
deria ser utilizado para decompor, subamostrar e reconstruir um sinal, sendo
mais tarde relacionado a teoria de wavelets. Outros pesquisadoros desenvol-
veram funcoes wavelets, similares `a funcao de Gabor, para modelar o sistema
visual humano.
O termo wavelet (originalmente wavelet de forma constante para con-
trastar com as funcoes da analise de Fourier de tempo curto (short-time Fourier
transform)) foi introduzido por Jean Morlet em seus trabalhos em geofsica,
onde aplicou, pela primeira vez, a transformada wavelet aplicada a analise de
dados ssmicos (22). A maneira padrao para se localizar oleo no subsolo foi
introduzida em nos anos 60 e consiste em enviar vibracoes ou pulsos no sub-
solo e analisar os seus echos. Este tipo de analise fornece a profundidade, a
expessura e a constituicao das varias camadas do solo. De maneira simples po-
demos dizer que a freq uencia dos echos esta ligada a expessura das camadas,
sendo as altas freq uencias associadas `as camadas mais nas. Morlet sabia que
os pulsos modulados que eram enviados para o subsolo possuam uma duracao
muito longa em altas freq uencias para ser capaz de separar precisamente ca-
madas muito proximas. A ideia de Morlet foi, ao inves de emitir pulsos de
mesma duracao, usar formas de ondas mais curtas em freq uencias mais altas.
Tais formas de onda foram obtidas por uma simples mudanca de escala de uma
unica funcao chamada wavelet. Esta nao foi a primeira tecnicas baseadas em
translacao e dilatacao, podemos citar exemplos anteriores da utilizacao delas,
como o trabalho desenvolvido por A. Calderon (6), (7).
83
Embora Alex Grossmann estudasse fsica teorica, a abordagem de Morlet
trouxe algumas ideias que de certa forma se aproximavam ao seu trabalho em
estados coerentes quanticos. Os resultados de Morlet instigaram Grossmann a
fazer um estudo mais detalhado da transformada wavelet. Grossman e Morlet
mostraram que quando wavelets eram utilizadas para representar um sinal, nao
havia variacao na energia deste, condicao crucial para se fazer a reconstrucao do
sinal. Apenas 40 anos depois a transformada wavelet seria formalizada atraves
de uma trabalho de colaboracao entre a fsica teorica e processamento de sinais,
envolvendo Gabor, Morlet e Grossmann (12).
Em 1986, Stephane Mallat, no momento, ainda um estudante de vinte e treis
anos, encontra-se com Yves Meyer e juntos mostram que os diversos trabalhos
sobre wavelets, algoritmos piramidais utilizados em processamento de imagens,
codicacao de subbanda em processamento de sinais e ltro espelhados em qua-
dratura utilizados em processamento de sinais de voz estao todos fundamentados
sobre uma mesma teoria (21). Criaram assim a teoria da analise em resolucoes
m ultiplas, tendo como um dos resultados a transformada rapida wavelet. Um
outro resultado foi a teoria matematica para as wavelets ortogonais.
O algortmo proposto por Mallat utilizava inicialmente versoes de wavelets
de Guy Battle e Pierre Gilles Lemarie que se extendiam do innito begativo
ao innito positivo e portanto tinham que ser necessariamente truncadas. As
wavelets de suporte compacto surgem com os trabalhos de Ingrid Daubechies
e servem ao proposito de evitar o erro cometido com o truncamento. Essas
wavelets nao podem ser construidas de forma analtica, apenas numericamente.
Mais tarde, outros pesquisadores mostraram que seria possvel criar wavelets
ortogonais com suporte compacto e com funcao explcita, mas, para tanto, seria
necessario utilizar mais do que uma funcao escala.
A Teorema de Parseval
Teorema A.1. Se f e h pertencem a L
1
(R) L
2
(R), entao
_
+

f(t)h

(t)dt =
1
2
_
+

f()

()d (459)
Para h = f seque que
_
+

[f[
2
dt =
1
2
_
+

f()[
2
d (460)
Demonstrac ao. Seja g = f h, onde h = h

(t).
B Base de Riesz
Em um espaco de innitas dimensoes, se relaxamos a condicao de ortogonalidade
de uma base, devemos impor uma equivalencia parcial de energia para garantir
84
a estabilidade da base. Seja uma famlia de vetores e
n

nN
, esta e dita uma
base de Riesz de H se for linearmente independente e existir A, B > 0 tais que
para qualquer f H podemos encontrar
n
de forma que
f =
+

n=0

n
e
n
, (461)
em que a seguinte condicao seja satisfeita
1
B
|f|
2

n
[
n
[
2

1
A
|f|
2
. (462)
e
n
O teorema de representa cao de Riesz prova que existe e
n
tal que
n
=
f, e
n
), e por (462), teremos
1
B
|f|
2

n
[f, e
n
)[
2

1
A
|f|
2
. (463)
O teorema (??) garante que para todo f H
A|f|
2

n
[f, e
n
)[
2
B|f|
2
, e (464)
f =
+

n=0
f, e
n
)e
n
=
+

n=0
f, e
n
) e
n
. (465)
A famlia dual e
n

nN
e linearmente independente e tambem uma base de
Riesz. Essas bases duais devem ser biortogonais pois no caso em que f = e
p
te-
remos e
p
=

+
n=0
e
p
, e
n
)e
n
. Como e
n

nN
constitui uma famlia linearmente
independente, teremos a relacao de biortogonalidade entre as bases
e
p
, e
n
) =
pn
. (466)
Referencias
[1] The Art of Computer Programming: Seminumerical Algorithms. Addison-
Wesley, 1997.
[2] E. W. Aslaksen and J. R. Klauder. Unitary representations of the ane
group. j-J-MATH-PHYS, 9(2):206211, feb 1968.
[3] P. Auscher. Ondelettes fractales et applications. PhD thesis, University of
Paris IX, 1989.
[4] Guy Battle. A block spin construction of ondelettes. part i: Lemari`e func-
tions. Comm. Math. Phys., 110:601615, 1987.
85
[5] Riccardo Bernardini and Jelena Kovacevic. Arbitrary tilings of the time-
frequency plane using local bases. IEEE Transactions on Signal Processing,
47:22932304, 1999.
[6] A.P. Calderon. Intermediate spaces and interpolation, the complex method.
Studia Math., 24:113190, 1964.
[7] A.P. Calderon. Parabolic maximal functions associated to a distribution.
Adv. Math., 16:164, 1974.
[8] C. K. Chui and J. Z.Wang. On compactly supported spline wavelets and a
duality principle. Trans. Math. Soc., 330(2):903915, 1992.
[9] A. Cohen and Ingrid Daubechies. Orthonormal bases of compactly suppor-
ted wavelets iii. better frequency resolution. SIAM Journal of Mathematics
Analysis, 24:520527, 1993.
[10] R. R. Coifman, Y. Meyer, and M. V. Wicherhauser. Wavelet analysis and
signal processing. pages 153178, 1992.
[11] Ingrid Daubechies. Orthonormal bases of compactly supported wavelets.
Comm. Pure Appl. Math., 41:909996, 1988.
[12] A. Grossmann and J. Morlet. Decomposition of hardy functions into square
integrable wavelets of constant shape. SIAM Journal of Math. Anal.,
15(4):723736, July 1984.
[13] A. Grossmann, J. Morlet, and T. Paul. Transforms associated to square in-
tegrable group representations I: General results. J. Math. Phys., 26:2473
2479, 1985.
[14] A. Grossmann, J. Morlet, and T. Paul. Transforms associated to square
integrable group representations II: Examples. Annales de lInstitut Henri
Poincare, 45:293, 1986.
[15] C.C. Hsiao. Polyphase lter matrix for rational sampling rate conversions.
Proc. ICASSP, pages 21732176, 1987.
[16] Jelena Kovacevic and Martin Vetterli. Perfect reconstruction lter banks
with rational sampling rate changes. IEEE, pages 17851788, 1991.
[17] Jelena Kovacevic and Martin Vetterli. Perfect reconstruction lter banks
with rational sampling factors. IEEE Transactions on Signal Processing,
41:20472066, 1993.
[18] R. Kronland-Martinet, J. Morlet, and A. Grossmann. Analysis of sound
patterns through wavelet transforms. Int. J. Patt. Rec. Art. Intell.,
1(2):273301, 1988.
[19] P. G. Lemarie. Sur lexistence des analyses multi-resolutions en theorie des
ondelettes. Revista Mat. Iberoamericana, 8:457474, 1993.
86
[20] S. Mallat. A theory for multiresolution signal decomposition: The wavelet
representation. IEEE Trans. Pat. Anal. Mach. Intell., 11:674693, 1989.
[21] Stephane Mallat. Multiresolution approximation and wavelets. Transacti-
ons of the American Mathematical Society, 315:6988, 1989.
[22] J. Morlet, G. Arens, I. Fourgeau, and D. Giard. Wave propagation and
sampling theory. Geophysics, 47:203236, 1982.
[23] K. Nayebi, T. P. Barnwell III, and M. J. T. Smith. The design of perfect
reconstruction nonuniform band lters. Proc. ICASSP, pages 17811784,
1991.
[24] T. Paul. Functions analytic on the halfplane as quantum mechanical sta-
tes. JMP, 25(11):32523263, 1984.
[25] M. Unser, A. Aldroubi, and M. Eden. On the asymptotic convergence of
b-spline wavelets to gabor functions. IEEE, Trans. Information Theory,
38(2):864872, 1992.
87