Você está na página 1de 16

Captulo

4
Wavelets

4.1 Consideraes Iniciais

Este captulo apresenta uma breve introduo teoria de wavelets sob a


tica da anlise de sinais. A todo momento estamos nos deparando com sinais, por
exemplo: sinais ssmicos, sinais de rdio, imagens, entre outros. Esses sinais, para seu
processamento e anlise, contam com uma srie de ferramentas, onde talvez a mais
conhecida seja a transformada de Fourier, que representa um sinal atravs de funes
senoidais de diferentes freqncias. Atravs da transformada de Fourier, um sinal
representado no domnio do tempo transformado para o domnio da freqncia.
A transformada wavelet apresenta-se como uma ferramenta alternativa para
o processamento de sinais, mudando o paradigma de representao dos mesmos, ao
utilizar funes base de suporte compacto (em vez das senoidais de Fourier) para
transformar um sinal para o espao de tempo-escala.
No caso de processamento de imagens, um dos pontos fortes da
transformada wavelet vem do fato que com uma quantidade mnima de valores (em um
escala menor da imagem) possvel representar a imagem toda sem perdas relativas na
maioria dos casos. Esses valores podem ser aproveitados na montagem do vetor de
caracterstica para representao de uma imagem.
As wavelets esto sendo utilizadas em inmeras reas, por exemplo ; na
mecnica de fludos, computao numrica, anlise de imagens, processamento de

CAPTULO 4. WAVELETS

53

sinais, sistemas de controle, fenmenos biolgicos, medicina e psicologia. No futuro


prximo, espera-se que a anlise de wavelets seja uma ferramenta de anlise e
visualizao como a transformada de Fourier. Nas prximas sees seguir apresenta-se
uma breve introduo a esta interessante teoria, onde a abordagem utilizada a de
multiresoluo.

4.2 Transformada de Fourier

Como foi mencionado no inicio deste captulo, uma das tcnicas mais
populares no processamento de sinais a transformada de Fourier, que tem como
objetivo transformar um sinal (funo) do domnio de espao para o domnio de
freq ncia [WANG, J. Z. (2000); GONZALEZ, R. C. & WOODS, R. E. (1992)].
A funo responsvel pela transformao dada por:
F ( u ) = f (t )e jwt dt

(4.1)

Esta equao corresponde transformada de Fourier de um sinal contnuo


f(t), a qual apresenta algumas deficincias, entre elas o fato de que esta transformao
no relaciona os intervalos de tempo com as frequncias. Isto devido ao fato de que a
transformada est baseada na integrao de toda a funo para o clculo de cada
freqncia. Esse no seria um problema se o sinal no mudasse durante o tempo (sinais
estacionrios), mas acontece que muitos sinais interessantes contm muitas
caractersticas no estacionrias ou transitrias (fluxos, tendncias, mudanas
repentinas, incio e final de um evento). Essas caractersticas geralmente so a parte
mais importante do sinal.
Para solucionar esse problema Dennis Gabor no ano de 1946 adaptou a
transformada de Fourier para analisar s uma pequena poro do sinal em um tempo,
introduzindo a chamada transformada por janelas de Fourier (Windowed Fourier
Transform WFT). Nesse caso, uma janela de observao deslocada no domnio do
tempo e a transformada de Fourier da poro visvel do sinal calculada para cada
posio da janela. Considerando j(t) a funo que cumpre o papel de janela , pode-se
definir a transformada por janelas de Fourier de um sinal contnuo f(t) como:

CAPTULO 4. WAVELETS

54

F ( u, b ) = j (t b ) f [t ]e i2ut dt

(4.2)

O problema que uma vez definido o tamanho para a janela, esta


permanece constante para todas as freqncias. Pode acontecer que alguns sinais
precisem de um enfoque mais flexvel, onde o tamanho da janela possa mudar com o
objetivo de detectar o contedo local da freqncia [DAUBECHIES, I. (1990);
GOMEZ, J. et al. (1997)].

4.3 Transformada Wavelet

Depois da transformada por janelas de Fourier, a utilizao das wavelets o


passo lgico seguinte. Logo, pode-se interpret- la como uma tcnica por janelas com
regies de dimenso varivel, onde as wavelets, diferentemente de Fourier, tem como
base uma funo de durao limitada, is so , de suporte compacto, que uma
propriedade na qual seu domnio diferente de zero em uma extenso finita e igual a
zero em todo o resto. Isto torna interessante a utilizao das wavelets no caso especfico
da anlise de imagens, pois as mudanas de regies ou bordas podem ser detectadas
mais facilmente.
A definio de uma transformada wavelet considerando um sinal contnuo
dada por:
F ( a, b) = f (t )a , b (t ) dt

(4.3)

Nesta equao os parmetros a e b variam continuamente em , sendo que


as funes a, b so denominadas wavelets e definidas da seguinte forma:

a , b (t ) =

1
tb
(
)
a
a

(4.4)

A transformada wavelet para sinais contnuos definida como:

Fm, n ( a, b ) = a0

m
2

f (t )(a

m
0

t nb0 )

(4.5)

CAPTULO 4. WAVELETS

55

Pode-se ver claramente que o comportamento desta funo est baseada em


dilataes e translaes a partir de uma wavelet me . Em ambos os casos, essa
wavelet me, deve satisfazer a propriedade:

(t )dt = 0

(4.6)

Observando-se a equao 4.3, percebe-se que a transformada wavelet


depende de dois parmetros a e b, que correspondem s informaes de escala e tempo
respectivamente [DAUBECHIES, I. (1990); GOMEZ, J. et al. (1997); MISITI, M. et al.
(2001)]
Segundo [DAUBECHIES, I. (1992)], dentro da transformada discreta de
wavelet distinguem-se duas abordagens: sistemas redundantes discretos (frames) e o
ortonormal (e outras) bases de wavelets. A segunda abordagem considera a estratgia de
anlise de mutiresoluo, desenvolvida por [MALLAT, S. (1989)].

4.3.1 Mtodos Multiresoluo

As primeiras construes de bases ortonormais de wavelets pareciam um


pouco miraculosas. A situao mudou com a chegada da anlise de multiresoluo,
formulada em 1986 por Mallat e Meyer. A multiresoluo fornece um referencial onde
permitem a construo de novas bases de wavelets. Quando Mallat trabalhou com
wavelets de Meyer pela primeira vez, ele estava trabalhando com anlise de imagens,
onde a idia de se estudar imagens em vrias escalas simultaneamente era popular. Isso
o estimulou a ver bases ortonormais de wavelets como uma ferramenta para descrever
matematicamente o incremento na informao necessrio para se ir de uma
aproximao grosseira para uma aproximao com maior resoluo [DAUBECHIES, I.
(1990)].
Uma decomposio multiresoluo permite obter uma interpretao
invariante de escala da imagem. A escala de uma imagem muda em razo da distncia
entre a cena e o centro tico da cmera. Quando a escala da imagem modificada, a
interpretao da imagem no deveria mudar. Uma representao multiresoluo pode

CAPTULO 4. WAVELETS

56

ser parcialmente invariante em escala se a seqncia de parmetros da resoluo


(V j ) j z varia exponencialmente [MALLAT, S. (1989)].

Para um melhor entendimento, utiliza-se o conceito de espao vetorial da


lgebra linear. Um espao vetorial V basicamente uma coleo de objetos
(nomeados vetores, neste contexto) para os quais a adio e o produto escalar esto
definidos. Assim possvel adicionar dois vetores, escalar um vetor por alguma
constante e assim sucessivamente [STOLLNITZ, E. J. et al. (1996)]. preciso definir
1

uma base para cada espao vetorial V j . As funes base para o espao V j so
denominadas funes escalares e so usualmente denotadas pelo smbolo . Uma base
simples para V j dada pelo conjunto de funes scaling escaladas e transladadas:

i j ( x ) := (2 j x i ), i = 0,...,2 j 1

Onde
1 se 0 x 1
( x ) :=
0 se caso contrrio
A Figura 4.1 mostra duas aproximaes de uma funo contnua por funes scaling.

Figura 4.1: Uma funo contnua f(x) (linhas pontilhadas) e a funo de aproximao caixa (linhas
slidas) em duas resolues. Na esquerda a aproximao grosseira
de maior resoluo

A0 f ( x) e na direita a aproximao

A1 f ( x ) [DAVIS, G. M. & NOSRATINIA, A. (1998)].

CAPTULO 4. WAVELETS

57

O passo seguinte na construo da anlise de multiresoluo consiste em


escolher um produto interno definido sobre os espaos de vetores V j . Para o exemplo
mostrado, o produto interno padro dado por:

f | g := f ( x) g ( x) dx

(4.7)

Dois vetores u e v so ditos ortogonais sob um produto interno escolhido se

u | v = 0. possvel ento definir um novo espao vetorial W j como complemento


ortogonal de V j em V j+1 . Em outras palavras, W j o espao de todas as funes em V j+1
que so ortogonais a todas as funes em V j no produto interno escolhido.
Uma coleo de funes i j ( x) de W j , so nomeadas wavelets. Estas
funes base tem duas propriedades importantes:

as funes base i j ( x) de W j , juntas s funes base i j de V j , formam uma


base para V j+1 .

cada funo i j ( x) de W j ortogonal a cada funo base i j de V j no produto


interno escolhido.

A Figura 4.2 ilustra graficamente a construo de V j e W j

Figura 4.2: Gerao do espao superior em funo de

(x ) e (x )

CAPTULO 4. WAVELETS

58

Em resumo [DAUBECHIES, I. (1992)],

a anlise de multiresoluo

consiste de uma seqncia de espaos de aproximao sucessivos V j . Mais


precisamente, os subespaos fechados V j satisfazem:
...V 2 V1 V0 V1 V2 ...

(4.8)

UVj = L ( )

(4.9)

IV = {0}

(4.10)

sendo

j Z

j Z

Todos os espaos so uma verso escalada do espao central V0 .

f ( x ) V j f (2 j x ) V0

(4.11)

f ( x ) V0 f ( x n) V0 , para todo n Z .

(4.12)

preciso saber que V0


0, n ( x ) = ( x n), n Z constitui uma base ortonormal para V0 .

(4.13)

A propriedade indicada pela equao 4.11 expressa que todos os espaos


esto relacionados por escala a um mesmo espao V0 (este o aspecto da
multiresoluo).

CAPTULO 4. WAVELETS

59

Ainda por causa dessa propriedade, se f ( x ) V j , ento, f ( x 2 j n) V j ,


para todo n Z . As condies indicadas pelas equaes 4.13 e 4.11 implicam que

{ }
j ,n

j ,n

Z uma base ortonormal para V j para todo j Z . Se definirmos Pj como o

operador projeo ortogonal sobre V j , a condio 4.10 assegura que lim

Pj f = f

para todo f L2 ( ).
Cada V j pode ser interpretado como um espao de aproximao sucessiva: a
aproximao de f L2 () na resoluo 2 j definida como a projeo de f sobre V j
e quanto maior j, mais fina a resoluo obtida. A condio 4.11 significa que nenhuma
escala privilegiada. Os detalhes adicionais necessrios para aumentar a resoluo de
2 j para 2 j+1 so dados pela projeo de f sobre o complemento ortogonal de V j em
relao a V j+1 o qual denotado por W j : V j W j = V j+1 [DAUBECHIES, I. (1990)].

4.3.2 Transformada Wavelet de Haar

A anlise com wavelets pode estar baseada no enfoque desenvolvido por


Haar [MEYER, Y. (1993)]. Em 1909, A. Haar descreveu uma base ortonormal de
wavelets definida sobre o domnio [0,1], ou seja h0 ( x ), h1 ( x ),..., hn ( x ),... outras bases,
alm das de Fourier, tal que para qualquer funo contnua f(x) sobre o intervalo [0,1], a
srie

j =1

f , h j h j ( x)

(4.14)

converge a f(x) de forma uniforme sobre [0,1]. Aqui <u,v> denota o produto interno de
u e v:

u , v = u( x) v( x)dx
0

onde v o conjugado complexo de v o qual igual a v se a funo real.

(4.15)

CAPTULO 4. WAVELETS

60

Uma verso da construo de Haar a seguinte:

1 , x [ 0 , 0.5)

h ( x ) := 1 , x [0.5 ,1)
0 , caso contrario

hn ( x ) = 2

j
2

h( 2 j x k )

(4.16)

(4.17)

onde n = 2 j + k , k [ 0,2 j ), x [ k 2 j , (k + 1) 2 1).

Existem limitaes no uso da construo de Haar. Como as funes base de


Haar so funes de passos descontnuos, no so muito adequadas para a anlise de
funes estveis com derivaes contnuas. Visto que as imagens geralmente contm
regies estveis, a transformada wavelet de Haar no prov resultados satisfatrios em
muitas aplicaes com imagens [WANG, J. Z. (2000)].

4.3.3 Transformada Wavelet de Daubechies

Outro tipo de base para wavelets a proposta por [DAUBECHIES, I. (1992)].


Para cada inteiro r , a base ortonormal para L2 () est definida como

r , j, k ( x) = 2 2 r ( 2 j x k ), j , k Z

(4.18)

onde a funo r (x ) em L2 () tem a propriedade que r ( x k ) | k Z uma base


seqncial ortonormal em L2 () . Aqui, j o ndice de escala, k o ndice de translao
e r o ndice de filtragem.
Ento, a tendncia
como

f j na escala 2 j de uma funo f L2 ( ) est definida

CAPTULO 4. WAVELETS

61

f j ( x ) = f , r, j, k r , j ,k ( x)

(4.19)

Os detalhes ou flutuaes so definidos por


d j ( x) = f j+1 ( x) f j ( x )

(4.20)

Para analisar esses detalhes em uma dada escala, define-se uma base ortonormal

r (x ) com propriedades similares s de r (x ) descritas anteriormente.


As funes r (x ) e r (x ) , denominadas wavelet pai (funo scaling) e wavelet
me (funo wavelet), respectivamente, so as funes prottipos necessrias para a
anlise de wavelets. As familias de wavelets, como aquelas definidas na equao 4.18
so geradas a partir da wavelet pai ou da me mudando a escala e translao no tempo
(ou espao em processamento de imagens).
A base ortonormal de Daubechies tem as seguintes propriedades:

r tem o intervalo de suporte compacto [0,2r+1];

r ( x)dx = ... =

x
r

( x ) dx = 0 .

As wavelets de Daubechies fornecem excelentes resultados no processamento de


imagens devido s propriedades acima indicadas [WANG, J. Z. (2000)]. A funes
wavelets com suporte compacto podem ser implementadas mediante um filtro de
longitude finita. Alm disso, o suporte compacto permite a localizao no domnio
espacial. Devido ao fato das funes base de wavelets terem derivaes continuas,
possvel decompor uma funo contnua mais eficientemente com os objetos da borda
previstos. As wavelets me so utilizadas para determinar os detalhes de um sinal e a
informao de tendncia armazenada nos coeficientes obtidos pelas wavelets pai.
As wavelets de Daubechies so usualmente implementas numericamente atravs
de filtros de espelho quadrticos (QMF Quadrature Mirror Filters) [MEYER, Y.
(1993)]. A anlise de multiresoluo da tendncia e flutuao de uma funo
implementada mediante sua convoluo com um filtro passa-baixa e um filtro passa-alta
que so verses da mesma wavelet. A transformada wavelet de Haar um caso especial
da wavelet de Daubechies com r=2, onde as equaes:

CAPTULO 4. WAVELETS

62

F0 ( x( n)) =

F1 ( x ( n)) =

1
( x( n) + x( n + 1))
2

(4.21)

1
( x( n) x( n + 1))
2

(4.22)

provem a transformada do sinal x (n ), n Z mediante a wavelet de Haar. Os filtros


passa-baixa (equao 4.23) e passa-alta (equao 4.24) correspondentes so:
1 1
,

2 2

(4.23)

1
1
,

2
2

(4.24)

As transformadas wavelet de Daubechies com r>2 apresentam uma melhor


concentrao da energia preservando mais a informao de tendncia nos sinais ao se
considerar apenas a parte do filtro passa-baixa. Por exemplo, para r=4 a transformada
denominada de wavelet de Daubechies-4 onde os filtros de passa-baixa (equao 4.25) e
de passa-alta (equao 4.26) correspondentes so [PETERS, T. M. & WILLIAMS, J.
(1998)]:
3 + 1 3( 3 + 1) ( 3 1) 3( 3 1)
,
,
,

4 2
4 2
4 2
4 2

(4.25)

3 1
3 ( 3 1) ( 3 + 1)
3 ( 3 + 1)
,
,
,

4 2
4 2
4 2
4 2

(4.26)

CAPTULO 4. WAVELETS

63

4.3.4 Extenses para Dimenses Maiores

As transformadas wavelet uni-dimensionais descritas at agora podem ser


estendidas para dimenses maiores de vrias maneiras.
Uma forma bastante natural, de complexidade razovel, de estender a
transformada para domnios 2D atravs do produto tensorial [GOMEZ, J. et al.
(1997); STOLLNITZ, E. J. et al. (1996)].
Observa-se ento o aparecimento de trs diferentes tipos de funes de wavelets:
duas componentes cruzadas e uma componente pura. possvel interpretar como
componentes wavelets horizontais (quando compostas com funes de escala verticais),
wavelets verticais (quando compostas com funes de escala horizontais) e wavelets
diagonais (quando so o produto tensorial de funes de wavelets horizontais e
verticais) [GOMEZ, J. et al. (1997)].
O algoritmo para a transformada wavelet bi-dimensional explora a propriedade
de separabilidade advinda da sua construo pelo produto tensorial. Dessa maneira,
tanto o algoritmo de decomposio (Figura 4.3 para 2D), quanto o algoritmo de
reconstruo, podem ser implementados em duas dimenses com a aplicao dos
algoritmos uni-dimensionais correspondentes, nas linhas e nas colunas da imagem.

Figura 4.3: Processo de decomposio ao aplicar a transformada wavelet em um domnio 2D [ALBUS, E.


et al. (2001)].

CAPTULO 4. WAVELETS

64

4.4 Wavelets e Extrao de Caractersticas

A anlise multi resoluo de wavelets apresenta muitas funcionalidades


vantajosas que podem ser aproveitadas no processo de extrao de caractersticas das
imagens. Alm da definio da funo wavelet adequada ao processamento das imagens
de faces humanas, tambm importante estabelecer as tcnicas de seleo e extrao de
caractersticas a serem utilizadas.
Nesta seo so apresentados aspectos a serem considerados na gerao do
conjunto de vetores de caractersticas para o conjunto de imagens de faces humanas,
utilizando os filtros de wavelets. Isto , so considerados os processos de transformao,
extrao de caracterstica e avaliao do conjunto de vetores gerados. A seguir so
descritas algumas ativid ades e consideraes referentes a esses passos no processo de
extrao de caractersticas considerando abordagens de multiresoluo de wavelets.

4.4.1 Similaridade Semntica das Imagens

Na maioria dos sistemas de recuperao de imagens por contedo, o usurio no


est interessado nas caractersticas de baixo nvel das imagens (cor, textura, forma), isso
porque o usurio geralmente pensa em termos de conceitos semnticos. Por exemplo,
alguma imagem que ele se lembra de j ter analisado e que deseja recuperar no banco de
imagens, ou mesmo buscar as imagens mais parecidas com uma determinada imagem
sob anlise.
Nesse caso preciso desenvolver sistemas que tenha m a capacidade de
armazenar e recuperar as imagens em termos de conceitos semnticos. Em
[BRADSHAW, B. (2000)] existe uma abordagem para recuperao de imagens baseada
na semntica, aplicando um enfoque probabilstico. O trabalho de [VALAYA, A.
(2000)] aproveita as caractersticas de baixo nvel para aplic- las no desenvolvimento
da categorizao semntica das imagens.
Wang [WANG, J. Z. (2000)] desenvolveu um enfoque sensvel semntica
visando solucionar problemas de busca em uma base de imagens de propsito geral. Os
mtodos de classificao semntica so usados para categorizar imagens, tal que esses
mtodos de busca semntica sejam aplicveis a cada uma das categorias. Alm disso, o
sistema pode limitar o alcance da busca a um subconjunto da base original para facilitar
um processamento rpido. Dessa forma, o grande problema procurar um mtodo

CAPTULO 4. WAVELETS

65

adequado de extrao de caractersticas junto a uma mtrica de casamento (matching)


que tenha a capacidade de diferenciar cada uma das classes semnticas.
Uma abordagem recente que tenta fazer uma classificao semntica das
imagens apresentada em [WANG, J. Z. (2001)]. Nesse trabalho o processo de
segmentao aplica a transformada wavelet a pequenos blocos 4 x 4 para extrair um
vetor de caractersticas para cada bloco. Em seguida utiliza o algoritmo de agrupamento
k-means [THEODORIDIS, S. (1999)] diminuindo significativamente o clculo
computacional da segmentao.
No presente trabalho, o problema de definir o domnio semntico de recuperao
de imagens dado pela semelhana das imagens de faces humanas em conjuntos de
imagens de faces. Por exemplo, imagens de faces podem formar um grupo semntico e
cada vez que seja feita uma consulta, o sistema deve fornecer como respostas as
imagens correspondentes ao mesmo grupo semntico.

4.4.2 Escolha da Wavelet Analisadora

A anlise multiresoluo de wavelets [MALLAT, S. (1989)] uma estratgia


que se mostra bastante adequada para a extrao de caractersticas das imagens pelas
seguintes razes:
- poucos coeficientes representam bem a imagem,
- armazena informaes de arestas e bordas,
- praticamente no dependem da resoluo original.

Em geral o foco de muitas pesquisas recentes em wavelets criar uma funo de


wavelet me para obter uma descrio til, eficiente e informativa do sinal de interesse.
No fcil planejar um procedimento uniforme para desenvolver a melhor wavelet me
ou transformada wavelet para um determinado sinal. Mas, considerando as
caractersticas gerais das funes wavelets possvel determinar quais das funes
wavelets so mais adequadas para uma determinada aplicao.
Caractersticas de representao no tempo e escala, assim como o fato de serem
compactas e de possurem energia finita fazem com que as funes wavelets sejam
aplicveis para analisar no s sinais estacionrios, mas tambm para decompor sinais
dinmicos, de tempo varivel ou sinais transientes.

CAPTULO 4. WAVELETS

66

Do ponto de vista prtico, existem dois tipos de decomposio baseada em


wavelets: a primeira que denominada como redundante (Continuous Wavelet
Transform CWT) ou wavelets de frames, e a segunda que denominada como no
redudante (bases de wavelets ortogonal, semi-ortogonal ou bi-ortogonal). As wavelets
redundantes so preferencialmente usadas em anlises de sinais, extrao e deteco de
caractersticas, j as wavelets no redundantes so mais adequadas quando precisa-se
realizar algum tipo de reduo de informao ou quando a ortogonalidade da
representao um fator de importncia. Porm, escolher entre essas duas opes no
simples devido as consideraes computacionais que devem ser feitas [UNSER, M. &
ALDROUBI, A. (1996)].
As propriedades das wavelets podem ser muito bem aproveitadas em vrias
aplicaes. Unser [UNSER, M. & ALDROUBI, A. (1996)] define algumas dessas
propriedades e o contexto de aplicao em que elas podem ser utilizadas: (a) wavelets
como bancos de filtros, (b) wavelets como filtros multiescala de casamento, (c) wavelets
e localizao Tempo-Freqncia, (d) bases de wavelets e (e) wavelets com modelo de
percepo.
Existe uma variedade de funes wavelets que tem comportamento distinto de
acordo com o domnio em imagens. As wavelets de Daubechies [DAUBECHIES, I.
(1992)] apresentam-se como as que melhor caracterizam os detalhes atravs das
wavelets me que ficam nas sub-bandas de baixa resoluo (os coeficientes de wavelets)
enquanto que as wavelets pai caracterizam a tendncia do sinal [WANG, J. Z. (2000)].
Essas propriedades podem ser aproveitadas para caracterizar uma imagem e gerar o
espao de caractersticas aplicando descritores estatsticos sobre novos espaos.

4.4.3 Gerao do Espao de Caractersticas

A parte crtica do processo de recuperao de imagens definir o espao de


caractersticas a ser utilizado para realizar o casamento entre atributos similares.
Espaos de caractersticas comuns incluem bordas, contornos, superfcies e outras
caracters ticas salientes tais como esquinas, interseco de linhas e pontos de alta
curvatura da imagem.
O espao de caractersticas a representao dos dados que sero usados no
processo de recuperao de imagens por contedo. A eleio dos espaos de

CAPTULO 4. WAVELETS

67

caracters ticas determina o que ser casado no momento da busca de imagens mediante
a mtrica de semelhana que determina quo parecidas so duas imagens.
No caso da aplicao da transformada wavelet para a gerao do espao de
caractersticas, tem que se efetuar uma anlise estatstica em cada uma das subbandas
onde cada elemento do vetor poderia corresponder a uma descrio de cada subimagem, de maneira que o contedo presente na imagem seja corretamente descrito pelo
vetor. Para efetuar essa anlise estatstica pode-se utilizar os coeficientes estatsticos
como a energia, desvio-padro, entre outras.
Uma descrio mais completa, mas computacionalmente cara, feita atravs de
uma matriz de co-ocorrncia (no caso de caractersticas de textura). Uma vez que a
matriz de co-ocorrncia calculada so determinados alguns parmetros que permitem
estabelecer o relacionamento de textura em uma imagem.
No caso de se trabalhar com momentos invariantes, uma forma de gerar o vetor
de caractersticas calcular n nveis de decomposio da wavelet em escalas
2 j ,1 j n , para ento aplicar os momentos invariantes ij ,1 i 7 (momentos de Hu),
a cada uma das escalas. Para o caso de gerar 4 nveis de wavelets, ento, ter-se- iam 28
nmeros reais como assinatura para cada imagem. [DO, M. N. et al. (1999)].

4.5 Consideraes Finais

Neste captulo foi mostrado a transformada wavelet considerando sua evoluo a


partir da transformada de Fourier e sua posterior formalizao matemtica.
importante observar que a transformada wavelet permite a anlise local do
sinal. Isso ocorre devido s funes base de suporte compacto. Especial ateno tem-se
dado a escolha da funo.
Foram apresentados alguns aspectos importantes a serem considerados no
processo de extrao de caractersticas mediante a aplicao da transformada wavelet,
mostrando pesquisas desenvolvidas nesta rea, que visam solucionar os problemas
existentes na recuperao de imagens por contedo.