Você está na página 1de 70

Transformada wavelet de Haar:

conceitos, formulaes e aplicaes

Transformada wavelet de Haar: conceitos, formulaes e aplicaes


Copyright 2016 Thiago da Silveira e Alice Kozakevicius
Direitos reservados pela Sociedade Brasileira de Matemtica
A reproduo no autorizada desta publicao, no todo ou em parte,
constitui violao de direitos autorais. (Lei 9.610/98)
Sociedade Brasileira de Matemtica
Presidente: Hilrio Alencar
Vice- Presidente: Paolo Piccione
Diretores: Joo Xavier
Jos Espinar
Marcela de Souza
Walcy Santos
Assessor Editorial
Tiago Costa Rocha
Comit Cientfico
Alexandre Baraviera (UFRGS, Coordenador Geral)
Artur Lopes (UFRGS)
Carmen Mathias (UFSM)
Daniel Gonalves (UFSC)
Elizabeth Karas (UFPR)
Valeria Cavalcanti (UEM)
Membros da Comisso Organizadora (FURG)
Brbara Denicol do Amaral Rodriguez
Cinthya Maria Schneider Meneghetti (Coordenadora Local)
Cristiana Andrade Poffal
Daiane Silva de Freitas
Fabola Aiub Sperotto
Capa: Pablo Diego Regino
Projeto grfico: Cinthya Maria Schneider Meneghetti
Distribuio e vendas
Sociedade Brasileira de Matemtica
Estrada Dona Castorina, 110 Sala 109 - Jardim Botnico
22460-320 Rio de Janeiro RJ
Telefones: (21) 2529-5073 / 2529-5095
http://www.sbm.org.br / email:lojavirtual@sbm.org.br
ISBN 978-85-8337-098-7

Flvia Branco
Joo Prolo Filho
Leandro Sebben Bellicanta
Mrio Rocha Retamoso
Rodrigo Barbosa Soares

COLQUIOS DE MATEMTICA DAS REGIES

REGIO SUL

IV Colquio de Matemtica
da Regio Sul

TRANSFORMADA
WAVELET DE HAAR:

CONCEITOS, FORMULAES E APLICAES


THIAGO L. T. DA SILVEIRA
ALICE J. KOZAKEVICIUS

1 EDIO
2016
RIO GRANDE

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Dedicado a todos os estudantes interessados em


desvendar os encantos e desafios das funes
wavelets, suas transformadas e suas mais diversas
aplicaes. Que este material possa servir de
inspirao e motivao para iniciar esta jornada.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Sumrio
1

Transformada wavelet discreta


1.1 Transformada wavelet de Haar 1D . . . . . . . . . .
1.1.1 Formulao Algortmica para a TWD de Haar
1.1.2 Formulao Matricial para a TWD de Haar .
1.1.3 TWD de Haar 1D Ortonormal . . . . . . . .
1.1.4 Anlise Multiresoluo . . . . . . . . . . . .
1.1.5 Base de Haar . . . . . . . . . . . . . . . . .
1.1.6 Relao de Escala e Relao Wavelet . . . .
1.1.7 Expanso de funes em VJ . . . . . . . . .
1.1.8 Projees em Vj . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

3
4
4
7
11
12
14
16
18
21

Aplicaes 1D
2.1 Propriedade dos Momentos Nulos . . . . . .
2.1.1 Decaimento dos coeficientes wavelet
2.2 Operaes de truncamento . . . . . . . . . .
2.2.1 Operadores de Truncamento . . . . .
2.3 Experimentos Computacionais . . . . . . . .
2.4 Filtragem wavelet . . . . . . . . . . . . . . .
2.5 Anlise de Sinais EEG . . . . . . . . . . . .

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.
.
.
.
.

23
23
24
26
27
30
33
35

TWD 2D de Haar
3.1 Base para L2 (R2 ) . . . . . . . . . . . . . . .
3.1.1 Algoritmo standard da TWD 2D . . .
3.1.2 Algoritmo no-standard da TWD 2D
3.2 Aplicao em anlise de imagens . . . . . . .
3.2.1 Filtragem de imagens . . . . . . . . .
3.2.2 Compresso de imagens . . . . . . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

39
39
41
42
44
44
45

Transformada wavelet Packet de Haar


4.1 Formulao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Algoritmo Best-Basis e Funo de Custo . . . . . . . . .
4.2 Aplicao em Anlise de Sinais . . . . . . . . . . . . . . . . . .

47
47
49
51

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

6
SUMRIO

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Prefcio
Funes wavelet tm, ao longo dos ltimos cinquenta anos, despertado interesse em ambos matemticos tericos e aplicados [23]. O que diferencia as transformadas wavelet de outras ferramentas matemticas sua habilidade de decompor hierarquicamente funes [31], permitindo analis-las em diferentes escalas e
diferentes regies de seu domno ao mesmo tempo. Embora as wavelets tenham
suas razes na teoria das aproximaes e processamento de sinais [23], elas tm
sido exploradas e utilizadas como parte fundamental de vrios esquemas numricos associados s mais diferentes aplicaes. Alguns exemplos so os mtodos
para resoluo adaptativa de equaes diferenciais [6], para anlise e classificao
de sinais biolgicos [30, 29, 1], para deteco de anomalias em redes de computadores [19] e para reconstruo de cenas tri-dimensionais a partir de imagens
bidimensionais [5].
A proposta deste minicurso apresentar, atravs da lgebra Linear, os conceitos fundamentais da teoria de transformadas wavelets ortogonais discretas, a partir
de sua representante mais simples: a transformada wavelet de Haar [31, 12]. Neste
minicurso, o conceito fundamental de transformao linear e sua representao
matricial sero o ponto de partida para a apresentao das principais propriedades
da transformada wavelet de Haar, que, na verdade, so compartilhadas por todas as
demais funes wavelets ortogonais integrantes da famlia de Daubechies [12].
Espera-se instigar os participantes deste minicurso a se aprofundarem mais sobre o assunto, percebendo a relevncia de disciplinas como lgebra Linear, Algoritmos e Mtodos Numricos para a construo de uma base slida de conhecimento. Para ilustrar o potencial da transformada wavelet de Haar em diferentes
aplicaes, exemplos uni e bidimensionais sero exibidos.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2
SUMRIO

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Captulo 1

Transformada wavelet discreta


De acordo com Stollnitz et al. [31], funes wavelets e suas transformadas so
ferramentas matemticas para anlise e decomposio hierrquica de funes, ou
seja, representao da funo em diferentes nveis de resoluo, ou escalas. Desta
forma, na escala mais grosseira a funo (que pode ser tanto um sinal, uma imagem ou um conjunto qualquer de dados) representada por uma "curva" mdia, e
em cada escala mais refinada so, ento, acrescentados detalhes complementares
que, somados ao padro mdio, reconstroem exatamente a funo original. Assim
como senos e cossenos da transformada de Fourier [4], as wavelets servem como
base para representao de outras funes [33]. Em especial, as transformadas
wavelet mostram-se mais eficientes em relao a de Fourier quando os sinais a serem analisados so no-peridicos [2], como o caso de vrios sinais biomdicos,
como eletrocardiogramas (ECG) [18] e eletroencefalogramas (EEG) [30].
Transformadas wavelets uni (1D) e bidimensionais (2D) so utilizadas em diversas reas de pesquisa, como processamento digital de sinais, diversos mtodos
para resoluo numrica de equaes diferenciais parciais, compresso de imagens
e anlise estatstica [2]. O uso destas transformadas 1D e 2D no processamento de
sinais e imagens permite, por exemplo, a visualizao e extrao de importantes
parmetros que podem ser direta ou indiretamente utilizados em aplicaes de reconhecimento e classificao de padres [25, 1].
Nas ltimas dcadas, uma das famlias de funes wavelet mais difundidas e
utilizadas para a obteno de transformadas ortonormais a de Daubechies [9],
cujas propriedades fundamentais so indispensveis para muitas aplicaes. Neste
minicurso, muitas destas propriedades sero exploradas via exemplos atravs da
representante mais simples da famlia de Daubechies, denominada wavelet de Haar.
Na verdade, esta base de funes foi definida por Haar em 1910 [16], muito antes
da teoria sobre wavelets ter sido estruturada por Daubechies, quando as funes de
Haar foram ento reconhecidas e classificadas como funes wavelets ortonormais.
3

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

1.1

Transformada wavelet de Haar 1D

Neste trabalho, assim como em textos introdutrios sobre wavelets [33, 31],
a transformada wavelet discreta (TWD) de Haar primeiramente apresentada via
exemplo. Como consequncia, so dadas formulaes algortmicas para as transformadas 1D direta e inversa. Depois, atravs de conceitos bsicos de lgebra
Linear so obtidas as formulaes matriciais correspondentes.
Alm disso, atravs das relaes entre diferentes escalas apresentada a estrutura de anlise de multiresoluo associada a todas as funes wavelets ortonormais
da famlia de Daubechies, tomando-se como exemplo o caso particular associado
a de Haar.

1.1.1

Formulao Algortmica para a TWD de Haar

Considere Cj um vetor de dimenso (tamanho) 2j = 22 ,


Cj = C2 = [2 0 1 5].
O vetor C2 pode ser visto como uma coleo de valores C2,k , k = 0, 1, 2, 3, que
podem ser graficados de acordo com a Figura 1.1(a), formando ento um primeiro
exemplo de sinal discreto 1D, ou seja, uma funo real a valores reais, cujo domnio
um conjunto discreto.
5

(a)

1
0

2
(c)

(b)

2
(d)

Figura 1.1: Vetor C2 visto como (a) uma sequncia de pontos e (b) funo constante
por partes. Vetores (c) C1 e (d) C0 vistos como funes constantes por partes.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

Entretanto, uma outra possibilidade interpretar que cada um dos elementos


do vetor C2 seja a imagem de uma funo constante por partes (funo escada),
como ilustrado na Figura 1.1(b). Essa segunda representao particularmente
til, como ser visto na Seo 1.1.5, e portanto ser adotada ao longo deste texto.
Agora, dentre as inmeras possibilidades de se manipular os elementos de C2 ,
estes podem ser transformados (modificados) da seguinte maneira: calcula-se a
mdia aritmtica dois a dois de forma disjunta de todos os elementos de C2 :
C2,0 + C2,1
C2,2 + C2,3
, C1,1 =
.
(1.1)
2
2
Para este exemplo tem-se C1 = [1 3] como sendo o vetor com os valores resultantes desta operao, cuja representao atravs de funes constantes por
partes dada na Figura 1.1(c). Notoriamente C1 no mais tem a mesma dimenso de C2 . Na verdade, o tamanho de C1 a metade do tamanho de C2 ,
(dim C1 ) = (dim C2 )/2. Naturalmente, seria possvel aplicar a mesma transformao aos dados (elementos) de C1 , e novamente armazenar seus resultados em
um novo vetor, que neste caso teria apenas um elemento, denotado por C0 = [2],
representado pela Figura 1.1(d).
De forma geral, partindo de um vetor inicial CJ , com dim CJ = 2J , a sequncia de transformaes aplicadas aos vetores Cj , com j variando de J at 1, na qual
apenas as mdias de valores dois a dois disjuntos so calculadas, poderia ser escrita
em forma de algoritmo como segue:
C1,0 =

Cj1,i = (Cj,2i + Cj,2i+1 )/2, i = 0, ..., 2j1 1

(1.2)

Na Expresso 1.2, o ndice i indica a posio dos elementos do novo vetor de


informaes mdias ou coeficientes de escala (Cj1 ), em cada nvel de resoluo
j. Comparando as Figuras 1.1(b) , 1.1(c) e 1.1(d), percebe-se que h perda de informao quando um vetor Cj substitudo simplesmente por sua informao mdia
Cj1 . No entanto, esta ideia amplamente utilizada em aplicaes que necessitam
de reduo de dimenso. Um exemplo comum o envio de imagens ou streaming
de vdeo atravs da Internet. Determinadas aplicaes podem no requerer imagens (ou vdeos) em alta resoluo, permitindo aplicar algoritmos similares ao 1.2,
sem degradao notvel da informao essencial e possibilitando a transferncia
desses dados de forma muito mais rpida [22].
Por outro lado, de acordo com o que foi visto at o momento para esta transformao definida a partir do clculo das mdias, uma vez que a substituio de
um vetor de dimenso maior Cj por um outro de dimenso menor tenha sido feita,
impossvel recuperar os valores de Cj a partir dos dados reduzidos. Para que se
possa realizar uma reconstruo exata dos dados originais (transformao inversa)
preciso que entre cada dois nveis consecutivos quaisquer, j e j 1, seja tambm
considerado um vetor Dj1 de informaes complementares (denominado de vetor de detalhes ou coeficientes wavelets) entre Cj e Cj1 . Assim, os elementos do
vetor Dj1 so obtidos da seguinte maneira:
Dj1,i = Cj,2i Cj1,i ,

i = 0, 1, 2, . . . , 2j1 1.

(1.3)

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

Ao processo de encontrar as mdias e diferenas em relao aos valores de um


vetor Cj , gerando-se Cj1 e Dj1 respectivamente, d-se o nome de transformada
(decomposio) wavelet de Haar em um nvel. Se esse procedimento for reaplicado, agora para os demais nveis j 1, ...,1, construindo-se, alm das mdias,
os vetores de detalhes Dj2 ,..., D0 , obtm-se, ento, uma decomposio completa
entre o nvel mais fino j = J e o mais grosseiro j = 0. A esta transformao envolvendo todos os nveis possveis de decomposio de um vetor original
CJ denomina-se transformada wavelet discreta de Haar unidimensional (TWD de
Haar 1D), cujo algoritmo completo para J nveis de decomposio dado a seguir.
Algoritmo 1 TWD de Haar 1D
1: Para j J at 1 faa
. Nvel de resoluo j
2:
Para i 0 at 2j1 1 faa . Posio dos elementos de Cj1 e Dj1
3:
Cj1,i (Cj,2i + Cj,2i+1 )/2
4:
Dj1,i Cj,2i Cj1,i
5:
Fim Para
6: Fim Para
Retomando o exemplo inicial, tm-se Dj1 = D1 = [1 2] como o vetor de
detalhes calculado em funo de C2 e C1 . Considerando agora C1 como sendo o
prximo (e ltimo) nvel a ser decomposto, obtm-se C0 = [2] e D0 = [1], que
so os vetores contendo a mdia e o detalhe no ltimo nvel da TWD de Haar 1D.
A partir dessa transformao completa em vrios nveis, consegue-se associar
o vetor C2 = [2 0 1 5] a suas duas componentes C1 = [1 3] e D1 = [1 2].
Note que ambos C1 e D1 possuem dimenso metade da dimenso de C2 , o que
possibilitaria o armazenamento destas informaes novamente em um nico vetor
com tamanho igual ao de C2 , a saber [1 3 1 2], cujas coordenadas permitem a
reconstruo de C2 . Como C1 por sua vez tambm foi decomposto em componentes C0 = [2] e D0 = [1], o vetor C1 tambm poderia ser associado a um vetor
equivalente, neste caso [2 1]. Desta forma, substituindo-se essa nova representao de C1 na representao equivalente associada a C2 , este poderia ento ser
representado por [2 1 1 2]: que so a informao mdia do ltimo nvel de decomposio e todas as demais informaes de detalhes, ou seja, C2 transformado
(mapeado), preservando sua dimenso, no vetor [C0 D0 D1 ] composto por cada
um dos blocos da TWD de Haar 1D, C2 [C0 D0 D1 ].
No caso geral, de um vetor inicial no nvel J (de dimenso 2J ) teramos
CJ [C0 D0 D1 ... DJ1 ] que chamada representao multiresoluo de um
sinal inicial definido por CJ . Neste primeiro momento, esta representao multiresoluo pode ser interpretada apenas como uma forma econmica de se armazenar
todos os dados obtidos ao longo de todos os J nveis da TWD de Haar 1D no
mesmo vetor de entrada CJ , evitando a definio de vetores auxiliares para armazenamento dos dados intermedirios ao longo de todos os nveis de decomposio.
Note que, o processo descrito anteriormente reversvel, uma vez que os dados
originais Cj de cada nvel j podem ser reconstrudos a partir das mdias e dos deta-

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

lhes do nvel imediatamente mais grosseiro Cj1 e Dj1 . Assim, considerando-se


Cj1 e Dj1 como dados de entrada, pode-se definir a DWT de Haar 1D Inversa
para reconstruir dados dos nveis 1 at J atravs do seguinte algoritmo:
Algoritmo 2 TWD de Haar 1D Inversa
1: Para j 0 at J 1 faa
. Nvel de resoluo j
2:
Para i 0 at 2j1 1 faa . Posio dos elementos de Cj1 e Dj1
3:
Cj,2i Cj1,i + Dj1,i
4:
Cj,2i+1 Cj1,i Dj1,i
5:
Fim Para
6: Fim Para
Para o exemplo dado inicialmente, assumindo-se C0 = [2] e D0 = [1] como
dados de entrada para o Algoritmo 2, reconstri-se exatamente C1 = [1 3], sendo
C1,0 = C0,0 + D1,0 = 2 1 = 1 e C1,1 = C0,0 D1,0 = 2 + 1 = 3. Analogamente, a reconstruo de C2 = [2 0 1 5] atravs do Algoritmo 2 se d atravs
de C1 = [1 3] e D1 = [1 2] como sendo os novos dados de entrada. Dessa
forma, tem-se [C0 D0 D1 ] C2 . E no caso geral, [C0 D0 D1 ... DJ1 ] CJ .
Portanto a representao multiresoluo , na verdade, uma forma equivalente de
representao do sinal CJ , CJ [C0 D0 D1 ... DJ1 ].
Os Algoritmos 1 e 2 so tambm denominados algoritmos de Cascata [22] para
a verso decimada da TWD da Haar 1D direta e inversa, respectivamente. A operao de decimao a responsvel pela reduo de dimenso num fator de 2 a
cada nvel de decomposio. Formulaes que preservam o tamanho dos vetores
ao longo da decomposio so denominadas no decimadas. Uma possibilidade
a formulao atravs do algoritmo trous [26, 20]. No entanto, para as formulaes no decimadas, diferentes tipos de transformaes inversas so possveis.
Para informaes mais detalhadas sobre transformadas decimadas, no decimadas
e suas inversas so sugeridos os textos [9, 22, 26].

1.1.2

Formulao Matricial para a TWD de Haar

O objetivo principal agora retomar o exemplo da Seo 1.1.1, apresentando-o


sob o ponto de vista de transformaes lineares. Todos os conceitos considerados
de lgebra Linear sero abordados conforme textos introdutrios, vistos em cursos
de graduao, como por exemplo na referncia [3]. Desta forma as formulaes
matriciais para as TWD de Haar 1D direta e inversa so obtidas naturalmente.

Transformao S para as mdias


Consideram-se, portanto, os espaos vetoriais V = R4 e W = R2 . Define-se
a transformao linear S : V W como sendo a aplicao que associa a cada

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

vetor C2 V um outro vetor C1 = S(C2 ) W atravs da seguinte lei:

"

S(C2 ) =

1/2 1/2 0
0
0
0 1/2 1/2

C2,0
C2,1
C2,2
C2,3

" C +C
#
2,0
2,1
2
C2,2 +C2,3
2

"

C1,0
C1,1

(1.4)
Comparando-se as coordenadas do vetor C1 (imagem de C2 pela transformao linear S dada pela Equao 1.4) com os valores referentes s mdias calculadas para a transformada de Haar dados pela Equao 1.1, da subseo anterior, verifica-se que ambas
expresses so iguais. Com isso, a matriz [S] =
"
#
1/2 1/2 0
0
, associada transformao linear S, na verdade a
0
0 1/2 1/2
forma matricial que representa a decomposio em relao s mdias em um nvel,
a partir de um vetor inicial com 4 elementos. Caso o vetor inicial CJ possusse
2J elementos, ou seja, CJ Rn , com n = 2J , ento a matriz [SJ ] teria dimenso
2J1 2J e lei de formao similar, com pesos 1/2 para as duas posies da linha
que produziro a mdia e zero para as demais.
Como a dimenso do domnio V maior do que a dimenso do contra-domnio
W, dim V = 4 > dim W = 2 (no caso geral, dim V = 2J > dim W = 2J1 ), a
transformao S no injetora e portanto fica caracterizada a reduo de dimensionalidade na transio de V para W . Essa reduo representa a perda de informao
na passagem de dados associados a C2 para valores mdios definidos em C1 , (ou,
de Cj para Cj1 , com j = 1, 2, ..., J), como j observado na subseo anterior.
Transformao T para os detalhes
Alm de S, pode-se definir uma segunda transformao linear T : V W ,
que a cada vetor C2 V associa o vetor D1 = T (C2 ) W atravs da lei correspondente ao que foi definido anteriormente para o clculo dos detalhes, Equao 1.3, sendo o valores de Cj1 substitudos pela Equao 1.2. Aqui neste exemplo para j = 2, tem-se:

"

T (C2 ) =

1/2 1/2 0
0
0
0
1/2 1/2

C2,0
C2,1
C2,2
C2,3

" C C
#
2,0
2,1
2
C2,2 C2,3
2

"

D1,0
D1,1

(1.5)

"

A transformao T tambm
# no injetora e sua matriz associada [T ] =
1/2 1/2 0
0
.
0
0
1/2 1/2

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

Transformao de Haar - Forma Matricial para 1 nvel


Define-se agora a transformao linear Q2 : V V , construda a partir de S
e T , cuja formulao matricial dada por:

Q2 (C2 ) =

1/2 1/2
0
0
0
0
1/2 1/2
1/2 1/2 0
0
0
0
1/2 1/2

C2,0
C2,1
C2,2
C2,3

C +C
2,0
2,1
2

C2,2 +C2,3

2
= C2,0 C
2,1

2

C2,2 C2,3
2

C
1,0
C1,1
=

D
1,0

D1,1

(1.6)
Observa-se que agora Q2 uma matriz quadrada (domnio e contra-domnio da
transformao tm mesma dimenso). Alm disso, o ncleo de Q2 apenas o vetor
nulo, ker{Q2 } = ~0. Sendo assim, Q2 uma transformao injetora e sobrejetora,
o que caracteriza Q2 como sendo uma transformao inversvel.
Assim, [Q2 ], a matriz associada transformao Q2 , uma das diferentes formulaes matriciais que podem representar a TWD de Haar 1D para um nvel apenas de decomposio. Neste exemplo, Q2 representa um algoritmo ligeiramente
diferente do Algoritmo 1. Agora todas as mdias so calculadas primeiro, para
aps serem calculadas todas as diferenas.
No caso geral, V = Rn , n = 2J , a matriz QJ ento formada pelos dois
blocos anteriormente construdos: SJ para as mdias e TJ para os detalhes, cujos subndices acrescentados notao apenas indicam a dimenso dos blocos,
gerando desta forma a matriz da transformao:

"
#

SJ
QJ =
=

TJ

1/2 1/2
0
0
0
0
0
0
1/2 1/2
0
0
0
0
0
0
... 0
0
0
0
0
0
1/2 1/2
1/2 1/2 0
0
0
0
0
0
1/2 1/2
0
0
0
0
0
0
... 0
0
0
0
0
0
1/2 1/2

(1.7)

Para obter-se uma representao matricial fiel ao Algoritmo 1 para um nvel de


decomposio, a transformao a ser considerada deve ser:

H(C2 ) =

1/2 1/2
0
0
1/2 1/2 0
0
0
0
1/2 1/2
0
0
1/2 1/2

C2,0
C2,1
C2,2
C2,3

C +C
2,0
2,1
2

C2,0 C2,1

2
= C2,2 +C
2,3

2

C2,2 C2,3
2

C1,0
D1,0
C1,1
D1,1

(1.8)
Na prtica, o Algoritmo 1 mais empregado do que sua formulao matricial
H.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

10

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

Transformao de Haar - Forma Matricial para j nveis


No entanto, para que se possa construir uma formulao matricial para a TWD
de Haar 1D para vrios nveis de decomposio, a representao matricial atravs
da transformao linear Q2 (ou no caso geral QJ ) oferece mais flexibilidade. Isto
porque a imagem Q2 (C2 ) (o vetor de sada) fica separada em dois blocos: C1 para
as informaes mdias e D1 , sendo dim C1 = dim D1 = dim C2 /2.
Dessa forma, para que se possa ter um prximo nvel de decomposio, basta
que a matriz da transformao dessa vez atue apenas na parte referente a C1 , deixando D1 inalterado. Como a transformao no prximo nvel continua a calcular
mdias e detalhes, a estrutura matricial para o novo bloco a ser construdo a
mesma.
1 : V V possui um bloco formado pela
Assim, a nova transformao Q
identidade I encarregado de preservar D1 e um bloco Q1 para atuar sobre a outra
metade dos dados, C1 . A formulao matricial resultante dada por:

1 (Q2 (C2 )) =
Q

1/2 1/2 0 0
1/2 1/2 0 0
0
0
1 0
0
0
0 1

C1,0
C1,1
D1,0
D1,1

C1,0 +C1,1
2
C1,0 C1,1

2
=

D1,0

D1,1

C0,0
D0,0

D1,0
D1,1
(1.9)

Como no Algoritmo 1, quando so aplicados J nveis de decomposio da


TWD de Haar 1D, para cada nvel j variando de J a 1, tem-se a transformao
j : V V , cuja matriz associada dada por:
linear Q

k =
Q

"

Qj
0

0
Ik (j, J)

Qj
0
0

0 0
1 0
0 1

0
0
0
..
.
0 0
0 0 0

0
0
0

(1.10)

A matriz [Qj ] de dimenso 2j formada por blocos Sj e Tj , j a matriz identidade Ik (j, J) tem dimenso k(j, J) = 2J 2j , responsvel por preservar os
detalhes de cada nvel inalterados.
Desta forma, pode-se ento representar matricialmente toda a TWD de Haar
para J nveis como sendo a matriz W associada composta de todas as transformaes para cada um dos nveis.
1 ...Q
J2 Q
J1 QJ .
W=Q
Caso o ltimo nvel de decomposio da transformada no seja o nvel zero,
que o mais grosseiro possvel com apenas um valor para mdia e um para detalhe,
mas seja algum nvel intermedirio J0 , ento denotamos L = J J0 e:
J ...Q
J2 Q
J1 QJ .
WL = Q
0

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

11

Transformao de Haar Inversa - Forma Matricial para 1 e j nveis


Nesta seo apresenta-se a formulao matricial para a transformada inversa
referente ao exemplo associado matriz Q2 . Os demais casos so todos anlogos
e portanto apresentados de forma sucinta.
Define-se Q1
2 : V V , a transformao linear inversa de Q2 , cuja formulao matricial dada por:

Q1
2 (C1 ) =

1
1
0
0

0 1
0
0 1 0
1 0
1
1 0 1

C1,0
C1,1
D1,0
D1,1

C2,0
C2,1
C2,2
C2,3

= [C2 ]

(1.11)

Desta forma, seguindo a mesma heurstica de obteno para a forma matricial


envolvendo J nveis da TWD de Haar, pode-se portanto obter a inversa correspondente:
1 1
1
W1 = Q1
J QJ1 ...Q2 Q1 .
Sendo que, para k = 1, 2, ..., J 1 as matrizes
h

1 =
Q
k

"

Q1
0
j
0
Ik (j, J)

(1.12)

so construdas de forma anloga ao que foi descrito anteriormente.

1.1.3

TWD de Haar 1D Ortonormal

Uma propriedade interessante que se pode observar nas matrizes Qj , j =


1, 2, . . . , J que suas colunas so formadas por vetores ortogonais, ou seja, o
produto interno entre quaisquer duas de suas colunas sempre zero. Tomando
como exemplo a matriz Q2 , definida pela Equao 1.6, temos como vetores coluna ~u1 = (1/2, 0, 1/2, 0), ~u2 = (1/2, 0, 1/2, 0), ~u3 = (0, 1/2, 0, 1/2) e ~u4 =
(0, 1/2, 0, 1/2), e ui .u
k = 0 para quaisquer i e k. No entanto, todas as colunas
tm tamanho ||ui || = 1/ 2, ou seja, os vetores colunas no so normais.
Para que as k = 1, 2, . . . , 4 colunas de Q2 sejam vetores ortonormais, basta
considerar os versores de cada um dos vetores coluna, ~uk /||~uk ||. Assim, a matriz
resultante seria uma matriz ortogonal, o que uma propriedade muito importante,
pois a inversa de uma matriz ortogonal simplesmente sua transposta.
Dessa forma tem-se a verso ortonormal da TWD de Haar para j = 1, 2, ..., J,
cuja matriz ortogonal dada por

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

12

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

Qj =

1/ 2 1/ 2
0
0
0
0
0
0
0
0
1/ 2 1/ 2
0
0
0
0
...
0
0
0
0
0
0
1/ 2 1/ 2
1/ 2 1/ 2
0
0
0
0
0
0
1/ 2 1/ 2
0
0
0
0
0
0
...
0
0
0
0
0
0
1/ 2 1/ 2

(1.13)

Assim para obter-se cada uma das transformaes, consideram-se as matrizes


ortonormais em cada nvel, para j variando do nvel mais fino J at o mais grosseiro possvel, dado por 1. Como no caso geral no ortonormal, as matrizes Ik(j,J)
k uma matriz ortonormal
so identidades de dimenso 2J 2j . Agora, o bloco Q
como a definida pela Equao 1.13.
h

k =
Q

"

Qj
0

0
Ik (j, J)

(1.14)

Finalmente, a sequncia de transformaes da TWD de Haar em J nveis :


1 ...Q
J2 Q
J1 QJ .
W=Q
E portanto a sua transformada inversa , na verdade, a transposta de W:
T ...Q
TQ
T
W1 = QTJ Q
J1
2 1.
Com esta apresentao inicial, encerra-se a parte referente aos algoritmos e s
formulaes matriciais que definem a TWD de Haar 1D. Na prxima seo sero
vistas propriedades mais especficas das funes de Haar e alguns dos conceitos
fundamentais que caracterizam as funes wavelets ortonormais de Daubechies.

1.1.4

Anlise Multiresoluo

Na seo anterior, a partir de um vetor inicial de tamanho 2J , foram apresentados os algoritmos Cascata para as transformadas de Haar direta e inversa, que
basicamente so responsveis pelo clculo de mdias e diferenas entre dados.
Alm disso, foram construdas as matrizes associadas TWD de Haar com vrios
nveis de decomposio (nveis de resoluo).
H ainda aspectos funcionais envolvendo as funes wavelets e suas transformadas, como por exemplo continuidade, suavidade, convergncia e outras propriedades mais sofisticadas dependendo da famlia de funes wavelet escolhida. Ou
seja, o espao vetorial em questo deixa de ser considerado apenas como um espao de dimenso finita, V = Rn , e passa a ser um espao de funes, que em
muitos casos pode ser V = L2 (R), conhecido como o espao das funes de quadrado integrvel ou espao de Lebesgue. Para aplicaes de domnio finito, outra

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

13

possibilidade L2 ([0, 1)), espao de todas as funes integrveis em [0, 1), cujo
quadrado tambm integrvel em [0, 1) [33].
Abordar estas questes funcionais com rigor est longe do escopo deste texto
inicial e introdutrio, uma vez que a disciplina de Anlise Funcional seria um dos
pr-requisitos necessrios para isto. No entanto a definio de anlise multiresoluo, introduzida por Stephane Mallat e Yves Meyer (1988/1989) ser apresentada,
uma vez que ela pode ser interpretada como um elo de ligao entre o que se entende como representao discreta e o "mundo" contnuo correspondente. Desta
forma, uma outra maneira de se apresentar e construir uma TWD seria comear
atravs do design da estrutura funcional que se deseja para o espao de funes
associado, ou seja, a anlise multiresoluo correspondente.
Definio:
Uma anlise multiresoluo de um espao vetorial V = L2 (R) (ou L2 ([0, 1))
uma sequncia de subespaos fechados Vj V, j Z, com as seguintes propriedades:
1. {0} V0 V1 V2 Vn V(n+1) V ;
2.

jZ Vj

= {0} e

jZ Vj

=V;

3. f (x) Vj f (2x) Vj+1 ;


4. f (x) V0 f (x + k) V0 , k Z;
5. (x) V0 com integral no nula, denominada funo escala, tal que
{(x k), k Z} uma base ortonormal de V0 .
Para se poder avaliar a fora (ou a extenso) da definio acima, so feitas
algumas observaes sobre cada um dos cinco itens apresentados com o objetivo
de esclarecer as relaes entre os subespaos encadeados que fatoram o espao
vetorial V = L2 (R) (ou L2 ([0, 1))) em diferentes nveis de resoluo [23].
As propriedades (1) e (2) garantem que a sequncia de subespaos encaixados (Vj )jZ no vazia, pois a funo nula est contida em cada subespao
da sequncia. Apesar de haver redundncia entre dois quaisquer nveis consecutivos, pois Vj Vj+1 , a sequncia (Vj )jZ completa tem como nica
interseco a funo nula, indicando que a redundncia existente, na verdade, no to expressiva. Alm disso, o fecho de sua unio recobre o
espao todo, V . Isso quer dizer que projees de uma funo f (x) V em
Vj so aproximaes de f , que convergem para f ao j ; Outra forma
de interpretar (2) afirmar que unio de todos os subespaos densa em V .
A propriedade (3) indica que a relao de incluso entre os subespaos encadeados Vj de fato uma relao de auto-similaridade toda vez que uma
funo f (x) for reescalonada por um fator de 2.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

14

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA


A propriedade (4) est relacionada auto-similaridade dos subespaos Vj
com relao varivel x, que pode ser interpretada como o tempo nas aplicaes envolvendo sinais. Com isso, os espaos Vj so invariantes com relao
s translaes (shifts);
A propriedade (5) indica que as translaes inteiras da funo escala formam
uma base ortonormal para o espao V0 . Em muitos casos, exige-se ainda que
a funo escala seja uma funo contnua por partes e no identicamente
nula apenas em um intervalo fechado e limitado da reta (tenha suporte compacto), como o caso das wavelets de Haar e de Daubechies. Na verdade, a
propriedade (5) pode ser generalizada de tal modo que a base formada seja
uma base de Riesz para V = L2 (R) (ou L2 ([0, 1)).

Assim atravs da estrutura de anlise multiresoluo, encontra-se a conexo


entre a abordagem discreta e a contnua, pois informaes representadas de forma
discreta atravs de elementos de Vj tendem a informaes contnuas, conforme a
escala (ou nvel de resoluo) j aumenta.
Tendo isso em mente, de agora em diante, apresenta-se a anlise multiresoluo
associada funo de Haar e, portanto, TWD de Haar 1D, acrescentando-se
informaes complementares ao que foi exposto at o momento.

1.1.5

Base de Haar

Assume-se o espao vetorial V = L2 (R). Considera-se ento a funo constante por partes (x) V , tambm conhecida como funo de Haar, definida por:
(

(x) :=

1, se 0 x < 1
.
0, caso contrrio

(1.15)

(x) escolhida como a funo escala para gerar a anlise multiresoluo de V ,


uma vez que sua integral no nula e ainda sua norma igual 1:
Z

Z

(x)dx = 1 e ||(x)||2 =

1/2

|(x)| dx

= 1.

(1.16)

Assim, {(x k), k Z} uma base para o subespao V0 V , formada por funes contantes por partes em intervalos [k, k + 1) de tamanho 1. No caso particular
de V = L2 ([0, 1)), V0 ser o espao gerado apenas por (x).
Atravs das relaes de auto-similaridade em relao translao e escala (Propriedades (3) e (4)), obtm-se ainda que{(2x k), k Z} uma base para o
subespao V1 e, consequentemente, que (2j x k), k Z uma base para o
subespao Vj V , j Z. Na Figura 1.2, so ilustradas (x) V0 e duas representantes em V1 , obtidas pela contrao de (x) por um fator de escala igual a 2 e
por translao. Como para cada nvel j
j

||(2 x k)||2 =

Z

|(2 k)| dx

1/2

(1/2j ),

(1.17)

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

15

necessrio
n normalizar cada uma
o das funes para obter-se uma base ortonormal.
Assim, 2j/2 (2x k), k Z a base ortonormal procurada de cada um dos
subespaos Vj , construda a partir da funo escala de Haar. Nas aplicaes apresentadas, Vj , j = 0, 1, 2, ..., J so os subespaos nos quais as informaes mdias
dos sinais a serem analisados sero representados.
1

0
0

0
0

(a)

(b)

(c)

Figura 1.2: Funes (x) em (a); (2x) em (b) e (2x 1) em (c).


Como Vj Vj+1 , ao mesmo tempo que Vj 6= Vj+1 , define-se Wj Vj+1
como sendo o complemento ortogonal de Vj em Vj+1 , ou seja, Vj+1 = Vj Wj .
Considerando agora os subespaos VJ e VJ0 com J > J0 , e os complementos
ortogonais entre subespaos de escalas consecutivas, tem-se
VJ = (...((VJ0 WJ0 ) WJ0 +1 )... WJ1 ).

(1.18)

Assim, qualquer funo pertencente a VJ pode ser expressa como combinao linear de funes em VJ0 e Wj ; j = J0 ; J0 + 1; ...; J, podendo desta forma ser
analisada separadamente em diferentes escalas. A Anlise Multiresoluo recebeu
seu nome por permitir esta separao de escalas.
Continuando a decomposio envolvendo os complementos ortogonais em cada
nvel, quando J0 e J , obtm-se
(

Wj ) = L2 (R).

(1.19)

j=

Como consequncia, todos os subespaos Wj so dois a dois ortogonais. Alm


disso, existe (x) W0 tal que {(x k), k Z} base de W0 e suas dilataes

e translaes formam base dos demais espaos Wj , (2j x k), j, k Z , como
demonstrado por Daubechies [9]. A funo (x) Wj , denominada de funo
wavelet de Haar, definida por:

1,

se 0 x < 1/2
(x) := 1, se 1/2 x < 1

0,
caso contrrio.

(1.20)

Na Figura 1.3 so apresentadas a funo (x) W0 e duas representantes em W1 ,


(2x) e (2x 1). A funo (x) possui integral nula e sua norma ||(x)||2 =

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

16

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

1/2j . Analogamente ao que foi feito para as funes escala, pode-se obter uma
base ortonormal para cada umndos subespaos Wj , j oZ, atravs de translaes e
dilataes de (x) , dada por 2j/2 (2j x k), j Z .
1

(a)

(b)

(c)

Figura 1.3: Funo (x) em (a); (2x) em (b) e (2x 1) em (c).


A notao compacta para representar as funes escala e wavelet, com j indicando a escala e i as translaes referentes escala considerada, dada por:
j,i (x) := 2j/2 (2j x i)

(1.21)

j,i (x) := 2j/2 (2j x i).

(1.22)

Pela construo apresentada, (x) = 0,0 (x) V0 e (x) = 0,0 (x) W0


so ortonormais. Na verdade, alm de ser preservada ao longo das escalas, a ortogonalidade entre essas funes ainda ocorre em relao ao parmetro de translao,
como apresentado a seguir:
Z

< j,i (x), j,k (x) >=

j,i (x)j,k (x)dx = i,k ,

(1.23)

j,i (x)l,k (x)dx = j,l i,k ,

(1.24)

j,i (x)l,k (x)dx = 0, para l j,

(1.25)

< j,i (x), l,k (x) >=


Z

< j,i (x), l,k (x) >=

sendo j, i, l, k Z e i,k a funo Delta de Kronecker que vale 1, quando i = k e


vale zero, caso contrrio.

1.1.6

Relao de Escala e Relao Wavelet

O objetivo desta Seo comear a responder a pergunta: "Mas, afinal, o que


a parte vetorial vista no exemplo inicial tem a ver com a base de Haar recm
apresentada?"
Para responder esta pergunta, inicialmente apresenta-se uma propriedade fundamental das wavelets de Daubechies e em particular da wavelet de Haar. Esta

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

17

propriedade, chamada Relao de Escala, ou Equao de Refinamento uma consequncia imediata da estrutura de anlise multiresoluo, propriedades (1) e (3):
Como V0 V1 e W0 V1 , qualquer funo de V0 e de W0 podem ser escritas
com respeito base de V1 , a saber, a prpria funo escala e a wavelet podem
ser escritas como combinao linear em relao base ortonormal de V1 :
+
X

(x) =
(x) =

hk 1,k (x) =

k=
+
X

gk 1,k (x) =

k=

+
X
k=
+
X

hk (2x k),

(1.26)

gk (2x k),

(1.27)

k=

sendo os valores hk e gk , k Z as constantes destas combinaes lineares, tambm denominados filtros associados s funes escala e wavelet.
Como V1 possui base ortonormal,
Z

hk = proj1,k (x) (x) =< (x), 1,0 (x) >=

(x)1,k (x)dx,

(1.28)

(x)1,k (x)dx.

(1.29)

gk = proj1,k (x) (x) =< (x), 1,0 (x) >=

No caso geral da famlia de Daubechies, a Relao 1.26 ter apenas um nmero finito de filtros no nulos, isso porque as funes escala e wavelet so identicamente nulas, com exceo apenas em um intervalo limitado e fechado da reta.
Assim, diz-se que as wavelets da famlia de Daubechies so funes de suporte
compacto. Daubechies em seu trabalho seminal [9] ainda demonstrou que h uma
relao 1:1 entre os filtros e as funes escala e wavelet de suporte compacto, dependendo de sua suavidade (diferenciabilidade) e do nmero de momentos nulos
que a base possui, ou seja, o grau mximo dos polinmios que podem ser exatamente representados apenas por funes escala, tendo nulos seus coeficientes na
expanso em relao s wavelets. Na verdade, o nmero de coeficientes no nulos
D depende do nmero de momentos nulos N , D = 2N e a Relao de escala 1.26
fica ento simplificada:
(x) =
(x) =

D1
X

hk 1,k (x) =

k=0
D1
X
k=0

X
D1
2
hk (2x k),

(1.30)

k=0

X
D1
gk 1,k (x) = 2
gk (2x k),

(1.31)

k=0

.
No caso particular da funo de Haar, D=2 e tem-se
1
1
(x) = 1,0 (x) + 1,1 (x) = (2x) + (2x 1)
2
2
1
1
(x) = 1,0 (x) 1,1 (x) = (2x) (2x 1),
2
2

(1.32)
(1.33)

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

18

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

sendo os filtros h = (h0 , h1 ) = ( 12 , 12 ) e g = (g0 , g1 ) = ( 12 , 12 ) exatamente


iguais aos coeficientes da matriz Q , dada pela Equao 1.13, que representa a TWD
de Haar normalizada. Alm disso, h ainda uma relao entre os filtros h e g, a
saber: gk = (1)k hD1k para k = 0, 1, ..., D 1 [9], que faz com que o nmero
de dados iniciais para o clculo da transformada wavelet seja ainda mais reduzido.
Isto porque, a partir da funo escala escolhida, as demais informaes sobre as
funes wavelets associadas podem ser obtidas como consequncia. A Tabela 1.1
destaca os filtros de escala e wavelet dos casos no normalizado e normalizado.
Tabela 1.1: Coeficientes de filtro no normalizados e normalizados para DWT de
Haar
Filtros no normalizados Filtros normalizados
k

hk

gk

0
1

1/2
1/2

1/2
-1/2

hk

1/2
1/ 2

gk

1/ 2
-1/ 2

Apesar de as funes (x) e (x) de Haar serem facilmente definidas e possurem formulao analtica (Equaes 1.15 e 1.20 ou 1.21 e 1.22), geralmente
no h frmulas explcitas para outras wavelets. Portanto, a maioria dos algoritmos para decomposio wavelet formulado em termos de bancos de filtros de
coeficientes [23], sendo uma consequncia direta das relaes de escala e wavelet.

1.1.7

Expanso de funes em VJ

Os subespaos vetoriais Vj L2 (R), j Z, so espaos de funes e uma


funo f (x) Vj pode ser escrita como combinao linear de diferentes bases de
Vj . Em particular, pode-se considerar a base ortonormal de Haar formada pelas
funes escala j,k (x) no nvel j. A expanso de f (x) nesta base dada por:
f (x) =

Cj,k j,k (x),

(1.34)

k=

sendo os coeficientes da combinao linear definidos pela projeo de f (x) na


direo de cada um dos vetores da base:
Cj,k =

< f (x), j,k (x) >


=< f (x), j,k (x) >=
< j,k (x), j,k (x) >

f (x)j,k (x)dx.
(1.35)

Os coeficientes Cj,k so as coordenadas de f (x) na base de Vj e a TWD de Haar


um procedimento para calcul-las a partir de dados discretos.

19

Caso Vj L2 (I), com I = [0, 1) ou algum outro intervalo limitado da reta,


ento os limites de variao do somatrio na Expresso 1.34 e os limites de integrao na Expresso 1.35 so todos finitos. Os limites de integrao coincidem com
os limites do intervalo considerado e o nmero de pontos do somatrio depende,
alm do tamanho do intervalo, tambm da escala (nvel de resoluo), responsvel
pelo espaamento entre os pontos obtidos na discretizao da funo. Neste texto,
assume-se que para cada j Z, o espaamento seja 1/2j e portanto em I = [0, 1)
tem-se Nj = 2j pontos, iniciando-se a contagem sempre em zero. Para as aplicaes, quando for necessrio considerar um intervalo maior como domnio, ento
os ajustes necessrios sero apontados.
Dessa forma, a expanso de f (x) Vj L2 (I) dada a seguir:
Nj 1

f (x) =

Cj,k j,k (x), com Nj = 2j e

(1.36)

k=0

Z 1

f (x)j,k (x)dx.

Cj,k =< f (x), j,k (x) >=

(1.37)

Como a quantidade de coeficientes Cj,k finita, eles podem ser armazenados em


um vetor Cj . E... vois l ! Tm-se os vetores que apareceram inicialmente na
Seo 1.1 para apresentar o exemplo!
Ou seja, a Expresso 1.36 d o enfoque funcional que faltava para se entender
as representaes do vetor C2 = [2 0 1 5] apresentadas nas Figuras 1.1(b), 1.1(c)
e 1.1(d). O que a formulao funcional deixa claro agora a relao biunvoca
(1:1) entre C2 = [2 0 1 5] e a combinao linear das funes da base de Haar,
C2 f (x), como ilustra a Figura 1.4.

C2 = 2

+0

+1

+5

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

Figura 1.4: C2 f (x) = 22,0 (x) + 02,1 (x) + 12,2 (x) + 52,3 (x).
Lembrando que Vj = Vj1 Wj1 , uma outra possibilidade de se expandir
uma funo f (x) Vj L2 (I) considerar agora a base de Vj como sendo a
unio das bases de Vj1 e Wj1 (o que possvel, pois Vj soma direta destes
dois subespaos). Nj1 = Nj /2 = 2j1 a dimenso desses dois subespaos,
Nj1 1

f (x) =

Nj1 1

Dj1,k j1,k (x), com

(1.38)

Cj1,k =< f (x), j1,k (x) > e Dj1,k =< f (x), j1,k (x) > .

(1.39)

k=0

Cj1,k j1,k (x) +

k=0

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

A Expresso 1.38 a verso funcional do Algoritmo 1 para a verso decimada da


TWD de Haar em um nvel de decomposio.
Considerando agora que o nvel mais fino de resoluo para representao de
f seja J, f (x) VJ , e assumindo que sejam feitos todos os J nveis de transformao possveis, tem-se a expanso da f (x) em multinvel dada por:

f (x) =

NX
0 1

C0,k 0,k (x) +

j 1
J1
X NX

Dj,k j,k (x), Nj = 2j .

(1.40)

j=0 k=0

k=0

A expanso de f (x) VJ dada pela Equao 1.40 tem como coeficientes


os elementos dos vetores C0 , D0 , D1 , D2 , ..., DJ1 . Desta forma, agora fica
evidente a relao 1:1 entre f (x) e sua representao multiresoluo CM R =
(C0 D0 D1 D2 ... DJ1 ), obtida como resultado final do Algoritmo 1 para a TWD
de Haar com todos os vetores obtidos nos nveis de decomposio ordenados em
blocos. Caso a fatorao pela transformada no seja completa, isto , o nvel mais
grosseiro escolhido seja J0 , com J0 6= 0, tem-se uma representao multiresoluo
em J J0 nveis: f (x) CM R = (CJ0 DJ0 D1 D2 ... DJ1 ), com CJ0 contendo 2J0 elementos. Ainda denota-se por L = J J0 a profundidade da expanso
wavelet e naturalmente, da representao multiresoluo associada.
A Figura 1.5(a) ilustra a representao em um nvel de resoluo e a Figura 1.5(b)
representa a combinao linear envolvendo todos os nveis de decomposio, at
atingir V0 que representa o nvel mais grosseiro contendo as funes constantes em
todo intervalo I.

+3

+ -1

+1

+1

+-2

+ -2

C2= 2

C2= 1

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

20

(a)

(b)

Figura 1.5: (a) f (x) V1 W1 e C2 11,0 (x) + 31,1 (x) + 11,0 (x) +
(2)1,1 (x); (b) f (x) V0 W0 W1 e C2 20,0 (x) + (1)0,0 (x) +
11,0 (x) + (2)1,1 (x).
Na prtica muito comum e til poder aplicar a TWD de Haar para decompor
um sinal em uma quantidade desejada de nveis, no necessariamente chegando
at o nvel zero. Isso porque muitas vezes essencial que o sinal mais grosseiro
continue mantendo propriedades significativas do sinal original discretizado em
um nvel mais refinado.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

1.1. TRANSFORMADA WAVELET DE HAAR 1D

21

Norma de f (x)
Uma consequncia importante de se ter uma base ortonormal em VJ a possibilidade de se calcular a norma (tamanho) de um vetor qualquer de VJ usando-se
diretamente suas coordenadas nesta base. Assim, o clculo da norma de f (x) pode
ser feito considerando, por exemplo, sua expanso apenas na base de funes escalas no nvel J ou sua expanso envolvendo multinveis:
||f ||22

=< f (x), f (x) >=

NX
J 1
k=0

NJ0 1
2

|CJ,k | =

|CJ0 ,k | +

j 1
J1
X NX

|Dj,k |2 .

j=0 k=0

k=0

(1.41)
Atravs dessa flexibilidade para o clculo da norma de um vetor de VJ ser
possvel avaliar o erro cometido nas aproximaes de funes que no esto em
VJ , mas so aproximadas por funes deste subespao. Nas aplicaes isso ser
muito til para se poder avaliar a qualidade dos resultados computacionais obtidos,
especialmente por ser necessrio lidar com dados e expanses truncados em todas
as etapas das anlises.

1.1.8

Projees em Vj

Quando for dada uma funo f (x) L2 (R) que no seja originalmente constante por partes, essa funo no poder ser representada exatamente por apenas
um nico subespao Vj para um certo nvel j escolhido, mas ser possvel obter sua projeo no espao Vj , denotada por (PVj f )(x), assim como ser possvel
obter sua projeo em Wj , (PWj f )(x) :
Nj 1

(PVj f )(x) =

X
k=0

Nj 1

Cj,k j,k (x), e (PWj f )(x) =

Dj,k j,k (x),

(1.42)

k=0

cujos coeficientes Cj,k e Dj,k so calculados como anteriormente, atravs do produto interno entre f (x) e a respectiva funo da base no nvel j e na posio k.
Naturalmente, atravs da estrutura de anlise multiresoluo, continua vlido
que (PVj f )(x) = (PVj1 f )(x) + (PWj1 f )(x).
O objetivo agora ento amarrar a ltima ponta que ainda est solta, que diz
respeito a como calcular estes coeficientes Cj,k e Dj,k de forma eficiente, considerando os ingredientes funcionais apresentados nesta seo. Dessa forma, o que
ser obtido so novamente os algoritmos apresentados a partir do exemplo, caracterizando a relao biunvoca entre Cj e (Cj1 Dj1 ), tambm conhecida como
transformada rpida wavelet (fast wavelet transform).
A chave para a obteno desta relao entre duas escalas consecutivas quaisquer, j e j 1, est na Relao de Escala 1.30 adaptada agora para estes nveis.
Assim comeando pela definio de uma funo escala normalizada no nvel j 1,
tem-se:

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

22

CAPTULO 1. TRANSFORMADA WAVELET DISCRETA


j1,l (x) = 2(j1)/2 (2j1 x l) = 2(j1)/2 (y), com y = 2j1 x l,
D1
X

"
(j1)/2

Por 1.30 para (y), tem-se j1,l (x) = 2


Assim, j1,l (x) = 2j/2

D1
X

1/2

hk (2j x (2l + k)) =

k=0

hk (2y k)

k=0
D1
X

hk j,2l+k (x).

k=0

Lembrando apenas que D=2, no caso da TWD de Haar. De forma anloga, tem-se
j1,l (x) =

D1
X

gk j,2l+k (x).

k=0

Agora, pela definio de Cj1,l


Z 1

Z 1

f (x)j1,l (x) =

Cj1,l =
0

Cj1,l =

f (x)
0

D1
X
k=0

Z 1

"D1
X

hk j,2l+k (x)
k=0
D1
X

f (x)j,2l+k (x)dx =

hk
0

dx

hk Cj,2l+k (x).

k=0

Analogamente, tem-se o mesmo tipo de relao para os coeficientes wavelets:


Dj1,l =

D1
X

gk Cj,2l+k (x).

k=0

E no caso particular da TWD de Haar essas relaes para os coeficientes de escala


e wavelets se traduzem exatamente na formulao apresentada anteriormente em
funo dos filtros hk e gk (transformada rpida wavelet via algoritmo de Cascata) :
1
X

Cj1,l =

hk Cj,2l+k (x) = h0 Cj,2l (x) + h1 Cj,2l+1 (x), l = 0, ..., 2j1 1,

k=0
1
X

Dj1,l =

gk Cj,2l+k (x) = g0 Cj,2l (x) + g1 Cj,2l+1 (x), l = 0, ..., 2j1 1.

k=0

Essa transformada especialmente eficiente no clculo dos coeficientes Cj1


e Dj1 especialmente por serem necessrios apenas os coeficientes Cj e os filtros
h da funo escala, uma vez que g pode ser obtido a partir de h. Assim, a questo
como comear o processo, como obter os dados de Cj . Intuitivamente, faz sentido comear o processo, assumindo Cj,k = f (xj,k ) = f (2j x k), desde que j
seja suficientemente grande, ou seja, que o espaamento 1/2j seja suficientemente
pequeno. Para ver uma demonstrao geral da justificativa desta escolha, ver [23].

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Captulo 2

Aplicaes 1D
O objetivo principal deste captulo apresentar algumas aplicaes para a
TWD de Haar 1D, cuja formulao foi vista no captulo anterior atravs dos algoritmos de Cascata, seus anlogos em forma matricial e ainda atravs do enfoque
funcional promovido pela estrutura de anlise de multiresoluo. Nas sees que
seguem, alguns conceitos importantes so introduzidos ou reforados, pois so ferramentas essenciais para a anlise de dados (sejam eles funes, sinais, imagens...).
Como este texto se prope a utilizar basicamente tpicos de lgebra Linear vistos
em disciplinas de graduao, muitos dos conceitos abstratos so omitidos e apenas a parte intuitiva explorada, No entanto, existem vrios textos especializados,
como por exemplo as referncias [9], [22] e [10], que exploram de forma sistemtica e rigorosa, tanto a parte terica, quanto uma gama maior de aplicaes.

2.1

Propriedade dos Momentos Nulos

No captulo anterior, Seo 1.1.6, foi mencionada brevemente a importante


propriedade dos N momentos nulos que as funes escala da famlia de Daubechies possuem, que a habilidade de representar polinmios exatamente at grau
(N 1). Mais precisamente, cada elemento da base de polinmios at grau N 1
expandido como segue:
xp =

+
X

Mkp (x k), x R, p = 0, 1, .., N 1, com

k=
Mkp =<

xp , (x k) >, k Z, p = 0, 1, .., N 1.

(2.1)
(2.2)

Mkp denota o p-simo momento da funo escala (x k) e pode ser tambm


calculado de maneira rpida para qualquer uma das funes de Daubechies, como
apresentado em [23]. No caso particular da funo escala de Haar, Mkp pode ser
calculado diretamente pela sua definio.
A Equao 2.1 pode ser traduzida em uma condio envolvendo as funes
wavelets. Considerando o produto interno de xp com (x) e a ortogonalidade
entre as funes da base wavelet, tem-se para x R, p = 0, 1, .., N 1 que:
23

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

24

CAPTULO 2. APLICAES 1D
Z +

x (x)dx =
k=

+
X
k=

Mkp

Z +

(x)dx(x k) = 0.

(2.3)

k=

Esta exatamente a propriedade dos N momentos nulos (em relao s funes


p
wavelets), dado que em relao s funes escala, os valores MK
no so nulos.
Intuitivamente esta propriedade significa que pode-se fazer uma economia considervel na representao de uma funo f na base wavelet. Toda vez que a f for
uma funo polinomial ou polinomial por partes com grau at N 1, sero necessrios apenas metade dos coeficientes na sua expanso na base wavelet com N
momentos. No caso particular da base de Haar, que possui apenas N = 1 momento, toda vez que a funo for constante ou constante por partes, essa economia
na representao obtida em todo o domnio, ou localmente, no caso de funes
constantes por partes. Mesmo no caso de uma funo ser constante apenas em uma
regio do seu domnio, os coeficientes wavelets da expanso nesta regio sero
nulos, havendo uma economia de representao apenas no local correspondente.
Na verdade, esse fato abre ento uma nova linha de pensamento. Supondo
agora que a funo f no seja polinomial, mas seja, em algumas regies de seu
domnio, bem representada por polinmios ou prxima de um, isso implicaria que,
apesar de no serem nulos, os coeficientes wavelets seriam pequenos. Bem, para
justificar tudo isso so necessrias ferramentas mais tcnicas. No entanto esse
fato, que diz respeito ao comportamento quantitativo dos coeficientes wavelets,
ser explorado atravs de exemplos na seo de experimentos numricos e apenas
formulado sem demonstrao logo a seguir.

2.1.1

Decaimento dos coeficientes wavelet

Teorema Seja N o nmero de momentos nulos da funo wavelet j,k e seja


f C N (R), espao das funes reais contnuas com derivadas contnuas at grau
N . Ento os coeficientes wavelets dados em 1.38 decaem em mdulo ao longo dos
nveis de decomposio da TWD como segue:
|Dj,k | N 2j(N +1/2) max |f (N ) ()|,
Ij,k

(2.4)

sendo N uma constante


independente de j, k e de f , D = 2N e Ij,k = supp{j,k } =

k/2j , (k + D 1)/2j .
No caso da base de
Haar, o suporte das funes wavelet Ij,k = supp{j,k } so

os intervalos Ij,k = k/2j , (k + 1)/2j de tamanho 1/2j . O mdulo dos coeficientes wavelet decai dependendo do nvel j e o mximo da derivada da f em cada
intervalo Ij,k . Assim, quanto mais fino o nvel de resoluo (j >> 1), menor o
mdulo do coeficiente wavelet. A Figura 2.1 ilustra este comportamento atravs
da decomposio em 7 nveis de uma funo f definida por partes como sendo
constante, linear, linear novamente apenas com sinal oposto e quadrtica.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.1. PROPRIEDADE DOS MOMENTOS NULOS

25

C7

C6

D6

C5

D5

C4

D4

C3

D3

C2

D2

C1

D1

C0

D0

Figura 2.1: TWD de Haar de f . Variao do mdulo dos detalhes por nvel

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

26

CAPTULO 2. APLICAES 1D

2.2

Operaes de truncamento

A primeira operao de truncamento foi mencionada no captulo anterior e diz


respeito representao da funo f L2 (R)( ou L2 ([0, 1))) em algum espao
VJ atravs da projeo ortogonal de f em VJ , (PVJ f )(x). Neste processo o que de
fato ocorre o truncamento da expanso da funo f para que sua representao
seja feita em relao ao nvel J. Com isso, define-se o erro de aproximao pontual
nesta operao, para x arbitrariamente fixado, e supondo f C N por:
eJ (x) = f (x) (PVJ f )(x), x R.

(2.5)

Assumindo a expanso wavelet para f , do nvel mais grosseiro J0 at o mais


fino J, tem-se:
f (x) =

+
X

CJ0 ,k J0 ,k (x) +

+
X

+
X

Dj,k j,k (x)

(2.6)

j=J0 k=

k=

De forma anloga, tem-se (PVJ f )(x), a projeo de f em VJ


(PVJ f )(x) =

+
X

CJ0 ,k J0 ,k (x) +

J1
X

+
X

Dj,k j,k (x)

(2.7)

j=J0 k=

k=

Assim, o erro para cada x R nesta operao de projeo dado em termos


das wavelets nas escalas j J:
eJ (x) = f (x) (PVJ f )(x) =

+
X
X +

Dj,k j,k (x).

(2.8)

j=J k=

Na tentativa de seachar uma quota superior


para este erro, define-se para cada

Ij,k = supp(j,k ) = k/2j , (k + D 1)/2j
C = max |(2j x k)| =
xIj,k

max

y[0,D1]

|(y)|.

(2.9)

Atravs do Teorema 2.1.1, estima-se que cada termo do somatrio possa ser majorado por:
|Dj,k j,k (x)| N 2j(N +1/2) max |f (N ) ()|2j/2 C =
Ij,k

N 2jN max |f (N ) ()|C .


Ij,k

Como os suportes das funes wavelets so os intervalos Ij,k , para cada valor
de x escolhido, existem apenas D 1 intervalos contendo este valor, e portanto o
somatrio em k possui apenas D 1 termos no nulos. Assim, definimos N
j (x)
como sendo

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.2. OPERAES DE TRUNCAMENTO

27

(N )
N
()|, com Ij (x) =
j (x) = max |f
xIj (x)

Ij,l .

(2.10)

{l:xIj,l }

Com isso, o somatrio em k pode ser majorado por:


+
X

|Dj,k j,k (x)| N C 2jN (D 1)N


j (x).

(2.11)

k=

Finalmente o somatrio em j tambm pode ser majorado, pois o mximo da


derivada n-sima da f procurado em intervalos cada vez menores, conforme a escala J cresce, gerando uma no crescente para esses valores de mximo, N
J (x)
N (x) .... Com isso,
N
(x)

J+1
J+2
|eJ (x)|

+
X +
X

|Dj,k j,k (x)| N C (D 1)N


J (x)

j=J k=

+
X

2jN

j=J

N C (D 1)N
J (x)

2JN
1 2N

= C2JN .

Como concluso desse processo todo de majoraes para cada x escolhido,


tem-se como principal resultado que o erro de truncamento gerado pela projeo
de f em VJ decair de forma exponencial, dependendo da escala J e do nmero de
momentos nulos N da funo wavelet:
|eJ (x)| = O(2JN ).

(2.12)

No caso da funo de Haar, N = 1, o decaimento do erro de truncamento depende


apenas da escala.
Alm desse tipo de truncamento, uma outra operao pode ser definida a partir
dos coeficientes wavelets da expanso da f , como ser visto a seguir.

2.2.1

Operadores de Truncamento

Os operadores de truncamento que sero apresentados nesta seo foram introduzidos e sistematizados por David Donoho e Iain Johnstone [10] na busca por
representaes esparsas de sinais atravs de mtodos envolvendo transformadas
wavelets. Aqui o grande insight explorado o poder de transformar sinais extremamente longos e cheios de variaes (densos em quantidade de informao) em
vetores esparsos com relativamente poucos valores significativos e no nulos, mas
que ainda representam corretamente o sinal original em muitos aspectos. Essas representaes esparsas trazem vantagens imediatas para aplicaes envolvendo regularizao, compresso de dados e reduo de rudo [21], como ser brevemente
explorado nas sees de experimentos e aplicaes.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

28

CAPTULO 2. APLICAES 1D

Hard e Soft Thresholding


Assim, dada a funo inicial f , que representa o sinal a ser filtrado ou comprimido, obtm-se uma aproximao bf a partir da expanso wavelet de f e de um
operador de truncamento thr () que reduz ou anula os coeficientes Dj,k menores
do que um certo escalar , escolhido segundo algum critrio. As duas propostas de
truncamento mais difundidas [10], denominadas de hard e soft thresholding, so
dadas, respectivamente, por:
se |Dj,k |
,
Dj,k , se |Dj,k | >

thrH
(Dj,k ) =

n 0,

thrS (Dj,k ) =

n 0,

se |Dj,k |
,
sign(Dj,k )(|Dj,k | ), se |Dj,k | >

sendo ento a expanso resultante dada por:


b
f (x) =

NX
0 1

CJ0 ,k J0 ,k (x) +

j 1
J1
X NX

thr (Dj,k )j,k (x).

(2.13)

j=J0 k=0

k=0

A escolha entre hard ou soft e do limiar de corte feita muitas vezes caso
a caso, dependendo da aplicao. Contudo, os mtodos de truncamento hard e
soft no so os nicos possveis. Vrios mtodos de truncamento de coeficientes
wavelets podem ser encontrados na literatura, como os discutidos no trabalho de
reviso [21].
De qualquer forma, uma questo relevante a ser analisada o erro eJ cometido
nestas operaes de thresholding para que se possa classificar a aproximao bf
como satisfatria ou no.
eJ = f (x) bf (x) =

q1
X

dj,i j,i (x), .

(2.14)

i=0

sendo {dj,i } todos os coeficientes wavelets que foram descartados pela operao
de truncamento, e q = #{dj,i } o nmero de elementos desse conjunto. As posies i neste somatrio so na verdade associadas s verdadeiras posies que os
coeficientes Dj,k originais assumiam na representao wavelet de f . Com isso,
atravs da ortogonalidade da base wavelet, tem-se
||eJ ||22 = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >=

m1
X

|dj,i |2 .

i=0

(2.15)
M-best approximation
Uma outra possibilidade de se produzir representaes esparsas (ou, pelo menos, com uma quantidade menor de coeficientes) a partir de sinais iniciais atravs da estratgia de escolha dos m-primeiros maiores coeficientes wavelet da srie wavelet original, descartando todos os demais. Esta estratgia denominada

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.2. OPERAES DE TRUNCAMENTO

29

m-best aproximation [31]. Desta forma, a aproximao obtida bf possui expanso contendo os coeficientes escala do nvel mais grosseiro, J0 , e a contribuio dos m coeficientes wavelet com maior mdulo, independentemente da escala,
j = J0 , J0 + 1, ...J 1 e da posio k referente escala:
b
f (x) =

NX
0 1

CJ0 ,k J0 ,k (x) +

k=0

m1
X

D(j,k) (j,k) (x),

(2.16)

j=0

sendo (j, k) a permutao que faz a busca dos coeficientes Dj,k de maior mdulo,
de tal forma que |D0 | |D1 | |D2 |... |Dm1 |.

(a) Funo original em V4

(b) m = 14

(c) m = 12

(d) m = 10

(e) m = 8

(f) m = 6

(g) m = 4

(h) m = 2

Figura 2.2: Aproximaes para a funo dependendo do nmero de coeficientes


mantidos pela estratgia m-best approximation. Funo original contida em V4 .
A Figura 2.2 mostra uma funo em V4 , definida por uma expanso na base
de Haar contendo inicialmente 16 amostras. Na sequncia, so apresentadas as

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

30

CAPTULO 2. APLICAES 1D

representaes desta funo obtidas pelo m-best approximation considerando m =


14, 12, 10, ..., 2.
Novamente, para se estimar o erro cometido na estratgia de m-best approximation, em relao f originalmente dada em VJ , calcula-se
||em || = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >=

NX
J 1

|D(j,k) |2 ,

j=m

(2.17)
sendo considerados todos os demais NJ m elementos cujos coeficientes Dj,k so,
em mdulo, menores do que |Dm1 |, definido pela escolha feita em 2.16. Assim,
o erro estimado pelo tamanho dos coeficientes descartados aps a estratgia de
truncamento.
A seguir, alguns experimentos computacionais sero propostos para se reforar
alguns pontos interessantes e importantes abordados at o momento.

2.3

Experimentos Computacionais

Esta seo est organizada em testes que ilustram aspectos j abordados nas sees anteriores, como a relevncia da normalizao da transformada, e a aplicao
da transformada inversa para a construo das funes wavelets e escala.
Teste 1
O Teste 1 avalia a implementao da TWD de Haar partindo de um vetor de
comprimento J = 4, anlogo ao exemplo inicial. A Tabela 2.1 ilustra os diferentes
resultados obtidos pela aplicao da TWD de Haar no-normalizada e da normalizada sobre o vetor v1 = [8 4 5 4]> . O valor 2j , 0 j J, define o tamanho
dos vetores analisados, sendo 2J o tamanho do vetor de entrada. Valores em ponto
flutuante esto arredondados na quarta casa decimal.
Tabela 2.1: TWD de Haar 1D no-normalizada e normalizada sobre vetor v1 .
TWD no-normalizada
TWD normalizada
j

Cj

Dj

Cj

Dj

2
1
0

[8 4 5 4]
[6 4.5]
[5.25]

[2 0.5]
[0.75]

[8 4 5 4]
[8.4853 6.3640]
[10.5]

[2.8284 0.7071]
[1.5]

A Figura 2.3 apresenta uma representao simplificada e apenas qualitativa da


decomposio normalizada wavelet do vetor v1 = [8 4 5 4]> .

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.3. EXPERIMENTOS COMPUTACIONAIS

31

C2

C1

D1

C0

D0

Figura 2.3: Grfico da decomposio wavelet, atravs da TWD normalizada, para


o vetor exemplo v1 .
Teste 2
Para o Teste 2 consideram-se duas operaes (mtricas): (a) o clculo do proP
duto interno de um vetor por ele mesmo < v, v >= ni=1 (vi )2 , tambm denominado em aplicaes de anlise de sinais como sendo a energia ao quadrado (E 2 (v))
P
do sinal e (b) a mdia = 1/n ni=1 vi dos elementos de um vetor v de tamanho
n.
Nas Tabelas 2.2 e 2.3 so apresentados os valores dessas mtricas aplicadas
para os coeficientes de escala (Cj ) e de detalhe (Dj ) de todos nveis de decomposio do vetor v1 do Teste 1. E ainda, sobre a representao multiresoluo de v1 ,
CM Rj = (Cj Dj Dj+1 DJ1 ), conforme Equao 1.40 para cada nvel j.
Tabela 2.2: Energia ao quadrado dos coeficientes de detalhe e escala quando aplicadas as TWDs no normalizada e normalizada sobre o vetor v1 .
TWD no normalizada
TWD normalizada
j

E 2 (Cj )

E 2 (Dj )

E 2 (CM Rj )

E 2 (Cj )

E 2 (Dj )

E 2 (CM Rj )

2
1
0

121,0
56,25
27,5625

4,25
0,5625

121,0
60,50
32,375

121,0
112,5008
110,25

8,4998
2,25

121,0
121,0006
120,9998

Percebe-se, atravs da anlise das Tabelas 2.2 e 2.3, que a TWD normalizada preserva a energia total (a menos de erros computacionais de arredondamento) independentemente do nvel de decomposio, enquanto que a TWD nonormalizada preserva sempre a mesma mdia para cada conjunto de coeficientes de

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

32

CAPTULO 2. APLICAES 1D

Tabela 2.3: Mdia dos coeficientes de detalhe e escala quando aplicadas as TWDs
no normalizada e normalizada sobre o vetor v1 .
TWD no-normalizada
TWD normalizada
j

(Cj )

(Dj )

(CM Rj )

(Cj )

(Dj )

(CM Rj )

2
1
0

5,25
5,25
5,25

1,25
0,75

5,25
3,25
3,0

5,25
7,4246
10,5

1,7677
1,5

5,25
4,5962
6,0

escala, tambm independentemente do nvel de decomposio. Como consequncia, os algoritmos de thresholding para aproximar funes poderiam ser parametrizados de acordo com os filtros utilizados (normalizados ou no) na TWD.
Teste 3
Este teste responsvel pela avaliao da TWD Inversa. O vetor exemplo v1
do Teste 1, mais uma vez foi tomado para realizar os testes. Os resultados da
TWD Inversa no normalizada foram exatos, enquanto o da normalizada sofreu
truncamento (problemas de arredondamento). O vetor reconstitudo, v10 , atravs
da aplicao da TWD Inversa normalizada
v10 = [8.000000000002693 3.9999999999973053 5.00000000000032 3.99999999999968] .
Teste 4
O Teste 4 ilustra uma propriedade extremamente relevante da famlia de Daubechies, que a relao biunvoca entre a funo e seu filtro correspondente. A
funo de Haar a nica da famlia de Daubechies que possui expresso analtica,
todas as demais so obtidas apenas atravs de seus filtros. O procedimento para
obter os grficos de qualquer funo desta famlia atravs da avaliao da TWD
Inversa a partir de um grosseiro nvel J0 . Como dados de entrada para a TWD
Inversa so considerados um par de vetores, um completamente nulo e outro com
valor igual 1 apenas em uma posio, sendo todas as demais nulas. Assim, para
serem reconstrudas as funes escala, assume-se CJ0 como sendo o vetor com um
nico valor no nulo e o vetor de coeficientes wavelet DJ0 como sendo nulo. No
caso da construo dos valores das funes wavelets, o vetor CJ0 nulo e o vetor
DJ0 possui uma posio no nula. A posio do valor no nulo no vetor, faz com
que a funo seja gerada com deslocamento correspondente.
Desta forma so obtidas as funes escala e wavelet de Haar: (x k) e
(x k), com k = 0 e 1. A Figura 2.4 mostra a funo escala com deslocamento
k = 0, assumindo-se C2 = [1, 0] e D2 = [0, 0] e para k = 1 os dados iniciais so
C2 = [0, 1] e D2 = [0, 0]. Para a funo wavelet com deslocamento k = 0 tem-se
C2 = [0, 0] e D2 = [1, 0] e finalmente para k = 1, C2 = [0, 0] e D2 = [0, 1].

33

Estas funes so construdas aps 12 nveis de reconstruo atravs de aplicaes


sucessivas da TWD Inversa no normalizada.
1.5

1.5

1.0

1.0

0.5
Signal value

Signal value

0.5

0.0

0.0

0.5

0.5

1.0

1.0

1.5
0.0

0.2

0.4

Time

0.6

0.8

1.5
0.0

1.0

0.2

0.4

(a)

0.6

0.8

1.0

1.5

1.0

0.5
Signal value

1.0

0.5

0.0

0.0

0.5

0.5

1.0

1.0

1.5
0.0

Time

(b)

1.5

Signal value

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.4. FILTRAGEM WAVELET

0.2

0.4

Time

0.6

0.8

(c)

1.0

1.5
0.0

0.2

0.4

Time

0.6

0.8

1.0

(d)

Figura 2.4: Funo escala com deslocamento (a) k = 0 e (b) k = 1. Funo


wavelet com deslocamento (c) k = 0 e (d) k = 1.

2.4

Filtragem wavelet

Quando informaes discretas so obtidas atravs de medies ou manipuladas por aplicativos computacionais e ento armazenadas digitalmente, em alguma
etapa deste processo, estas podem ser corrompidas por diversas formas de interferncia, denominadas de rudos. As tcnicas de limiarizao dos coeficientes de
uma srie wavelet tm como objetivo a reduo, ou mesmo eliminao, do rudo
presente em um sinal [21].
Estas tcnicas esto baseadas na manipulao dos coeficientes wavelet, que
podem ter seus valores diminudos ou anulados, como foi visto na Seo 2.2, nos
vrios nveis de fatorao gerados pela TWD Direta [2]. Aps esse processo, a
TWD Inversa aplicada na expanso wavelet com coeficientes truncados [21]. O
sinal reconstrudo ser uma aproximao do sinal sem rudo, sendo, portanto, o
resultado da filtragem.
Considera-se o vetor NJ -dimensional f = (f0 , f1 , . . . , fNJ 1 ), com NJ = 2J
e J Z+ , sendo cada componente uma amostra do sinal sem rudo f em um

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

34

CAPTULO 2. APLICAES 1D

instante ti , ou seja fi = f (ti ). Considera-se ainda o vetor de rudo gaussiano


 = (0 , 1 , . . . , NJ 1 ), cujas componentes so variveis aleatrias independentes
provenientes de uma distribuio normal (Gaussiana) com mdia 0 e desvio padro
2 , i N (0, 2 ), para i = 0, 1, . . . , NJ 1. Desta forma, um sinal amostrado y
pode ser considerado como uma soma de uma componente limpa f e um rudo ,
y = f + , ou seja, coordenada a coordenada assume-se:
(y0 , y1 , y2 , . . . , yNJ 1 ) = (f0 + 0 , f1 + 1 , f2 + 2 , . . . , fNJ 1 + NJ 1 ).
Na prtica, a nica informao conhecida o vetor y, e o objetivo ento , a
partir de y, obter uma estimativa para a componente f .
Assim, pela linearidade da TWD :
TWD(y) = TWD(f + ) = TWD(f ) + TWD().
Por ser ortogonal, a TWD ainda preserva a energia do sinal analisado. Portanto, no
caso deste sinal ser um rudo gaussiano, suas propriedades de mdia zero e varincia constante 2 so preservadas aps a transformao. Em termos de coeficientes
wavelets, esta constatao pode ser expressa por: dj,k = wj,k + zj,k , sendo dj,k
os coeficientes wavelet de y, wj,k os coeficientes wavelets de f e zj,k N (0, 1)
variveis aleatrias provenientes de distribuio normal com mdia 0 e desvio padro 1. Ou seja, os coeficientes wavelets de uma amostra com rudo podem ser
escritos como os coeficientes wavelets sem rudo adicionados a rudo branco, dado
por zj,k N (0, 1) [21].
Algoritmo para Filtragem
Dada a funo thr (), o procedimento para filtragem do sinal y e obteno
da aproximao para o sinal filtrado bf , por meio do truncamento dos coeficientes
wavelets, segue as seguintes etapas:
1. Aplicao da TWD direta no sinal original em J nveis:
TWDJ (y) = d = (CJ0 DJ0 DJ0 1 ... DJ1 );
2. Truncamento dos coeficientes wavelets da decomposio d :
e = (CJ D
eJ D
e J 1 ... D
e J1 );
thr (d) = d
0
0
0
3. Aplicao da TWD Inversa na srie com coeficientes wavelets truncados:
e =b
TWDIJ (d)
f.
No final do procedimento de filtragem obtida uma estimativa bf do sinal sem
rudo f . A Figura 2.5 mostra uma representao desse procedimento. considerado como entrada o sinal ruidoso y, composto por uma curva sem rudo f e um
rudo aleatrio, , com mdia 0 e desvio padro 1,  N (0, 1), apresentado na
Figura 2.5(a). O resultado final, obtido com 2 nveis de decomposio wavelet de
Haar e hard thresholding com = 5, est dado na Figura 2.5(b).

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.5. ANLISE DE SINAIS EEG

35

(a)

(b)

Figura 2.5: Sinal ruidoso y = f + , com f = 10 seno(x), x [0, 2], e 


N (0, 1) em (a) e sua verso filtrada a partir da decomposio wavelet em dois
nveis, utilizando hard thresholding com = 5 em (b).

2.5

Anlise de Sinais EEG

Esta seo tem como objetivo principal ilustrar os tpicos apresentados e discutidos at o momento atravs da apresentao de uma aplicao prtica e associada
a um problema real relevante: a anlise de sinais cerebrais. A discusso feita aqui
apenas uma pequena parte da Dissertao de Mestrado [27], cujo objetivo a
classificao de estgios de sono a partir de sinais de eletroencefalograma (EEG)
provenientes de uma nica derivao de eletrodos, comumente denominados canais de aquisio. Estes canais so as especificaes de onde os eletrodos foram
posicionados no escalpo no momento da captao do sinal.
O reconhecimento e anlise dos diferentes padres cerebrais associados aos
estgios de sono extremamente importante no auxlio deteco e ao tratamento
de doenas e distrbios do sono. Estes, alm de afetar o desempenho das mais
diferentes tarefas, so indicados como causas primeiras de vrios acidentes, como
por exemplo os de trnsito.
Cada vez que um problema prtico abordado, termos tcnicos especficos
precisam ser definidos e apresentados, assim como conceitos especficos referentes

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

36

CAPTULO 2. APLICAES 1D

fsica associada na descrio e modelagem do problema. Assim, inevitvel


que alguns termos sejam utilizados aqui, no entanto estes sero em quantidade
reduzida, apenas para que o leitor possa se familiarizar com a terminologia mnima
indispensvel.
Os sinais de EEG considerados em [27, 29] foram extrados de uma base de dados pblica, PhysioBank [13], disponibilizada pelo MIT (Massachusetts Institut of
Technology). Esses sinais so armazenados em formato especfico e foram convertidos para que pudessem ser tratados como vetores de dados. Estes vetores podem
ser enormes, pois em muitos casos um sinal de EEG captado durante toda uma
noite ou por muitas horas, dependendo do evento (ou anomalia) a ser monitorado.
Outro fator importante que contribui para o aumento do volume de dados a taxa
de amostragem (frequncia de amostragem) com que o sinal captado, fazendo
com que para cada segundo sejam captadas 100 amostras (100Hz).
Uma conveno entre os especialistas desta rea a partio desses sinais em
pequenas partes, chamadas de pocas, para que possam ser analisadas e classificadas. Para simplificao do problema, consideram-se aqui pocas com 2J amostras.
O caso padro com pocas de 3000 amostras estudado em [27, 29]. Uma propriedade importante da TWD, e que fundamental neste problema de classificao
de estgios de sono, o fato de cada escala (ou nvel de resoluo) da TWD estar
associada a faixas de frequncias. Essa associao de interesse para o estudo em
voga, uma vez que h ritmos cerebrais com frequncias bem definidas. Uma vez
que, pelo teorema de Nyquist [15], s se pode representar frequncias at a metade
da frequncia de amostragem, pode-se desmembrar, via decomposio wavelet,
faixas de frequncias entre 0 e 50Hz, para dados amostrados a 100Hz. Na Figura
2.6 so apresentadas as faixas de frequncias que correspondem a cada um dos 5
nveis da TWD, assim como os ritmos cerebrais que so perceptveis nestas faixas.
Nota-se, atravs da Figura 2.6, que cinco nveis de decomposio so necessrios para que se possa representar as informaes de uma poca nas faixas de
frequncia prximas s dos ritmos baixo-gama, beta, alfa, teta e delta. Ao determinar quais informaes esto associadas a quais faixas de frequncia, possvel
com o auxlio mtodos estatsticos (e ferramentas computacionais) classificar padres de sono. A Figura 2.7 ilustra o processo de decomposio de uma poca
seguindo o mesmo esquema da Figura 2.6. A partir da decomposio gerada pela
TWD aplicada a cada uma das pocas podem ser extradas novas informaes associadas ao sinal cerebral analisado. Em [27] um esquema completo de classificao
de diferentes estgios de sono apresentado e validado computacionalmente, utilizando abordagem semelhante a descrita aqui, porm com a transformada wavelet
de Daubechies, no com um momento nulo, mas sim com dois.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

2.5. ANLISE DE SINAIS EEG

37

CJ

0 50Hz

Baixo-gama

0 25Hz

Beta

0 12,5Hz

Alfa

0 6,25Hz

0 3,125Hz

0 1,5625Hz

CJ-5

DJ-2

DJ-3

DJ-4

DJ-5

DJ-1

CJ-2

CJ-3

CJ-4

CJ-1

25 50Hz

12,5 25Hz

6,25 12,5Hz

3,125 6,25Hz

1,5625 3,125Hz

Teta

Delta

Figura 2.6: Decomposio wavelet em cinco nveis, faixas de frequncia em cada


nvel e ritmos cerebrais associados. Este esquema de decomposio wavelet considera o sinal de entrada CJ com frequncia de amostragem de 100Hz.

CAPTULO 2. APLICAES 1D

26

Sinal de entrada (CJ)

19
11

Coeficientes wavelet da primeira decomposio (DJ1)

10
13
Tenso (V)

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

38

Coeficientes wavelet da segunda decomposio (DJ2)

15
25

Coeficientes wavelet da terceira decomposio (DJ3)

21
24

Coeficientes wavelet da quarta decomposio (DJ4)

41
34

Coeficientes wavelet da quinta decomposio (DJ5)

51

Figura 2.7: Decomposio wavelet em cinco nveis de uma poca de EEG com
2048 (J = 11) amostras.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Captulo 3

TWD 2D de Haar
O objetivo principal deste captulo apresentar a TWD 2D de forma mais
simplificada possvel e explorar diretamente seu grande potencial para anlise e
compresso de dados bidimensionais (que podem ser imagens [1], sries temporais [32], solues de equaes diferenciais [11], amostras de sensores de segurana de redes de computadores [19], entre outros). Atravs de seus algoritmos
decimados, considerados como consequncia imediata da formulao em Cascata
para os algoritmos rpidos da TWD 1D, sero explorados alguns aspectos gerais
para todas as funes wavelets de Daubechies. Novamente, muitas das propriedades e os exemplos sero apresentados apenas para a TWD de Haar 2D.
Este captulo ser apresentado de acordo com [31], cujo enfoque mais em
relao aos algoritmos do que em relao estrutura de anlise multiresoluo
associada base de funes de V = L2 (R2 ). Esta construda e abordada em
detalhes em [24], utilizando tpicos de Teoria da Medida como ferramenta para
demonstraes e desenvolvimento da teoria, sendo portanto fora do escopo deste
texto introdutrio.

3.1

Base para L2 (R2 )

As funes escala (x, y) e wavelets i (x, y) no caso 2D so funes a duas


variveis reais, cujas translaes e dilataes so, de forma anloga ao caso ortonormal 1D, denotadas por:
j,k,l (x, y) = 2j/2 (2j x k, 2j y l),
i
j,k,l
(x, y)

j/2

=2

(2 x k, 2 y l), i {H, V, D}.

(3.1)
(3.2)

Diferentemente da base de L2 (R), agora tem-se trs funes wavelets distintas e uma nica funo escala para compor a base de V = L2 (R2 ). Como toda
base de um espao vetorial, a ordem com que os elementos da base so considerados implica na obteno de uma nova base para o espao. Este fato poder ser
experimentado diretamente nas formulaes algortmicas para a TWD 2D de Haar.
39

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

40

CAPTULO 3. TWD 2D DE HAAR

Assume-se como hiptese fundamental, como proposto em [9, 7], que as funes escala e wavelets so separveis e suas definies so dadas por:
(x, y) = (x)(y)

(3.3)

(x, y) = (x)(y)

(3.4)

V (x, y) = (x)(y)

(3.5)

(x, y) = (x)(y)

(3.6)

As ilustraes dessas quatro funes so dadas na Figura 3.1.

(a)

(b)

(c)

(d)

Figura 3.1: Bases de Haar 2D: (x, y) em (a); H (x, y) em (b); V (x, y) em (c) e
D (x, y) em (d).
Novamente, a funo escala (x, y) tem como principal tarefa representar as
informaes mdias da funo bidimensional (como uma imagem). As funes
wavelets horizontal H (x, y), vertical V (x, y) e diagonal D (x, y) recebem esta
nomenclatura com o objetivo de evidenciar a maneira com que os detalhes (as
diferenas de informao em relao mdia) so calculados, considerando as
possveis direes de variao nos dados bidimensionais.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

3.1. BASE PARA L2 (R2 )

41

Nesta seo omite-se a expanso de uma funo qualquer f V com respeito


base wavelet bidimensional. Passa-se portanto apresentao das formulaes
algortmicas mais consideradas para a TWD 2D de Haar baseada em algoritmos de
Cascata, portanto, envolvendo formulaes decimadas para esta transformao.
Considera-se como dado de entrada, independentemente do algoritmo selecionado, uma imagem monocromtica I, armazenada em uma matriz Mmn , com m
e n valores dados em potncia de 2. Cada elemento mi,j da matriz M um valor
inteiro entre 0 e 255 que indica o nvel de cinza correspondente ao pixel pertencente imagem de entrada na posio (i, j). Como consequncia da escolha de
funes separveis para formar a base de representao de dados bidimensionais,
tem-se a possibilidade de tratar a TWD 2D como sendo uma sucesso de transformadas unidimensionais aplicadas aos vetores linha ou vetores coluna da matriz de
entrada Mmn . A seguir, apresentam-se os casos mais tradicionais para o contexto
da TWD 2D de Haar.

3.1.1

Algoritmo standard da TWD 2D

A primeira possibilidade de algoritmo para a TWD 2D de Haar, denominado


decomposio standard [31], aplicar a TWD 1D da Haar a todas as linhas da
matriz Mmn . Com isso, no final deste processo, os dados da matriz devem estar transformados e armazenados nas mesmas linhas, apenas com a organizao
de que a primeira metade dos elementos da linha seja para os dados mdios (coeficientes de escala) e a segunda metade para os dados de detalhe (coeficientes
wavelets), sendo denotada a nova matriz por M (1) . O prximo nvel da transformada ento aplicada a TWD 1D de Haar, novamente linha por linha, mas agora
apenas na primeira metade dos elementos de cada linha de M (1) , ou seja, apenas os
coeficientes escala no nvel anterior sero novamente decompostos, gerando ento
a nova matriz M (2) , cujos dados agora esto organizados em trs blocos distintos
 2 2 1
C D D , sendo cada um deles com o mesmo nmero de linhas m. C 2 e D2
com n/4 colunas e D1 com n/2 colunas. Este processo segue ento por j nveis,
at que sejam obtidas apenas uma coluna em cada bloco C j e Dj .
Com isso, metade do processo de decomposio em j nveis estar concludo.
Metade, pois o processo foi aplicado em relao s linhas de M . Para se obter a
transformada completa, agora as colunas da matriz M (j) , obtida como o final do
processo de decomposio por linhas, sero decompostas em j nveis pela aplicao da TWD 1D de Haar. A maneira como os dados bidimensionais so decompostos via algoritmo standard exemplificada na Figura 3.2 e algoritmicamente
apresentada em Algoritmo 3.

CAPTULO 3. TWD 2D DE HAAR

...

TWD 1D aplicada sobre as linhas

TWD 1D aplicada
sobre as colunas

...

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

42

Figura 3.2: Exemplo de aplicao do algoritmo standard da TWD 2D.

Algoritmo 3 TWD de Haar 2D Standard


1: Para l 0 at m 1 faa
. Linhas l
2:
Ml;0,1...,n1 TWDlog(n) (Ml;0,1...,n1 ) . TWD em j = log(n) nveis
3: Fim Para
4: Para c 0 at n 1 faa
. Colunas c
5:
M0,1...,m1;c TWDlog(m) (M0,1...,m1;c ) . TWD em j = log(m) nveis
6: Fim Para

3.1.2

Algoritmo no-standard da TWD 2D

A segunda alternativa para a execuo da TWD 2D de Haar, novamente considerando sucessivas aplicaes da TWD 1D, denominada decomposio nostandard [31]. Desta vez, as decomposies por linhas e por colunas sero intercaladas a cada nvel, gerando uma diferente organizao dos dados intermedirios.
A forma com que esses dados so gerados ilustrada na Figura 3.3 e apresentada
no Algoritmo 4.

43

TWD 1D aplicada
sobre as linhas

TWD 1D aplicada
sobre as colunas

...

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

3.1. BASE PARA L2 (R2 )

Figura 3.3: Exemplo de aplicao do algoritmo no-standard da TWD 2D.

Algoritmo 4 TWD de Haar 2D No-standard


1: h m
2: Enquanto h > 1 faa
3:
Para l 0 at h 1 faa
4:
Ml;0,1...,h1 TWD1 (Ml;0,1...,h1 )
5:
Fim Para
6:
Para c 0 at h 1 faa
7:
M0,1...,h1;c TWD1 (M0,1...,h1;c )
8:
Fim Para
9:
h h/2
10: Fim Enquanto

. Por simplicidade m = n
. Linhas l
. TWD em j = 1 nvel
. Colunas c
. TWD em j = 1 nvel

Os algoritmos apresentados para a TWD 1D e para a TWD 2D, ambos para a


wavelet de Haar, possuem uma simplificao em relao aos seus anlogos, quando
a base de funes formada por wavelets com mais de N = 1 momento nulo e
portanto com filtros de tamanho D = 2N maior do que dois. Essa simplificao

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

44

CAPTULO 3. TWD 2D DE HAAR

diz respeito a como os dados so tratados nas vizinhanas dos pontos da fronteira.
Para as TWDs 1D e 2D de Haar nenhum valor precisa ser extrapolado para que se
possa obter a transformao nos pontos da fronteira. No caso das demais funes
de Daubechies, so necessrios D 2 valores extrapolados direita para a TWD
direta e outros D 2 valores extrapolados esquerda para se calcular a TWD
inversa. Outro ponto importante a ser destacado que a TWD 2D de Haar inversa,
considerando tanto o algoritmo standard quanto o no-standard, pode ser obtida
seguindo os passos de cada algoritmo na ordem reversa.

3.2

Aplicao em anlise de imagens

A seguir so apresentados dois exemplos de problemas referentes anlise de


imagens: filtragem e compresso. Essa rea, na verdade, engloba outros mtodos
numricos e estatsticos para as mais variadas aplicaes, como reconhecimento e
classificao de padres, determinao de textura, identificao de faces, etc.

3.2.1

Filtragem de imagens

A aplicao em foco agora a filtragem (ou remoo de rudo) de imagens.


Assim como explorado na Seo 2.4 com sinais 1D, o processo de filtragem pode
ser realizado atravs de trs etapas, : (a) decomposio wavelet da imagem em j
nveis, Sees 3.1.1 e 3.1.2; (b) operao de thresholding aplicada aos coeficientes wavelet da decomposio em cada nvel, Seo 2.4; (c) inverso da expanso
truncada da imagem, seguindo a heurstica proposta no final da seo anterior.
O imagem escolhida para ilustrar o procedimento de filtragem um clssico e
vem sendo amplamente utilizada como problema teste para as mais diferentes tcnicas de anlise de imagens atravs de wavelets. A Figura 3.4(a) mostra a imagem
Lena original de 512 512 (vista como uma funo f ). A Figura 3.4(b) ilustra
um rudo Gaussiano 2D (). Como na Seo 2.4, soma-se f e  e obtm-se y, uma
representao da imagem Lena com rudo, que apresentada na Figura 3.4(c). A
Figura 3.4(d) apresenta o resultado de uma das vrias possibilidades de filtragem
da imagem da Figura 3.4(c). Aqui optou-se por utilizar a estratgia de hard threshold com limiar de corte = 20 aps a decomposio em quatro nveis pelo
Algoritmo 4. A partir dos dados truncados aplica-se a TWD 2D de Haar inversa
para se obter uma aproximao para a imagem Lena sem rudo.
Naturalmente, uma questo relevante, e que um tpico atual de pesquisa,
o critrio de escolha do parmetro de corte . Aqui este valor foi escolhido por
representar menos do que 10% do valor mximo que um coeficiente wavelet poderia assumir. Para avaliao do resultado da filtragem (e da escolha dos parmetros)
utiliza-se o peak signal-to-noise ratio (PSNR) [17], uma estimativa para a taxa de
0
rudo entre dois sinais, o original Imn e o outro processado Imn
:
P SN R = 10 log10

2562 (m n)
Pm Pn
0 2
l=0
c=0 (Il,c Il,c )

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

3.2. APLICAO EM ANLISE DE IMAGENS

45

Quanto maiores os valores de PSNR, mais prximos so os sinais (imagens),


isto , a imagem reconstruda com relao a sua verso original. Note, portanto, na
Figura 3.4, que atravs da filtragem wavelet consegue-se reduzir a quantidade de
rudo que, neste experimento, foi propositalmente introduzido.

(a) Imagem original

(b) Rudo Gaussiano N (0, 10)

(c) Verso ruidosa (PSNR=28,127dB) (d) Verso filtrada (PSNR=30,262dB)

Figura 3.4: Imagem original em (a), rudo Gaussiano aditivo (somado ao valor 128
para melhor visualizao) em (b), verso ruidosa em (c) e verso filtrada em (d).

3.2.2

Compresso de imagens

Outra aplicao potencial a de compresso de imagens. Aqui, o objetivo


reduzir a quantidade de dados necessrios para armazenamento ou transmisso de
sinais (imagens) ao mesmo tempo que se preserva sua qualidade ao mximo (ou
em um nvel aceitvel dependendo da aplicao). O procedimento de compresso
similar filtragem, sendo uma operao de thresholding, cujo objetivo retirar
coeficientes de detalhe que contribuem pouco (so prximos de zero) para a representao da imagem e, portanto, poderiam ser descartados sem causar danos
"graves"ao resultado. Essa retirada de coeficientes de detalhe permite ento a compresso de dados. Aqui utilizada compression ratio (CR) [14] que mede a relao

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

46

CAPTULO 3. TWD 2D DE HAAR

de compresso dos dados, isto a porcentagem de coeficientes retirados sobre o


total de coeficientes de escala e detalhe (m n). A Figura 3.5 apresenta algumas
verses comprimidas da imagem Lena, considerando hard thresholding associado
decomposio wavelet no-standard.

(a) Imagem original

(b) CR = 93,72% e PSNR=25,250dB

(c) CR = 97,05% e PSNR=29,280dB (d) CR = 76,54% e PSNR=29,961dB

Figura 3.5: Imagem original em (a) e suas verses comprimidas utilizando (b)
decomposio em cinco nveis e = 200, (c) decomposio completa e = 50 e
(d) decomposio em trs nveis e = 150.
Novamente, para que se possa atingir o melhor resultado de compresso, no
h uma configurao padro dos parmetros, ou seja, valores previamente fixados
e universais para e j. Pelo contrrio, estudos sobre as propriedades do rudo
e da imagem devem ser realizados para se definir da melhor forma possvel tais
parmetros, dependendo de cada aplicao. Com isso, abre-se toda uma nova linha
de pesquisa e desenvolvimento de mtodos adaptativos, nos quais a determinao
destes parmetros depende dos dados de entrada em si, podendo ser ainda ajustados
automaticamente ao longo das etapas dos procedimentos numricos envolvidos.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Captulo 4

Transformada wavelet Packet de


Haar
As wavelet Packets, propostas por Coifman, Meyer and Wickerhauser [8], podem ser interpretadas como uma generalizao das funes ortonormais de suporte compacto da famlia de Daubechies. De forma simplificada, uma wavelet
Packet L2 (R) pode ser descrita como sendo uma forma de onda modulada
de quadrado integrvel com mdia zero, bem localizada tanto em posio quanto
em frequncia, possuindo agora trs parmetros livres (variveis independentes):
frequncia, escala e posio. Assim como as wavelets de Daubechies, as Packets
com suas translaes, dilataes e modulaes (variaes na frequncia) tambm
formam uma base ortonormal para L2 (R). Na verdade, quando tomadas ao limite,
elas formam uma infinidade de bases ortonormais para L2 (R). Quando aproximadas por vetores do Rn , ento existe um conjunto de nlog(n) desses vetores que as
representam. Assim, uma funo f L2 (R) pode ser expressa nestas bases de
wavelet Packets, e os coeficientes na expanso so as projees da f na direes
dos elementos da base. Quando f VJ , a base wavelet Packet ter ento nlog(n),
com n = 2J , elementos. Neste caso, o algoritmo rpido para a transformada wavelet Packet ser a maneira eficiente de se calcular os coeficientes de f nesta base.
Neste captulo, o enfoque a ser dado novamente em relao ao algoritmo associado a esta transformao. E os aspectos funcionais e tericos pertinentes podem
ser encontrados em textos mais especficos, como [8].

4.1

Formulao

Na Seo 2.5, a relao entre escalas da TWD 1D e faixas de frequncia foi


explorada na aplicao referente a reconhecimento de padres de sono e ilustrada
atravs da Figura 2.6. Na verdade, existe uma infinidade de outras aplicaes que
necessitam de localizao tanto em relao ao tempo, quanto em relao frequncia. Esta uma tarefa difcil de ser atingida, especialmente porque at metade do
sculo passado a melhor ferramenta que se conhecia eram as transformadas de Fou47

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

48

CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR

rier janeladas para se obter o melhor compromisso entre tempo e frequncia. Com
o surgimento das wavelets foram criadas vrias alternativas para se tentar mais definio em ambos os parmetros ao mesmo tempo. As wavelet Packets tm este
objetivo.
A Transformada wavelet Packet (TWP), em termos de algoritmo, pode ser vista
como uma extenso natural da TWD 1D, uma vez que, a princpio, no haveria nenhuma restrio em se decompor em vrios nveis as componentes relativas aos
coeficientes wavelet. Assim, a faixa de frequncia associada ao primeiro bloco de
detalhes, DJ1 , da TWD 1D tambm poderia ser fracionada, permitindo esta melhor localizao escala/frequncia desejada. E exatamente isso que a TWP faz.
Ela no faz distino entre os blocos C j e Dj da TWD 1D, ambos so decompostos
da mesma forma. Isso faz com que a cada nvel de decomposio, faixas cada vez
menores de frequncia estejam associadas aos blocos obtidos no nvel correspondente. No final, quando cada bloco possuir apenas um elemento cada, a associao
entre frequncia e escala ser a melhor possvel.
Quanto implementao da TWP, cujo algoritmo ser omitido, uma das dificuldades est no armazenamento das informaes obtidas a cada nvel da transformada, pois o nmero de blocos cresce exponencialmente. A Figura 4.2 ilustra
a estrutura de rvore gerada neste processo para o caso de quatro nveis de decomposio. Para se evitar o alocao extra de memria, a cada nvel (iterao
do algoritmo), os coeficientes calculados devem substituir os coeficientes antigos,
utilizando assim o mesmo espao de memria. Alm disso, uma heurstica eficiente de busca de dados dentro da rvore essencial. Algoritmos eficientes usam
estruturas de dados especficas para alcanar estes objetivos. O cdigo em Python
desenvolvido para a anlise de sinais EEG, apresentada no final deste captulo,
aplica noes complexas sobre pilha, tpico da disciplina Estrutura de Dados.

Figura 4.1: rvore de decomposio para a TWP em quatro nveis.


O interessante na TWP que agora tem-se a liberdade de se percorrer a rvore
de decomposio, Figura 4.2, no s da maneira usual, visitando-se todos os blocos
(ou folhas da rvore), mas realizando "passeios" conforme as faixas de frequncia
que se quer ou necessita enfatizar ou seguindo algum outro critrio de seleo de

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

4.1. FORMULAO

49

blocos. Assim nasce a TWP podada, e algoritmos de busca da melhor poda possvel
para a rvore analisada, conhecidos com o best-basis algorithm.

4.1.1

Algoritmo Best-Basis e Funo de Custo

Apenas para ilustrar a flexibilidade da TWP com relao s diferentes escolhas possveis de blocos para se representar informaes (sinais, imagens, dados
em geral), apresenta-se de forma intuitiva, o exemplo proposto no site de Bear
Products International, http://www.bearcave.com/bear_contents.shtml, especializada em projetos de software de larga escala. Aps obtida a rvore com os blocos
definidos pela TWP, o algoritmo best-basis tem como principal objetivo, selecionar blocos da rvore que produzam a representao mais desejvel referente a uma
funo custo em particular. Esta funo custo deve ser modelada de acordo com a
aplicao. Por exemplo, se a aplicao for compresso dos dados, a funo custo
poderia ser o nmero de bits necessrios para representar os resultados dos blocos.
Em geral, uma funo custo K produz valores reais e definida de forma aditiva
em relao concatenao de vetores. A concatenao de dois vetores a e b, ambos de comprimento finito, definida pela criao de um novo vetor, denotado
por [a b], formado pelos elementos de a seguidos pelos elementos de b. Assim,
K([a b]) = K(a) + K(b). Alm disso, K(0) = 0, sendo 0 o vetor nulo.
Um exemplo interessante a funo de custo de truncamento KT , que conta
o nmero de elementos de cada bloco da TWP, cujos valores so maiores do que
um certo valor de threshold . Escolhendo-se = 1 e a TWP de Haar de um
vetor inicial, dada na Figura 4.2, apresentam-se os valores da funo de custo de
truncamento KT para cada bloco da rvore correspondente na Figura 4.3.

Figura 4.2: Exemplo de rvore, gerada pela TWP de Haar no-normalizada com 4
nveis de decomposio

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

50

CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR

Figura 4.3: rvore gerada pela TWP de Haar mostrando os resultados da funo
de custo de truncamento, KT , por bloco.
Uma vez calculados os custos de cada bloco da TWP (de Haar neste exemplo),
o algoritmo best-basis ir procurar quais os melhores blocos dentro da rvore gerada pela TWP a serem considerados para representar os dados originais da melhor
forma possvel, em relao funo custo em questo. isso implica, que aps esta
busca, uma representao com uma quantidade menor de blocos ser obtida. Esta
busca executada via estratgia bottom-up, ou seja, de baixo para cima, de forma
recursiva, atravs das seguintes regras:
uma folha bloco da TWP que no possui filhos, ou seja, no possui mais
blocos associados em nveis ainda menores. Quando visitada, uma folha
retorna sempre seu valor da funo de custo. (Neste exemplo, a KT );
conforme a busca recursiva avana na direo do bloco principal associado
ao vetor inicial, a raiz da rvore, o valor da funo custo de um bloco , v1
comparado com o custo de seus filhos v2 , calculado pela propriedade aditiva
em relao concatenao. Assim:
Se (v1 v2 ), ento o bloco marcado como sendo parte do conjunto
de blocos que iro formar a melhor base de representao;
Se (v1 > v2 ), ento o valor da funo de custo associado ao bloco
substitudo por v2
Os blocos, ou ns, sombreados na Figura 4.4 realam aqueles que foram selecionados pela heurstica de busca do algoritmo best-basis, dependendo dos custos
da funo KT para os dados apresentados na Figura 4.2. O conjunto de sada do algoritmo best-basis, tambm denominado best-basis set (BBS), para este exemplo

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

4.2. APLICAO EM ANLISE DE SINAIS

51

dado por: BBS= {29.6, 22.2, 4.8, 0.16, 2.6, 0.0, 1.23, 3.75, 1.0, 3.25, 0.75,
1.75, 5.6, 1.25, 0.93, 3.43}. Em alguns casos, o algoritmo pode selecionar todos os blocos e neste caso o best-basis set igual representao multiresoluo
completa dos dados iniciais obtida pela TWD.

Figura 4.4: Blocos selecionados pelo algoritmo best-basis, baseada na funo de


custo de truncamento, KT .
Na prxima seo ser apresentada uma aplicao em anlise de sinais EEG,
para a qual a TWP de Haar foi considerada como parte de um algoritmo de anlise,
ou seja, os dados da TWP serviro ainda como dados iniciais de outros mtodos
estatsticos e computacionais.

4.2

Aplicao em Anlise de Sinais

Nesta aplicao em anlise de sinais EEG, a TWP de Haar podada desempenha


um papel importante na seleo de faixas de frequncia relevantes para o problema
de reconhecimento e deteno de padres associados sonolncia. Esta uma linha de pesquisa extremamente atual [28], especialmente porque at o momento,
apesar de todos os avanos, sonolncia ainda um evento no completamente entendido e desvendado, nem do ponto de vista neurolgico, nem em relao sua
modelagem fsica. Com isso mtodos de anlise de sinais e deteno de padres
acabam contribuindo para o desenvolvimento desta linha de pesquisa.
Inicialmente aplicada a TWP de Haar ao sinal EEG de entrada, amostrado
a 100Hz, tambm extrado da base de dados Physiobank do MIT. Como segundo
passo, so identificados os blocos da TWP que esto associados s frequncias
conhecidas como sendo associadas sonolncia. Na Figura 4.5, so apresentados
os blocos selecionados. Aqui, este critrio de seleo dispensa a utilizao de

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

52

CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR

funes de custo, uma vez que tanto as frequncias de interesse quanto as faixas de
frequncia dos blocos so conhecidas a priori.
C0,0

C2,3
C3,5

C3,3
C4,3

C4,5

C5,1
C6,1

C5,9
C6,11

C6,4

C7,21
C8,3

C4,8
C5,18

C6,17

C6,39

C7,32

C8,41

C7,77
C8.67

C8,152

C9,132

C9,306

Figura 4.5: Coeficientes da TWP de Haar podada associados a ritmos cerebrais [28]: Baixo- associado aos blocos (C2,3 , C3,5 , C6,39 e C7,77 ). associado a (C3,3 , C4,5 , C4,8 , C5,9 , C5,18 , C6,17 , C8,67 , C8,152 e C9,306 ). associado a
(C4,3 , C4,11 , C7,21 , C7,32 , C8,41 e C9,132 ). E o ritmo associado a (C5,1 , C6,1 , C6,4
e C8,3 ). O sinal de entrada um EEG, representado por C0,0 , com 512 pontos,
amostrado a 100Hz.
A anlise visual dos coeficientes wavelets associados aos ritmos e baixo-
permite que sejam identificados dois comportamentos completamente diferentes,
como evidenciado na Figura 4.6. Uma observao importante que esta diferenciao entre estes ritmos no observada atravs do sinal original. Assim, a
partir dessa anlise e de conhecimentos especficos sobre os ritmos cerebrais , ,
baixo- e so propostos dois ndices calculados a partir desses coeficientes dos
blocos selecionados da TWP de Haar, dados por:

(4.1)

( + )
( + )

(4.2)

ndice (i) =
e
ndice (ii) =

Estes ndices fazem parte do procedimento de reconhecimento de padres de


sonolncia, proposto em [28]. Atravs de testes estatsticos possvel evidenciar a
significncia das quantidades definidas em 4.1 e 4.2 na distino de eventos associados sonolncia.
Aqui, a contribuio da TWP de Haar de permitir a extrao de informaes
muito relevantes de um sinal inicial, inicialmente imperceptveis, de tal modo que
estas ainda podem ser reduzidas a ponto de sintetizarem caractersticas associadas

53

0.9
0.8

/P(C0,0)
/P(C0,0)

0.7
0.6

Potencia relativa

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

4.2. APLICAO EM ANLISE DE SINAIS

0.5
0.4
0.3
0.2
0.1
0.0
4000

4500

5000
Indice da epoca

5500

6000

Figura 4.6: Potncias relativas dos coeficientes wavelet packet referentes aos ritmos baixo-gama e delta [28]. Experimento realizado com o EEG do canal Pz-Oz
do paciente SC4181 do banco de dados Sleep-EDF [Expanded]. Parte hachurada
indica quando o sujeito foi classificado como sonolento pelas anotaes do banco
de dados Physionet.
a eventos especficos. Este exemplo ilustra ainda o potencial das TWD e TWP em
aplicaes que necessitam de reduo de dimensionalidade, uma vez que os dados
brutos, por serem de dimenso muito grande, no permitem a distino imediata
de padres.
Muitos aspectos tericos sobre as wavelets foram omitidos neste texto, mas
atravs dos exemplos apresentados, dos algoritmos e das referncias complementares fornecidas, acredita-se ter oferecido um passeio geral pelos tpicos mais explorados na literatura especializada nas ltimas dcadas.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

54
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Agradecimentos
O primeiro autor agradece Coordenao de Aperfeioamento de Pessoal de
Nvel Superior (CAPES). O segundo autor agradece Fundao de Amparo Pesquisa do Estado do Rio Grande do Sul (FAPERGS) no 1873-25.51/13-0 e ambos
agradecem ao Programa de Ps-Graduao em Informtica (PPGI) da Universidade Federal de Santa Maria (UFSM). Alm disso, um agradecimento especial ao
comit organizador do IV Colquio de Matemtica da Regio Sul-SBM pela oportunidade de divulgar este trabalho.

55

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

56
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

Referncias Bibliogrficas
[1] M. ASADZAEDH, E. HASHEMI, AND A. KOZAKEVICIUS. Efficiency
of combined daubechies and statistical parameters applied in mammography.
Applied and Computational Mathematics: An International Journal, 12.
[2] F. M. BAYER AND A. J. KOZAKEVICIUS. SPC-threshold: Uma proposta
de limiarizao para filtragem adaptativa de sinais. Trends in Applied and
Computational Mathematics, 12(2):112132, 2010.
[3] JOS LUIZ BOLDRINI, SUELI I. RODRIGUES COSTA, VERA LCIA
FIGUEIREDO, AND HENRY G. WETZLER. lgebra Linear. Harbra, 3
edition, 1986.
[4] W. L. BRIGGS AND V. E. HENSON. The DFT: An Owners Manual for the
Discrete Fourier Transform. Miscellaneous Bks. Society for Industrial and
Applied Mathematics, 1995.
[5] A. BRUNTON, T. BOLKART, AND S. WUHRER. Multilinear wavelets: A
statistical shape space for human faces. Lecture Notes in Computer Science,
page 297312, 2014.
[6] R. BURGER AND A. KOZAKEVICIUS. Adaptative multiresolution weno
schemes for multi-species kinematic flow models. Journal of Computational
Physics, 224:11901222, 2007.
[7] LIU CHUN-LIN. A tutorial of the wavelet transform, 2010.
[8] RONALD R. COIFMAN, YVES MEYER, AND VICTOR WICKERHAUSER. Wavelet analysis and signal processing. In IN WAVELETS AND THEIR
APPLICATIONS, pages 153178, 1992.
[9] INGRID DAUBECHIES. Ten Lectures on Wavelets. Society for Industrial
and Applied Mathematics, Philadelphia, PA, USA, 1992.
[10] DAVID L. DONOHO AND IAIN M. JOHNSTONE. Adapting to unknown
smoothness via wavelet shrinkage. Journal of the American Statistical Association, pages 12001224, 1995.
57

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

58

REFERNCIAS BIBLIOGRFICAS

[11] MARIE FARGE AND KAI SCHNEIDER. Wavelet transforms and their applications to mhd and plasma turbulence: a review. Journal of Plasma Physics, 81, 12 2015.
[12] M. W. FRAIZER. An introduction to wavelets through linear algebra. Springer, 1999.
[13] A. L. GOLDBERGER, L. A. N. AMARAL, L. GLASS, J. M. HAUSDORFF,
P. CH. IVANOV, R. G. MARK, J. E. MIETUS, G. B. MOODY, C.-K. PENG,
AND H. E. STANLEY. Physiobank, physiotoolkit, and physionet: Components of a new research resource for complex physiologic signals. Circulation, 101(23):e215e220, 2000.
[14] RAFAEL C. GONZALEZ AND RICHARD E. WOODS. Digital Image Processing. Prentice Hall, 3 edition, 2007.
[15] U. GRENANDER. The Nyquist frequency is that frequency whose period
is two sampling intervals. In Probability and statistics: the Harald Cramr
volume. Almqvist & Wiksell, 1959.
[16] ALFRD HAAR. Zur theorie der orthogonalen funktionensysteme. Mathematische Annalen, 1910.
[17] QUAN HUYNH-THU AND MOHAMMED GHANBARI. Scope of validity
of PSNR in image/video quality assessment. Electronics letters, 44(13):800
801, 2008.
[18] HAMID KHORRAMI AND MAJID MOAVENIAN. A comparative study
of dwt, {CWT} and {DCT} transformations in {ECG} arrhythmias classification. Expert Systems with Applications, 37(8):5751 5757, 2010.
[19] A. KOZAKEVICIUS, C. CAPPO, B. A. MOZZAQUATRO, R. C. NUNES,
AND C. E. SCHAERER. URL query string anomaly sensor designed with
the bidiomensional Haar wavelet transform. 14(6):561581, 2015.
[20] ALICE KOZAKEVICIUS AND ALEX A. SCHMIDT. Wavelet transform
with special boundary treatment for 1D data. Computational and Applied
Mathematics, 32(3):447457, 2013.
[21] ALICE KOZAKEVICIUS E FBIO BAYER. Filtragem de sinais via limiarizao de coeficientes wavelet. Cincia e Natura, 36:3751, 2014.
[22] STPHANE MALLAT. A Wavelet Tour of Signal Processing: The Sparse
Way. Academic Press, 3 edition, 2008.
[23] OLE MLLER NIELSEN. Wavelets in Scientific Computing. PhD thesis,
Technical University of Denmark, 1998.

egio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regio Sul - Rio Grande - RS - FURG - IV Colquio de Matemtica da Regi

REFERNCIAS BIBLIOGRFICAS

59

[24] JUAN R. ROMERO. Generalized Multiresolution Analysis: Construction


and Measure Theoretic Characterization. PhD thesis, University of Maryland, 2005.
[25] MARINA RONZHINA, OTO JANOUSEK, JANA KOLAROVA, MARIE
NOVAKOVA, PETR HONZIK, AND IVO PROVAZNIK. Sleep scoring
using artificial neural networks. Sleep Medicine Reviews, 16:251263, 2012.
[26] M. SHENSA. The discrete wavelet transform: wedding the a trous and Mallat
algorithms. Signal Processing, IEEE Transactions on, 40(10):24642482,
Oct 1992.
[27] THIAGO SILVEIRA. Classificao de estgios de sono atravs da aplicao de transformada wavelet discreta sobre um nico canal de eletroencefalograma. Dissertao de Mestrado, Universidade Federal de Santa Maria,
2016.
[28] THIAGO SILVEIRA, ALICE DE JESUS KOZAKEVICIUS, AND CESAR RAMOS RODRIGUES. Automated drowsiness detection through wavelet packet analysis of a single EEG channel. Expert Systems With Applications, (55):559565, 2016.
[29] THIAGO SILVEIRA, ALICE DE JESUS KOZAKEVICIUS, AND CESAR RAMOS RODRIGUES. Single-channel EEG sleep stage classification
based on a streamlined set of statistical features in wavelet domain. Medical
& Biological Engineering & Computing, (Online first):110, 2016.
[30] THIAGO SILVEIRA, ALICE JESUS KOZAKEVICIUS, AND CESAR RAMOS RODRIGUES. Awake/sleep scoring through wavelet analysis associated to decision tree algorithms. In Anais do XXX Simpsio Sul de Microeletrnica, 2015.
[31] ERIC J. STOLLNITZ, TONY D. DEROSE, AND DAVID H. SALESIN. Wavelets for computer graphics: A primer - part 1. IEEE Computer Graphics
and Applications, 15:7684, 1995.
[32] S. TAPANI AND A. KOZAKEVICIUS. Wavelet change-point analysis for
non-stationary time series. Journal of Wavelet Theory and Applications,
5(1):2944, 2012.
[33] BRANI VIDAKOVIC AND PETER MUELLER. Wavelets for kids: A tutorial introduction. Technical report, Duke University, 1991.

COLEO DO PROFESSOR DE MATEMTICA


Logaritmos - E. L. Lima

Anlise Combinatria e Probabilidade com as solues dos exerccios - A. C. Morgado, J. B.


Pitombeira, P. C. P. Carvalho e P. Fernandez

Medida e Forma em Geometria (Comprimento, rea, Volume e Semelhana) - E. L. Lima

Meu Professor de Matemtica e outras Histrias - E. L. Lima

Coordenadas no Plano as solues dos exerccios - E. L. Lima com a colaborao de P. C. P.


Carvalho

Trigonometria, Nmeros Complexos - M. P. do Carmo, A. C. Morgado e E. Wagner, Notas


Histricas de J. B. Pitombeira

Coordenadas no Espao - E. L. Lima

Progresses e Matemtica Financeira - A. C. Morgado, E. Wagner e S. C. Zani

Construes Geomtricas - E. Wagner com a colaborao de J. P. Q. Carneiro

Introduo Geometria Espacial - P. C. P. Carvalho

Geometria Euclidiana Plana - J. L. M. Barbosa

Isometrias - E. L. Lima

A Matemtica do Ensino Mdio Vol. 1 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado

A Matemtica do Ensino Mdio Vol. 2 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado

A Matemtica do Ensino Mdio Vol. 3 - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado

Matemtica e Ensino - E. L. Lima

Temas e Problemas - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado

Episdios da Histria Antiga da Matemtica - A. Aaboe

Exame de Textos: Anlise de livros de Matemtica - E. L. Lima

A Matemtica do Ensino Medio Vol. 4 - Exercicios e Solues - E. L. Lima, P. C. P. Carvalho, E.


Wagner e A. C. Morgado

Construes Geomtricas: Exerccios e Solues - S. Lima Netto

Um Convite Matemtica - D.C de Morais Filho

Tpicos de Matemtica Elementar - Volume 1 - Nmeros Reais - A. Caminha

Tpicos de Matemtica Elementar - Volume 2 - Geometria Euclidiana Plana - A. Caminha

Tpicos de Matemtica Elementar - Volume 3 - Introduo Anlise - A. Caminha

Tpicos de Matemtica Elementar - Volume 4 - Combinatria - A. Caminha

Tpicos de Matemtica Elementar - Volume 5 - Teoria dos Nmeros - A. Caminha

Tpicos de Matemtica Elementar - Volume 6 - Polinmios - A. Caminha

Treze Viagens pelo Mundo da Matemtica - C. Correia de Sa e J. Rocha (editores)

Como Resolver Problemas Matemticos - T. Tao

Geometria em Sala de Aula - A. C. P. Hellmeister (Comit Editorial da RPM)

Nmeros Primos, amigos que causam problemas - P. Ribenboim

Manual de Redao Matemtica - D.C de Morais Filho

COLEO PROFMAT

Introduo lgebra Linear - A. Hefez e C.S. Fernandez

Tpicos de Teoria dos Nmeros - C. G. Moreira , F. E Brochero e N. C. Saldanha

Polinmios e Equaes Algbricas - A. Hefez e M.L. Villela

Tpicos de Historia de Matemtica - T. Roque e J. Bosco Pitombeira

Recursos Computacionais no Ensino de Matemtica - V. Giraldo, P. Caetano e F. Mattos

Temas e Problemas Elementares - E. L. Lima, P. C. P. Carvalho, E. Wagner e A. C. Morgado

Nmeros e Funes Reais - E. L. Lima

Aritmtica - A. Hefez

Geometria - A. Caminha

Avaliao Educacional - M. Rabelo

Geometria Analtica - J. Delgado, K. Frensel e L. Crissaff

Matemtica Discreta - A. Morgado e P. C. P. Carvalho

Matemtica e Atualidade - Volume 1 - C. Rousseau e Y. Saint-Aubin

Fundamentos de Clculo - A. C. Muniz Neto

Matemtica e Atualidade - Volume 2 - C. Rousseau e Y. Saint-Aubin

Exerccios Resolvidos de lgebra Linear - A. Hefez e C. de Souza Fernandez

COLEO INICIAO CIENTFICA


Nmeros Irracionais e Transcendentes - D. G. de Figueiredo

Nmeros Racionais e Irracionais - I. Niven

Tpicos Especiais em lgebra - J. F. S. Andrade

COLEO TEXTOS UNIVERSITRIOS


Introduo Computao Algbrica com o Maple - L. N. de Andrade

Elementos de Aritmtica - A. Hefez

Mtodos Matemticos para a Engenharia - E. C. de Oliveira e M. Tygel

Geometria Diferencial de Curvas e Superfcies - M. P. do Carmo

Matemtica Discreta - L. Lovsz, J. Pelikn e K. Vesztergombi

lgebra Linear: Um segundo Curso - H. P. Bueno

Introduo s Funes de uma Varivel Complexa - C. S. Fernandez e N. C. Bernardes Jr.

Elementos de Topologia Geral - E. L. Lima

A Construo dos Nmeros - J. Ferreira

Introduo Geometria Projetiva - A. Barros e P. Andrade

Anlise Vetorial Clssica - F. Acker

Funes, Limites e Continuidade - P. Ribenboim

Fundamentos de Anlise Funcional - G. Botelho, D. Pellegrino e E. Teixeira

Teoria dos Nmeros Transcendentes - D. Marques

Introduo Geometria Hiperblica - O modelo de Poincar - P. Andrade

lgebra Linear: Teoria e Aplicaes - T. P. de Arajo

Introduo Anlise Matemtica na Reta - C. I. Doering

Topologia e Anlise no Espao Rn - R. Freire de Lima

Equaes Ordinrias e Aplicaes - B. Scrdua

COLEO MATEMTICA APLICADA


Introduo Inferncia Estatstica - H. Bolfarine e M. Sandoval

Discretizao de Equaes Diferenciais Parciais - J. Cuminato e M. Meneguette

Fenmenos de Transferncia com Aplicaes s Cincias Fsicas e Engenharia volume 1:


Fundamentos - J. Pontes e N. Mangiavacchi

COLEO OLIMPADAS DE MATEMTICA


Olimpadas Brasileiras de Matemtica, 1 a 8 - E. Mega e R. Watanabe

Olimpadas Brasileiras de Matemtica, 9 a 16 - C. Moreira e E. Motta, E. Tengan, L. Amncio,


N. C. Saldanha e P. Rodrigues

21 Aulas de Matemtica Olmpica - C. Y. Sh

Iniciao Matemtica: Um Curso com Problemas e Solues - K. I. M. Oliveira e A. J. C.


Fernndez

Olimpadas Cearenses de Matemtica 1981-2005 Nvel Fundamental - E. Carneiro, O. Campos e


M.Paiva

Olimpadas Cearenses de Matemtica 1981-2005 Nvel Mdio - E. Carneiro, O. Campos e M.Paiva

Olimpadas Brasileiras de Matemtica - 17 a 24 - C. G. T. de A. Moreira, C. Y. Shine, E. L. R.


Motta, E. Tengan e N. C. Saldanha

Coleo Fronteiras da Matemtica


Fundamentos da Teoria Ergdica - M.Viana e K. Oliveira

Tpicos de Geometria Diferencial - A. C. Muniz Neto

Formas Diferenciais e Aplicaes - M. Perdigo do Carmo

Coleo Matemtica para o Ensino


Livro do Professor de Matemtica na Educao Bsica Volume I Nmeros Naturais - C. Ripoll, L.


Rangel e V. Giraldo

Livro do Professor de Matemtica na Educao Bsica Volume II Nmeros Inteiros - C. Ripoll, L.


Rangel e V. Giraldo