TRANSFORMADA

WAVELET

1
Dra. Perla Yazmín Sevilla Camacho
 A donde quiera que miremos hay señales que podemos
analizar. Por ejemplo, hay tremores sísmicos, discurso
humano, vibraciones de máquinas, imágenes médicas, datos
financieros, música, y muchos otros tipos de señales. El
análisis de wavelets es una técnica nueva y prometedora
para analizar estas señales.

2
Dra. Perla Yazmín Sevilla Camacho
 Si escuchamos una sinfonía clásica, oímos muchas partes,
usualmente 3 ó 4, cada una de ellas con una clave principal: Do
menor, Mi bemol mayor, etc.

El análisis de espectro de potencias de Fourier de la sinfonía

revelará, por supuesto, los tonos y sus armónicos, así como otras
frecuencias que se repiten en modulaciones y vibraciones.
Si tocamos las partes en otro orden, el espectro de potencias no
cambia en absoluto, pero para el escucha se tratará de una pieza
totalmente diferente, y más aun si intercambiamos partes dentro
de las partes, a una escala más fina.

Por el contrario, el análisis de wavelets no sólo nos da las

frecuencias principales, sino que nos indica cuándo ocurren y cuál
es su duración.

En palabras de Lau and Went las wavelets “hacen cantar la

serie de tiempo”

3
Dra. Perla Yazmín Sevilla Camacho
 Características

•La transformada de Wavelets fue diseñada originalmente para

estudiar señales no estacionarias.
•Como presenta covariancia ante retrasos, parece ser la mejor
herramienta para estudiar señales con espectro de ley de potencias.
•Se trata de un análisis de tiempo-frecuencia.
•Es capaz de revelar aspectos de los datos como tendencias, puntos
de quiebre, discontinuidades en las derivadas, y auto-similaridad.
•El análisis de wavelets puede muchas veces comprimir o eliminar
ruido sin degradación apreciable.

4
Dra. Perla Yazmín Sevilla Camacho
 ¿Cómo es?

- Una wavelet es una onda de duración efectiva limitada que tiene un valor promedio
cero.

-Mientras que el análisis de Fourier consiste en descomponer una señal en funciones

de senos de varias frecuencias,
- el análisis de wavelets consiste en descomponer una señal en versiones escaladas
móviles de la wavelet original (“madre”).
-Sólo viendo wavelets y senoides se puede ver intuitivamente que las señales con
cambios bruscos se pueden analizar mejor con una wavelet irregular, de la misma
manera que ciertas comidas se comen mejor con un tenedor que con una cuchara.

5
Dra. Perla Yazmín Sevilla Camacho
 Aspectos de escala y de tiempo
•Rugosidad
(por ejemplo, aluminio que cubre una naranja y un limón.

•Detección de bordes y Procesos transitorios

(por ejemplo, un sismo)

6
Dra. Perla Yazmín Sevilla Camacho
 Transformada de Fourier

Es una técnica matemática para transformar nuestra visión de la señal de una base temporal
a una base de frecuencias.

Para muchas señales, el análisis de Fourier es muy útil, debido al contenido de frecuencias
en la señal. Entonces, para qué otra técnica como wavelets.
Porque, al transformar al dominio de frecuencias, la información temporal se pierde. Es decir,
es imposible decir cuándo ocurrió un evento particular.
Ahora bien, si las propiedades de la señal no cambian mucho con el tiempo, esto es, si la señal
es estacionaria, no importa mucho. Sin embargo, las señales más interesantes son no
estacionarias, pues presentan tendencias, cambios bruscos, y comienzos y terminaciones de
eventos, para los cuales el análisis de Fourier NO es adecuado.

7
Dra. Perla Yazmín Sevilla Camacho
 Existen 2 tipos de transformada Wavelet:

• Transformada Wavelet Continua (CWT)

• Transformada Wavelet Discreta (DWT)

8
Dra. Perla Yazmín Sevilla Camacho
 Transformada Wavelet Continua
(CWT)

9
Dra. Perla Yazmín Sevilla Camacho
Este problema, que se soluciona parcialmente mediante la introducción de una ventana, no
es suficiente, a menos que sea variable, tal como es el caso de wavelets.

C es la suma sobre toda la señal multiplicada por versiones

móviles, escaladas, de la función wavelet ψ.

La C se llama transformada continua de wavelet (CWT).

Nótese que el análisis de wavelet no utiliza una región de
tiempo-frecuencia, sino una de tiempo-escala.

10
Dra. Perla Yazmín Sevilla Camacho
 ¿Qué puede hacer el análisis de wavelets?
La más grande ventaja es su habilidad para realizar análisis local—es decir, analizar un área localizada de
una señal más grande. Veamos un ejemplo:

Una gráfica de los coeficientes de Fourier muestra sólo un espectro plano con dos picos que representan
una sola frecuencia. Sin embargo, una gráfica de los coeficientes de wavelets muestran claramente la
localización exacta, en el tiempo, de la discontinuidad.

11
Dra. Perla Yazmín Sevilla Camacho
 Cinco pasos para crear una CWT:

1. Tome una wavelet y compárela con una

sección al inicio de la señal original.
2. Calcule un número, C, que representa
qué tanto se correlaciona la wavelet con
la sección de la señal. Entre mayor sea C,
mayor es la semejanza. Más
precisamente, si la energía de la señal y
de la wavelet son iguales a uno, C se
puede interpretar como el coeficiente de
correlación. Hay que hacer notar aquí que
los resultados dependen de la forma de la
wavelet que se elija.
3. Mueva la wavelet hacia la derecha y
repetir los pasos 1 y 2., hasta cubrir toda
la señal.

12
Dra. Perla Yazmín Sevilla Camacho
4. Escale (estire) la wavelet y
repita los pasos 1 al 3.
5. Repita los pasos 1 al 4 para
todas las escalas.

Al terminar, se tendrán los coeficientes

producidos a diferentes escalas, por
las diferentes secciones de la señal.
Los coeficientes constituyen los
resultados de una regresión de la
señal original obtenida por las
wavelets.
Las gráficas de los coeficientes de la
transformada de wavelet son
precisamente la representación
tiempo-escala de la señal.

13
Dra. Perla Yazmín Sevilla Camacho
 Esta aparente desventaja (recordemos que el análisis de
Fourier nos da una representación frecuencia-amplitud), no
es tal ya que en realidad es mucho mas natural, y nos
muestra patrones que antes no eran visibles. Es más,
podemos ver que

hay una correspondencia entre la escala de las wavelets

y la frecuencia que es manifiesta y proviene directamente
del análisis (Escalograma).

14
Dra. Perla Yazmín Sevilla Camacho
Ejemplo de aplicación
Las señales de voz son un buen ejemplo de falta de
estacionariedad, como se muestra en la figura 1 con
la palabra "SI".
Aproximadamente los primeros 130 ms
corresponden al fonema /S/ y los últimos 40 ms son
del fonema /I/.
Entre los 130 y los 145 ms se presenta la transición
entre ambos fonemas. La falta de estacionariedad es
evidente: mientras el fonema /S/ corresponde a una
señal aleatoria de alta frecuencia y baja amplitud, el
fonema /I/ es casi senoidal (tiene un único
componente frecuencial bien definido de gran
amplitud). Sin embargo, al aplicar la FFT, aunque
podemos determinar con claridad la frecuencia de la
/I/ a 300 Hz y la composición frecuencial de la /S/
entre 2200 y 3700 Hz, no podríamos determinar
cuándo se presentaron esas frecuencias sin mirar
simultáneamente la señal en el tiempo.

Con la CWT obsérvese cuán fácil es ubicar ahora

cada fonema tanto en el tiempo como en la
frecuencia.

15
Dra. Perla Yazmín Sevilla Camacho
Transformada Wavelet Continua en Autosignal

16
Dra. Perla Yazmín Sevilla Camacho
 17
Dra. Perla Yazmín Sevilla Camacho
 18
Dra. Perla Yazmín Sevilla Camacho
Caso de estudio 1:

19
 20
Dra. Perla Yazmín Sevilla Camacho
 21
Dra. Perla Yazmín Sevilla Camacho
 22
Dra. Perla Yazmín Sevilla Camacho
 23
Dra. Perla Yazmín Sevilla Camacho
 24
Dra. Perla Yazmín Sevilla Camacho
FFT

25
Dra. Perla Yazmín Sevilla Camacho
 26
Dra. Perla Yazmín Sevilla Camacho
CWT (3D Surface)

27
Dra. Perla Yazmín Sevilla Camacho
28
 29
Dra. Perla Yazmín Sevilla Camacho
 Adj value to 8. Change the 3D Graph Profile to
Contour.

30
Dra. Perla Yazmín Sevilla Camacho
 Set the Adj value to 20. Change the 3D Graph
Profile to Contour.

The Morlet with an adjustable parameter (wavenumber) of 20 produces the best frequency localization

31
and the worst time localization.
Set the Wavelet to GaussDeriv and the Adj value to 2.

The Gaussian Derivative wavelet with an adjustable parameter of 2 produces the sharpest time
localization but as is apparent, very fuzzy frequency localization.

In all cases, though, the power of the four spectral features is conserved. The difference rests

32
completely in the extent to which the 3D spectral peak is smeared in time and the extent to which it is
smeared in frequency.
 33
Dra. Perla Yazmín Sevilla Camacho
 34
http://www.sigmaplot.co.uk/products/autosignal/tutorials/tutorial5.php
Caso de estudio 2:

35
Dra. Perla Yazmín Sevilla Camacho
 36
Dra. Perla Yazmín Sevilla Camacho
 Transformada Wavelet Discreta
(DWT)

37
Dra. Perla Yazmín Sevilla Camacho
 La transformada de wavelets discreta (DWT)
Sirve para agilizar el proceso, sin tanta memoria requerida, y además se ha
encontrado que la eficiencia se puede mantener utilizando escalas diádicas
(escalas y posiciones en potencias de 2).
Una manera de implementar la DWT es utilizando filtros, lo que lleva a la
transformada rápida de wavelets; una caja a la que entra una señal y de la que
salen coeficientes.
--Para muchas señales, el contenido de bajas frecuencias (“aproximación”, de
gran escala) es el más importante. Es el que le da a la señal su identidad. Las
altas frecuencias (los “detalles”, de pequeña escala) imparten “sabor”.
--El proceso básico se ve así:

38
Dra. Perla Yazmín Sevilla Camacho
 Mediante un submuestreo (downsampling) se
elimina la duplicación de los datos:

Por ejemplo, una

senoide con ruido
añadido:
[cA,cD]=dwt(s,’db2’);

39
Dra. Perla Yazmín Sevilla Camacho
El proceso de descomposición puede ser iterado (multinivel):

40
Dra. Perla Yazmín Sevilla Camacho
Reconstrucción de la señal

Mientras que el análisis de wavelets involucra filtraje y submuestreo, la

reconstrucción involucra sobremuestreo (upsampling) y filtraje.
El sobremuestreo es el proceso de alargar la señal componente insertando ceros
entre muestreos.

41
Dra. Perla Yazmín Sevilla Camacho
Descomposición y Reconstrucción (sencilla y múltiple)

42
Dra. Perla Yazmín Sevilla Camacho
Relación entre los filtros y la forma de las wavelets

La elección de los filtros determina la forma de la wavelet a usar para hacer una
mejor reconstrucción.

Considérese el filtro de reconstrucción pasa baja (L’) para la wavelet db2.

43
Dra. Perla Yazmín Sevilla Camacho
Wavelet Discreta en MATLAB

44
45
46
Wavelet Discreta y toolbox de MATLAB

47
48
49
 Ejemplo:
Micropulsaciones
magnéticas para el día
7/octubre/2001

Decomposición a
nivel 5

50
Dra. Perla Yazmín Sevilla Camacho
 Transformada Wavelet Discreta
Bidimensional

51
Dra. Perla Yazmín Sevilla Camacho
 52
Dra. Perla Yazmín Sevilla Camacho
 Matlab code for Discrete Wavelet Transform
%Read Input Image
Input_Image=imread(‘rose.bmp’);

%Red Component of Colour Image

Red_Input_Image=Input_Image(:,:,1);
%Green Component of Colour Image
Green_Input_Image=Input_Image(:,:,2);
%Blue Component of Colour Image
Blue_Input_Image=Input_Image(:,:,3);

%Apply Two Dimensional Discrete Wavelet Transform

[LLr,LHr,HLr,HHr]=dwt2(Red_Input_Image,’haar’);
[LLg,LHg,HLg,HHg]=dwt2(Green_Input_Image,’haar’);
[LLb,LHb,HLb,HHb]=dwt2(Blue_Input_Image,’haar’);

First_Level_Decomposition(:,:,1)=[LLr,LHr;HLr,HHr];
First_Level_Decomposition(:,:,2)=[LLg,LHg;HLg,HHg];
First_Level_Decomposition(:,:,3)=[LLb,LHb;HLb,HHb];
First_Level_Decomposition=uint8(First_Level_Decomposition);

%Display Image
subplot(1,2,1);imshow(Input_Image);title(‘Input Image’);
subplot(1,2,2);imshow(First_Level_Decomposition,[]);title(‘First Level Decomposition’);

53
Dra. Perla Yazmín Sevilla Camacho