Analise Wavelet

Anlise Wavelet
Carlos Alexandre Mello
Carlos Alexandre Mello cabm@cin.ufpe.br
Transformada Wavelet
Transformada de Fourier
Representao de um sinal como uma srie de senos e cossenos
Problema:
Considera o sinal todo Ou seja, apropriada para sinais estacionrios
A freqncia no muda com o tempo A maioria dos sinais no-estacionrio
3 6 0 0
Repete-se
2 Hz + 10 Hz + 20Hz
Magnitude
Estacionrio
Magnitude
0 0 .2 0 .4 0 .6 0 .8 1
5 0 0
4 0 0
3 0 0
-1
2 0 0
-2
1 0 0
-3
Time
1 0
1 5
2 0
2 5
Frequency (Hz)
2 5 0
Magnitude
0 .4 0 .2 0 -0 .2 -0 .4 -0 .6 -0 .8
Magnitude
0.0-0.4: 2 Hz + 0.4-0.7: 10 Hz + 0.7-1.0: 20Hz
1 0 .8 0 .6
No se repete
2 0 0
1 5 0
NoEstacionrio
1 0 0
5 0
Carlos1 Alexandre Mello cabm@cin.ufpe.br0 0 0 0 .5 1
Time
Frequency (Hz)
1 0
1 5
2 0
2 5
Soluo: Gabor (1946)
Transformada de Fourier para Tempo Curto
Short Time Fourier Transform (STFT)
Considera uma janela que vai se deslocando pelo sinal e avaliando cada parte dele em separado Cada janela considera que a parte do sinal dentro dela aproximadamente estacionrio
Short Time Fourier Transform (STFT)
Problema: Janela de tamanho invariante
Alm disso, como definir o tamanho da janela? Janela pequena:
Pouca informao sobre o sinal Muito processamento
Janela grande:
Aumenta o erro na considerao de estacionaridade do sinal
Via uma janela curta Via uma janela longa
Prximo passo na evoluo....
Uma transformada em janelas, mas com janelas de tamanho varivel:
Transformada Wavelet Intervalos maiores quando queremos informaes mais precisas sobre baixas freqncias Intervalos menores quando queremos informaes mais precisas sobre altas freqncias
10
11
CWT x ( , s ) = x ( , s ) =
Continuous Wavelet Transform Translao (localizao da janela)
1 s
t x (t ) * dt s
Wavelet Me
Escala
Wavelet
Pequena onda Significa que a janela de comprimento finito
Wavelet Me
A funo que analisa o sinal Todas as janelas so suas verses expandidas ou comprimidas (escala) e deslocadas
Carlos Alexandre Mello cabm@cin.ufpe.br 12
Escala
s>1: O sinal expandido s<1: O sinal comprimido
Baixa Freqncia -> Alta Escala -> Viso global no detalhada do sinal Alta Freqncia -> Baixa Escala -> Viso global detalhada do sinal Apenas intervalos limitados de escalas so necessrios
Exemplo de Me Wavelet (Daubechies)
14
Influncia da escala
15
Influncia do deslocamento
16
17
Wavelets devem satisfazer requisitos como:
possurem energia finita; possurem certo grau de regularidade (suavidade); serem nulas no infinito; possurem um certo nmero de momentos nulos; que sejam funes de classe Ck (0<k<)*; que tenham suporte compacto, no tempo e na freqncia. *Funes em C ou de classe k so funes
k
contnuas com k derivadas contnuas

Anlise de Wavelets (no contnuo)
1- Tome uma funo wavelet e compare-a com a regio no incio do sinal original 2- Calcule a correlao C entre a funo e a regio do sinal original
19
3- Desloque a wavelet para a direita e repita os passos 1 e 2 at que todo o sinal tenha sido coberto
20
4 Aplique uma escala na wavelet e repita os passos 1 a 3
21
5 Repita os passos 1 a 4 para todas as escalas
Quando for concludo, voc ter todos os coeficientes produzidos em diferentes escalas e diferentes sees do sinal Agora, o que fazer com essas informaes?
22
Um grfico plotado onde x representa a posio ao longo do sinal (tempo), y representa a escala e a cor em cada ponto (x,y) representa a magnitude do coeficiente da wavelet (C)
23
24
De uma viso em perspectiva teramos:
25
Transformada Wavelet Discreta

A escolha de escalas e posies baseada em potncias de 2
Escalas e posies didicas (dyadics)
Mallat (1988)
Implementa a anlise de wavelets usando filtros Conhecido como two-channel subband coder
26

Para a maior parte dos sinais, a informao de baixas freqncias so as mais importantes Voz humana:
Se removermos as altas freqncias, a fala ainda compreendida embora a voz soe diferente
27

Aproximaes
Componentes de alta escala e baixa freqncia do sinal
Detalhes
Componentes de pequena escala e alta freqncia do sinal
28

Processo de filtragem
Sinal
Aproximaes
Detalhes
29

Processo de filtragem
Problema: Suponha que o sinal original tem 1000 amostras...
Com esse processo de filtragem, passamos a ter dois sinais cada um com 1000 amostras Esse aumento na quantidade de dados no interessante Podemos pegar apenas uma em cada duas amostras dos sinais filtrados
Assim, ficaramos apenas com as 1000 amostras
Essa a idia de Downsampling


Ou seja, ao invs de:
Temos agora:
31
32

Decomposio em Mltiplos Nveis
33
34

O que a anlise de wavelets faz decompor um sinal O processo inverso a reconstruo ou sntese do sinal
Upsampling ao invs de Downsampling
35

Componentes de um sinal reconstrudo


Famlias de wavelets
Definem a forma da wavelet me
Haar Daubechies Biortogonal Coiflets Symlets Shannon
37

Famlias de wavelets
Famlia Daubechies
38

Sobre os Coeficientes das Wavelets
Para demonstrar uma transformada geral, vamos usar o esquema apresentado na Fig. abaixo:
Nela, um sinal de entrada alimenta dois canais, cada qual com um par de filtros FIR. Tal estrutura chamada de two-channel filter banks.

Sobre os Coeficientes das Wavelets A metade da esquerda da figura (filtros h0 e h1) corresponde transformada direta
Anlise
A metade da direita a transformada inversa

Sntese
esperado que a sntese gere um sinal de sada igual ao sinal de entrada Os filtros complementares de banco de filtros (h0 para h1 e g0 para g1) dividem o sinal em sub-sinais de baixa e alta freqncia Isso chamado de subband coding

Para a transformada inversa, as sadas dos filtros da parte de anlise (z[n] e w[n]) passam por outros filtros FIR e, em seguida, so combinadas para gerar a sada y[n] A idia que w[n] e z[n] sejam verses transformadas de x[n] e que y[n] o sinal aps a transformada inversa Como dito anteriormente, espera-se que y[n] seja igual a x[n]
41

Vamos considerar o filter bank da figura abaixo e vamos ver como se comportam w[n] e z[n]:
Na parte da anlise, w[n] e z[n] so definidos por:

w[n] = a.x[n] + b.x[n 1] z[n] = b.x[n] a.x[n 1]

Sobre os Coeficientes das Wavelets Precisamos saber tambm que so w[n 1] e z[n 1]:
w[n - 1] = a.x[n - 1] + b.x[n 2] z[n - 1] = b.x[n - 1] a.x[n 2]
Assim, y[n] ser:

y[n] = -a.z[n] + b.z[n 1] + b.w[n] + a.w[n 1]
E, em relao ao sinal original:

y[n] = -a.( b.x[n] a.x[n 1]) + b.(b.x[n - 1] a.x[n 2]) + b.( a.x[n] + b.x[n 1]) + a.(a.x[n - 1] + b.x[n 2]) y[n] = -ab.x[n] + aa.x[n 1] + b.b.x[n - 1] ba.x[n 2] + b.a.x[n] + b.b.x[n 1] + a.a.x[n - 1] + ab.x[n 2] y[n] = aa.x[n 1] + bb.x[n 1] + bb.x[n 1] + aa.x[n 1] y[n] = (2aa + 2bb).x[n 1]
43

Essas operaes retratam o processamento da wavelet de Haar Essa a mais simples das wavelets Se escolhermos com cuidado os coeficientes, teremos a transformada de Haar Por exemplo, se:
2aa + 2bb = 1
ento
y[n] = x[n 1]
ou seja, a sada a entrada com um retardo de 1


Se procurarmos a e b tal que:

aa + bb = 1
podemos ter aa = e bb = Assim, se a = b = 1/2, teremos os coeficientes da transformada de Haar

Alfrd Haar, 1909
45

Algumas vezes, um two channel filter bank chamado de quadrature mirror filter (QMF) Um QMF um filter banks com condies especiais nos coeficientes dos filtros para evitar aliasing e conseguir uma reconstruo perfeita Ou seja, sua nica diferena para filter banks a escolha dos coeficientes dos filtros
46

Quadrature mirror filter (QMF): Seja um dos filtros da anlise h0 Os outros filtros (h1, g0 e g1) so gerados a partir de h0 Especificamente, h1 usa os mesmos coeficientes de h0, mas negativa os coeficientes de ndice par O filtro de reconstruo g0 igual a h0 e g1= -h1
47

Quadrature mirror filter (QMF):
48

O conjugate quadrature filter (CQF) especifica que h1 deve ser o reverso de h0 com os valores em ndices de ordem par negativados Para a reconstruo, g0 e g1 so os reversos de h0 e h1, respectivamente.
49

Conjugate quadrature filter (CQF):
50

Um das famlias de wavelets mais utilizadas a famlia das Daubechies Criada por Ingrid Daubechies, a famlia das wavelets Daubechies (ou db) a nica famlia de wavelets que tem suporte compacto e decaimento suave O suporte compacto impede que a wavelet se espalhe por todo o espectro O decaimento suave impede que a wavelet introduza artefatos de altas freqncias

Vamos analisar o processamento de um sinal usando uma wavelet de 4 coeficientes e um conjugate quadrature filter conforme a Figura:
52

Como foi feito anteriormente:

w[n] = a.x[n] + b.x[n 1] + c.x[ n 2] + d.x[n 3] z[n] = d.x[n] - c.x[n 1] + b.x[ n 2] - a.x[n 3]
Considerando que:
w[n - k] = a.x[n - k] + b.x[n k - 1] + c.x[ n k 2] + d.x[n k - 3] z[n - k] = d.x[n - k] - c.x[n k - 1] + b.x[ n k - 2] - a.x[n k -3]
53

Se consideramos, nessas operaes, que ac = bd, ento, chegamos expresso final:

y[n] = 2(aa + bb + cc + dd).x[n 3]
Novamente, precisamos ter (aa + bb + cc + dd) = 1 Os coeficientes de Daubechies obedecem a essas duas condies:
(aa + bb + cc + dd) = 1 ac = -bd
54
Processo Segundo Mallat 2d

1 Passo: Expanso da imagem para que tenha nmero de colunas e nmero de linhas mltiplo de 2n
No amplia a imagem, apenas a expande Cria efeito de bordas Necessrio para o Downsampling
2 Passo: Define os coeficientes do filtro (wavelet me)

Chamaremos de Wave

3 Passo: Clculo dos filtros (vetores):
Lo_R // filtro de reconstruo passa-baixa
Lo_R[i] = 2*Wave[i] / Wave[i]
Lo_D // filtro de decomposio passa-baixa

Lo_D = O inverso de Lo_R
Hi_R // filtro de reconstruo passa-alta

Hi_R = qmf(Lo_R)
Inverte o vetor e muda o sinal de todos os elementos que esto em posio de ndice par
Hi_D // filtro de decomposio passa-alta

Hi_D = O inverso de Hi_R

4 Passo: Gera as matrizes de Aproximao e Detalhes
a = Lc(Lr(imagem))
Matriz de coeficientes para a aproximao de um nvel
h = Hc(Lr(imagem))
Matriz de coeficientes para detalhes horizontais
v = Lc(Hr(imagem))
Matriz de coeficientes para detalhes verticais
d = Hc(Hr(imagem))
Matriz de coeficientes para detalhes diagonais
57

4 Passo: Continuao (em termos de algoritmo)
Y = Imagem *L Lo_D a = Y *C Lo_D h = Y *C Hi_D Y = Imagem *L Hi_D v = Y *C Lo_D d = Y *C Hi_D
*L = Convoluo em linha *C = Convoluo em coluna


5 Passo: Retorna a matriz de Aproximaes
Sada da funo
6 Passo: Volta a matriz s dimenses originais da imagem caso tenha havido a expanso
59
Aplicaes
Carlos Alexandre Mello
60

No MatLab
>> wavemenu
61
Aplicao
Remoo de rudo
Imagem original Imagem com rudo Imagem filtrada
62
Aplicao
Compresso com perdas
Aplicao natural se pensarmos no processo de filtragem e downsampling da imagem Resultados semelhantes ao formato JPEG
63
Compresso com Perdas
64
65
Detalhes.
66
67
68
O que significa a decomposio anterior?
Decomposio em 1 nvel da imagem LL
Coeficientes de Aproximao
HL
Detalhes Horizontais
LH
Detalhes Verticais
HH
Detalhes Diagonais
69
O que significa a decomposio anterior?
Decomposio em 2 nveis da imagem LL HL HL
LH
HH
LH
HH
70
Remoo de rudo
71
Imagem filtrada e sem rudo
72
Aplicao
Filtragem
73
Aplicao
Filtragem (Daubechies 12)
74
Anlise Wavelet
Referncias Complementares:
Stphane Mallat, A Wavelet Tour of Signal Processing, Academic Press, 2009.
Michael Weeks, Digital Signal Processing Using MatLab and Wavelets, Infinity Science Press, 2007
75

Analise Wavelet

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Analise Wavelet

Caricato da

Copyright:

Formati disponibili

Anlise Wavelet

Carlos Alexandre Mello

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

0.0-0.4: 2 Hz + 0.4-0.7: 10 Hz + 0.7-1.0: 20Hz

Carlos1 Alexandre Mello cabm@cin.ufpe.br0 0 0 0 .5 1

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Pequena onda Significa que a janela de comprimento finito

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

contnuas com k derivadas contnuas

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Essa a idia de Downsampling

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Transformada Wavelet Discreta

A metade da direita a transformada inversa

Transformada Wavelet Discreta

Carlos Alexandre Mello cabm@cin.ufpe.br

Transformada Wavelet Discreta

Na parte da anlise, w[n] e z[n] so definidos por:

Transformada Wavelet Discreta

Assim, y[n] ser:

E, em relao ao sinal original:

Carlos Alexandre Mello cabm@cin.ufpe.br

L = Convoluo em linha C = Convoluo em coluna