Transformada Wavelet de Haar Ebook

COLQUIOS DE MATEMTICA DAS REGIES
REGIO SUL
IV Colquio de Matemtica
da Regio Sul
TRANSFORMADA
WAVELET DE HAAR:
CONCEITOS, FORMULAES E APLICAES
THIAGO DA SILVEIRA
ALICE J. KOZAKEVICIUS
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
Editor Executivo
Hilrio Alencar
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 Flvia Branco
Cinthya Maria Schneider Meneghetti (Coordenadora Local) Joo Prolo Filho
Cristiana Andrade Poffal Leandro Sebben Bellicanta
Daiane Silva de Freitas Mrio Rocha Retamoso
Fabola Aiub Sperotto Rodrigo Barbosa Soares
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
ISBN 978-85-8337-098-7
COLQUIOS DE MATEMTICA DAS REGIES
REGIO SUL
IV Colquio de Matemtica
da Regio Sul
TRANSFORMADA
WAVELET DE HAAR:
CONCEITOS, FORMULAES E APLICAES
THIAGO 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.
Sumrio
1 Transformada wavelet discreta 3

1.1 Transformada wavelet de Haar 1D . . . . . . . . . . . . . . . . . 4
1.1.1 Formulao Algortmica para a TWD de Haar . . . . . . . 4
1.1.2 Formulao Matricial para a TWD de Haar . . . . . . . . 7
1.1.3 TWD de Haar 1D Ortonormal . . . . . . . . . . . . . . . 11
1.1.4 Anlise Multiresoluo . . . . . . . . . . . . . . . . . . . 12
1.1.5 Base de Haar . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1.6 Relao de Escala e Relao Wavelet . . . . . . . . . . . 16
1.1.7 Expanso de funes em VJ . . . . . . . . . . . . . . . . 18
1.1.8 Projees em Vj . . . . . . . . . . . . . . . . . . . . . . 21
2 Aplicaes 1D 23
2.1 Propriedade dos Momentos Nulos . . . . . . . . . . . . . . . . . 23
2.1.1 Decaimento dos coeficientes wavelet . . . . . . . . . . . 24
2.2 Operaes de truncamento . . . . . . . . . . . . . . . . . . . . . 26
2.2.1 Operadores de Truncamento . . . . . . . . . . . . . . . . 27
2.3 Experimentos Computacionais . . . . . . . . . . . . . . . . . . . 30
2.4 Filtragem wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Anlise de Sinais EEG . . . . . . . . . . . . . . . . . . . . . . . 35
3 TWD 2D de Haar 39
3.1 Base para L2 (R2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Algoritmo standard da TWD 2D . . . . . . . . . . . . . . 41
3.1.2 Algoritmo no-standard da TWD 2D . . . . . . . . . . . 42
3.2 Aplicao em anlise de imagens . . . . . . . . . . . . . . . . . . 44
3.2.1 Filtragem de imagens . . . . . . . . . . . . . . . . . . . . 44
3.2.2 Compresso de imagens . . . . . . . . . . . . . . . . . . 45
4 Transformada wavelet Packet de Haar 47

4.1 Formulao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Algoritmo Best-Basis e Funo de Custo . . . . . . . . . 49
4.2 Aplicao em Anlise de Sinais . . . . . . . . . . . . . . . . . . 51
5
6
SUMRIO
Prefcio
Funes wavelet tm, ao longo dos ltimos cinquenta anos, despertado inte-
resse em ambos matemticos tericos e aplicados [23]. O que diferencia as trans-
formadas wavelet de outras ferramentas matemticas sua habilidade de decom-
por 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 num-
ricos 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 com-
putadores [19] e para reconstruo de cenas tri-dimensionais a partir de imagens
bidimensionais [5].
A proposta deste minicurso apresentar, atravs da lgebra Linear, os concei-
tos 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 so-
bre o assunto, percebendo a relevncia de disciplinas como lgebra Linear, Al-
goritmos e Mtodos Numricos para a construo de uma base slida de conhe-
cimento. Para ilustrar o potencial da transformada wavelet de Haar em diferentes
aplicaes, exemplos uni e bidimensionais sero exibidos.
1
2
SUMRIO
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 ima-
gem 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 se-
rem 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 di-

versas 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 re-
conhecimento 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
4 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 trans-
formadas 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 estru-
tura 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 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 0 1 2 3 4
(a) (b)
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 0 1 2 3 4
(c) (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.
1.1. TRANSFORMADA WAVELET DE HAAR 1D 5
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
C1,0 = , C1,1 = . (1.1)
2 2
Para este exemplo tem-se C1 = [1 3] como sendo o vetor com os valores re-
sultantes desta operao, cuja representao atravs de funes constantes por
partes dada na Figura 1.1(c). Notoriamente C1 no mais tem a mesma di-
menso 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 transfor-
mao 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 sequn-
cia 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:
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 infor-
mao 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 ima-
gens (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 trans-
formao 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 ve-
tor 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)
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 reapli-
cado, 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 transforma-
o 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 componen-
tes 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 represen-
tao 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 de-
composio 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 multire-
soluo 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 arma-
zenamento 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-
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. Analo-
gamente, 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 ope-
rao 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 formu-
laes 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
vetor C2 V um outro vetor C1 = S(C2 ) W atravs da seguinte lei:

" # C2,0 " C +C # " #
2,0 2,1
1/2 1/2 0 0 C2,1
2 C1,0
S(C2 ) = = =

C2,2 +C2,3
0 0 1/2 1/2 C2,2 C1,1

2
C2,3
(1.4)
Comparando-se as coordenadas do vetor C1 (imagem de C2 pela transforma-

o linear S dada pela Equao 1.4) com os valores referentes s mdias cal-
culadas para a transformada de Haar dados pela Equao 1.1, da subseo an-
terior, 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 dimensio-
nalidade 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 cor-
respondente ao que foi definido anteriormente para o clculo dos detalhes, Equa-
o 1.3, sendo o valores de Cj1 substitudos pela Equao 1.2. Aqui neste exem-
plo para j = 2, tem-se:

" # C2,0 " C C # " #
2,0 2,1
1/2 1/2 0 0 C2,1
2 D1,0
T (C2 ) = = =

C2,2 C2,3
0 0 1/2 1/2 C2,2 D1,1

2
C2,3
(1.5)
" # no injetora e sua matriz associada [T ] =

A transformao T tambm
1/2 1/2 0 0
.
0 0 1/2 1/2
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:
C +C
2,0 2,1
1/2 1/2 0 0 C2,0 C
2
C2,2 +C2,3
1,0
0 0 1/2 1/2 C2,1 C1,1
Q2 (C2 ) =
2
= C2,0 C =
1/2 1/2 0 0 C2,2 2,1 D

2 1,0
0 0 1/2 1/2 C2,3 C2,2 C2,3 D1,1
2
(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 for-
mulaes matriciais que podem representar a TWD de Haar 1D para um nvel ape-
nas 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, cu-
jos subndices acrescentados notao apenas indicam a dimenso dos blocos,
gerando desta forma a matriz da transformao:

1/2 1/2 0 0 0 0

0 0 1/2 1/2 0 0

0 0 0 0 ... 0 0

" #

SJ 0 0 0 0 1/2 1/2
QJ = = (1.7)
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
Para obter-se uma representao matricial fiel ao Algoritmo 1 para um nvel de

decomposio, a transformao a ser considerada deve ser:
C +C
2,0 2,1
1/2 1/2 0 0 C2,0 2 C1,0
1/2 1/2 0 0 C2,1 C2,0 C2,1

D1,0
H(C2 ) =
2
= C2,2 +C =
0 0 1/2 1/2 C2,2 2,3 C1,1

2
0 0 1/2 1/2 C2,3 C2,2 C2,3 D1,1
2
(1.8)
Na prtica, o Algoritmo 1 mais empregado do que sua formulao matricial

H.
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 , dei-
xando 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.
Assim, a nova transformao Q 1 : V V possui um bloco formado pela
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:
C1,0 +C1,1
1/2 1/2 0 0 C1,0 2 C0,0
1/2 1/2 0 0 C1,1 C1,0 C1,1 D0,0
1 (Q2 (C2 )) =
Q

=
2 =

0 0 1 0 D1,0 D1,0

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

Qj 0 0 0 0
" #
0 1 0 0 0

h
k =
i Qj 0
0 0 1 0 0

Q = (1.10)
0 Ik (j, J)
..

.

0 0 0 0
0 0 0 0 1
A matriz [Qj ] de dimenso 2j formada por blocos Sj e Tj , j a matriz iden-

tidade 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 transfor-
maes para cada um dos nveis.
1 ...Q
W=Q J2 Q
J1 QJ .
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
WL = Q J2 Q
J1 QJ .
0
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 Q12 : V V , a transformao linear inversa de Q2 , cuja formula-
o matricial dada por:

1 0 1 0 C1,0 C2,0
1 0 1 0 C1,1 C2,1
Q1
2 (C1 ) = = = [C2 ] (1.11)

0 1 0 1 D1,0 C2,2

0 1 0 1 D1,1 C2,3
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 correspon-
dente:
W1 = Q1 1 1 1
J QJ1 ...Q2 Q1 .
Sendo que, para k = 1, 2, ..., J 1 as matrizes
Q1
" #
h i
1 = j 0
Q k (1.12)
0 Ik (j, J)
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 co-
luna ~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

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
Qj = (1.13)

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
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 gros-
seiro 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 i
k = Qj 0
Q (1.14)
0 Ik (j, J)
Finalmente, a sequncia de transformaes da TWD de Haar em J nveis :
1 ...Q
W=Q J2 Q
J1 QJ .
E portanto a sua transformada inversa , na verdade, a transposta de W:
W1 = QTJ Q
T ...Q
J1
TQT
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 apresen-
tados 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 transfor-
madas, como por exemplo continuidade, suavidade, convergncia e outras propri-
edades mais sofisticadas dependendo da famlia de funes wavelet escolhida. Ou
seja, o espao vetorial em questo deixa de ser considerado apenas como um es-
pao 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 qua-
drado integrvel ou espao de Lebesgue. Para aplicaes de domnio finito, outra
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 multiresolu-
o, 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 en-
tende 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 propri-
edades:
1. {0} V0 V1 V2 Vn V(n+1) V ;
= {0} e
T S
2. jZ Vj 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 encaixa-

dos (Vj )jZ no vazia, pois a funo nula est contida em cada subespao
da sequncia. Apesar de haver redundncia entre dois quaisquer nveis con-
secutivos, pois Vj Vj+1 , a sequncia (Vj )jZ completa tem como nica
interseco a funo nula, indicando que a redundncia existente, na ver-
dade, 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 en-

cadeados Vj de fato uma relao de auto-similaridade toda vez que uma
funo f (x) for reescalonada por um fator de 2.
A propriedade (4) est relacionada auto-similaridade dos subespaos Vj

com relao varivel x, que pode ser interpretada como o tempo nas aplica-
es 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 com-
pacto), 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 cons-
tante por partes (x) V , tambm conhecida como funo de Haar, definida por:
(
1, se 0 x < 1
(x) := . (1.15)
0, caso contrrio
(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 1/2
2
(x)dx = 1 e ||(x)||2 = |(x)| dx = 1. (1.16)

Assim, {(x k), k Z} uma base para o subespao V0 V , formada por fun-
es 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 (Pro-
priedades (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 repre-
sentantes em V1 , obtidas pela contrao de (x) por um fator de escala igual a 2 e
por translao. Como para cada nvel j
Z 1/2 q
j x 2
||(2 x k)||2 = |(2 k)| dx = (1/2j ), (1.17)

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 apre-
sentadas, Vj , j = 0, 1, 2, ..., J so os subespaos nos quais as informaes mdias
dos sinais a serem analisados sero representados.
1 1 1
0 0 0
0 1 0 1 0 1
(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 li-
near 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

M
( 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:

se 0 x < 1/2
1,

(x) := 1, se 1/2 x < 1 (1.20)

0, caso contrrio.
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 =

q
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 1 1
1 1 1
0 1 0 1 0 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 indi-

cando 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 orto-
gonalidade 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)

Z
< j,i (x), l,k (x) >= j,i (x)l,k (x)dx = j,l i,k , (1.24)

Z
< j,i (x), l,k (x) >= j,i (x)l,k (x)dx = 0, para l j, (1.25)

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 fun-
damental das wavelets de Daubechies e em particular da wavelet de Haar. Esta
propriedade, chamada Relao de Escala, ou Equao de Refinamento uma con-

sequncia 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) = 2 hk (2x k), (1.26)
k= k=
+
X +
X
(x) = gk 1,k (x) = 2 gk (2x k), (1.27)
k= k=
sendo os valores hk e gk , k Z as constantes destas combinaes lineares, tam-

bm 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)

Z
gk = proj1,k (x) (x) =< (x), 1,0 (x) >= (x)1,k (x)dx. (1.29)

No caso geral da famlia de Daubechies, a Relao 1.26 ter apenas um n-

mero finito de filtros no nulos, isso porque as funes escala e wavelet so iden-
ticamente 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, de-
pendendo de sua suavidade (diferenciabilidade) e do nmero de momentos nulos
que a base possui, ou seja, o grau mximo dos polinmios que podem ser exata-
mente 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:
D1
X D1
X
(x) = hk 1,k (x) = 2 hk (2x k), (1.30)
k=0 k=0
D1
X D1
X
(x) = gk 1,k (x) = 2 gk (2x k), (1.31)
k=0 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) (1.32)
2 2
1 1
(x) = 1,0 (x) 1,1 (x) = (2x) (2x 1), (1.33)
2 2
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 hk gk

0 1/2 1/2 1/2 1/ 2
1 1/2 -1/2 1/ 2 -1/ 2
Apesar de as funes (x) e (x) de Haar serem facilmente definidas e pos-

surem 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 algorit-
mos 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:

X
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:
Z
< f (x), j,k (x) >
Cj,k = =< f (x), j,k (x) >= f (x)j,k (x)dx.
< j,k (x), j,k (x) >
(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.
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 integra-
o 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 aplica-
es, 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
X
f (x) = Cj,k j,k (x), com Nj = 2j e (1.36)
k=0
Z 1
Cj,k =< f (x), j,k (x) >= f (x)j,k (x)dx. (1.37)
0
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
+
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 Nj1 1
X X
f (x) = Cj1,k j1,k (x) + Dj1,k j1,k (x), com (1.38)
k=0 k=0
Cj1,k =< f (x), j1,k (x) > e Dj1,k =< f (x), j1,k (x) > . (1.39)
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 transfor-
mao possveis, tem-se a expanso da f (x) em multinvel dada por:
j 1
0 1
NX X NX
J1
f (x) = C0,k 0,k (x) + Dj,k j,k (x), Nj = 2j . (1.40)
k=0 j=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 con-
tendo 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.
C2= 1 C2= 2
+
+3 + -1
+
+
+1 +1
+
+
+-2 + -2
+
+
(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.
Norma de f (x)
Uma consequncia importante de se ter uma base ortonormal em VJ a possi-
bilidade 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 es-
calas no nvel J ou sua expanso envolvendo multinveis:
NJ0 1 j 1
J 1
NX X X NX
J1
||f ||22 =< f (x), f (x) >= 2
|CJ,k | = 2
|CJ0 ,k | + |Dj,k |2 .
k=0 k=0 j=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 cons-
tante por partes, essa funo no poder ser representada exatamente por apenas
um nico subespao Vj para um certo nvel j escolhido, mas ser possvel ob-
ter sua projeo no espao Vj , denotada por (PVj f )(x), assim como ser possvel
obter sua projeo em Wj , (PWj f )(x) :
Nj 1 Nj 1
X X
(PVj f )(x) = Cj,k j,k (x), e (PWj f )(x) = Dj,k j,k (x), (1.42)
k=0 k=0
cujos coeficientes Cj,k e Dj,k so calculados como anteriormente, atravs do pro-

duto 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, consi-
derando os ingredientes funcionais apresentados nesta seo. Dessa forma, o que
ser obtido so novamente os algoritmos apresentados a partir do exemplo, carac-
terizando 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 quais-
quer, 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:
j1,l (x) = 2(j1)/2 (2j1 x l) = 2(j1)/2 (y), com y = 2j1 x l,

D1
" #
X
(j1)/2 1/2
Por 1.30 para (y), tem-se j1,l (x) = 2 2 hk (2y k)
k=0
D1
X D1
X
Assim, j1,l (x) = 2j/2 hk (2j x (2l + k)) = hk j,2l+k (x).
k=0 k=0
Lembrando apenas que D=2, no caso da TWD de Haar. De forma anloga, tem-se
D1
X
j1,l (x) = gk j,2l+k (x).
k=0
Agora, pela definio de Cj1,l

Z 1 Z 1 "D1 #
X
Cj1,l = f (x)j1,l (x) = f (x) hk j,2l+k (x) dx
0 0 k=0
D1
X Z 1 D1
X
Cj1,l = hk f (x)j,2l+k (x)dx = hk Cj,2l+k (x).
k=0 0 k=0
Analogamente, tem-se o mesmo tipo de relao para os coeficientes wavelets:

D1
X
Dj1,l = 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
X1
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 sen-
tido 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].
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 al-
goritmos 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 fer-
ramentas 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 ape-
nas a parte intuitiva explorada, No entanto, existem vrios textos especializados,
como por exemplo as referncias [9], [22] e [10], que exploram de forma sistem-
tica 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 Daube-
chies 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:
+
Mkp (x k), x R, p = 0, 1, .., N 1, com
X
xp = (2.1)
k=
Mkp =< xp , (x k) >, k Z, p = 0, 1, .., N 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
24 CAPTULO 2. APLICAES 1D
Z + + Z +
Mkp
X
p
x (x)dx = (x)dx(x k) = 0. (2.3)
k= k= 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 con-
sidervel 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 ne-
cessrios 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 mo-
mento, 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 ) ()|, (2.4)

Ij,k
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 coefici-

entes 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.
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
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:
+
X +
X +
X
f (x) = CJ0 ,k J0 ,k (x) + Dj,k j,k (x) (2.6)
k= j=J0 k=
De forma anloga, tem-se (PVJ f )(x), a projeo de f em VJ
+
X J1
X +
X
(PVJ f )(x) = CJ0 ,k J0 ,k (x) + Dj,k j,k (x) (2.7)
k= j=J0 k=
Assim, o erro para cada x R nesta operao de projeo dado em termos

das wavelets nas escalas j J:
X +
+ X
eJ (x) = f (x) (PVJ f )(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)| = max |(y)|. (2.9)

xIj,k y[0,D1]
Atravs do Teorema 2.1.1, estima-se que cada termo do somatrio possa ser majo-
rado 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
2.2. OPERAES DE TRUNCAMENTO 27

[
N
j (x) = max |f
(N )
()|, com Ij (x) = Ij,l . (2.10)
xIj (x)
{l:xIj,l }
Com isso, o somatrio em k pode ser majorado por:
+
|Dj,k j,k (x)| N C 2jN (D 1)N
X
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 es-
cala J cresce, gerando uma no crescente para esses valores de mximo, N
J (x)
N
J+1 (x) N (x) .... Com isso,
J+2
+
X + +
2jN
X X
|eJ (x)| |Dj,k j,k (x)| N C (D 1)N
J (x)
j=J k= j=J
2JN
N C (D 1)N
J (x) = C2JN .
1 2N
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 in-
troduzidos 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 extre-
mamente 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 re-
presentaes esparsas trazem vantagens imediatas para aplicaes envolvendo re-
gularizao, compresso de dados e reduo de rudo [21], como ser brevemente
explorado nas sees de experimentos e aplicaes.
Hard e Soft Thresholding

Assim, dada a funo inicial f , que representa o sinal a ser filtrado ou com-
primido, 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:
n 0, se |Dj,k |
thrH
(Dj,k ) = ,
Dj,k , se |Dj,k | >
n 0, se |Dj,k |
thrS (Dj,k ) = ,
sign(Dj,k )(|Dj,k | ), se |Dj,k | >
sendo ento a expanso resultante dada por:
j 1
0 1
NX X NX
J1
f (x) =
b CJ0 ,k J0 ,k (x) + thr (Dj,k )j,k (x). (2.13)
k=0 j=J0 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.
q1
X
eJ = f (x) bf (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 posi-
es 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
m1
X
||eJ ||22 = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >= |dj,i |2 .
i=0
(2.15)
M-best approximation
Uma outra possibilidade de se produzir representaes esparsas (ou, pelo me-
nos, com uma quantidade menor de coeficientes) a partir de sinais iniciais atra-
vs da estratgia de escolha dos m-primeiros maiores coeficientes wavelet da s-
rie wavelet original, descartando todos os demais. Esta estratgia denominada
2.2. OPERAES DE TRUNCAMENTO 29
m-best aproximation [31]. Desta forma, a aproximao obtida bf possui expan-

so contendo os coeficientes escala do nvel mais grosseiro, J0 , e a contribui-
o dos m coeficientes wavelet com maior mdulo, independentemente da escala,
j = J0 , J0 + 1, ...J 1 e da posio k referente escala:
0 1
NX m1
X
f (x) =
b CJ0 ,k J0 ,k (x) + D(j,k) (j,k) (x), (2.16)
k=0 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
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 approxi-
mation, em relao f originalmente dada em VJ , calcula-se
J 1
NX
||em || = ||f (x) bf (x)||22 =< f (x) bf (x), f (x) bf (x) >= |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 se-
es 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 norma-
lizada 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 [8 4 5 4] - [8 4 5 4] -
1 [6 4.5] [2 0.5] [8.4853 6.3640] [2.8284 0.7071]
0 [5.25] [0.75] [10.5] [1.5]
A Figura 2.3 apresenta uma representao simplificada e apenas qualitativa da

decomposio normalizada wavelet do vetor v1 = [8 4 5 4]> .
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 pro-
duto interno de um vetor por ele mesmo < v, v >= ni=1 (vi )2 , tambm denomi-
P
nado em aplicaes de anlise de sinais como sendo a energia ao quadrado (E 2 (v))

do sinal e (b) a mdia = 1/n ni=1 vi dos elementos de um vetor v de tamanho
P
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 decompo-
sio 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 apli-
cadas 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 )
2 121,0 - 121,0 121,0 - 121,0
1 56,25 4,25 60,50 112,5008 8,4998 121,0006
0 27,5625 0,5625 32,375 110,25 2,25 120,9998
Percebe-se, atravs da anlise das Tabelas 2.2 e 2.3, que a TWD normali-
zada preserva a energia total (a menos de erros computacionais de arredonda-
mento) independentemente do nvel de decomposio, enquanto que a TWD no-
normalizada preserva sempre a mesma mdia para cada conjunto de coeficientes de
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 5,25 - 5,25 5,25 - 5,25
1 5,25 1,25 3,25 7,4246 1,7677 4,5962
0 5,25 0,75 3,0 10,5 1,5 6,0
escala, tambm independentemente do nvel de decomposio. Como consequn-

cia, os algoritmos de thresholding para aproximar funes poderiam ser parametri-
zados 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 Dau-
bechies, 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].
2.4. FILTRAGEM WAVELET 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 0.5
Signal value
Signal value
0.0 0.0
0.5 0.5
1.0 1.0
1.5 1.5
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Time Time
(a) (b)
1.5 1.5
1.0 1.0
0.5 0.5
Signal value
Signal value
0.0 0.0
0.5 0.5
1.0 1.0
1.5 1.5
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Time Time
(c) (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 manipula-
das por aplicativos computacionais e ento armazenadas digitalmente, em alguma
etapa deste processo, estas podem ser corrompidas por diversas formas de inter-
ferncia, 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
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 varin-
cia 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 pa-
dro 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
thr (d) = d eJ D e J 1 ... D
e J1 );
0 0 0
3. Aplicao da TWD Inversa na srie com coeficientes wavelets truncados:

TWDIJ (d)e =b 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. conside-
rado 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).
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 discu-
tidos 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 ca-
nais 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
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 da-
dos pblica, PhysioBank [13], disponibilizada pelo MIT (Massachusetts Institut of
Technology). Esses sinais so armazenados em formato especfico e foram conver-
tidos 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 classifica-
das. Para simplificao do problema, consideram-se aqui pocas com 2J amostras.
O caso padro com pocas de 3000 amostras estudado em [27, 29]. Uma propri-
edade 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 neces-
srios 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 deter-
minar quais informaes esto associadas a quais faixas de frequncia, possvel
com o auxlio mtodos estatsticos (e ferramentas computacionais) classificar pa-
dres 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 asso-
ciadas ao sinal cerebral analisado. Em [27] um esquema completo de classificao
de diferentes estgios de sono apresentado e validado computacionalmente, uti-
lizando abordagem semelhante a descrita aqui, porm com a transformada wavelet
de Daubechies, no com um momento nulo, mas sim com dois.
2.5. ANLISE DE SINAIS EEG 37
0 50Hz CJ
Baixo-gama 0 25Hz CJ-1 DJ-1 25 50Hz
Beta 0 12,5Hz CJ-2 DJ-2 12,5 25Hz
Alfa 0 6,25Hz CJ-3 DJ-3 6,25 12,5Hz
0 3,125Hz CJ-4 DJ-4 3,125 6,25Hz Teta
0 1,5625Hz CJ-5 DJ-5 1,5625 3,125Hz Delta
Figura 2.6: Decomposio wavelet em cinco nveis, faixas de frequncia em cada

nvel e ritmos cerebrais associados. Este esquema de decomposio wavelet con-
sidera o sinal de entrada CJ com frequncia de amostragem de 100Hz.
Sinal de entrada (CJ)

26
19
Coeficientes wavelet da primeira decomposio (DJ1)

11
10
Coeficientes wavelet da segunda decomposio (DJ2)

13
15
Tenso (V)
Coeficientes wavelet da terceira decomposio (DJ3)

25
21
Coeficientes wavelet da quarta decomposio (DJ4)

24
41
Coeficientes wavelet da quinta decomposio (DJ5)

34
51
Figura 2.7: Decomposio wavelet em cinco nveis de uma poca de EEG com
2048 (J = 11) amostras.
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 tempo-
rais [32], solues de equaes diferenciais [11], amostras de sensores de segu-
rana 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 proprieda-
des 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 orto-
normal 1D, denotadas por:
j,k,l (x, y) = 2j/2 (2j x k, 2j y l), (3.1)

i j/2 j j
j,k,l (x, y) =2 (2 x k, 2 y l), i {H, V, D}. (3.2)
Diferentemente da base de L2 (R), agora tem-se trs funes wavelets distin-

tas 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 conside-
rados 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
40 CAPTULO 3. TWD 2D DE HAAR
Assume-se como hiptese fundamental, como proposto em [9, 7], que as fun-
es escala e wavelets so separveis e suas definies so dadas por:
(x, y) = (x)(y) (3.3)

H
(x, y) = (x)(y) (3.4)
V (x, y) = (x)(y) (3.5)
D
(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.
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 selecio-

nado, 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 perten-
cente 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 transfor-
madas 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 es-
tar transformados e armazenados nas mesmas linhas, apenas com a organizao
de que a primeira metade dos elementos da linha seja para os dados mdios (co-
eficientes 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 transfor-
mada 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 aplica-
o da TWD 1D de Haar. A maneira como os dados bidimensionais so decom-
postos via algoritmo standard exemplificada na Figura 3.2 e algoritmicamente
apresentada em Algoritmo 3.
...
TWD 1D aplicada sobre as linhas
TWD 1D aplicada
sobre as colunas
...
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 con-
siderando sucessivas aplicaes da TWD 1D, denominada decomposio no-
standard [31]. Desta vez, as decomposies por linhas e por colunas sero inter-
caladas 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.
3.1. BASE PARA L2 (R2 ) 43
TWD 1D aplicada
sobre as linhas
TWD 1D aplicada
sobre as colunas
...
Figura 3.3: Exemplo de aplicao do algoritmo no-standard da TWD 2D.
Algoritmo 4 TWD de Haar 2D No-standard

1: h m . Por simplicidade m = n
2: Enquanto h > 1 faa
3: Para l 0 at h 1 faa . Linhas l
4: Ml;0,1...,h1 TWD1 (Ml;0,1...,h1 ) . TWD em j = 1 nvel
5: Fim Para
6: Para c 0 at h 1 faa . Colunas c
7: M0,1...,h1;c TWD1 (M0,1...,h1;c ) . TWD em j = 1 nvel
8: Fim Para
9: h h/2
10: Fim Enquanto
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
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 coeficien-
tes 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 tc-
nicas 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 th-
reshold 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 pode-
ria 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 :
!
2562 (m n)
P SN R = 10 log10 Pm Pn 0 2 .
l=0 c=0 (Il,c Il,c )
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 re-
presentao da imagem e, portanto, poderiam ser descartados sem causar danos
"graves"ao resultado. Essa retirada de coeficientes de detalhe permite ento a com-
presso de dados. Aqui utilizada compression ratio (CR) [14] que mede a relao
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.
Captulo 4
Transformada wavelet Packet de

Haar
As wavelet Packets, propostas por Coifman, Meyer and Wickerhauser [8], po-
dem ser interpretadas como uma generalizao das funes ortonormais de su-
porte 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 aproxima-
das 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 wa-
velet 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 asso-
ciado 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 frequn-
cia. Esta uma tarefa difcil de ser atingida, especialmente porque at metade do
sculo passado a melhor ferramenta que se conhecia eram as transformadas de Fou-
47
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 de-
finio 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 ne-
nhuma 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 me-
lhor 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 correspon-
dente. 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 difi-
culdades est no armazenamento das informaes obtidas a cada nvel da trans-
formada, 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 de-
composio. 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 efici-
ente 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
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 esco-
lhas 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, especiali-
zada 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, selecio-
nar 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, am-
bos 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
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 ge-
rada 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 sele-
cionados 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 al-
goritmo best-basis, tambm denominado best-basis set (BBS), para este exemplo
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 to-
dos 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 li-
nha de pesquisa extremamente atual [28], especialmente porque at o momento,
apesar de todos os avanos, sonolncia ainda um evento no completamente en-
tendido 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
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
C3,3 C3,5
C4,3 C4,5 C4,8
C5,1 C5,9 C5,18
C6,1 C6,4 C6,11 C6,17 C6,39
C7,21 C7,32 C7,77
C8,3 C8,41 C8.67 C8,152
C9,132 C9,306
Figura 4.5: Coeficientes da TWP de Haar podada associados a ritmos cere-

brais [28]: Baixo- associado aos blocos (C2,3 , C3,5 , C6,39 e C7,77 ). associ-
ado 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 dife-
renciao 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:

ndice (i) = (4.1)

e
( + )
ndice (ii) = (4.2)
( + )
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 asso-
ciados 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
4.2. APLICAO EM ANLISE DE SINAIS 53
0.9
/P(C0,0)
0.8 /P(C0,0)
0.7
0.6
Potencia relativa
0.5
0.4
0.3
0.2
0.1
0.0
4000 4500 5000 5500 6000
Indice da epoca
Figura 4.6: Potncias relativas dos coeficientes wavelet packet referentes aos rit-
mos 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 complemen-
tares fornecidas, acredita-se ter oferecido um passeio geral pelos tpicos mais ex-
plorados na literatura especializada nas ltimas dcadas.
54
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR
Agradecimentos
O primeiro autor agradece Coordenao de Aperfeioamento de Pessoal de

Nvel Superior (CAPES). O segundo autor agradece Fundao de Amparo Pes-
quisa 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 Universi-
dade Federal de Santa Maria (UFSM). Alm disso, um agradecimento especial ao
comit organizador do IV Colquio de Matemtica da Regio Sul-SBM pela opor-
tunidade de divulgar este trabalho.
55
56
CAPTULO 4. TRANSFORMADA WAVELET PACKET DE HAAR
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 WICKERHAU-

SER. 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 Asso-
ciation, pages 12001224, 1995.
57
58 REFERNCIAS BIBLIOGRFICAS
[11] MARIE FARGE AND KAI SCHNEIDER. Wavelet transforms and their ap-
plications to mhd and plasma turbulence: a review. Journal of Plasma Phy-
sics, 81, 12 2015.
[12] M. W. FRAIZER. An introduction to wavelets through linear algebra. Sprin-

ger, 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: Compo-
nents of a new research resource for complex physiologic signals. Circula-
tion, 101(23):e215e220, 2000.
[14] RAFAEL C. GONZALEZ AND RICHARD E. WOODS. Digital Image Pro-

cessing. 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. Mathe-

matische 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 classifi-
cation. 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 limia-

rizao 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.
REFERNCIAS BIBLIOGRFICAS 59
[24] JUAN R. ROMERO. Generalized Multiresolution Analysis: Construction

and Measure Theoretic Characterization. PhD thesis, University of Mary-
land, 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 aplica-

o de transformada wavelet discreta sobre um nico canal de eletroence-
falograma. Dissertao de Mestrado, Universidade Federal de Santa Maria,
2016.
[28] THIAGO SILVEIRA, ALICE DE JESUS KOZAKEVICIUS, AND CE-

SAR RAMOS RODRIGUES. Automated drowsiness detection through wa-
velet packet analysis of a single EEG channel. Expert Systems With Applica-
tions, (55):559565, 2016.
[29] THIAGO SILVEIRA, ALICE DE JESUS KOZAKEVICIUS, AND CE-

SAR 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 RA-

MOS RODRIGUES. Awake/sleep scoring through wavelet analysis associa-
ted to decision tree algorithms. In Anais do XXX Simpsio Sul de Microele-
trnica, 2015.
[31] ERIC J. STOLLNITZ, TONY D. DEROSE, AND DAVID H. SALESIN. Wa-

velets 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 tuto-
rial 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
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

Transformada Wavelet de Haar Ebook

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

Transformada Wavelet de Haar Ebook

Caricato da

Copyright:

Formati disponibili

COLQUIOS DE MATEMTICA DAS REGIES

Direitos reservados pela Sociedade Brasileira de Matemtica

Sociedade Brasileira de Matemtica

Membros da Comisso Organizadora (FURG)

Capa: Pablo Diego Regino

Dedicado a todos os estudantes interessados em

1 Transformada wavelet discreta 3

4 Transformada wavelet Packet de Haar 47

Transformada wavelet discreta

De acordo com Stollnitz et al. [31], funes wavelets e suas transformadas so

Transformadas wavelets uni (1D) e bidimensionais (2D) so utilizadas em di-

4 CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

1.1 Transformada wavelet de Haar 1D

1.1.1 Formulao Algortmica para a TWD de Haar

1.1. TRANSFORMADA WAVELET DE HAAR 1D 5

Entretanto, uma outra possibilidade interpretar que cada um dos elementos

6 CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

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

Algoritmo 1 TWD de Haar 1D

Retomando o exemplo inicial, tm-se Dj1 = D1 = [1 2] como o vetor de

1.1. TRANSFORMADA WAVELET DE HAAR 1D 7

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

Algoritmo 2 TWD de Haar 1D Inversa

Para o exemplo dado inicialmente, assumindo-se C0 = [2] e D0 = [1] como

1.1.2 Formulao Matricial para a TWD de Haar

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

Transformao S para as mdias

Consideram-se, portanto, os espaos vetoriais V = R4 e W = R2 . Define-se

8 CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

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

Comparando-se as coordenadas do vetor C1 (imagem de C2 pela transforma-

Transformao T para os detalhes

Alm de S, pode-se definir uma segunda transformao linear T : V W ,

" # no injetora e sua matriz associada [T ] =

1.1. TRANSFORMADA WAVELET DE HAAR 1D 9

Transformao de Haar - Forma Matricial para 1 nvel

Observa-se que agora Q2 uma matriz quadrada (domnio e contra-domnio da

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

Na prtica, o Algoritmo 1 mais empregado do que sua formulao matricial

10 CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

Transformao de Haar - Forma Matricial para j nveis

A matriz [Qj ] de dimenso 2j formada por blocos Sj e Tj , j a matriz iden-

Caso o ltimo nvel de decomposio da transformada no seja o nvel zero,

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

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

Sendo que, para k = 1, 2, ..., J 1 as matrizes

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 =

12 CAPTULO 1. TRANSFORMADA WAVELET DISCRETA

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

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

E portanto a sua transformada inversa , na verdade, a transposta de W:

Com esta apresentao inicial, encerra-se a parte referente aos algoritmos e s

1.1.4 Anlise Multiresoluo

1.1. TRANSFORMADA WAVELET DE HAAR 1D 13

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

5. (x) V0 com integral no nula, denominada funo escala, tal que

Para se poder avaliar a fora (ou a extenso) da definio acima, so feitas

As propriedades (1) e (2) garantem que a sequncia de subespaos encaixa-

A propriedade (3) indica que a relao de incluso entre os subespaos en-