Univerzitet u Beogradu Matemati cki fakultet

Odredjivanje praga kompresije pri transformaciji ortonormiranim talasi cima

-magistarski rad-

kandidat: Zlatko Udovi ci c mentor: prof. dr. Desanka Radunovi c

Glava 1

Uvod
Iako je tremin talasi c (engl. wavelet) prvi put upotrebljen tek osamdesetih godina XX veka, teorija talasi ca ima mnogo dublje korene. Naime, na samom po cetku XIX veka, Joseph Fourier je dokazao da se svaka integrabilna, 2 -periodi cna funkcija mo ze predstaviti kao suma trigonometrijskog reda

f (x) = a0 +

(ak cos kx + bk sin kx).

k=0

Stotinak godina kasnije, 1909. godine, u svojoj doktorskoj disertaciji Alfred Haar je posmatrao problem razvoja integrabilnih funkcija po nekom drugom ortonormiranom sistemu funkcija. Kao osnovnu funkciju uzeo je funkciju : R R denisanu sa: 1, x [0, 1 2 ), 1, x [ 1 , (x) = 2 1), 0, ina ce i dokazao da se svaka integrabilna funkcija mo ze sa proizvoljnom ta cno s cu aproksimirati linearnom kombinacijom funkcija j,k () = 2j/2 (2j k ), j, k Z. Polaze ci od cinjenice da se svaka integrabilna funkcija mo ze sa proizvoljnom ta cno s cu aproksimirati deo po deo konstantnom (na mre zi gustine 2n , za dovoljno veliko n N) funkcijom, Haar je svaku takvu (deo po deo konstantnu) funkciju razvio po sistemu funkcija j,k (). Kroz analizu dokaza te cinjenice mogu se na jednostavan na cin ista ci osnovne ideje multirezolucijske analize, pa se zbog toga u daljem tekstu daje skica ovog dokaza. Dakle, neka je na mre zi gustine 2J , J Z, svojim vrednostima flJ 1 , l Z, zadana deo po deo konstantna funkcija f J (). Funkcija f J () aproksimira se funkcijom f J +1 (), deo po deo konstantnom na intervalima 1 J J J +1 +1 J + f2 () [ 2Jl1 , 2lJ = (f2 1 ), l Z, denisanom sa fl l+1 ), (funkcija f 2 l
1 Jednostavnosti

flj .

radi, za x [ 2lj ,

l+1 ), l, j 2j

Z, umesto oznake f j (x) koristi ce se oznaka

+1 se na intervalu [ 2Jl1 , 2lJ s cu na tom 1 ) aproksimira svojom srednjom vredno intervalu), dok je gre ska aproksimacije jednaka: J +1 2 l J +1 2 l+1 J +1 J = = f2 l fl J J +1 = f2 l+1 fl

1 J J f2 (f l+1 ) 2 2l 1 J J J +1 = (f2 f2 l ) = 2l 2 l+1

Odavde se zaklju cuje da je f J (x) = f J +1 (x) + J +1 (x), pri cemu je J +1 (x) = 2

J +1 2

J +1 2 J +1,l (x). l l

Navedeni deo dokaza sadr zi osnovnu ideju multirezolucije. Naime, deo po deo konstantna funkcija zadana svojim vrednostima na mre zi odredjene gustine (nivo sa nijom rezolucijom) aproksimira se sa deo po deo konstantnom funkcijom na mre zi sa dvostruko manjom gustinom (nivo sa grubljom rezolucijom), dok se izgubljeni detalji izra zavaju kao linearna kombinacija baznih funkcija. Dalje se opisani postupak primenjuje na funkciju f J +1 , pa na funkciju f J +2 , ... Dakle,
2

f J (x) = =

f J +2 (x) +
k=1 l

2 2
J +k 2

J +k 2

J +k J +k,l (x)2 = l

... =
k l

J +k J +k,l (x)2 . l

Dalje sledi primer realizacije opisanog algoritma za deo po deo konstantnu funkciju sa vrednostima (3, 2, 4, 1, 1, 1, 3, 2). Naravno, u prakti cnoj realizaciji, funkcija zadana svojim vrednostima u prostoru sa najnijom rezolucijom (ozna cenom na slici sa v0 ) se izra zava kao zbir aproksimacije u prostoru sa najgrubljom rezolucijom (na slici v3 ) i detalja u prostorima na svim nivoima rezolucije (na slici w3 , w2 , w1 ). Na slede ci veliki korak u razvoju teorije talasi ca cekalo se oko osamdeset godina. Krajem 80-ih godina XX veka, Ingrid Daubechies je dala generalizaciju Haar-ove teze. Daubechies je uspela da za svako r Z konstrui se ortonormiranu bazu prostora L2 (R) (funkcije j,k () = 2j/2 r (2j k ), j, k Z) sa osnovnom funkcijom r () koja ima slede ce osobine: 1. kompaktan nosa c (interval [0, 2r 1]), 2.
R

(x)dx =

x (x)dx = . . . =

xr1 (x)dx = 0 i

zno 3. pribli

r neprekidnih izvoda. 5 2

4 3 2 1 2 -1 -2 -3
Prostor v0

2 1 2 -1 -2 4 6 8

1 0.5 2 -0.5 -1 4 6 8

Prostori w1 i w2

1.5 1 0.5 -0.5 -1 -1.5 2 4 6 8

0.7 0.6 0.5 0.4 0.3 0.2 0.1 2 4 6 8

Prostori w3 i v3

Navedene osobine osnovne funkcije imaju posledice koje su izuzetno zna cajne u teoriji kompresije podataka. Kao i do sada, najlak se ih je prezentovati na primeru Haar-ovih talasi ca. Naime, ako su promene funkcije koja se aproksimira male (funkcija ima nisku frekvenciju), onda ce koecijenti aproksimacije u prostoru u kojem se cuvaju detalji biti zanemarljivo mali (jer su jednaki razlici susednih vrednosti funkcije), pa se mogu zameniti nulama. Naravno, odgovaraju ca linearna kombinacija vi se ne ce biti jednaka zadanoj funkciji. Pomenutu tehniku razvili su Johnstone i Donoho. Koristili su je npr. prilikom izbora optimalne baze za nelinearnu aproksimaciju talasi cima, kao i prilikom ci s cenja zadanog signala od suma. Vi se detalja o njihovom radu mo ze se na ci npr. u [5]. Osim toga, navedene osobine opravdavaju termin talasi c. Njihova oscilatorna priroda (bazne funkcije su translacije odredjene funkcije) name ce termin talas, dok je deminutiv upotrebljen zbog ograni cenosti njihovog domena (kompaktan nosa c). U ovom radu upravo je posmatrana razlika izmedju zadane funkcije i linearne kombinacije koja nastaje kada se svi koecijenti aproksimacije koji su po apsolutnoj vrednosti manji od zadanog pozitivnog broja (tzv. praga kompresije) zamene nulama (u daljem tekstu nova funkcija). Na osnovu zadane dozvoljene relativne gre ske rekonstrukcije (vrednosti deo po deo konstantne funkcije su posmatrane kao vektor odgovaraju ce dimenzije) odredjen je prag kompresije na dva na cina. Prva vrednost praga je odredjena kori stenjem najgrubljih procena. Nedostatak ovog na cina je taj sto je uvek realizovana relativna gre ska od pet, pa cak do trideset puta ve ca od dozvoljene, cime je znatno smanjen stepen kompresije zadane funkcije. Sa druge strane, sigurno je da realizovana relativna gre ska ne ce biti ve ca od dozvoljene. Za odredjivanje druge vrednosti praga kori stena je geometrijska interpretacija tzv. piramidalnog algoritma (postupak izra cunavanja koecijenata aproksimacije) i osnovni zakoni teorije verovatno ce. Osnovni nedostatak u ovom slu caju je cinjenica da realizovana relativna gre ska mo ze biti ve ca od dozvoljene ako je dozvoljena relativna gre ska previ se mala. Nasuprot tome, stepen kompresije je neuporedivo ve ci nego u prvom slu caju. Osim uvodnog dela i zaklju cka, ovaj rad ima cetiri glave i dodatak. U drugoj glavi iznesene su osnove teorije talasi ca (pojam multirezolucijske analize, dilatacione jedna cine i funkcije skaliranja, jedna cine talasi ca i talasi ca majke i opisan je piramidalni algoritam). Tre ca glava govori o odredjivanju praga kompresije. Data je geometrijska interpretacija piramidalnog algoritma i detaljno je opisan postupak odredjivanja praga za Daubechies koecijente reda 1 i 2. Na kraju je opisano uop stenje dobijenih zaklju caka. Konkretne formule su izvedene i u slu caju Daubechies koecijenata reda 4. U cetvrtoj glavi je opisan programski paket WaveMath.m (razvijen u programskom okru zenju Mathematica ) koji je u su stini realizacija algoritama i postupaka opisanih u drugoj glavi. Programski paket WaveMath.m je kori sten za testiranje primera koji su dati u petoj glavi. U dodatku se nalazi kod programskog paketa WaveMath.m.

Glava 2

Multirezolucija
U ovoj glavi su uvedeni pojmovi multirezolucijske analize, dilatacione jedna cine, funkcije skaliranja, jedna cine talasi ca i talasi ca majke. Dokazane su njihove osnovne osobine i opisane su speci cnosti aproksimacije funkcija iz prostora L2 (R) talasi cima.

2.1

Multirezolucijska analiza

Denicija 1 Multirezolucijska analiza je razbijanje prostora L2 (R) na niz zatvorenih potprostora vj , j Z, (tzv. aproksimacionih prostora) sa slede cim osobinama: 1. {0} . . . v2 v1 v0 v1 . . . L2 (R), 2.
k Z

vk = {0} i cl(

k Z

vk ) = L2 (R),

3. (k Z)(f () vk f (2) vk1 ), 4. f () v0 (k Z)f ( k ) v0 i 5. postoji funkcija () v0 (tzv. funkcija skaliranja) takva da je skup {( k )|k Z} ortonormirana baza prostora v0 . Lema 1 Ako je skup funkcija {( k )|k Z} ortonormirana baza prostora v0 , onda je svaki od skupova {j,k ()|k Z} ortonormirana baza prostora vj , j Z, j gde je j,k (x) = 2 2 (2j x k ). Dokaz: Neka je f () vj proizvoljna funkcija. Induktivno se zaklju cuje da je tada f (2j ) v0 , pa je cn (x n) (x R)f (2j x) =
n

jer je {( k )|k Z} (ortonormirana) baza prostora v0 . Budu ci da je (x R)f (x) = f (2j skup {(2
j

x )= 2j

cn (2j x n),
n

k )|k Z} je zaista baza prostora vj . Dalje je =

R

((2j m), (2j n))

(2j x m)(2j x n)dx =

j R

= 2

(t m)(t n)dx = 2j (m n), 1, m = 0, , pa je baza 0, m = 0 n) = 2j/2 , n Z baza

gde je () Kronekerov delta simbol, (m) = {j,k ()|k Z} ortogonalna. Kona cno, zbog (2j {j,k ()|k Z} je i normirana.

Lema 2 Svaki od prostora vj , j Z je invarijantan u odnosu na translacije, tj. f () vj (k Z)f ( k ) vj , j Z. Dokaz: Za proizvoljnu funkciju f () L2 (R) va zi f () vj f (2j ) v0 (k Z)f (2j k ) v0 k (k Z)f ( j ) vj . 2 2j k ) vj , 2j

Dakle, za proizvoljno k Z va zi f () vj f ( k ) = f ( (2.1)

sto je i trebalo dokazati. Iz cinjenice v0 v1 sledi da je () = 0,0 () v1 , pa se prema lemi 1 funkcija skaliranja mo ze predstaviti kao linearna kombinacija funkcija 1,k (). Drugim re cima, funkcija skaliranja zadovoljava tzv. dilatacionu jedna cinu (x) = fk 1,k (x) = 2 fk (2x k ) (2.2)
k Z k Z

Ako jedna cina (2.2) ima jedno re senje, onda ona ima beskona cno mnogo re senja (ako je () re senje jedna cine (2.2), onda je i c(), c R, takodje njeno re senje). Odredjenosti radi, obi cno se zahteva da funkcija skaliranja zadovoljava uslov (x)dx = 1,
R

odakle neposredno sledi da koecijenti jedna cine (2.2) moraju zadovoljavati uslov fk = 2.
k Z

Primer 1 Osnovni primer multirezolucijske analize (tzv. Haar-ova multirezolucijska analiza) su prostori deo po deo konstantnih funkcija. Funkcija skaliranja je karakteristi cna funkcija intervala [0, 1), (u daljem tekstu box funkcija) tj. 1, x [0, 1) (x) = , a aproksimacioni prostori su denisani sa 0, ina ce j vj = {f ()|(k Z)x [2 k, 2j (k + 1)) f (x) = f (2j k )}, j Z.

2.2

Kaskadni algoritam

Kaskadnim algoritmom rekurzivno se deni se niz funkcija koji, ukoliko konvergira, konvergira ka re senju jedna cine (2.2). Po cetna aproksimacija je obi cno (ali ne obavezno) box funkcija, a dalje aproksimacije se deni su sa (i+1) (x) = 2
k Z

fk (i) (2x k ), i 0.

cine (2.2) i ako niz funkcija Lema 3 Ako su f0 , f1 , . . . , fN 1 koecijenti jedna generisan kaskadnim algoritmom konvergira, pri cemu po cetna aproksimacija ima kompaktan nosa c, onda je nosa c grani cne funkcije interval [0, N 1]. Dokaz: Neka je nosa c po cetne aproksimacije u kaskadnom algoritmu (proizvoljni) interval [a, b]. Tada je (1) = pa je
N 1

2
k

fk (0) (2x k ),

supp(1) (x) =
k=0

a+k b+k a b+N 1 , = , . 2 2 2 2

Slede cim korakom kaskadnog algoritma se dobija (2) = 2 fk (1) (2x k ),

k

odakle se zaklju cuje da je

N 1

supp(2) (x) =
k=0

a + 2 k b + N 1 + 2k a b + 3(N 1) , = , . 4 4 4 4

Induktivno se zaklju cuje da je supp(n) (x) = a b + (2n 1)(N 1) , [0, N 1], n . 2n 2n

Teorema 1 Neka su f0 , f1 , . . . , fN 1 koecijenti jedna cine (2.2) i neka niz funkcija generisan kaskadnim algoritmom konvergira, pri cemu je po cetna aproksimacija box funkcija. Potreban i dovoljan uslov da skup {( k )|k Z} bude ortonormiran jeste da koecijenti jedna cine (2.2) zadovoljavaju uslov (m Z)
k

fk fk2m = (m).

(2.3)

Dokaz: Neka je skup {( k )|k Z} ortonormiran i neka je m Z proizvoljno. Tada je (x)(x m)dx
R

=
R

2
k

fk (2x k ) fl (2x 2m l) dx =

= 2

2
l

fk fl
k l R

(2x k )(2x 2m l)dx = (t k )(t 2m l)dt =

R

=
k l

fk fl

=
k l

fk fl (k 2m l) =
k

fk fk2m .

Dakle, (m) =
R

(x)(x m)dx =
k

fk fk2m ,

cime je dokazano da je uslov (2.3) potreban za ortonormiranost skupa {( k )|k Z}. Obratno, neka je sada (m Z) fk fk2m = (m) i neka niz funkcija generisan kaskadnim algoritmom, pri cemu je po cetna aproksimacija box funkcija, konvergira. Dokaz da je skup {( k )|k Z} ortonormiran izvodi se indukcijom po broju iteracije i. Za i = 0 tvrdjenje je o cigledno jer su box funkcije ortogonalne na svoje translacije. Ako je
R k

(j ) (x m)(j ) (x n) = (m n), za sve j i 1, onda je

(i) (x m)(i) (x n)dx =

R

=
R

2
k

fk (i1) (2x 2m k ) fk fl

2
l

fl (i1) (2x 2n l) dx =

= 2
k l

(i1) (2x 2m k )(i1) (2x 2n l)dx =

R

=
k l

fk fl
R

(i1) (t 2m k )(i1) (t 2n l)dt = fk fk2(mn) = (m n).

k

=
k l

fk fl (2m + k 2n l) =

Budu ci da kaskadni algoritam konvergira, skup {( k )|k Z}, gde je () = limi (i) (), takodje je ortonormiran, sto u potpunosti dokazuje tvrdjenje. Napomena 1: Ukoliko k / {0, 1, . . . , N 1}, onda je u svakoj od gornjih suma fk = 0. Napomena 2: Nije se te sko uveriti da neparan broj koecijenata jedna cine (2.2) ne mo ze zadovoljavati uslov (2.3).

2.3

Prostori talasi ca

Prostori talasica, u oznaci wk , su ortogonalni komplementi prostora vk u odnosu na prostore vk1 . Dakle, wj . vj 1 = vj + Kao i u slu caju aproksimacionih prostora i za prostore talasi ca postoji funkcija () (tzv. talasi c majka) takva da je familija {j,k ()|j, k Z} ortonormirana j baza prostora wk , gde je j,k (x) = 2 2 (2j x k ). Iz cinjenice w0 v1 sledi da je () = 0,0 () v1 , pa se talasi c majka mo ze predstaviti kao linearna kombinacija funkcija 1,k (), odnosno talasi c majka zadovoljava tzv. jedna cinu talasi ca (x) = pk 1,k (x) = 2 pk (2x k ). (2.4)
k Z k Z

Lema 4 Neka su zadani brojevi f0 , f1 , . . . , f2N 1 koji zadovoljavaju uslov (2.3) i neka je pk = (1)k f2N 1k , k {0, 1, . . . , 2N 1}. (2.5) Tada je (m Z)
k

pk pk2m = (m) i
k

fk pk2m = 0 .

Dokaz: Neka je m Z proizvoljno. Tada je pk pk2m

k

=
k

(1)k f2N 1k (1)k2m f2N 1k+2m = fl fl+2m = (m),

l

cime je dokazana prva jednakost.

Dalje, ako je S =
k

fk pk2m , onda je =
k

fk pk2m = (1)k2m fk f2N 1k+2m =

k

= =
l

(1)2N 1l f2N 1(l2m) fl = (1)(1)l2m f2N 1(l2m) fl =

l

= =

pl2m fl = S,
l

odakle se zaklju cuje da je S = 0, cime je i druga jednakost dokazana. Teorema 2 Neka su f0 , f1 , . . . , f2N 1 koecijenti jedna cine (2.2), neka kaskadni algoritam (u kojem je po cetna aproksimacija box funkcija) konvergira ka funkciji skaliranja () i neka potprostori vj , j Z, generisani skupovima {j,k ()|k Z} obrazuju multirezolucijsku analizu prostora L2 (R). Ako su brojevi pk = (1)k f2N 1k , k {0, 1, . . . , 2N 1}, koecijenti jedna cine (2.4), onda je: (j, J Z)(m, n Z)(j,m , J,n ) = (j J ) (m n) i (j, J Z, J j )(m, n Z)(j,m , J,n ) = 0. Slobodno govore ci, talasi ci su medjusobno ortogonalni na svim nivoima rezolucije i ortogonalni su na sve funkcije skaliranja sa grubljom rezolucijom. Dokaz: Skupovi {j,k ()|k Z} su ortonormirane baze prostora vj , Z, pa prema teoremi 1 koecijenti jedna cine (2.2) zadovoljavaju uslov (2.3), a prema prethodnoj lemi, koecijenti jedna cine (2.4) zadovoljavaju uslove pk pk2m = (m) i fk pk2m = 0 . (m Z) Za proizvoljne m, n Z va zi: (j,m (), j,n ()) =
R k k

2j/2
k j/2 l

pk (2j x 2m k ) pl (2j x 2n l) dx = pk pl (2j x 2m k )

R

= =

2j
k l

(2j x 2n l)dx = pk pl (2m + k 2n l) =

k l

10

=
k l

pk pk+2(mn) = (m n).

Dalje, ako je npr. j > J , onda je vj vj 1 . . . vJ , pa iz cinjenica j () vJ , J () wJ i vJ wJ sledi da je (m, n Z)j,m ()J,n (), sto u potpunosti dokazuje prvu relaciju. Analogno prethodnom dokazu, za proizvoljne m, n Z va zi: (j,m (), j,n ()) =
R

2j/2
k j/2 l

fk (2j x 2m k ) pl (2j x 2n l) dx = fk pl (2j x 2m k )

R

2 =

2 j
k l

(2j x 2n l)dx = =
k l

fk pl (2m + k 2n l) = fk pk+2(mn) = 0.
k l

Ako je J < j , onda za proizvoljne m, n Z iz cinjenica vj vJ i vJ wJ sledi da je vj wJ , odnosno da je j,m ()J,n (). Time je teorema u potpunosti dokazana. wJ vj , pa talasi Napomena: Ako je J > j , onda je vJ + ci na nivou sa grubljom rezolucijom ne mogu biti ortogonalni na funkcije skaliranja na nivou sa nijom rezolucijom.

2.4

Aproksimacija u prostorima vj i wj , j Z
wj = vj +1 + wj +1 + wj = . . . = vJ + wJ + wJ 1 + ...+ wj . vj 1 = vj +

Koriste ci deniciju prostora talasi ca dobija se da je

Kada J , dobija se da je

vj 1 =
k =j

wk ,

a kada j , dobija se da je

L2 (R) =
k=

wk .

11

U praksi je najzna cajnija jednakost wJ + wJ 1 + ...+ wj vj 1 = vJ + koja omogu cava reprezentaciju funkcija iz aproksimacionog prostora sa najnijom rezolucijom pomo cu funkcije iz aproksimacionog prostora sa najgrubljom rezolucijom i funkcija iz prostora talasi ca sa svim medjurezolucijama. Dakle, ako je fj 1 () vj 1 , onda je
J J

fj 1 (x) = fJ (x) +
k=j

fk (x) =
n

aJ,n J,n (x) +

k =j n

bk,n k,n (x), (2.6)

jer je fJ () vJ i fk () wk , k {j, j + 1, . . . , J }. Ortonormiranost odgovaraju cih baza omogu cava izra cunavanje koecijenata reprezentacije (2.6) po formulama aJ,n =
R

fj 1 (x)J,n (x)dx i bk,n =

R

fj 1 (x)k,n (x)dx

(2.7)

Lema 5 Ako koecijenti f0 , f1 , . . . , f2N 1 jedna cine (2.2) zadovoljavaju uslov

2N 1

(1)k k m fk = 0, m {0, 1, . . . , r 1},

k=0

(2.8)

onda je xm (x)dx = 0, m {0, 1, . . . , r 1}.

R

(2.9)

Dokaz: Ako je 0 k r 1, onda je

2N 1 2N 1

i pi
i=0

=
i=0 2N 1

(1)i ik f2N 1i = (1)j +1 (2N 1 j )k fj =

j =0 2N 1 k

=
j =0 k

(1)j +1 fj
n=0

k (2N 1)kn (1)n j n = n

2N 1

=
n=0

k (2N 1)kn (1)n+1 n

(1)j fj j n = 0,
j =0

pa za 0 m r 1 va zi xm (x)dx
R

2N 1

2
k=0

pk
R

xm (2x k )dx =

12

 = = = =

2N 1

2m+1 2 m +1 2 2 m +1 2 2 2m+1

pk
k=0 2N 1 R

(t + k )m (t)dt =
m

pk
k=0 2N 1 R i=0 m

m mi i t k (t)dt = i tmi (t)dt =

R 2N 1

pk
k=0 m i=0 i=0

m i k i

m i

tmi (t)dt
R k=0

k i pk = 0,

sto je i trebalo dokazati. Ako je funkcija fj 1 () r puta diferencijabilna na intervalu [2k n, 2k (n + 2N 1)] (nosa c talasi ca k,n ), ona se mo ze predstaviti Tejlorovim redom u okolini ta cke xk,n = 2k (n + N 1/2),
r 1

fj 1 (x) =
i=0

fj 1 (xk,n ) fj 1 ( ) (x xk,n )i + (x xk,n )r , i! r!

(i)

(r )

pa ako su zadovoljeni uslovi (2.8), odnosno uslovi (2.9), onda je koecijent bj,k zanemarljivo mali.

2.5

Piramidalni algoritam

Nepostojanje analiti ckog oblika kako za funkciju skaliranja, tako i za talasi c majku, znatno ote zava izra cunavanje integrala (2.7). Direktni piramidalni algoritam je postupak izra cunavanja koecijenata aj,k i bj,k (koecijenti na nivou sa grubljom rezolucijom) pomo cu koecijenata aj 1,k (koecijenti na nivou sa nijom rezolucijom) i koecijenata jedna cina (2.2) i (2.4). Inverzni piramidalni algoritam je postupak izra cunavanja koecijenata aj 1,k pomo cu koecijenata aj,k i bj,k i koecijenata jedna cina (2.2) i (2.4). Teorema 3 Neka je fj 1 (x) =
n

aj 1,n j 1,n (x) =

k

aj,k j,k (x) +

k

bj,k j,k (x).

Koecijenti aproksimacije na nivou sa grubljom rezolucijom se, pomo cu koecijenata na nivou sa nijom rezolucijom, ra cunaju po formulama aj,k =
n

fn2k aj 1,n i bj,k =

n

pn2k aj 1,n .

(2.10)

Sa druge strane, koecijenti aproksimacije na nivou sa nijom rezolucijom se, pomo cu koecijenata na nivou sa grubljom rezolucijom, ra cunaju po formulama (fk2n aj,n + pk2n bj,n ). (2.11) aj 1,k =
n

13

Dokaz: Za proizvoljno j Z je j,m (t) = 2j/2 (2j t m) = fk (2j +1 t 2m k ) =

k

= 2(j +1)/2 = 2
(j +1)/2 n

fn2m (2j +1 t n) =
n

fn2m j 1,n (t).

Analogno se dokazuje da za proizvoljno j Z va zi j,m (t) =

n

pn2m j 1,n (t).

Sada je aj,k = =
R

(f (), j,k ()) =

R

f (t)j,k (t)dt =

f (t)
n

fn2k j 1,n (t) dt = f (t)j 1,n (t)dt =

R

=
n

fn2k

=
n

fn2k aj 1,n .

Analogno se dokazuje i druga od jednakosti (2.10). Ostaje jo s da se doka ze jednakost (2.11). Dakle, aj 1,k j 1,k (t)
k

=
k

aj,k j,k (t) +

k

bj,k j,k (t) =

=
k

aj,k
n

fn2k j 1,n (t) + pn2k j 1,n (t) =

n

+
k

bj,k

=
n k

aj,k fn2k + bj,k pn2k j 1,n (t),

odakle neposredno sledi tra zena jednakost. Dakle, u svakom koraku direktnog piramidalnog algoritma (formule (2.10)) se pomo cu koecijenata aj 1,k dobija dvostruko manje koecijenata aj,k i dvostruko manje koecijenata bj,k , dok se u svakom koraku inverznog piramidalnog algoritma (formula (2.11)) pomo cu koecijenata aj,k i bj,k dobija dvostruko vi se koecijenata aj 1,k . Ovakva formulacija piramidalnog algoritma name ce dva problema prilikom prakti cne realizacije. Prvi je problem izbora po cetne aproksimacije (ulaznih 14

koecijenata), dok je drugi problem produ zenja na granici. Teoretski, kada su broj ulaznih podataka i broj koraka piramidalnog algoritma beskona cni, ovi problemi naravno ne postoje. Po cetna aproksimacija treba da dovoljno dobro aproksimira zadanu funkciju u prostoru sa najnijom rezolucijom, pa je naj ce s ci (naravno, ne i jedini) izbor niz vrednosti zadane funkcije u ta ckama dovoljno guste mre ze. Problem produ zenja na granici najjednostavnije je objasniti na primeru. Dakle, neka su f0 , f1 , f2 , f3 koecijenti jedna cine (2.2), p0 , p1 , p2 , p3 koecijenti jedna cine (2.4) i neka su a0,k , k {0, 1, . . . , 2J 1} ulazni koecijenti piramidalnog algoritma. Nakon j 1 koraka, piramidalnim algoritmom se dobijaju koecijenti aj 1,k , k {0, 1, . . . , 2J j +1 1} i bj 1,k , k {0, 1, . . . , 2J j +1 1}. Poslednje komponente u slede cem koraku se dobijaju po formuli aj,2J j 1 i bj,2J j 1 = p0 aj 1,2J j +1 2 + p1 aj 1,2J j+1 1 + +p2 aj 1,2J j+1 + p3 aj 1,2J j+1 +1 . = f0 aj 1,2J j+1 2 + f1 aj 1,2J j+1 1 + +f2 aj 1,2J j+1 + f3 aj 1,2J j+1 +1

Problem produ zenja na granici je problem dodeljivanja vrednosti koecijentima aj 1,2J j+1 i aj 1,2J j +1 +1 koji nisu izra cunati u prethodnom koraku. Naj ce s ce se ovaj niz koecijenata produ zava na jedan od slede cih na cina: konstantom (obi cno nulom), periodi cno ili simetri cno. Treba napomenuti da se na isti na cin problem produ zenja na granici javlja i u inverznom piramidalnom algoritmu. Prema prethodno re cenom, maksimalan broj koraka piramidalnog algoritma je mogu ce realizovati ako je broj po cetnih koecijenata stepen broja 2. U tom slu caju samo jedan koecijent u aproksimacionom prostoru sa najgrubljom rezolucijom predstavlja funkciju, dok su preostale informacije o funkciji sadr zane u prostorima talasi ca sa razli citim rezolucijama. Izra cunavanje vrednosti funkcije skaliranja i majke talasi ca primenom piramidalnog algoritma Primenom piramidalnog algoritma mogu ce je sa proizvoljnom ta cno s cu izra cunati vrednosti funkcije skaliranja i majke talasi ca u diadskim ta ckama (ta ckama oblika m2K , gde su m, K Z). Pre svega, treba dokazati da va zi slede ca Lema 6 Ako je () L2 (R) funkcija sa kompaktnim nosa cem sadr zanim u intervalu [R, R], takva da je R (x)dx = 1, a funkcija f () neprekidna na skupu R, onda je (x R) lim 2j
j R

f (x + y )(2j y )dy = f (x)

15

Dokaz: Budu ci da je 2n va zi |f (x) 2n

R

(2n x)dx = |2n

(t)dt = 1, za proizvoljno x R f (x) f (x + y ) (2n y )dy | =

f (x + y )(2n y )dy | = =

|
R

f (x) f (x + 2n t) (t)dt| |(x)|dx

R

Zbog neprekidnosti funkcije f , sup

|x+2n t|R

sup
|x+2n t|R

|f (x) f (x + 2n t)|.

|f (x) f (x + 2n t)| 0, n ,

cime je tvrdjenje dokazano. Ako je f () (), pri cemu je () funkcija skaliranja (uz pretpostavku da je funkcija skaliranja neprekidna), na osnovu prethodne teoreme, za m, K Z va zi (m2K ) = = = =
j

lim 2j
R

(m2K + y )(2j y )dy = (t)(2j t m2j K )dt =

R

lim 2j lim 2
j/2

j j

(t)j,m2jK (t)dt =

lim 2j/2 aj,m2j K ,

pa se, za dovoljno veliko j mo ze smatrati da je (m2K ) 2j/2 aj,m2j K , gde su aj,m2jK koecijenti aproksimacije funkcije skaliranja u prostoru vj . Iz pretpostavke da je funkcija skaliranja ortogonalna na svoje translacije, zajedno sa cinjenicom () v0 , za j = 0 se dobija da je a0,m2K = ((), 0,m2K ()) = (m2K ) = 1, m = 0 . 0, m = 0

Dakle, za pribli zno izra cunavanje vrednosti (m2K ), m, K Z, na mre zi j gustine 2 , j Z, inverzni piramidalni algoritam treba primeniti na skup podataka a0,k = (k ), b0,k = 0, k {0, 1, . . . , (2N 1)2j 1} (2N je broj koecijenata jedna cine (2.2)). Mo ze se dokazati da za pribli zno izra cunavanje vrednosti (m2K ), m, K Z, na mre zi gustine 2j , j Z, inverzni piramidalni algoritam treba primeniti na skup podataka a0,k = 0, b0,k = (2n ), j k {0, 1, . . . , (2N 1)2 1} 16

Matri cna interpretacija piramidalnog algoritma Neka je matrica F denisana na slede ci na cin Fij = fj i , i 2Z, . pj i+1 , i 2Z + 1

Direktni piramidalni algoritam u matri cnom obliku glasi xj = F aj 1 , dok inverzni piramidalni algoritam u matri cnom obliku glasi aj 1 = F T xj , gde je xj,n = aj, 1 , n 2Z 2n . bj, 1 , n 2Z + 1 2 (n1)

Lema 7 Ako koecijenti jedna cine (2.2) zadovoljavaju uslov (2.3), a koecijenti jedna cine (2.4) uslov (2.5), onda je matrica F ortogonalna, tj. F 1 = F T . Dokaz: Budu ci da je Fij = FFT
2i 2j

fj i , i 2Z, , to je pj i+1 , i 2Z + 1
T F2ik Fk 2j =

=
k

F2ik F2jk =
k k

fk2i fk2j = 1, i = j 0, i = j

=
n

fn fn+2i2j = (2j 2i) = (j i) =

i FFT
2i2j +1

=
k

T F2ik Fk 2j +1 = k

F2ik F2j +1k =

k

fk2i pk2j +11 =

=
n

fn pn+2i2j = 0. = (j i) i da je F F T = 0.

Analogno se dokazuje da je F F T

2i+12j +1

2i+12j

Iz prethodne leme sledi da su uslovi (2.3) i (2.5), uz periodi cno produ zenje niza ulaznih koecijenata, dovoljni za savr senu rekonstrukciju (izlaz iz inverznog piramidalnog algoritma jednak je ulazu u direktni piramidalni algoritam). Ako su zadovoljeni uslovi (2.9), odnosno (2.8) i aproksimacija funkcije f () u prostoru vj 1 je diferencijabilna dovoljan broj puta, onda su, prema lemi 5, koecijenti aproksimacije funkcije f () u prostoru wj zanemarljivo mali ili jednaki nuli sto je izuzetno korisno u prakti cnim primenama. Naime, svi koecijenti bj,k koji su po apsolutnoj vrednosti manji od zadane konstante (tzv. praga) zamenjuju se nulama, sto znatno mo ze smanjiti broj ulaznih koecijenata, a stvoriti neznatnu gre sku prilikom rekonstrukcije inverznim piramidalnim algoritmom (ukoliko su zadovoljeni uslovi savr sene rekonstrukcije). 17

Primer 2 Tipi cni primeri koecijenata jedna cine (2.2) koji zadovoljavaju uslov (2.3) su tzv. Haar-ovi koecijenti 1 1 f0 = , f1 = 2 2 i tzv. Daubechies koecijenti reda 2 1+ 3 3+ 3 3 3 1 3 , f1 = , f2 = , f3 = . f0 = 4 2 4 2 4 2 4 2 (2.12)

(2.13)

Preostali koecijenti su nula. Koecijenti odgovaraju cih jedna cina talasi ca se dobijaju iz uslova (2.5) i glase 1 1 p0 = , p1 = , 2 2 odnosno 1 3 3 3 3+ 3 1+ 3 , p1 = , p2 = , p3 = . p0 = 4 2 4 2 4 2 4 2 (2.15) (2.14)

Graci pripadnih funkcija skaliranja i talasi ca majki su dati na slikama koje slede.

18

2 1.5 1

1 0.5 0 1

0.5 0 1

-0.5 -1

Funkcija skaliranja i talasi c majka odredjeni koecijentima (2.12) odnosno (2.14)

1.25 1 0.75 0.5 0.25 0 -0.25 1 2 3

1.5 1 0.5 0 -0.5 -1 1 2 3

Funkcija skaliranja i talasi c majka odredjeni koecijentima (2.13) odnosno (2.15)

19

Glava 3

Odredjivanje praga
U ovoj glavi dat je jedan predlog za izbor praga u zavisnosti od dozvoljene relativne gre ske rekonstrukcije, kao i za izbor optimalnog praga. Budu ci da su osnovni zaklju cci doneseni u skladu sa zakonima teorije verovatno ce u petoj glavi je dato nekoliko primera koji ilustruju primenu dobijenih rezultata u praksi. U daljem tekstu se pretpostavlja da je v0 prostor sa najnijom rezolucijom i da je broj ulaznih podataka u piramidalni algoritam stepen broja 2. Jasno je da se koecijenti aproksimacije funkcije u prostorima vj i wj mogu posmatrati J j kao vektori iz prostora R2 (broj ulaznih podataka je 2J ). Sve ocene su date u odnosu na euklidsku normu prostora Rn .

3.1

Haar-ovi koecijenti

Neka su koecijenti jedna cine (2.2) odredjeni formulama (2.12), neka su a0,k , k {0, 1, . . . , 2J 1} po cetne vrednosti u piramidalnom algoritmu i neka su nakon J koraka piramidalnog algoritma dobijeni koecijenti aJ,0 i bj,k , j {J, J 1, . . . , 1}, k {0, 1, . . . , 2J j 1}.

3.1.1

Procena gre ske

U prvom koraku inverznog piramidalnog algoritma dobijaju se koecijenti aJ 1,0 i aJ 1,1 po formulama aJ 1,0 = 21/2 (aJ,0 + bJ,0 ), aJ 1,1 = 21/2 (aJ,0 bJ,0 ). Slede ci korak daje koecijente aproksimacije u prostoru vJ 2 sa aJ 2,0 = 21 (aJ,0 + bJ,0 + 2bJ 1,0 ), aJ 2,1 = 21 (aJ,0 + bJ,0 2bJ 1,0 ), aJ 2,2 = 21 (aJ,0 bJ,0 + 2bJ 1,1 ), 20

aJ 2,3 = 21 (aJ,0 bJ,0

2bJ 1,1 ).

Induktivno se zaklju cuje da se koecijenti aproksimacije u prostoru vJ j , j {1, 2, . . . , J } ra cunaju po formulama

j 1

aJ j,m = 2j/2 aJ,0 +

k=0

(1)m 2k/2 bJ k,nm , m {0, 1, . . . , 2j 1}.

U gornjoj formuli simbol (1)m ozna cava da se neki umno sci oblika 2k/2 bJ k,nm dodaju, a neki oduzimaju, zavisno od toga koja se komponenta aproksimacije aJ j ra cuna. Specijalno, za j = J dobija se da je
J 1

a0,m = 2J/2 aJ,0 +

k=0

(1)m 2k/2 bJ k,nm , m {0, 1, . . . , 2J 1}.

(3.1)

Ukoliko se primeni postupak odsecanja (engl. hard thresholding), tj. ukoliko se svi koecijenti aproksimacije u prostorima talasi ca koji su manji po apsulotnoj vrednosti od zadanog praga > 0 zamene nulama, formula (3.1) postaje
J 1

a0,m = 2J/2 aJ,0 +

k=0

(1)m 2k/2 bJ k,nm , m {0, 1, . . . , 2J 1},

(3.2)

gde je |bJ j,n | < , j {0, 1, . . . , J 1}, n {0, 1, . . . , 2j 1} |bJ j,n | (3.3) Prirodno je postaviti pitanje za koliko se razlikuju vektori a0 i a0 . U najgorem slu caju, kada je bJ j,n = 0, j {0, 1, . . . , J 1}, n {0, 1, . . . , 2j 1}, formula (3.2) postaje bJ j,n = a0,m = 2J/2 aJ,0 , m {0, 1, . . . , 2J 1}, sto zajedno sa (3.1) daje procenu
J 1

0, bJ j,n ,

(3.4)

|a0,m a0,m | = |2J/2

k=0

(1)m 2k/2 bJ k,nm | 2J/2

2J/2 1 , 21 / 2 1

(3.5)

odakle sledi da je
J 1

a0 a0

= = =

2J 2J/2
k=0 J 1

(1)m 2k/2 bJ k,nm

J 1

2 1 /2

= (3.6)

(1)m 2k/2 bJ k,nm

k=0 J/2 k=0

2k/2 =

2 1 . 1 / 2 2 1 21

Ova procena gre ske je izuzetno gruba i nema opravdanje u ra cunu verovatno ce. Procena broja koecijenata bJ j,n , j {0, 1, . . . , J 1}, n {0, 1, . . . , 2j 1}, koji ce biti zamenjeni nulama, zasnovana na ra cunu verovatno ce, daje znatno prakti cniju ocenu.

3.1.2

Verovatna gre ska

Geometrijska interpretacija Neka su, nakon j, j > 0 koraka piramidalnog algoritma, dobijeni koecijenti aj,k , k {0, 1, . . . , 2J j 1} (ulazni podaci za j + 1-i korak piramidalnog algoritma) i bj,k , k {0, 1, . . . , 2J j 1}. Dalje, neka je od niza koecijenata aj,k , k {0, 1, . . . , 2J j 1} formiran skup od 2J j 1 ta caka Sj = {(aj,2k , aj,2k+1 )|k {0, 1, . . . , 2J j 1 1}}. U j + 1-om koraku piramidalnog algoritma na svaku ta cku iz skupa Sj deluje se matricom 1 H= 2 1 1 1 1 ,

koja je matrica simetrije u odnosu na pravu y = tan x = ( 2 1) x. 8 (3.7)

Drugim re cima, u j + 1-om koraku piramidalnog algoritma sve ta cke skupa Sj se preslikavaju u njima simetri cne ta cke u odnosu na pravu (3.7). Apscise ovih ta caka predstavljaju koecijente aproksimacije u prostoru vj +1 i ulazni su podaci za slede ci korak piramidalnog algoritma, dok su njihove ordinate koecijenti aproksimacije u prostoru wj +1 . O cigledno je da istu geometrijsku interpretaciju ima i inverzni piramidalni algoritam. Ukoliko se primeni tehnika odsecanja, sve ta cke (aj +1,k , bj +1,k ) zamenjuju se ta ckama (aj +1,k , 0) ukoliko je |bj +1,k | < i prilikom realizacije inverznog piramidalnog algoritma ove ta cke ne ce biti savr seno rekonstruisane (umesto a +1,k aj +1,k originalnih, dobi ce se ta cke ( j , )). Dakle, inverznim piramidalnim 2 2 2 algoritmom ta cke koje le ze u traci T = {(x, y ) R ||y | < y = 0} ne ce biti savr seno rekonstruisane. Simetrijom u odnosu na pravu (3.7) traka T se preslikava u traku V = {(x, y ) R2 ||x y | < x = y }, a odavde se jednostavno zaklju cuje da ce savr seno rekonstruisane biti one i samo one ta cke skupa Sj koje su izvan trake V i ta cke sa prave y = x. Procena broja ta caka skupa Sj koje se nalaze u traci V zasnovana na ra cunu verovatno ce daje znatno prakti cniju ocenu gre ske a0 a0 . Procena gre ske
2 Sve ta cke skupa Sj nalaze se u krugu Kj = {(x, y ) R2 |x2 + y 2 rj }, gde je J j 1 2 rj = max{ a2 1}}. Neka se od tih 2J j 1 j,2k + aj,2k+1 , k {0, 1, . . . , 2

ta caka kj njih nalazi u traci V (te ta cke ne ce biti savr seno rekonstruisane) i 22

neka su sve ta cke skupa Sj ravnomerno rasporedjene u krugu Kj . Broj kj se mo ze proceniti sa kj 2J j 1 2( =

2 2 + r 2 arcsin ) rj j rj 2 rj

= cj ()

(3.8)

(odnos povr sine dela trake V unutar kruga Kj i povr sine kruga Kj ). Dakle, mo ze se smatrati da ce kj = 2J j 1 cj () komponenti vektora bj +1 biti zamenjeno nulama, sto zna ci da ce kj komponenti vektora bj +1 bj +1 biti razli cito od nule. Prethodno zaklju civanje daje slede cu procenu bj +1 bj +1 kj 2 = 2J j 1 cj () 2J j 1 c(), (3.9)

gde je c() = max{c0 (), c1 (), . . . , cJ 1 ()}. Ako se vektori bj bj aproksimiraju vektorima cj 1 ()(1, 1, . . . , 1) (ovi vektori imaju istu normu kao i vektori koji
2J j

majoriraju vektore bj bj ), procena (3.5) postaje

J 1

|a0,m a0,m | =

|2J/2
k=0 J 1

(1)m 2k/2 (bJ k,nm bJ k,nm )| 2k/2 cJ k1 () (3.10)

2J/2
k=0

2J/2

c()

2J/2 1 . 21/2 1

Odavde se zaklju cuje da se verovatna gre ska rekonstrukcije mo ze proceniti sa a0 a0 c() 2J/2 1 . 21 / 2 1 (3.11)

3.1.3

Izbor praga i optimalni prag

Koriste ci relaciju (3.11) mogu ce je izabrati prag na osnovu dozvoljene relativne gre ske rekonstrukcije. Naime, ako je dozvoljena gre ska rekonstrukcije, onda prag treba biti re senje jedna cine 1 2J/2 1 1 /2 a0 2 1 c() = . (3.12)

Jedna cina (3.12) ima jedno ili nijedno re senje. Zaista, neka je () = 1 2J/2 1 1 /2 a0 2 1 c(),

23

gde je

2( r2 2 + r2 arcsin r ) c() = 2 r i r = rj , za neko j {0, 1, . . . , J 1}. Budu ci da je 4 c () = 2 r 2 2 , r to je c () 2J/2 1 () = + c() , a0 (21/2 1) 2 c() sto zna ci da je funkcija () rastu ca na svom domenu. Budu ci da je (0) = 0 2J/2 1 i da je (r) = r , jedna cina (3.12) ima jedinstveno re senje ako je a0 (21/2 1) 2J/2 1 [0, r ], dok za ostale vrednosti relativne gre ske uop ste nema a0 (21/2 1) re senja. Problem izbora optimalnog praga ima klasi cnu formulaciju. Naime, treba odrediti prag tako da broj odse cenih koecijenata aproksimacije u prostorima talasi ca bude sto je mogu ce ve ci, a da gre ska rekonstrukcije bude sto je mogu ce manja. Prema (3.8) broj komponenti vektora bj , j {1, 2, . . . , J } koje ce biti zamenjene nulama je kj 1 = 2J j cj 1 (), j {1, 2, . . . , J }, pa ukupan broj koecijenata aproksimacije u prostorima talasi ca koje ce biti zamenjene nulama iznosi
J 1 j =0 J 1 j =0

kj =

cj ()2J j 1 c()(2J 1).

Dakle, broj nenula koecijenata aproksimacije jednak je

J 1

2J
j =0

kj 2J c()(2J 1),

pa relativno smanjenje broja ulaznih koecijenata u piramidalni algoritam nije manje od 2J c()(2J 1) = 1 c()(1 2J ) 2J Neka je () = 1 c()(1 2J ). Funkcija () je opadaju ca, (0) = 1 i (r) = 2J , pa jedna cina () = () (3.13) ima jedinstveno re senje. Re senje jedna cine (3.13) predstavlja optimalni prag.

3.2

Daubechies koecijenti reda 2

U slu caju kada je broj koecijenata jedna cine (2.2) ve ci od dva, tehnika primenjena u 3.1.1 je zbog slo zenosti formula neupotrebljiva. Druga mogu cnost procene gre ske je analiza matri cne intrepretacije piramidalnog algoritma. 24

3.2.1

Procena gre ski

Matri cna interpretacija Neka su matrice Fj i Pj , j {0, 1, . . . , J 1} denisane na slede ci na cin Fj,kn = fn2k , n {2k, 2k + 1, 2k + 2, 2k + 3} , 0, ina ce

k {0, 1, . . . , 2J j 1 1}, n {0, 1, . . . , 2J j 1} i Pj,kn = pn2k , n {2k, 2k + 1, 2k + 2, 2k + 3} , 0, ina ce

k {0, 1, . . . , 2J j 1 1}, n {0, 1, . . . , 2J j 1}, gde su elementi fk i pk , k {0, 1, 2, 3} denisani formulama (2.13) i (2.15). Jedan korak piramidalnog algoritma sada ima slede cu (matri cnu) interpretaciju aj +1 bj +1 dok je aj 1 = Fj 1 Pj 1
T

Fj Pj

aj =

Fj aj Pj aj

, j {0, 1, . . . , J 1},

aj bj

T = FjT 1 aj + Pj 1 bj , j {J, J 1, . . . , 1}

matri cna interpretacija jednog koraka inverznog piramidalnog algoritma. Na osnovu prethodne relacije, induktivno se zaklju cuje da je a0 = = =
j =0 T T F0 a1 + P0 b1 T T T T T F0 F1 a2 + F0 P1 b2 + P0 b1 = . . . = J 1 J k 2 T T FjT Pk 1 bk + P0 b1 , k=2 j =0

(3.14)

FjT aJ +

odnosno da je a0 = = =
j =0 T T F0 a1 + P0 b1 T T T T T P1 b2 + P0 b1 = . . . = F1 a2 + F0 F0 J 1 J k 2 T T FjT Pk 1 bk + P0 b1 , k=2 j =0

(3.15)

FjT aJ +

gde su komponente vektora bj , j {1, 2, . . . , J } odredjene relacijama (3.3). Prema prethodnom, va zi slede ca jednakost
J k 2 T T FjT Pk 1 (bk bk ) + P0 (bk bk ). k=2 j =0

a0 a0 =

(3.16)

25

Izometri cnost transformacija odredjenih matricama FjT i PjT U jednakosti (3.16) matrice FjT i PjT , j {0, 1, . . . , J 1} nisu kvadratne, pa u cilju procene veli cine a0 a0 nije mogu ce primeniti klasi cnu nejednakost trougla. Medjutim, ovim matricama su denisana linearna preslikavanja proJ j 1 J j stora R2 u prostor R2 za koja se mo ze dokazati da su izometrije (norma slike jednaka je normi originala). Zaista, matrice PjT i FjT u imaju oblik T R = 0 0 0 0 r0 r1 r2 r3 . . . 0 0 r0 r1 . . . 0 0 0 0 ... ... ... ... 0 0 0 0 . . . r2 r3 0 0 . . . , 0 0 r0 r1

. . . r0 . . . r1 . . . r2 . . . r3

gde je R {F, P } i r {f, p}, pri cemu svaka od ovih matrica ima dva puta vi se vrsta nego kolona. Prve dve koordinate u poslednjoj koloni omogu cavaju periodi cno produ zenje niza ulaznih koecijenata koje je (osim uslova (2.3) i J j 1 (2.5)) potrebno i dovoljno za savr senu rekonstrukciju. Ako je X R2 i J j Y = RT X R2 , onda je Yn = pa je
2J j 1 1 /2 2 Yk k=0 2J j 1 1 2J j 1 1 1 /2 2 Y22 k + Y2k+1 k=0 1/ 2

r2 X 1 + r0 X 1 , n 2Z 2 n1 2n , n {0, 1, . . . , 2J j 1}, 1 r3 X 1 + r X , n 2 Z + 1 1 ( n 1) 1 ( n 1) 2 2

=
k=0 2J j 1 1

(r2 Xk1 + r0 Xk )2 + (r3 Xk1 + r1 Xk )2

2 2 2 (r2 + r3 )Xk 1 + 2(r2 r0 + r3 r1 )Xk1 Xk + k=0 1/ 2 2 2 2 +(r3 + r1 )Xk 2J j 1 1

=
1 /2

=
k=0

2 2 2 2 2 (r0 + r1 + r2 + r3 )Xk

= X ,

26

 sto zna ci da linearna preslikavanja denisana matricama FjT j {0, 1, . . . , J 1} zaista jesu izometrije. Prema tome,
J k 2 T T FjT Pk 1 (bk bk ) + P0 (bk bk ) k=2 J j =0

i PjT ,

a0 a0

k=1

bk bk

(3.17)

U najgorem slu caju, kada su svi vektori bk , k {1, 2, . . . , J } nula vektori, tj. sve komponente vektora bk , k {1, 2, . . . , J } po apsolutnoj vrednosti manje od zadanog praga > 0, prethodna procena postaje
J J 2J k 1

a0 a0
k=1

bk
k=1 n=0

1 /2

2J/2 1 . 21/2 1

Procena verovatne gre ske Geometrijska interpretacija direktnog i inverznog piramidalnog algoritma u ovom slu caju je analogna prethodnoj. Naime, neka je od niza ulaznih podataka u j + 1-i korak piramidalnog algoritma (koecijenti aj,k , k {0, 1, . . . , 2J j 1}) formiran skup ta caka Sj = {(aj,2k , aj,2k+1 , aj,2k+2 , aj,2k+3 )|k {0, 1, . . . , 2J j 1 1}}, gde je aj,2J j = a0 i aj,2J j +1 = a1 . U jednom koraku direktnog piramidalnog algoritma na svaku ta cku ovog skupa deluje se (ortogonalnom) matricom 3 3 3 1 3 1 + 3 3 + 1 1 3 3 + 3 3 + 3 1 3 , D= 3 3 1 3 1 + 3 3 + 3 4 2 3 + 3 1 3 1 3 3 + 3 dok se u odgovaraju cem koraku inverznog piramidalnog algoritma na svaku sliku ta cke iz skupa Sj deluje matricom DT . Pri tome ce rekonstrukcija biti savr sena ukoliko se matricom DT deluje na ta cke koje su izvan skupa T = {(x1 , x2 , x3 , x4 ) R4 ||x2 | < |x4 | < x2 x4 = 0}. Budu ci da se sve ta cke 2 2 2 2 skupa Sj nalaze u lopti Kj = {(x1 , x2 , x3 , x4 ) R4 |x2 1 + x2 + x3 + x4 rj }, gde
J j 1 2 2 2 je rj = max{ a2 1}}, j,2k + aj,2k+1 + aj,2k+2 + aj,2k+3 , k {0, 1, . . . , 2 uz pretpostavku da su sve ta cke skupa Sj ravnomerno rasporedjene u lopti Kj , broj ta caka skupa Sj koje ne ce biti savr seno rekonstruisane mo ze se proceniti sa (Tj ) kj = , 2J j 1 (Kj )

gde je Tj = T Kj i (A) = se da je (Tj ) =

dx. Nakon relativno jednostavnog ra cuna dobija 2 2 dx1 dx2 dx3 dx4 = 42 (rj 2 ), 3 27 (3.18)

Tj

 uz napomenu da ova jednakost va zi samo za [0, rj / 2]. Zaista, dx1 dx2 dx3 dx4
Tj

=
[,]2

dx2 dx4

2 2 2 2 0x2 1 +x3 rj x2 x4

dx1 dx3

=
[,]2

2 2 (rj x2 2 x4 )dx2 dx4

2 2 = 42 (rj 2 ). 3 Ograni cenje [0, rj / 2] najjednostavnije je opravdati cinjenicom da mora biti 2 2 2 2 2 2 2 , pa ako je x = x = , onda mora biti x2 x2 + x + x + x r 2 4 1 + x3 rj 2 , 1 2 3 4 j 2 odakle sledi da mora biti rj 22 0. Sa druge strane, rezultat (Kj ) =
Kj

dx1 dx2 dx3 dx4 =

1 4 2 r 2 j

je klasi can (zapremina cetverodimenzione lopte). Dakle, kj 2J j 1 =

2 2 82 (rj 2 3 ) = cj (), 4 rj

(3.19)

sto zna ci da ce kj komponenti vektora bj +1 biti zamenjeno nulama, odnosno da ce kj komponenti vektora bj +1 bj +1 biti razli cito od nule. Prema tome, bj bj kj 1 2 = 2J j cj 1 () 2J j c(), (3.20)

gde je ponovo c() = max{c0 (), c1 (), . . . , cJ 1 ()}. Koriste ci ovaj zaklju cak zajedno sa procenom (3.17) dobija se procena vjerovatne gre ske a0 a0 c() 2J/2 1 . 21 / 2 1 (3.21)

3.2.2

Izbor praga i optimalni prag

Analogno razmatranju u slu caju Haarovih koecijenata, koriste ci relaciju (3.21) mogu ce je odabrati prag u zavisnosti od zadane relativne gre ske. Ako je dozvoljena relativna gre ska rekonstrukcije, onda prag treba biti re senje jedna cine 1 2J/2 1 1 /2 c() = (3.22) a0 2 1 koje pripada intervalu [0, r/ 2], pri cemu je sada c() = 8 2 2 (3r 22 ) 3r4

i r = rj , za neko j {0, 1, . . . , J 1}. 28

Ako je () = K gde je K = 1 2J/2 1 1 /2 , onda je a0 2 1 () = 16K 2 (r2 2 ) , r4 c() c(),

pa je () rastu ca na intervalu [0, r/ 2]. Dalje je (0) = 0 i funkcija 2Kr (r/ 2) = , pa jedna c ina (3.22), u intervalu [0 , r/ 2], ima jedinstveno 3 re senje ako dozvoljena relativna gre ska nije ve ca od
2Kr 3 2Kr . 3

Naravno, ako je

dozvoljena relativna gre ska ve ca od posmatrana jedna cina nema re senja u intervalu [0, r/ 2]. Kao i u prethodnom razmatranju, problem izbora optimalnog praga ima klasi cnu formulaciju, dok relativno smanjenje broja ulaznih koecijenata u piramidalni algoritam ponovo nije manje od 2J c()(2J 1) = 1 c()(1 2J ). 2J Ako je onda je () = 1 c()(1 2J ),

16 () = (1 2J ) 4 (3r2 42 ), 3r pa na 2] funkcija () opada od (0) = 1 do intervalu [0, r/ J (r/ 2) = 1 38 (1 2 ). Optimalni prag je ponovo re senje jedna cine (x) = (x) iz intervala [0, r/ 2] koje postoji i jedinstveno je ako i samo ako je 1 8 2Kr (1 2J ) = (r/ 2) < (r/ 2) = . 3 3 (3.23)

3.3

Slu caj kada je broj koecijenata dilatacione jedna cine 6, 8, ...

Generalizacija prethodno izlo zenog zaklju civanja je relativno jednostavna. Pre svega, treba naglasiti da je mogu ce konstruisati proizvoljno veliki (paran) broj koecijenata jedna cine (2.2) koji zadovoljavaju uslov (2.3), odnosno proizvoljno veliki (paran) broj koecijenata jedna cine (2.4) koji zadovoljavaju uslov (2.5). Dakle, u tom ce slu caju (uz periodi cno produ zenje niza ulaznih koecijenata) biti mogu ca savr sena rekonstrukcija. 29

Kao i u prethodna dva slu caja, od niza ulaznih podataka u j + 1-i korak piramidalnog algoritma formira se skup Sj = {(aj,2k , aj,2k+1 , . . . , aj,2k+2N 1 )| k {0, 1, . . . , 2J j 1 1}}, pri cemu je 2N broj koecijenata jedna cine (2.2), a niz podataka aj je produ zen periodi cno. Koriste ci matri cnu intrepretaciju i uslove (2.3) i (2.5) dokazuje se da je jednim korakom piramidalnog algoritma denisana jedna idempotentna izometrija prostora R2N . Dakle, inverznim piramidalnim algoritmom dobija se polazni niz podataka. Ukoliko se primeni tehnika odsecanja, niz izlaznih podataka iz inverznog piramidalnog algoritma ne ce biti jednak nizu ulaznih podataka u direktni piramidalni algoritam. Naime, ponovo ce sa gre skom biti rekonstruisane one i samo one ta cke cije slike u pomenutoj izometriji pripadaju skupu T = {(x1 , x2 , . . . , x2N ) R2N ||x2k | < N , k {1, 2, . . . , N } k=1 x2k = 0}. Kao i u prethodnom slu caju, dobija se da je najstro zija procena gre ske a0 a0 2J/2 1 . 21/2 1

(za dokaz gornje nejednakosti nije bitan broj koecijenata jedna cine (2.2), nego samo cinjenica da su zadovoljeni uslovi (2.3) i (2.5)). I sada su sve ta cke 2 + . . .+ + x skupa Sj u unutra snjosti lopte Kj = {(x1 , x2 , . . . , x2N ) R2N |x2 2 1
2 2 2 2 x2 2N rj }, gde je rj = max{ aj,2k + aj,2k+1 + . . . + aj,2k+2N 1 , k {0, 1, . . . ,

2J j 1 1}}, pa se broj ta caka skupa Sj koje ne ce biti savr seno rekonstruisane, na osnovu geometrijske denicije verovatno ce, procenjuje sa kj (Tj ) = = cj (), 2J j 1 (Kj ) gde je Tj = T Kj i (A) = procenjuje sa
A

dx. Odavde se verovatna gre ska rekonstrukcije 2J/2 1 , 21 / 2 1

a0 a0

c()

(3.24)

R gde je c() = max{c0 (), c1 (), . . . , cJ 1 ()}. Integrale (Tj ), za [0, ], N mogu ce je izra cunati na slede ci na cin:

dx1 . . . dx2N
Tj

=
[,]N

dx2 . . . dx2N dx1 . . . dx2N 1

0
N k=1 2 x2 2k1 rj N k=1

x2 2k

=
[,]N

V (x2 , . . . , x2N )dx2 . . . dx2N , N -dimenzione lopte polupre cnika

gde

je

V (x2 , . . . , x2N )

zapremina

30

2 rj

N k=1

x2 2k , tj. m 2 m! (rj
N m x2 2k ) , k=1 N N/2 x2 , 2k ) k=1

N = 2m , N = 2m + 1

V (x2 , . . . , x2N ) =

2(2 )m 2 (2m + 1)!! (rj

N 2N r . N! j U slu caju N = 4 (koecijenti jedna cine (2.2) u tom slu caju iznose 0.23038, 0.71485, 0.63088, 0.027984, 0.18703, 0.030841, 0.032883, 0.010597), dobija se da je (Kj ) = (Tj ) = i (Kj ) = pa je cj () = 8 2 4 2 4 (324 402 rj + 15rj ), [0, R/2] 15 4 8 r , 24 j

dok je

644 4 2 2 4 8 (32 40 rj + 15rj ). 5 2 rj

U skladu sa prethodnim rezultatima, ako je > 0 dozvoljena relativna gre ska rekonstrukcije, onda prag > 0 treba da bude re senje jedna cine 2J/2 1 1 1 /2 a0 2 1 c() = (3.25)

i r = rj , za neko j {0, 1, . . . , J 1}, koje pripada intervalu [0, r/2], pri cemu je 644 c() = (324 402 r2 + 15r4 ). 5 2 r8 Jednostavno je dokazati da jedna cina (3.25) ima jedinstveno re senje u intervalu
r 7 [0, r/2] ako i samo ako je [0, K 5 ], K = prag je i u ovom slu caju re senje jedna cine 1 a0

2J/2 1 . 21/2 1

Dalje, optimalni

2J/2 1 1 1/ 2 a0 2 1

c() = 1 c()(1 2J )

(3.26)

koje pripada intervalu [0, r/2]. Ovo re senje postoji i jedinstveno je ako i samo 28 r 7 1 2 (1 2J ). ako je K 5 5

31

Glava 4

Mathematica paket WaveMath.m

Programski paket WaveMath.m razvijen je u programskom okru zenju Mathematica 5.0 i kori sten je za prakti cno testiranje rezultata dobijenih u tre coj glavi. Osnovne funkcije koje su razvijene u okviru ovog paketa su realizacija direktnog i inverznog piramidalnog algoritma. Osim toga, razvijen je citav niz pomo cnih funkcija. U citavanje paketa realizuje se naredbama SetDirectory["C:\My Documents\WaveMath"] << WaveMath.m

4.1

Koecijenti dilatacione jedna cine i produ zenje niza ulaznih koecijenata

Ranije je re ceno da je mogu ce konstruisati proizvoljno veliki (paran) broj koecijenata jedna cine (2.2) koji zadovoljavaju uslov (2.3), odnosno proizvoljno veliki (paran) broj koecijenata jedna cine (2.4) koji zadovoljavaju uslov (2.5). Bez ula zenja u detalje, opisan je algoritam (koji je realizovan u programskom paketu WaveMath) konstrukcije najpopularnije grupe takvih koecijenata (postoji proizvoljno mnogo tih grupa), tzv. Daubechies 1 koecijenata. Vi se o Daubechies koecijentima mo ze se na ci u [4]. Konstrukcija Daubechies koecijenata reda r Daubechies koecijenti reda r su koecijenti polinoma D() ( cija je konstrukcija opisana) stepena 2r. Naj ce s ce se ovi kecijenti uzimaju u poretku od koecijenta uz najstariji clan do slobodnog koecijenta.
1 Koecijenti su dobili naziv po njihovom tvorcu, belgijskoj matemati carki Ingrid Daubechies

32

Korak 1 Neka su x1 , x2 , . . . , xr1 nule polinoma

r 1

Br (x) =
i=0

r1+i i x. i

Korak 2 Neka je zi , i {1, 2, . . . , r 1} re senje jedna cine 1 (z + z 1 ) = xi , i {1, 2, . . . , r 1} 2 koje je po apsolutnoj vrednosti manje od jedan. Korak 3 Neka je
r 1

D(t) = (t + 1)r
i=1

(t zi ).

Korak 4 Koecijenti polinoma

2 D() D(1) su Daubechies koecijenti reda r. Napomena: Nekada se umesto zahteva kZ fk = 2 zahteva da zbir koecijenata dilatacione jedna cine bude jednak jedan, pa umjesto Koraka 4 u prethodnom algoritmu treba realizovati Korak 4 Koecijenti polinoma 1 D() D(1)

su Daubechies koecijenti reda r. U paketu WaveMath se izra cunavanje Daubechies koecijenata reda r (obavezan argument) realizuje naredbom mFDb[r], a rezultat je lista realnih brojeva du zine 2r ciji su elementi odgovaraju ci Daubechies koecijenti. Obavezni argument r je isklju civo prirodan broj. Npr. Daubechies koecijenti reda 3 se dobijaju na slede ci na cin: In[1]:= mFDb[3] Out[1]={0.332671,0.806892,0.459878, -0.135011,-0.0854413,0.0352263} Produ zenje niza ulaznih koecijenata U prethodnoj glavi je opisan problem produ zenja niza ulaznih koecijenata, a u programskom paketu WaveMath niz ulaznih koecijenata je mogu ce produ ziti na jedan od tri slede ca na cina: periodi cno, simetri cno i konstantama. Dakle, ako je a0 , a1 , . . . , an1 niz ulaznih koecijenata, i ap periodi cno produ zenje niza a, onda je apk = arest{k,n} , gde je sa rest{k, n} ozna cen ostatak pri deljenju 33

broja k sa brojem n. Za simetri cno produ zenje niza a, prvo se formira pomo cni niz a0 , a1 , . . . , an1 , an1 . . . , a1 , a0 , koji se zatim produ zava periodi cno. U programskom paketu WaveMath k-ta komponenta periodi cno, simetri cno, odnosno konstantama produ zenog niza ulaznih koecijenata a dobija se izvr savanjem naredbi: mPPeriodicno[a,k] mPSimetricno[a,k] mPKonstantama[a,k,lc,dc] respektivno. Poslednja dva argumenta funkcije mPKonstantama[.,.,.,.] su konstante sa kojima se produ zava niz ulaznih koecijenata (konstantom lc za negativne vrednosti indeksa k, a konstantom ld za vrednosti indeksa k koje su ve ce od du zine ulaznog niza). Osim toga, razvijena je i funkcija mPNulama[.,.] koja niz ulaznih koecijenata produ zava nulama. Argument a u svakoj od tri gornje funkcije mora biti lista, dok argument k mora biti celi broj. Svi argumenti opisanih funkcija su obavezni.

4.2

Direktni i inverzni piramidalni algoritam

Dve osnovne funkcije, razvijene u programskom paketu WaveMath, su funkcije kojima se relizuju direktni i inverzni piramidalni algoritam, tj. formule (2.10) i (2.11). Direktni piramidalni algoritam U programskom paketu WaveMath direktni piramidalni algoritam se realizuje pozivom funkcije mDekompozicijaPA[a,f,p,n,t,pa] Sledi opis argumenata ove funkcije: a - koecijenti aproksimacije na nivou sa najnijom rezolucijom (obavezan argument). f - niz koecijenata jedna cine (2.2) (podrazumevana vrednost su koecijenti (2.12)). p - niz koecijenata jedna cine (2.4) (podrazumevana vrednost su koecijenti (2.14)). n - broj koraka piramidalnog algoritma koje treba realizovati (ukoliko se izostavi, ili je ve ci od maksimalnog mogu ceg broja koraka, realizova ce se maksimalan broj koraka). t - prag (podrazumevana vrednost je 0). pa - na cin produ zenja niza koecijenata aproksimacije na granici (podrazumevana vrednost je periodi cno produ zenje). 34

Prva tri argumenta moraju biti liste, cetvrti mora biti celi broj ve ci ili jednak od 1, a peti argument mora biti realan broj ve ci od nule. Izlazni argument ove funkcije je dvoelementna lista. Prvi element izlazne liste je takodje lista ciji su elementi koecijenti aproksimacije. Na po cetku unutra snje liste su koecijenti aproksimacije u aproksimacionom prostoru sa najgrubljom rezolucijom, zatim slede koecijenti aproksimacije u prostorima talasi ca poredjani od koecijenata u prostoru sa grubljom rezolucijom, prema koecijentima u prostoru sa nijom rezolucijom. Drugi element izlazne liste je broj realizovanih koraka piramidalnog algoritma. Modikacija funkcije mDekompozicijaPA[.,.,.,.,.,.] je funkcija mProjekcije[.,.,.,.,.,.]. Jedina razlika izmedju ovih funkija je u tome sto su koecijenti aproksimacije (prvi element izlaza iz funkije mProjekcije[.,.,.,.,.,.]) grupisani u liste prema odgovaraju cim prostorima. Inverzni piramidalni algoritam Pozivom funkcije mRekonstrukcijaPA[a,f,p,n,pka,pkt] programskog paketa WaveMath, realizuje se inverzni piramidalni algoritam. Argumenti ove funkcije imaju slede ce zna cenje: a - koecijenti aproksimacije u aproksimacionom prostoru sa najgrubljom rezolucijom i koecijenti aproksimacije u prostorima talasi ca sa svim rezolucijama (oblik koji se dobije na izlazu funkcije mDekompozicijaPA[.,.,.,.,.,.]). f - niz koecijenata jedna cine (2.2) (podrazumevana vrednost su koecijenti (2.12)). p - niz koecijenata jedna cine (2.4) (podrazumevana vrednost su koecijenti (2.14)). n - broj koraka piramidalnog algoritma koje treba realizovati (ukoliko se izostavi, ili je ve ci od maksimalnog mogu ceg broja koraka, realizova ce se maksimalan broj koraka). pka - na cin produ zenja niza koecijenata aproksimacije u aproksimacionom prostoru (podrazumevana vrednost je periodi cno produ zenje). pkt - na cin produ zenja niza koecijenata aproksimacije u prostoru talasi ca (podrazumevana vrednost je periodi cno produ zenje). I ovde prva tri argumenta moraju biti liste, a cetvrti mora biti celi broj ve ci ili jednak od 1. Obavezan je jedino prvi argument. Izlazni argument funkcije mRekonstrukcijaPA[.,.,.,.,.,.] je istog oblika kao i izlazni argumment funkcije mDekompozicijaPA[.,.,.,.,.,.] (lista i broj realizovanih koraka inverznog piramidalnog algoritma), s tim da su sada elementi unutra snje liste koecijenti aproksimacije u aproksimacionom prostoru sa najnijom rezolucijom. 35

4.2.1

Vrednosti funkcije skaliranja i talasi ca majke

U komentaru datom nakon Leme 6 u 2.5 opisan je postupak izra cunavanja vrednosti funkcije skaliranja (talasi ca majke) u ta ckama oblika m2K , gde su m, K Z. U programskom paketu WaveMath ovaj postupak se realizuje pozivom funkcija mFS[K] ili mTM[K] gde je K (obavezni argument) stepen broja 2 koji odredjuje gustinu mre ze. Argunemt K mora biti prirodan broj. Izlazni argument ovih funkcija je lista vrednosti funkcije skaliranja (talasi ca majke) na intervalu [0, 2N 1), gde je 2N broj koecijenata jedna cine (2.2), odnosno jedna cine (2.4). Koriste ci ove funkcije prikazani su graci funkcija skaliranja i talasi ca majke u 2.5, primer 2. Diskretizacija funkcije Za diskretizaciju funkcije f[.] na intervalu [a,b] sa mre zom gustine 2^d razvijena je funkcija mS[f,d,a,b] ciji argumenti imaju slede ce zna cenje: f - funkcija koja se diskretizuje (obavezan argument). d - parametar koji odredjuje gustinu mre ze (obavezan argument). a - levi kraj intervala diskretizacije (podrazumevana vrednost je 1). b - desni kraj intervala diskretizacije (podrazumevana vrednost je 1). Izlaz je lista vrednosti funkcije f[.].

36

Glava 5

Primeri
U primerima koji slede tabelarno su prikazani rezultati izbora praga primenom modikacije jedna cina (3.12), (3.22) i (3.25) za razli cite dozvoljene relativne gre ske. Poredjenja radi, za svaku dozvoljenu relativnu gre sku prag je odredjen i kori stenjem grube procene, tj. primenom formule = a0 21/2 1 . 2J/2 1 (5.1)

Osim toga, u svakom od primera odredjen je i optimalni prag re savanjem modikacije jedna cine (3.13), (3.23) ili (3.26). Pomenute modikacije jedna cina (3.12), (3.22) i (3.25), odnosno jedna cina (3.13), (3.23) ili (3.26) ogledaju se u tome sto je uvek smatrano da je c() = c0 (). Skra cenice u tabelama imaju slede ce zna cenje: DRG - dozvoljena relativna gre ska (izra zena u procentima), GOP - prag odredjen primenom formule (5.1), VOP - prag odredjen kao re senje jedna cine (3.12), (3.22) ili (3.25), OP - optimalni prag, RRG - realizovana relativna gre ska (izra zena u procentima) i RSD - realizovano smanjenje du zine (izra zeno u procentima). Budu ci da su sve jedna cine cijim se re savanjem odredjuje prag posledica odredjenih nejednakosti, nakon sto se primeni tehnika odsecanja, inverznim piramidalnim algoritmom nije mogu ce posti ci dozvoljenu relativnu gre sku. O cigledno je da ce realizovana relativna gre ska biti znantno manja od dozvoljene ukoliko se prag odredi primenom formule (5.1), dok nije iznenadjuju ce i prema senje dozvoljene relativne gre ske ukoliko se prag izabere kao re senje neke od jedna cina (3.12), (3.22) ili (3.25). Ukoliko se ne primenjuje tehnika odsecanja,

37

broj koecijenata aproksimacije (u aproksimacionom prostoru i prostorima talasi ca) jednak je broju (du zini niza) ulaznih podataka. Medjutim, primenom tehnike odsecanja broj koecijenata aproksimacje razli citih od nule (neodse ceni koecijenti) mo ze biti znatno manji. Realizovanim smanjenjem du zine upravo je izra zen odnos neodse cenih koecijenata aproksimacije sa brojem ulaznih podataka (u procetnima). U drugom delu su svi podaci navedeni u tabelama prikazani i gra cki. Skra cenice u legendi na gra ckom prikazu imaju slede ce zna cenje: RRGgop - realizovana relativna gre ska kada je prag odredjen formulom (5.1), RRGvop - realizovana relativna gre ska kada je prag odredjen kao re senje jedna cine (3.12), (3.22) ili (3.25) i DRG - dozvoljena relativna gre ska. U svim primerima ulazni skup podataka predstavlja diskretizacija funkcije f na odgovaraju cem intervalu, sa korakom 29 .

38

5 4 3 2 1 -1 0
Primer 3 Primer 3 Diskretizacija funkcije f[x_]:=If[Abs[x]<=0.005,5,Random[Real,{-0.1,0.1}], na intervalu [1, 1]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.2757 102 0.91 101 97 22 0.3102 101 3.4 61 0.58 D2 0.2757 102 0.11 96 18 0.1105 16 8. 8 0.12 D4 0.2757 102 0.78 101 97 26 0.3153 19 4.5 0.10 Haar 0.1379 102 0.30 101 99 33 0.1954 101 1.8 75 0.56 D2 0.1379 102 0.36 101 98 28 0.7816 101 11 24 0.88 101 D4 0.1379 102 0.36 101 98 28 0.2502 101 19 4.5 0.52 101

39

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.6893 102 0.37 92 13 0.5715 101 7.6 37 0.66 D2 0.6893 102 0.33 92 15 0.1748 18 3. 5 0.27 D4 0.6893 102 0.32 93 15 0.4283 21 4.1 0.24

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1379 101 1.1 82 9.1 0.9072 101 13 17 0.78 D2 0.1379 101 0.99 84 10 0.2472 19 3. 1 0.53 D4 0.1379 101 1.0 85 10 0.5401 22 3.9 0.46

Dozvoljena relativna gre ska: 20% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.2757 101 2.8 6.6 7.1 0.1440 18 4.5 1.1 D2 0.2757 101 2. 6 71 7. 7 0.3497 20 2. 7 1. 0 D4 0.2757 101 3.0 67 6.7 0.6816 29 2.9 0.70

40

Dozvoljena relativna gre ska: 25% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.3447 101 3.8 58 6.6 0.1671 18 3.5 1.4 D2 0.3447 101 4. 0 61 6. 2 0.3910 21 2. 5 1. 2 D4 0.3447 101 4.1 59 6.2 0.7347 29 2.9 0.87

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 0.6893 101 9.3 29 5.4 0.2653 18 3.3 2.7 Haar 0.3927 19 3.1 D2 0.7713 25 2. 1 D2 0.6893 101 9. 9 30 5. 1 0.5533 21 2. 5 2. 4 D4 1.1698 40 2.0 D4 0.6893 101 9.9 30 5.0 0.9284 34 2.3 1.5

41

1 0.5 0

-0.5 -1
Primer 4 Primer 4 Diskretizacija funkcije f[x_]:=Cos[x]*Cos[2*x]*Cos[3*x]*Cos[5*x], na intervalu [0, 2 ]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.2679 102 0.16 89 12 0.1997 101 2.0 45 1.0 D2 0.2679 102 0.28 46 7. 1 0.5791 101 3. 2 13 0.63 D4 0.2679 102 0.94 101 23 21 0.1685 6.6 6.8 0.30 Haar 0.1339 102 0.49 101 94 21 0.1258 101 1.5 51 0.65 D2 0.1339 102 0.16 57 6. 3 0.4094 101 2. 7 14 0.38 D4 0.1339 102 0.70 101 24 14 0.1337 5.6 7.4 0.18

42

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.6697 102 0.70 72 7.2 0.3678 101 4.1 28 1.2 D2 0.6697 102 0.68 29 7. 4 0.9158 101 4. 9 11 1. 0 D4 0.6697 102 0.40 17 13 0.2290 9.7 5.7 0.51

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1339 101 1.6 50 6.3 0.5838 101 5.8 21 1.7 D2 0.1339 101 1. 0 24 9. 6 0.1296 5. 9 9. 8 1. 7 D4 0.1339 101 0.72 13 14 0.2890 10 5.5 0.98

Dozvoljena relativna gre ska: 20% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.2679 101 3.1 35 6.4 0.9269 101 8.2 15 2.4 D2 0.2679 101 2. 0 17 10 0.1834 9. 1 7. 8 2. 2 D4 0.2679 101 1.0 12 20 0.3652 12 5.1 1.6

43

Dozvoljena relativna gre ska: 25% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.3348 101 3.8 30 6.5 0.1076 9.6 13 2.6 D2 0.3348 101 2. 4 15 11 0.2051 11 7. 0 2. 3 D4 0.3348 101 1.1 12 23 0.3939 15 4.7 1.7

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 0.6697 101 6.1 20 8.3 0.1708 12 10 4.1 Haar 0.2323 15 8.4 D2 0.3919 21 3. 9 D2 0.6697 101 3. 6 12 14 0.2905 15 5. 5 3. 4 D4 0.6250 20 4.1 D4 0.6697 101 2.5 10 20 0.4990 15 4.7 3.4

44

3 2 1 -1 -1 -2 -3
Primer 5 Primer 5 Diskretizacija funkcije f[x_]:=Sin[Pi*x]+Sin[2*Pi*x]+Sin[5*Pi*x]+Sin[10*Pi*x]+ +Random[Real,{-0.25,0.25}], na intervalu [1, 1]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1230 101 0.90 101 96 22 0.8148 101 1.4 78 1.4 D2 0.1230 101 0.10 95 19 0.2197 6. 9 28 0.29 D4 0.1230 101 0.12 95 17 0.5924 11 8.6 0.18 Haar 0.6152 102 0.42 101 97 24 0.5133 101 0.81 84 1.2 D2 0.6152 102 0.44 101 97 23 0.1553 4. 6 43 0.22 D4 0.6152 102 0.36 101 98 28 0.4698 10 9.2 0.96 101

45

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.3076 101 0.38 90 13 0.1501 3.9 58 1.3 D2 0.3076 101 0.40 89 12 0.3475 9. 8 14 0.51 D4 0.3076 101 0.52 86 9.6 0.8054 13 6.8 0.39

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.6152 101 0.98 82 10 0.2383 6.9 41 1.5 D2 0.6152 101 1. 2 77 8. 4 0.4917 11 12 0.94 D4 0.6152 101 1.3 72 7.7 1.017 15 5.5 0.69

Dozvoljena relativna gre ska: 15% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.9228 101 1.8 75 8.4 0.3123 9.5 29 1.6 D2 0.9228 101 2. 4 63 6. 3 0.6025 11 11 1. 3 D4 0.9228 101 2.3 60 6.5 1.167 16 4.9 0.96

46

Dozvoljena relativna gre ska: 20% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1230 2.8 67 7.2 0.3783 11 22 1.8 D2 0.1230 3. 2 54 6. 2 0.6961 12 9. 6 1. 6 D4 0.1230 3.5 48 5.7 1.286 16 4.9 1.3

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 0.3076 9.5 29 5.3 0.6975 16 13 3.1 Haar 0.9123 18 11 D2 0.3076 9. 3 16 5. 4 1.104 15 8. 2 3. 4 D2 1.460 19 6.4 D4 0.3076 8.8 14 5.7 1.762 16 4.9 3.2 D4 2.191 16 4.9

47

1 0.5 -1 -0.5 -1
Primer 6 Primer 6 Diskretizacija funkcije f[x_]:=If[Abs[x]<=0.5,Cos[25*Pi*x],-Sin[Pi*Abs[x]]], na intervalu [1, 1]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.6117 102 0.19 85 10 0.3464 101 1.1 58 1.8 D2 0.6117 102 0.11 56 18 0.8756 101 3. 2 26 0.62 D4 0.6117 102 0.23 33 8.7 0.2234 5.4 14 0.37 Haar 0.3058 102 0.60 101 94 17 0.2182 101 0.79 63 1.3 D2 0.3058 102 0.78 101 57 13 0.6191 101 3. 0 27 0.33 D4 0.3058 102 0.95 101 46 11 0.1771 4.7 15 0.21

48

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1529 101 0.54 68 9.2 0.6381 101 2.0 51 2.5 D2 0.1529 101 0.37 51 14 0.1385 3. 9 24 1. 3 D4 0.1529 101 0.30 31 16 0.3039 6.6 13 0.76

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.3058 101 1.1 58 8.9 0.1013 3.3 46 3.0 D2 0.3058 101 0.84 45 12 0.1961 5. 2 22 1. 9 D4 0.3058 101 0.58 29 17 0.3841 7.3 13 1.4

Dozvoljena relativna gre ska: 15% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.4588 101 1.5 54 10 0.1328 4.9 41 3.1 D2 0.4588 101 1. 7 38 9. 0 0.2403 7. 0 20 2. 2 D4 0.4588 101 0.91 27 17 0.4409 8.5 13 1.8

49

Dozvoljena relativna gre ska: 25% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.7646 101 2.6 48 9.6 0.1867 7.9 33 3.2 D2 0.7646 101 3. 1 27 7. 9 0.3107 13 13 2. 0 D4 0.7646 101 2.1 22 12 0.5252 12 11 2.0

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 0.1529 5.6 39 8.9 0.2969 13 22 3.8 Haar 0.3637 14 20 D2 0.1529 4. 1 24 12 0.4413 14 12 3. 6 D2 0.5641 16 11 D4 0.1529 4.0 16 12 0.6683 15 9.8 3.4 D4 0.8212 18 9.0

50

-0.5 0.95 0.9 0.85 0.8 0.75 0.7

0.5

Primer 7 Primer 7 Diskretizacija funkcije f[x_]:=If[Abs[x]<=0.25,Cos[Pi*x],Abs[Sin[Pi*x]]]+Random[Real,{-0.01,0.01}], na intervalu [0.5, 0.5]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.7841 102 0.35 38 5.7 0.4096 101 1.0 8.2 2.0 D2 0.7841 102 0.38 27 5. 2 0.9938 101 0.84 3. 3 2. 4 D4 0.7841 102 0.40 23 5.0 0.2436 1.3 1.8 1.6 Haar 0.3921 102 0.15 63 6.9 0.2581 101 0.88 10 1.1 D2 0.3921 102 0.17 56 6. 0 0.7026 101 0.84 3. 3 1. 2 D4 0.3921 102 0.15 56 6.5 0.1931 1.3 1.8 0.79

51

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.1960 101 0.76 13 6.6 0.7547 101 1.6 4.7 3.2 D2 0.1960 101 0.66 5. 9 7. 6 0.1572 2. 0 1. 8 2. 5 D4 0.1960 101 0.63 4.5 7.9 0.3315 2.5 1.4 2.0

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.3921 101 1.0 8.2 10 0.1198 1.7 4.1 5.9 D2 0.3921 101 0.78 3. 7 13 0.2226 2. 0 1. 8 4. 9 D4 0.3921 101 0.75 2.9 13 0.4193 2.5 1.4 4.1

Dozvoljena relativna gre ska: 20% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.7841 101 1.6 4.5 13 0.1903 3.1 1.8 6.4 D2 0.7841 101 0.84 3. 3 24 0.3155 2. 9 1. 4 7. 0 D4 0.7841 101 0.95 2.3 21 0.5315 4.1 0.98 4.9

52

Dozvoljena relativna gre ska: 25% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.9801 101 1.7 4.1 15 0.2209 3.1 1.8 8.0 D2 0.9801 101 0.84 3. 3 30 0.3531 2. 9 1. 4 8. 7 D4 0.9801 101 1.0 2.1 24 0.5740 4.1 0.98 6.2

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 0.1960 3.1 1.8 16 0.3514 3.1 1.8 16 Haar 0.4133 3.1 1.8 D2 0.1960 2. 0 1. 8 25 0.5020 4. 4 0.98 11 D2 0.6264 4. 4 0.98 D4 0.1960 1.3 1.8 40 0.7320 4.1 0.98 12 D4 0.8899 6.9 0.59

53

40 20 -1 -20 -40 0 1

Primer 8 Primer 8 Diskretizacija funkcije f[x_]:=Random[Integer,{-50,50}], na intervalu [1, 1]. Dozvoljena relativna gre ska: 1% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Dozvoljena relativna gre ska: 2% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.2417 0.36 1013 99 0.55 1014 1.470 0.57 96 3.5 D2 0.2417 0.19 101 0.10 103 0.11 103 3.604 2. 4 90 0.82 D4 0.2417 0.27 101 0.10 103 73 8.680 9.3 75 0.22 Haar 0.1208 0.36 1013 99 0.28 1014 0.9263 0.35 97 2.9 D2 0.1208 0.19 101 0.10 103 53 2.548 1. 3 93 0.80 D4 0.1208 0.35 1013 0.10 103 0.29 1014 6.882 6. 7 80 0.15

54

Dozvoljena relativna gre ska: 5% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 0.6042 0.79 101 99 63 2.709 1.4 94 3.6 D2 0.6042 0.15 98 33 5.701 5.2 83 0.96 D4 0.6042 0.13 99 40 11.81 14 66 0.35

Dozvoljena relativna gre ska: 10% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 1.208 0.42 97 24 4.300 3.0 89 3.3 D2 1.208 0.45 96 22 8.069 8.1 77 1.2 D4 1.208 0.36 98 27 14.93 19 60 0.54

Dozvoljena relativna gre ska: 20% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 2.417 1.2 94 17 6.829 5.6 84 3.5 D2 2.417 1.2 93 17 11.43 12 70 1.6 D4 2.417 1.5 94 13 18.90 26 51 0.77

55

Dozvoljena relativna gre ska: 25% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Haar 3.021 1.5 93 16 7.926 7.7 80 3.3 D2 3.021 1.7 92 15 12.79 14 67 1.8 D4 3.021 1.9 92 13 20.41 28 48 0.89

Dozvoljena relativna gre ska: 50% Koecijenti jedna cine (2.2) GOP RRG (%) RSD (%) DRG/RRG VOP RRG (%) RSD (%) DRG/RRG Koecijenti jedna cine (2.2) OP ORG (%) OSD (%) Haar 6.042 4.8 86 10 12.60 14 69 3.5 Haar 15.94 21 60 D2 6.042 5.4 82 9.2 18.15 25 53 2.0 D2 23.37 35 42 D4 6.042 5.0 84 9.9 25.98 39 38 1.3 D4 31.89 51 27

56

Primer 3 (gra cki prikaz)

Haar 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

D2 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

D4 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

57

Primer 4 (gra cki prikaz)

Haar 25 20 15 10 DRG 5 10 20 30 40 50 RRGgop RRGvop

D2 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

D4 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

58

Primer 5 (gra cki prikaz)

Haar 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

D2 35 30 25 20 15 10 5 10 20 30 40 50 DRG RRGvop RRGgop

D4 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

59

Primer 6 (gra cki prikaz)

Haar 30 25 20 15 10 5 10 20 30 40 50 RRGvop DRG RRGgop

D2 30 25 20 15 10 5 10 20 30 40 50 DRG RRGgop RRGvop

D4 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

60

Primer 7 (gra cki prikaz)

Haar 10 RRGgop 8 6 4 DRG 2 10 20 30 40 50 RRGvop

D2 10 RRGgop 8 6 4 DRG 2 10 20 30 40 50 RRGvop

D4 10 8 6 4 DRG 2 10 20 30 40 50 RRGgop RRGvop

61

Primer 8 (gra cki prikaz)

Haar 35 30 25 20 15 10 5 10 20 30 40 50 DRG RRGgop RRGvop

D2 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

D4 50 40 30 RRGvop 20 DRG 10 10 20 30 40 50 RRGgop

62

Glava 6

Zaklju cak
Osnovno pitanje: Da li je opravdano dobijene zaklju cke primenjivati u praksi, na zalost, mora ostati bez odgovora. Razlog le zi u tome sto se rezultati dobijeni primenom zakona teorije verovatno ce ne mogu primenjivati na pojedina cni slu caj. U svakom slu caju, ukoliko je zahtev o dozvoljenoj relativnoj gre ski podredjen zahtevu o smanjenju du zine niza ulaznih podataka, moglo bi se re ci da je primena dobijenih rezultata sasvim opravdana. Detaljnija analiza navedenih primera zahteva njihovu podelu po koecijentima jedna cine (2.2). U svim slu cajevima kao najlo sija se pokazala simulacija Diracove delta funkcije u primeru 3. Ako se izostave rezultati sa ovom funkcijom, mogu se doneti zaklju cci koji slede. Ukoliko je dozvoljena relativna gre ska ve ca od 1% razumno je koristiti Haarove koecijente (u preostalih pet slu cajeva samo jednom je prema sena dozvoljena relativna gre ska). Ukoliko je dozvoljena relativna gre ska ve ca od 5% razumno je koristiti D2 koecijente (u preostalih pet slu cajeva samo dva puta je prema sena dozvoljena relativna gre ska). Od ta dva puta jednom u cinjena relativna gre ska iznosi 5.7% sto je gotovo zanemarljivo. Ako je broj koecijenata jedna cine (2.2) osam, dobijene rezultate je razumno primenjivati u praksi tek kada je dozvoljena relativna gre ska ve ca od 20%. Tri su razloga zbog kojih je odstupanje dobijenih rezultata mo zda ve ce od o cekivanih. Prvo, niz ta caka formiran od niza ulaznih koecijenata ne mora biti ravnomerno rasporedjen u odgovaraju cem skupu Sj . U cilju pobolj sanja dobijenih rezultata trebalo bi odrediti kojem se zakonu raspodele povinjava niz ulaznih koecijenata. Kao drugo, umesto kori stenja pomenutih modikacija u svakom koraku piramidalnog algoritma trebalo bi odrediti odgovaraju cu funkciju cj (), sto bi sigurno dalo bolje rezultate. Naravno, odgovaraju ci algoritam bi bio ne sto slo zeniji i vreme izvr savanja bi bilo du ze. Kona cno, poslednji uzrok lo sih rezultata, cije bi otklanjane sigurno doprinelo njihovom pobolj sanju, je dosta grubo odredjena mera skupova Tj . Sigurno je jedan od mogu cih nastavaka ovog rada otklanjanje ovih nedostataka. Slede ce pitanje koje se postavlja je izvodjenje analognih zaklju caka u odnosu na neke druge norme (prvenstveno apsolutnu i uniformnu). Relativno jednos63

tavno bi bilo dati odgovore u slu caju kada je (2.2) jedna cina sa Haar-ovim koecijentima zbog veoma jednostavne vizuelizacije. Sa druge strane, u prostorima ve ce dimenzije davanje odgovora na postavljeno pitanje bilo bi znatno komplikovanije. Osnovni problem bila bi cinjenica da linearna preslikavanja denisana odgovaraju cim matricama vi se nisu izometrije. Otvorena je svakako i mogu cnost zamene zahteva o dozvoljenoj relativnoj gre ski, npr. zahtevom da odredjeni procenat energije, koja je jednaka R [f (x)]2 dx, bude rekonstruisan. Pored toga, svakako treba pomenuti i tehniku tzv. mekog odsecanja (engl. soft thresholding) koja umesto formule (3.3) za korekciju koecijenata u prostorima talasi ca koristi formulu |bJ j,n | < 0, bJ j,n bJ j,n = . (|bJ j,n | ), |bJ j,n | |bJ j,n | Zaklju civanje prezentovano u ovom radu moglo bi se izvesti i sa ovom tehnikom odsecanja. Na kraju, svakako treba spomenuti i otvoreno pitanje realizacije prezentiranih ideja sa biortogonalnim talasi cima. Osnovni koncept biortogonalnosti je u tome da se polazi od dva niza multirezolucijskih prostora {0} . . . v2 v1 v0 v1 . . . L2 (R) i {0} . . . v2 v1 v0 v1 . . . L2 (R), a za odgovaraju ce prostore talasi ca se postavlja uslov wk vk i wk vk , k Z. I u slu caju biortogonalnih talasi ca razvijen je odgovaraju ci piramidalni algortiam. U matri cnoj interpretaciji piramidalnog algoritma sa biortogonalnim talasi cima matrice nisu uzajamno ortogonalne, nego su samo uzajamno inverzne.

64

Dodatak A

Mathematica kod programskog paketa WaveMath

(* Verzija Mathematica - e Ime Autor Istorija 5.0 WaveMath.m Zlatko Udovicic Verzija 1.0 (kraj 2004) Verzija m (april 2005, koristena za testiranje rezultata u magistarskom radu) Opis : Konstrukcija Daubechies koeficijenata DJ i realizacija direktnog i inverznog malotalasnog piramidalnog algoritma. : : : :

*)

BeginPackage["WaveMath"];

mDO::usage = "Funkcija mDO[arg_] izdaje listu koeficijenata JT koji sa koeficijentima DJ arg zadovoljava uslove dvostruke ortogonalnosti."; mFDb::usage = "Funkcija mFDb[arg_] izdaje listu Daubechies koeficijenata DJ duzine 2arg."; mPKonstantama::usage = 65

"Funkcija mPKonstantama produzava niz ulaznih koeficijenata konstantama."; mPNulama::usage = "Funkcija mPNulama produzava niz ulaznih koeficijenata nulama."; mPPeriodicno::usage = "Funkcija mPPeriodicno produzava niz ulaznih koeficijenata periodicno."; mPSimetricno::usage = "Funkcija mPSimetricno produzava niz ulaznih koeficijenata simetricno."; mDekompozicijaPA::usage = "Funkcija mDekompozicijaPA je realizacija direktnog malotalasnog piramidalnog algoritma."; mProjekcije::usage = "Funkcija mProjekcije ima isti izlaz kao i funkcija mDekompozicijaPA, s tim sto su projekcije signala grupisane u liste."; mRekonstrukcijaPA::usage = "Funkcija mRekonstrukcijaPA je realizacija inverznog malotalasnog piramidalnog algoritma."; mFS::usage = "Funkcija mFS[argD_,argF_] izdaje listu vrijednosti funkcije skaliranja koja je odredjena koeficijentima DJ argF na mrezi gustine 2^(-argD)."; mTM::usage = "Funkcija mTM[argD_,argF_] izdaje listu vrijednosti talasica majke koji je odredjen koeficijentima DJ argF na mrezi gustine 2^(-argD)."; mS::usage = "Funkcija mS[argF_,argD_,arglk_:-1.,argdk_:1.] diskretizuje funkciju argF na intervalu [arglk,argdk] sa korakom 2^(-argD) (duzina niza izlaznih koeficijenata je 2^argD).";

66

Begin["Private"];

Unprotect[mDO, mFDb, mPKonstantama, mPNulama, mPPeriodicno, mPSimetricno, mDekompozicijaPA, mProjekcije, mRekonstrukcijaPA, mFS, mTM, mS];

(* KOEFICIJENTI DILATACIONE JEDNACINE *)

(* Funkcija mDO pravi koeficijenta JT id koji sa zadanim koeficijentima DJ ac zadovoljavaju uslov dvostruke ortogonalnosti. *) mDO[ac_ /; VectorQ[ac]] := Module [ {id}, id = Table[(-1)^(i + 1)*ac[[Length[ac] + 1 - i]], {i, 1, Length[ac]}]; id ] (* Daubechies koeficijenti DJ. Broj koeficijenata DJ (koji je izlaz funkcije mFDb) je 2*ar, gdje je ar argument funkcije mFDb. *) mB[an_, ax_] := Sum[Binomial[an - 1 + k, k]*ax^k, {k, 0, an - 1}]; mFDb[ar_ /; (IntegerQ[ar] && ar > 0)] := Module [ {ly, lz, lC, lK}, ly = Table[NSolve[mB[ar, x] == 0, x][[k, 1, 2]], {k, 1, ar - 1}]; lz = Table[ If[Abs[NSolve[(x + x^(-1))/2 == 1 - 2*ly[[k]], x] [[1, 1, 2]]] < 1, NSolve[(x + x^(-1))/2 == 1 - 2*ly[[k]], x] [[1, 1, 2]], NSolve[(x + x^(-1))/2 == 1 - 2*ly[[k]], x] [[2, 1, 2]]], {k, 1, ar - 1}]; lC[x_] = (x + 1)^ar*Product[x - lz[[k]], {k, 1, ar - 1}]; lC[x_] = NSolve[lK*lC[1] == Sqrt[2], lK][[1, 1, 2]]*lC[x]; Reverse[Chop[CoefficientList[lC[x], x]]] ]

67

(* KRAJ KOEFICIJENATA DILATACIONE JEDNACINE *)

(* PIRAMIDALNI ALGORITAM *)

(* Funkcije mPKonstantama, mPPeriodicno i mPSimetricno u nizu ulaznih koeficijenata a, koji je zadan kao lista duzine L, pomjeraju indeks liste tako da ide od 0 do L - 1 i zadani niz ulaznih koeficijenata produzavaju na odgovarajuci nacin tako sto na poziciji k u nizu ulaznih koeficijenata postavljaju odgovarajucu vrijednost. *) mPKonstantama[a_ /; VectorQ[a], k_/; IntegerQ[k], cl_ /; NumericQ[cl], cd_ /; NumericQ[cd]]: = a[[k + 1]] /; 0 <= k && k <=Length[a] - 1; mPKonstantama[a_ /; VectorQ[a], k_ /; IntegerQ[k], cl_ /; NumericQ[cl], cd_ /; NumericQ[cd]] := cl /; k < 0; mPKonstantama[a_ /; VectorQ[a], k_ /; IntegerQ[k], cl_ /; NumericQ[cl], cd_ /; NumericQ[cd]] := cd /; k > Length[a] - 1; mPNulama[a_ /; VectorQ[a], k_ /; IntegerQ[k]] := mPKonstantama[a, k, 0, 0] mPPeriodicno[a_ /; VectorQ[a], k_ /; IntegerQ[k]]:= a[[Mod[k, Length[a]] + 1]]; mPSimetricno[a_ /; VectorQ[a], k_ /; IntegerQ[k]] := Module [ {pa}, pa=Join[a,Reverse[a]]; pa=mPPeriodicno[pa,k-1]; pa ] (* Funkcija mKorakPA izracunava k - tu koordinatu niza koeficijenata aproksimacije na sljedecem nivou piramidalnog algoritma. Za izracunavanje se koriste ulkazni koeficijenti S i koeficijenati DJ F. Niz ulaznih koeficijenata a se produzava pomocu funkcije mPS, dok se niz koeficijenata DJ produzava nulama. *) mKorakPA[S_, F_, k_, PS_] := Sum[mPNulama[F, i]*PS[S, 2*k + i], {i, 0, Length[F] - 1}]; 68

(* Modul mDekompozicijaPA izracunava koeficijente u FWT piramidalnim algoritmom. Ulazni argumenti su : Signal - niz koeficijenata na koji se primjenjuje FWT. NFFilter i VFFilter - koeficijenti DJ i JT. Podrazumijevana vrijednost su Haarovi koeficijenti DJ i JT. Prva tri argumenta su liste. Nivo - broj koraka koji treba izvrsiti ako je to moguce (ako nije moguce ili se ovaj argument izostavi, realizovace se maksimalan broj koraka). T - trag. Ukoliko je koeficijent aproksimacije u prostorima talasica manji po apsolutnoj vrijednosti od traga T, zamjenjuje se nulom. Podrazumijevana vrijednost je nula. PS - funkcija kojom se definise nacin produzenja miza ulaznih koeficijenata. Podrazumijevana vrijednost je periodicno produzenje. Na izlazu se izdaju koeficijenti aproksimacije i broj realizovanih koraka algoritma. *) mDekompozicijaPA[Signal_ /; VectorQ[Signal], NFFilter_:mFDb[1], VFFilter_:mDO[mFDb[1]], Nivo_: - 1, T_:0, PS_:mPPeriodicno] := Module [ {pSignal, pNivoMax, pL, Izlaz}, If[Mod[Length[Signal], 2] == 0, pNivoMax = Min[Nivo, FactorInteger[Length[Signal]] [[1, 2]]], pNivoMax = 0]; If[pNivoMax < 0, pNivoMax = FactorInteger[Length[Signal]][[1, 2]]]; pSignal = Signal; pL = Length[Signal]/2^pNivoMax; Izlaz = {}; For[bNivoTek = pNivoMax, bNivoTek >= 1, { Izlaz = Join[Table[mKorakPA[pSignal, VFFilter, k, PS], {k, 0,pL*2^(bNivoTek - 1) - 1}], Izlaz], pSignal = Table[mKorakPA[pSignal, NFFilter, k, PS], {k, 0, pL*2^(bNivoTek - 1) - 1}] }; 69

bNivoTek--]; Izlaz = Table[If[Abs[Izlaz[[i]]] < T, 0, Izlaz[[i]]], {i, 1, Length[Izlaz]}]; Izlaz = Join[pSignal, Izlaz]; {Izlaz, pNivoMax} ] /; (VectorQ[NFFilter] && VectorQ[VFFilter] && IntegerQ[Nivo] && Nivo >= -1 && T >= 0) (* Funkcija mProjekcije ima iste ulazne argumente kao i funkcija mDekompozicijaPA, a izlaz joj je dvoelementna lista. Prvi element liste je dvodimenziona lista u koju su smjesteni aproksimacija i detalji dobijeni primjenom piramidalnog algoritma na niz ulaznih koeficijenata. Drugi element liste je broj realizovanih koraka piramidalnog algoritma. *) mProjekcije[Signal_ /; VectorQ[Signal],NFFilter_:mFDb[1], VFFilter_:mDO[mFDb[1]], Nivo_: - 1, T_:0, PS_:mPPeriodicno] := Module [ {pSDek}, pSDek = mDekompozicijaPA[Signal, NFFilter, VFFilter, Nivo, T, PS]; {Join[ {Take[pSDek[[1]], {1, Length[pSDek[[1]]]/2^pSDek[[2]]}]}, Table[ Take[pSDek[[1]], {2^(k - pSDek[[2]] - 1)*Length[pSDek[[1]]] + 1, 2^(k - pSDek[[2]])*Length[pSDek[[1]]]}], {k, 1, pSDek[[2]]}]], pSDek[[2]]} ] /; (VectorQ[NFFilter] && VectorQ[VFFilter] && IntegerQ[Nivo] && Nivo >= -1 && T >= 0) (* Funkcija mIP je klasican cjelobrojni dio broja x. Izlaz je najveci cijeli broj koji nije veci od zadanog broja. *) mIP[x_] := If[x > 0, IntegerPart[x], IntegerPart[x] - 1]; (* Funkcija mKorakIPA izracunava k - tu koordinatu vektora na sljedecem nivou inverznog piramidalnog algoritma. Za izracunavanje se koriste koeficijenti aproksimacije u prostorima talasica i aproksimacionim prostorima koeficijenti DJ i JT. Kopeficijenti DJ i JT se produzavaju nulama. Produzenje koeficijenata aproksimacije je definisano funkcijama PNFS i PVFS. *) mKorakIPA[NFS_, VFS_, NFF_, VFF_, k_, PNFS_, PVFS_] := 70

Sum[mPNulama[NFF, k - 2*i]*PNFS[NFS, i] +mPNulama[VFF, k - 2*i]*PVFS[VFS, i], {i, mIP[(k - Length[NFF] + 1)/2], mIP[k/2] + 1}]; (* Modul mRekonstrukcijaPA rekonstruise koeficijente aproksimacije (na koji je primjenjena FWT) inverznim piramidalnim algoritmom. Ulazni argumenti su : Signal - koeficijenti aproksimacije na koje je primjenjen FWT. NFFilter i VFFilter - koeficijenti DJ i JT. Podrazumijevana vrijednost su Harovi koeficijenti. Prva tri argumenta su liste. Nivo - broj koraka koji treba izvrsiti ako je to moguce (ako nije moguce ili se ovaj argument izostavi, realizovace se maksimalan broj koraka). PNFS i PVFS - funkcije kojima se definise produzenje koeficijenata aproksimacije (u aproksimacionim i prostorima talasica). Ako se izostave, koeficijenti ce biti produzeni periodicno. Na izlazu se izdaje rekonstruisani niz ulaznih podataka i broj realizovanih koraka algoritma. *) mRekonstrukcijaPA[Signal_ /; VectorQ[Signal],NFFilter_:mFDb[1], VFFilter_:mDO[mFDb[1]], Nivo_: - 1, PNFS_:mPPeriodicno, PVFS_:mPPeriodicno] := Module [ {pVFS, pNivoMax, pL, Izlaz}, If[Mod[Length[Signal], 2] == 0, pNivoMax = Min[Nivo, FactorInteger[Length[Signal]] [[1, 2]]], pNivoMax = 0]; If[pNivoMax < 0, pNivoMax = FactorInteger[Length[Signal]][[1, 2]]]; pL = Length[Signal]/2^pNivoMax; Izlaz = Take[Signal, {1, pL}]; For[bNivoTek = pNivoMax, bNivoTek >= 1, { pVFS = Take[Signal, {2^(pNivoMax - bNivoTek)*pL + 1, 2^(pNivoMax - bNivoTek + 1)*pL}], Izlaz = Table[mKorakIPA[Izlaz, pVFS, NFFilter, VFFilter, k, PNFS, PVFS], {k, 0, 2^(pNivoMax - bNivoTek + 1)*pL - 1}] 71

}; bNivoTek--]; {Izlaz, pNivoMax} ] /; (VectorQ[NFFilter] && VectorQ[VFFilter] && IntegerQ[Nivo] && Nivo>=-1)

(* KRAJ PIRAMIDALNOG ALGORITMA *)

(* Funkcije mFS i mTM izdaju listu vrijednosti funkcije skaliranja i majke \ talasica izracunatih inverznim piramidalnim algoritmom na mrezi gustine 2^aD. *) mFS[aD_ /; (IntegerQ[aD] && aD >= 1), aF_ /; VectorQ[aF]] := Module [ {pL}, pL = Table[0, {(Length[aF] - 1)*2^aD}]; pL[[1]] = 1; 2^(aD/2)*mRekonstrukcijaPA[pL, aF, mDO[aF], aD][[1]] ] mTM[aD_ /; (IntegerQ[aD] && aD >= 1), aF_ /; VectorQ[aF]] := Module [ {pL}, pL = Table[0, {(Length[aF] - 1)*2^aD}]; pL[[Length[aF]]] = 1; 2^(aD/2)*mRekonstrukcijaPA[pL, aF, mDO[aF], aD][[1]] ] (* Funkcija mS diskretizuje funkciju aF na intervalu [alk, adk] sa korakom 2^(-aD) (duzina izlaznog signala je 2^aD). *) mS[aF_, aD_, alk_: - 1., adk_:1.] := Table[ aF[alk + k*(adk -alk)/(2^aD - 1)], {k, 0, 2^aD - 1}] End[]; Protect[mDO, mFDb, mFInt, mFSplajn, mPKonstantama, mPNulama, mPPeriodicno, mPSimetricno, mDekompozicijaPA, mProjekcije, mRekonstrukcijaPA, mFS, mTM, mS];

EndPackage[]

72

Bibliograja
[1] Beylkin Gregory, Coifman Ronald, Rokhlin Vladimir, Fast Wavelet Transforms and Numerical Algorithms, I. Comm. Pure Appl. Math. 44, pp. 141183, 1991 [2] Chui K. Charles, An Introduction to Wavelets, Academic Press, 1992 [3] Chui K. Charles, Wavelets: A Mathematical Tool for Signal Analysis, Society for Industrial and Applied Mathematics, 1997 [4] Daubechies Ingrid, Ten Lectures on Wavelets, Society for Industrial and Applied Mathematics, 1992 [5] Mallat St ephane, A Wavelet Tour of Signal Processing, Academic Press, 1998 [6] Meyer Yves, Wavelets Algorithms and Applications, Society for Industrial and Applied Mathematics, 1993 [7] Radunovi c P. Desanka, Talasi ci (wavelets), rukopis, 2004 [8] Strang Gilbert, Nguyen Truong, Wavelets and Filter Banks, WellesleyCambridge Press, 1996 [9] Sweldens Wim, Construction and Application of Wavelets in Numerical Analysis, PhD Thesis, 1994 [10] Keinert Fritz, Numerical Stability of Biorthogonal Wavelet Transforms, Adv. Comput. Math. 4, no. 1-2, pp. 126, 1991 [11] Sweldens Wim, Piessens Robert, Quadrature Formulae and Asymptotic Error Expansions for Wavelet Approximations of Smooth Functions, SIAM J. Numer. Anal. 31, no. 4, pp. 12401264, 1994 [12] Radunovi c Desanka, Numeri cke metode, Univerzitet u Beogradu, 1998 zi c Novica, Bokan Neda, Lu ci c Zoran, Raki c Zoran, Analiti cka ge[13] Bla ometrija, Matemati cki fakultet, 2003 cno dimenzionalni vektorski prostori i primjene, [14] Kurepa Svetozar, Kona Tehni cka knjiga, 1990 73

[15] Fihtengolc Grigori Miha lovic, Kurs dierencialnogo i integralnogo ischisleniya III, Izdatelstvo Nauka, 1969 [16] John W. Gray, Mastering Mathematica, Programming Methods and Applications, Academic Press, 1994 [17] Wolfram Stephen, Mathematica Book, Wolfram media, Cambridge university press, 1996 [18] http://www.amara.com/current/wavelet.html [19] http://cm.bell-labs.com/who/wim/index.html [20] http://www.mathworks.com/access/helpdesk/help/toolbox/wavelet/wavelet.html [21] http://www.ee.umanitoba.ca/ ferens/wavelets.html [22] http://www.wavelets.org/

74

Sadr zaj
1 Uvod 2 Multirezolucija 2.1 Multirezolucijska analiza . . . . . . . . . . 2.2 Kaskadni algoritam . . . . . . . . . . . . . 2.3 Prostori talasi ca . . . . . . . . . . . . . . 2.4 Aproksimacija u prostorima vj i wj , j Z 2.5 Piramidalni algoritam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 5 5 7 9 11 13 20 20 20 22 23 24 25 28 29

3 Odredjivanje praga 3.1 Haar-ovi koecijenti . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Procena gre ske . . . . . . . . . . . . . . . . . . . . . . 3.1.2 Verovatna gre ska . . . . . . . . . . . . . . . . . . . . . 3.1.3 Izbor praga i optimalni prag . . . . . . . . . . . . . . 3.2 Daubechies koecijenti reda 2 . . . . . . . . . . . . . . . . . . 3.2.1 Procena gre ski . . . . . . . . . . . . . . . . . . . . . . 3.2.2 Izbor praga i optimalni prag . . . . . . . . . . . . . . 3.3 Slu caj kada je broj koecijenata dilatacione jedna cine 6, 8, ...

4 Mathematica paket WaveMath.m 32 4.1 Koecijenti dilatacione jedna cine i produ zenje niza ulaznih koecijenata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 4.2 Direktni i inverzni piramidalni algoritam . . . . . . . . . . . . . . 34 4.2.1 Vrednosti funkcije skaliranja i talasi ca majke . . . . . . . 36 5 Primeri 6 Zaklju cak A Mathematica kod programskog paketa WaveMath 37 63 65

75