Wavelets 1

Wavelets: uma introdu¸c˜ ao

Paulo Cupertino de Lima
Departamento de Matem´atica - ICEX - UFMG
29 de julho de 2003
Resumo
Este artigo ´e uma introdu¸c˜ao a uma das ferramentas matem´aticas que se torna-
ram necess´arias em muitas aplica¸c˜oes: as wavelets. Nos restringiremos `as wavelets
discretas e, pela sua simplicidade, daremos uma aten¸c˜ao especial `a wavelet de Haar
que ´e amplamente usada em muitas aplica¸c˜oes, especialmente em processamento de
imagens digitais. Descreveremos algoritmos r´apidos para calcular os coeficientes de
wavelets (decomposi¸c˜ao e reconstru¸c˜ao), a partir de seus coeficientes de filtros. In-
troduziremos as wavelets de Daubechies [1], bem como o conceito de an´alise de reso-
lu¸c˜ao m´ ultipla, que ´e o contexto em que wavelets podem ser entendidas e constru´ıdas
naturalmente. Em particular, a partir desse conceito, podemos ver as wavelets como
uma ferramenta matem´atica para se representar o incremento de informa¸c˜oes entre
duas escalas ou resolu¸c˜oes sucessivas. Finalmente, veremos porque a representa¸ c˜ao
com wavelets ´e esparsa e usaremos esta propriedade na compacta¸c˜ao de dados (i-
magens digitais).
1 Introdu¸c˜ao
Embora a primeira men¸c˜ao `as wavelets tenha acontecido em 1909, por A. Haar
[2], as wavelets de Haar ficaram no anonimato por muitos anos e, por um per´ıodo
muito longo, elas continuaram a ser a ´ unica base ortonormal de wavelets conhecida.
S´o recentemente, 1985, Stephane Mallat deu `as wavelets um grande impulso atrav´es
de seu trabalho em processamento digital de imagens e, inspirado nos resultados de
Mallat, Y. Meyer construiu a primeira wavelet n˜ao-trivial (suave). Ao contr´ario das
wavelets de Haar, as wavelets de Meyer s˜ao continuamente diferenci´aveis; contudo,
elas n˜ao tˆem suportes compactos. Poucos anos mais tarde, Ingrid Daubechies usou
os trabalhos de Mallat para construir um conjunto de bases ortonormais de wavelets
suaves, com suportes compactos. Os trabalhos de Daubechies s˜ao os alicerces das
aplica¸c˜oes atuais de wavelets.
As transformadas de wavelets podem ser vistas como mecanismos para decompor
ou quebrar sinais nas suas partes constituintes, permitindo analisar os dados em
diferentes dom´ınios de freq¨ uˆencias com a resolu¸c˜ao de cada componente amarrada
1 INTRODUC¸
˜
AO 2
`a sua escala. Al´em disso, na an´alise de wavelets, podemos usar fun¸c˜oes que est˜ao
contidas em regi˜oes finitas, tornando-as convenientes na aproxima¸ c˜ao de dados com
descontinuidades.
O princ´ıpio mais geral na constru¸c˜ao das wavelets ´e o uso de dilata¸c˜oes e
transla¸c˜oes. As wavelets mais usadas formam um sistema ortonormal de fun¸c˜oes
com suportes compactos constru´ıdo desta forma. Esta ´e a raz˜ao pela qual elas
podem distinguir as caracter´ısticas locais de um sinal em diferentes escalas e, por
transla¸c˜oes, elas cobrem toda a regi˜ao na qual o sinal ´e estudado. Na an´alise de
sinais n˜ao-estacion´arios, a propriedade de localidade das wavelets nos conduz `as
suas vantagens sobre a transformada de Fourier.
Os algoritmos de wavelets processam dados em diferentes escalas ou resolu¸c˜oes
e, independentemente da fun¸c˜ao de interesse ser uma imagem, uma curva ou uma
superf´ıcie, wavelets oferecem uma t´ecnica elegante na representa¸c˜ao dos n´ıveis de
detalhes presentes. Elas constituem uma ferramenta matem´atica para decompor
fun¸c˜oes hierarquicamente, permitindo que uma fun¸c˜ao seja descrita em termos de
uma forma grosseira, mais outra forma que apresenta detalhes que v˜ao desde os
menos delicados aos mais finos. O objetivo na an´alise de wavelets ´e “ver a floresta
e as ´arvores”.
Se pudermos escolher as wavelets que melhor se adaptam aos dados, ou trun-
carmos os coeficientes de wavelets menores do que um valor previamente estabele-
cido, os dados s˜ao esparsamente representados. Esta “codifica¸c˜ao esparsa” faz das
wavelets uma excelente ferramenta no campo de compress˜ao de dados.
Por causa de suas propriedades ´ unicas, wavelets foram usadas em an´alise fun-
cional em matem´atica, em estudo de propriedades (multi)fractais, singularidades
ou oscila¸c˜oes locais de fun¸c˜oes, em solu¸c˜ao de equa¸c˜oes diferenciais, em reconhe-
cimento de padr˜oes, em compress˜ao de imagens e de sons, em processamento de
geometria digital, na solu¸c˜ao de v´arios problemas de f´ısica [3], biologia, medicina,
astronomia, ac´ ustica, engenharia nuclear, grupo de renormaliza¸c˜ao em mecˆanica
estat´ıstica, problemas de computa¸c˜ao gr´afica, neurofisiologia, m´ usica, ressonˆancia
magn´etica, identifica¸c˜ao de vozes, ´otica, fractais, turbulˆencia, previs˜ao de terremo-
tos, radar, vis˜ao humana.
Este artigo est´a organizado da seguinte forma: na Se¸c˜ao 2 introduzimos o espa¸co
das fun¸c˜oes de quadrados integr´aveis, L
2
(R), o conceito de ortogonalidade neste
espa¸co e definimos as wavelets discretas. Como exemplo, consideramos a wavelet
Haar e mostramos como representar uma fun¸c˜ao em L
2
(R) em termos desta. Intro-
duzimos algoritmos r´apidos para se calcular os coeficientes de wavelets de Haar e
fazemos uma introdu¸c˜ao suscinta `as wavelets de Daubechies. Na Se¸c˜ao 3 introduzi-
mos o conceito de An´alise de Resolu¸c˜ao M´ ultipla e enunciamos o Teorema 3.1 que ´e
um dos resultados mais importantes naquele contexto. Na Se¸c˜ao 4 introduzimos os
algoritmos r´apidos para se calcular coeficientes de wavelets para uma wavelet geral.
Na Se¸c˜ao 5 aplicamos wavelets `a compress˜ao de dados, com ˆenfase `a compress˜ao de
imagens digitais.
2 TRANSFORMADA DISCRETA DE WAVELETS 3
-1 1 2
-1
1
Figura 1: A wavelet de Haar, ψ.
2 Transformada Discreta de Wavelets
No que se segue denotaremos por L
p
(R) o espa¸co das fun¸c˜oes, f, definidas em R,
assumindo valores emC (ou R), tais que [[f[[
p


−∞
[f(x)[
p
dx
1
p
< ∞. Para caso
particular quando p = 2, definimos o produto interno de duas fun¸c˜oes f e g como
'f, g` =


−∞
f(x)g(x)dx, onde a barra representa o complexo conjugado. Dizemos
que f e g s˜ao ortogonais se 'f, g` = 0.
Defini¸c˜ao 2.1 Dizemos que uma fun¸c˜ao f tem suporte compacto, se existe um
intervalo fechado e limitado, fora do qual f(x) = 0.
Defini¸c˜ao 2.2 Uma wavelet ´e uma fun¸c˜ ao ψ(x) ∈ L
1
(R) ∩L
2
(R), tal que a fam´ılia
de fun¸c˜oes
ψ
j,k
(x) = 2
−j/2
ψ(2
−j
x −k)
onde j e k s˜ao inteiros arbitr´arios, seja uma base ortonormal para L
2
(R).
Observa¸c˜ao 2.1 Da defini¸c˜ao acima, se ψ ´e uma wavelet, ent˜ao, ψ
j,k
tamb´em o
ser´a para qualquer j, k ∈ Z.
Quando olhamos para a defini¸c˜ao de wavelets pela primeira vez, uma pergunta
surge imediatamente: ser´a que existem wavelets? A esta pergunta daremos uma
resposta afirmativa, atrav´es de um exemplo simples.
2.1 A Wavelet de Haar
Defini¸c˜ao 2.3 A wavelet de Haar dada pela Defini¸c˜ao 2.2, com ψ dada por
ψ(x) =

1, se x ∈ [0,
1
2
)
−1, se x ∈ [
1
2
, 1)
0, caso contr´ario.
(1)
A seguir, mostraremos que a fam´ılia de Haar de fato constitui uma base ortonor-
mal para L
2
(R). Mostraremos que
1. O conjunto¦ψ
m,n
¦ ´e um conjunto ortonormal, ou seja, 'ψ
j,k
, ψ
j

,k
` = δ
j,j
δ
k,k
,
onde δ
m,n
= 1 se m = n e zero, caso contr´ario.
2 TRANSFORMADA DISCRETA DE WAVELETS 4
2. Toda fun¸c˜ao f ∈ L
2
(R) pode ser arbitrariamente aproximada por uma com-
bina¸c˜ao linear finita de ψ
m,n
.
(i) Note que [[ψ
j,k
[[
2
= [[ψ[[
2
= 1.
(ii) Para j fixo e k = k

, temos, 'ψ
j,k
, ψ
j,k
` = 'ψ, ψ
0,k

−k
` = 0, pois, ψ(x) se
anula fora do intervalo [0, 1) e ψ
0,k
= ψ(x−k

) se anula fora do intervalo [k

, k

+1)
e estes intervalos s˜ao disjuntos para k

= 0.
(iii) Se j > j

, temos 'ψ
j,k
, ψ
j

,k
` = 2
j−j

2
'ψ, ψ
j

,k
`, onde k

= k

− k2
j−j

´e
inteiro e j

= j

−j ´e um inteiro negativo.
Note que
1 = 2
|j

|
2
j

1/2 = 2
|j

|−1
2
j

,
portanto, 1/2 e 1 s˜ao m´ ultiplos inteiros de 2
j

, em particular, se dividirmos a reta
real em intervalos da forma [l 2
j

, (l + 1)2
j

) onde l ∈ Z, ent˜ao, 0, 1/2 e 1 ser˜ao
extremidades de tais intervalos, portanto, teremos uma das seguintes possibilidades:
(i) [k

2
j

, (k

+1)2
j

) ⊂ (−∞, 0), (ii) [k

2
j

, (k

+1)2
j

) ⊂ [0, 1/2), (iii) [k

2
j

, (k

+
1)2
j

) ⊂ [1/2, 1) ou (iv) [k

2
j

, (k

+ 1)2
j

) ⊂ [1, ∞). Nos casos (i) e (iv) temos
ψ ψ
j

,k
= 0 para todo x, nos casos (ii) e (iii) como ψ ´e constante em cada um
dos subintervalos [0,
1
2
) ou [
1
2
, 1), temos que ψ ψ
j

,k
´e proporcional a ψ
j

,k
, mas


−∞
ψ
j

,k
(x) dx ´e proporcional a


−∞
ψ(x) dx = 0. Isto mostra que o ψ
j,k
e ψ
j

,k

s˜ao ortogonais.
A fun¸c˜ao
φ(x) =

1, 0 ≤ x < 1
0, caso contr´ario,
(2)
desempenha um papel muito importante no que se segue, seu gr´afico aparece na
Figura 2, ela ´e denominada fun¸c˜ao escala associada a wavelet de Haar.
Das defini¸c˜oes de φ e ψ temos as seguintes rela¸c˜oes de escala:
φ(x) = φ(2x) +φ(2x −1) (3)
ψ(x) = φ(2x) −φ(2x −1). (4)
Note que φ(2
−j
x −k) vale 1 no intervalo [k2
j
, (k + 1)2
j
) e zero, caso contr´ario;
em particular, se V
j
for o subespa¸co de L
2
(R) das fun¸c˜oes constantes por partes em
intervalos da forma [k2
j
, (k + 1)2
j
), onde k ∈ Z, ent˜ao, ¦φ
j,k
(x)¦
k
forma uma base
ortonormal para V
j
. Claramente, V
j+1
⊂ V
j
. O subconjunto de V
j
formado pelas
fun¸c˜oes, f, tais que 'f, g` = 0 para todo g ∈ V
j+1
, ´e o complemento ortogonal de V
j+1
em rela¸c˜ao a V
j
e ser´a denotado por W
j+1
, neste caso escrevemos V
j
= V
j+1
⊕W
j+1
.
´
E f´acil mostrar que para todo k, l ∈ Z, o produto escalar de φ(2
−j
x−k) e ψ(2
−j
x−l)
´e zero, logo, qualquer combina¸ c˜ao linear finita de ψ(2
−j
x −k), k ∈ Z, est´a em W
j
.
O conjunto ¦ψ
j,k
(x)¦
k∈Z
forma uma base ortonormal para W
j
.
A seguir, mostraremos que o conjunto ¦ψ
j,k
¦
j,k
forma uma base para L
2
(R), a
demonstra¸c˜ao se basear´a na id´eia por tr´as da an´alise de resolu¸c˜ao m´ ultipla que ser´a
vista na Se¸c˜ao 3. No presente caso, nosso ponto de partida ´e que as fun¸c˜oes com su-
portes compactos e constantes por partes em intervalos da forma [k2
j
, (k+1)2
j
), s˜ao
2 TRANSFORMADA DISCRETA DE WAVELETS 5
-1 1 2
1
Figura 2: A fun¸c˜ao escala, φ, associada a wavelet de Haar.
densas em L
2
(R), ou seja, dada uma fun¸c˜ao f neste espa¸co e um n´ umero positivo ,
existe uma fun¸c˜ao h
0
, constante por partes em intervalos da forma [k2
j
0
, (k+1)2
j
0
),
se anulando fora de [−2
j
1
, 2
j
1
); ou seja, h
0
(x) =
¸
2
j
1
−j
0
−1
k=−2
j
1
−j
0
a
0,k
φ(2
−j
0
x − k), tal
que [[f − h
0
[[
2
< , onde j
0
< j
1
s˜ao inteiros. Em virtude disso, basta provarmos
que qualquer fun¸c˜ao h
0
da forma
h
0
(x) =
2
j
1
−j
0
−1
¸
k=−2
j
1
−j
0
a
0,k
φ(2
−j
0
x −k) ∈ V
j
o
,
pode ser arbitrariamente aproximada por uma combina¸c˜ao linear finita de wavelets.
A seguir, escrevemos h
0
= h
1
+ δ
1
onde h
1
´e a seguinte fun¸c˜ao constante por
partes em intervalos da forma [k2
j
0
+1
, (k + 1)2
j
0
+1
):
h
1
(x) =
2
j
1
−j
0
−1
−1
¸
k=−2
j
1
−j
0
−1
a
1,k
φ(2
−(j
0
+1)
x −k) ∈ V
j
o
+1
,
onde
a
j+1,k

a
j,2k
+a
j,2k+1
2
,
portanto, a
1,k
´e a restri¸c˜ao de h
1
ao intervalo [k2
j
0
+1
, (k +1)2
j
0
+1
). O que estamos
fazendo ´e projetando h
0
sobre o subespa¸co, V
j
o
+1
, com isso obtendo uma vers˜ao de
menor resolu¸c˜ao de h
0
, onde perdemos a resolu¸c˜ao por um fator de dois.
Como δ
1
= h
1
− h
o
, as restri¸c˜oes de δ
1
aos intervalos [k2
j
0
+1
, (k +
1
2
)2
j
0
+1
) e
[(k +
1
2
)2
j
0
+1
, (k + 1))2
j
0
+1
) ser˜ao d
1,k
e −d
1,k
, respectivamente, onde
d
j+1,k
=
a
j,2k
−a
j,2k+1
2
,
logo, δ
1
restrita ao intervalo [k2
j
0
+1
, (k + 1)2
j
0
+1
) ´e d
1,k
ψ(2
−(j
0
+1)
x − k), pois,
ψ(2
−j
x −k) = φ(2
−(j−1)
x −2k) −φ(2
−(j−1)
x −(2k + 1)). Assim, temos
δ
1
(x) =
2
j
1
−j
0
−1
−1
¸
k=−2
j
1
−j
0
−1
d
1,k
ψ(2
−(j
0
+1)
x −k) ∈ W
j
o
+1
.
Neste procedimento passamos de h
0
para sua vers˜ao de menor resolu¸c˜ao por
um fator de 2, h
1
. O que fizemos foi substituir os valores de h
0
nos subintervalos
[2k2
j
0
, (2k + 1)2
j
0
) e [(2k + 1)2
j
0
, (2k + 2)2
j
0
), por suas m´edias, a
1,k
, veja Figura
3. Com isso escrevemos h
0
= h
1
+ δ
1
, com δ
1
∈ W
j
o
+1
; portanto, vemos que o
incremento de informa¸c˜ao necess´aria para irmos de h
0
para h
1
, δ
1
, ´e dado pela
fun¸c˜ao combina¸c˜ao linear finita de wavelets.
2 TRANSFORMADA DISCRETA DE WAVELETS 6
. . .
2k2
j
a
j,2k
(2k + 1)2
j
a
j,2k+1
(2k + 2)2
j
. . .
= . . .
k2
j+1
a
j+1,k
=
a
j,2k
+a
j,2k+1
2
. . .
(k + 1)2
j+1
+ . . . . . .
2k2
j
(2k + 2)2
j (2k + 1)2
j
d
j+1,k
=
a
j,2k
−a
j,2k+1
2
Figura 3: A passagem da escala j para j + 1
2 TRANSFORMADA DISCRETA DE WAVELETS 7
A seguir, escrevemos h
1
= h
2
+ δ
2
, onde h
2
´e a seguinte fun¸c˜ao constante por
parte em intervalos da forma [k2
j
0
+2
, (k + 1)2
j
0
+2
):
h
2
=
2
j
1
−j
0
−2
−1
¸
k=−2
j
1
−j
0
−2
a
2,k
φ(2
−(j
0
+2)
x −k) ∈ V
jo+2
,
ent˜ao,
δ
2
=
2
j
1
−j
0
−2
−1
¸
k=−2
j
1
−j
0
−2
d
2,k
ψ(2
−(j
0
+2)
x −k) ∈ W
jo+2
.
Portanto,
h
0
= h
2

1

2
= h
2
+
¸
j=1,2
2
j
1
−j
0
−j
−1
¸
k=−2
j
1
−j
0
−j
d
j,k
ψ(2
−(j
0
+j)
x −k),
ou seja, h
0
´e escrita como uma vers˜ao de baixa resolu¸c˜ao, h
2
∈ V
jo+2
, mais detalhes
correspondentes as passagens de V
j
o
para V
j
o
+1
e de V
j
o
+1
para V
j
o
+2
, representados
por δ
1
e δ
2
, respectivamente.
Repetindo-se o procedimento acima j
1
−j
0
vezes, teremos
h
0
(x) = h
j
1
−j
0
(x) +
j
1
−j
0
¸
j=1
2
j
1
−j
0
−j
−1
¸
k=−2
j
1
−j
0
−j
d
j,k
ψ(2
−(j
0
+j)
x −k),
onde h
j
1
−j
0
(x) = a

φ(2
−j
1
x) + a
+
φ(2
−j
1
x + 1), a

= 2
−j
1
¸
−1
k=−2
j
1
a
0,k
e a
+
=
2
−j
1
¸
2
j
1
−1
k=0
a
0,k
.
Aplicando-se o procedimento acima n vezes a h
j
1
−j
0
, teremos,
h
j
1
−j
0
=
a

2
n
φ(2
−(j
1
+n)
x + 1) +
a
+
2
n
φ(2
−(j
1
+n)
x) +
+
n
¸
j=1

a

2
j
ψ(2
−(j
1
+j)
x + 1) +
a

2
j
ψ(2
−(j
1
+j)
x)

.
Logo,
h
0
(x) =
a

2
n
φ(2
−(j
1
+n)
x + 1) +
a
+
2
n
φ(2
−(j
1
+n)
x) + ∆
n
onde

n
=
j
1
−j
0
¸
j=1
2
j
1
−j
0
−j
−1
¸
k=−2
j
1
−j
0
−j
d
j,k
ψ(2
−(j
0
+j)
x −k)
+
n
¸
j=1

a

2
j
ψ(2
−(j
1
+j)
x + 1) +
a
+
2
j
ψ(2
−(j
1
+j)
x)

´e uma combina¸ c˜ao linear finita de wavelets ψ
j,k
.
2 TRANSFORMADA DISCRETA DE WAVELETS 8
Para finalizar, temos [[h
0
−∆
n
[[
2
= 2
j
1
2
[a

+a
+
[2

n
2
→0 quando n →∞.
Note que as wavelets nos permitem recuperar os detalhes que seriam perdidos
com a diminui¸c˜ao de resolu¸c˜ao quando se passa de uma escala para a escala seguinte,
ou seja, elas medem o incremento de informa¸c˜ao entre duas escalas consecutivas.
A wavelet de Haar ´e a ´ unica wavelet com suporte compacto para a qual se tem
uma forma anal´ıtica fechada. As wavelets de Daubechies [1, 4] tamb´em tˆem suportes
compactos e podem ser tomadas t˜ao suaves (e com quantos momentos nulos quanto
desejamos); entretanto, n˜ao se conhece uma forma anal´ıtica fechada para as mesmas
e elas s˜ao calculadas numericamente, veja, por exemplo, [1, 6].
2.1.1 C´alculo R´apido dos Coeficientes de wavelets na Base de Haar
Das rela¸c˜oes (3) e (4), temos
φ(x) =

2

1

2
φ(2x) +
1

2
φ(2x −1)



2 (h
0
φ(2x) +h
1
φ(2x −1)) (5)
ψ(x) =

2

1

2
φ(2x) −
1

2
φ(2x −1)



2 (g
0
φ(2x) +g
1
φ(2x −1)) (6)
As rela¸c˜oes (5) e (6) s˜ao v´alidas em geral, ou seja, se ψ ´e uma wavelet e φ ´e
a fun¸c˜ao escala associada a ψ (veja Defini¸c˜ao 3.1), ent˜ao, necessariamente (veja
rela¸c˜oes (32) e (31)),
φ(x) =

2
¸
k
h
k
φ(2x −k) (7)
e
ψ(x) =

2
¸
k
g
k
φ(2x −k). (8)
Os coeficientes h
n
s˜ao denominados coeficientes de filtros da wavelet. No caso das
wavelets de suportes compactos, apenas um n´ umero finito de valores de h
n
ser˜ao
diferentes de zero.
Das rela¸c˜oes (6) e (5), temos
ψ
j,n
(x) ≡ 2

j
2
ψ(2
−j
x −n) =
φ
j−1,2n
−φ
j−1,2n+1

2
(9)
φ
j,n
(x) ≡ 2

j
2
φ(2
−j
x −n) =
φ
j−1,2n

j−1,2n+1

2
. (10)
Se definirmos o coeficiente de wavelet d
j,k
e a “m´edia”a
j,k
como as proje¸c˜oes de
f sobre ψ
j,k
e φ
j,k
, respectivamente, ou seja, a
j,k
= 'f, φ
j,k
` e d
j,k
= 'f, ψ
j,k
`, ao
2 TRANSFORMADA DISCRETA DE WAVELETS 9
multiplicarmos as equa¸c˜oes (9) e (10) por f(x), as integrarmos de −∞a ∞e usarmos
a ortogonalidade dos φ
j,k
para uma mesma escala, teremos as seguintes rela¸c˜oes
d
j,n
=
1

2
(a
j−1,2n
−d
j−1,2n+1
) (11)
a
j,n
=
1

2
(a
j−1,2n
+d
j−1,2n+1
) (12)
que nos permitem o c´alculo r´apido dos coeficientes de wavelets, d
j,k
, j > j
0
, a partir
de ¦a
j
0
,k
¦
k
, onde j
0
pode ser visto como uma escala fina, tal que a proje¸c˜ao de f
sobre o espa¸co das fun¸c˜oes constantes em intervalos da forma [k2
j
0
, (k + 1)2
j
0
), ou
seja,
¸
k
a
j
0
,k
φ
j
0
,k
, seja uma boa aproxima¸c˜ao para f.
Das rela¸c˜oes (11) e (12), temos graficamente o seguinte algor´ıtmo em cascada
para calcular os coeficientes de wavelets ¦d
j,n
¦:
a
j
o
,.
−→ a
j
o
+1,.
−→a
j
o
+2.
−→a
j
o
+3,.
. . . a
jo+J−1,.
−→a
jo+J,.
` d
jo+1,.
`d
jo+2,.
`d
jo+3,.
. . . ` d
j
o
+J,.
(13)
Na Se¸c˜ao 4, veremos que para uma wavelet em geral, temos as seguintes rela¸c˜oes
a
j,n
=
¸
k
h
k
a
j−1,2n+k
(14)
e
d
j,n
=
¸
k
g
k
a
j−1,2n+k
, (15)
portanto, o algoritmo descrito por (13) vale para uma wavelet em geral, onde a pas-
sagem de j −1 para j ´e feita atrav´es das rela¸c˜oes (14) e (15). Como os coeficientes
h
k
e g
k
s˜ao em geral reais, a barra representando o complexo conjugado poder´a ser
omitida.
Somando-se (11) e (12), temos
a
j−1,2n
=
1

2
(a
j,n
+d
j,n
) (16)
Subraindo-se (11) e (12), temos
a
j−1,2n+1
=
1

2
(a
j,n
−d
j,n
) . (17)
Da rela¸c˜oes (16) e (17), temos graficamente o seguinte algor´ıtmo em cascada para
reconstruir f, ou seja, ¦a
j
o
,k
¦
k
, a partir de a
j
o
+J,.
, d
j
o
+J,.
, d
j
o
+J−1,.
, . . . , d
j
o
+2,.
, d
j
o
+1,.
:
a
jo+J,.
−→ a
jo+J−1,.
−→a
jo+J−2,.
. . . a
j
o
+1,.
−→a
j
o
,.
d
jo+J,.
d
jo+J−1,.
d
jo+1,.
(18)
2 TRANSFORMADA DISCRETA DE WAVELETS 10
Na Se¸c˜ao 4, veremos que para uma wavelet em geral, temos as seguintes rela¸c˜oes
a
j−1,n
=
¸
k
h
n−2k
a
j,k
+
¸
k
g
n−2k
d
j,k
, (19)
ou seja, o algoritmo descrito por (18) vale para uma wavelet geral.
Das rela¸c˜oes (16) e (17), podemos reconstruir a fun¸c˜ao a partir de seus coefi-
cientes de wavelets.
Na pr´atica, dado uma cole¸c˜ao arbitr´aria de N = 2
n
valores, tratamos estes
como se fossem a
0,k
, k = 0, . . . , 2
n
− 1 = N − 1 e atrav´es das rela¸c˜oes (11) e (12)
obtemos uma nova representa¸c˜ao para a mesma, ou seja, ¦a
n,0
, d
j,k
, j = 1, . . . , n,
k = 0, . . . , 2
n−j
− 1¦ e a partir deste e das rela¸c˜oes (16) e (17), podemos voltar
aos valores iniciais. Nos problemas de interesse, devido `a grande correla¸c˜ao local,
a representa¸ c˜ao em termos de coeficientes de wavelets ´e esparsa no sentido que a
maioria dos coeficientes d
j,k
s˜ao nulos ou muito pequenos e podemos ignor´a-los, da´ı
a id´eia de compress˜ao por tr´as da representa¸c˜ao em bases de wavelets. Note que o
procedimento descrito pelas equa¸c˜oes (11) e (12) para se calcular os coeficientes de
wavelets Haar requer
¸
n−1
j=0
2 2
n−j
= 4(N − 1) opera¸c˜oes (somas e multiplica¸c˜oes).
Para uma wavelet em geral, este n´ umero ´e proporcional a N e dizemos que os
algoritmos para calcular coeficientes de wavelets s˜ao da ordem de N.
2.2 As wavelets de Daubechies
Em [4] s˜ao construidas as wavelets de Daubechies,
N
ψ; tais wavelets possuem todos
os momentos at´e ordem N −1 nulos, ou seja,


−∞
x
l
N
ψ(x) dx = 0, l = 0, . . . , N −1.
Para N 1,
N
ψ ∈ C
µN
, onde µ · 0.2, ou seja, a regularidade de
N
ψ aumenta
com o parˆametro N; al´em disso, existe um intervalo de comprimento 2N − 1, tal
que
N
ψ se anula fora deste, neste caso, dizemos que
N
ψ tem suporte compacto.
A wavelet de Haar pode ser vista como um caso particular das wavelets de
Daubechies quando N = 1.
No caso das wavelets de Daubechies,
N
ψ, os valores de
N
h
k
ser˜ao diferentes de
zero apenas para 2N valores de k, digamos k = 0, 1, . . ., 2N − 1, eles s˜ao ra´ızes de
equa¸c˜oes alg´ebricas, calculadas por m´etodos num´ericos (veja tabela 6.1 de [1]). Con-
forme ser´a visto na Se¸c˜ao 3, os valores de g
k
e h
k
est˜ao relacionados e uma poss´ıvel
rela¸c˜ao entre eles ´e, por exemplo, g
k
= (−1)
k
h
2N−1−k
. Em c´alculos num´ericos
envolvendo wavelets, tudo que precisamos s˜ao o seus coeficientes h
n
’s.
Em nossas aplica¸c˜oes ao problema de processamento de imagens digitais, nos
restringiremos a wavelet
2
ψ, tamb´em conhecida na literatura por Daub4; neste
caso, os valores exatos de seus coeficientes de filtros s˜ao
h
0
= (1 +

3)/4

2, h
1
= (3 +

3)/4

2, h
2
= (3 −

3)/4

2, h
3
= (1 −

3)/4

2
3 A AN
´
ALISE DE RESOLUC¸
˜
AO M
´
ULTIPLA 11
e h
k
= 0, para os demais valores de k. Esta wavelet tem os momentos de ordem
zero e ordem um nulos, ou seja,


−∞
N
ψ(x) dx = 0 =


−∞
x
N
ψ(x) dx.
Necessariamente, toda wavelet satisfaz


−∞
ψ(x)dx = 0, ou seja, ela tem o
momento de ordem zero nulo. Sob o ponto de vista pr´atico, quanto mais momentos
nulos uma wavelet possuir, menores ser˜ao os coeficientes de wavelets correspondentes
as partes de f que s˜ao suaves, ou seja, os coeficientes de wavelets ser˜ao apreci´aveis
onde f n˜ao for suave, o que nos permite usar wavelets para detectar singularidades de
f. Em contra-partida, para uma fun¸c˜ao escala, φ, necessariamente,


−∞
φ(x)dx = 0.
Observa¸c˜ao 2.2 A vantagem de uma wavelet ψ ter v´arios momentos nulos nos
conduz a uma alta compressividade, porque os coeficientes de wavelets das escalas
mais finas de uma fun¸c˜ao s˜ao essencialmente nulos onde a fun¸c˜ao ´e suave. Veremos
que tamb´em ´e desej´avel que a fun¸c˜ ao escala tenha momentos nulos: seja φ tal que


−∞
x
l
φ(x)dx = 0, para l = 1, . . . , L −1
e suponha que f tenha derivadas at´e ordem L numa vizinhan¸ca do ponto k2
−J
.
Fazendo-se uma expans˜ao de Taylor f(k2
−J
+2
−J
x) em torno de deste ponto, para
J suficientemente grande, temos 'f, φ
−J,k
` · 2
−J
2
f(2
−J
k). Com isto temos um
m´etodo simples para calcularmos os coeficientes a
−J,k
≡ 'f, φ
−J,k
` de uma escala
mais fina, evitando-se indesej´aveis integra¸c˜ oes num´ericas na obten¸c˜ao da seq¨ uˆencia
inicial, necess´aria no primeiro passo nos c´alculos dos coeficientes de wavelets de
uma fun¸c˜ao, veja Observa¸c˜ao 4.2.
Em 1989, Coifman sugeriu a Daubechies a constru¸c˜ao de uma base ortormal
de wavelets onde n˜ao somente ψ, como tamb´em φ, tivesse momentos nulos, mais
precisamente,


−∞
x
l
ψ(x)dx = 0, l = 0, . . . , L −1


−∞
φ(x)dx = 1,


−∞
x
l
φ(x)dx = 0, l = 1, . . . , L −1.
Tais wavelets foram denominadas de coiflets e foram usadas nos algoritmos
num´ericos de [5], nos quais s˜ao feitas compress˜oes de operadores via wavelets. Para
uma discuss˜ao das coiflets, veja [1], Se¸c˜ao 8.2.
3 A An´alise de Resolu¸c˜ao M´ ultipla
As primeiras constru¸c˜oes de bases ortonormais de wavelets pareciam um pouco
miraculosas. A situa¸c˜ao mudou com o a chegada da an´alise de resolu¸c˜ao m´ ultipla
3 A AN
´
ALISE DE RESOLUC¸
˜
AO M
´
ULTIPLA 12
(ARM), formulada em 1986 por Mallat e Meyer. A ARM fornece um referen-
cial onde bases de wavelets s˜ao naturalmente compreendidas, bem como permite a
constru¸c˜ao de novas bases. Quando Mallat trabalhou com wavelets de Meyer pela
primeira vez, ele estava trabalhando com an´alise de imagens, onde a id´eia de se
estudar imagens em v´arias escalas simultaneamente era popular. Isto o estimulou a
ver bases ortonormais de wavelets como uma ferramenta para descrever matemati-
camente o “incremento na informa¸c˜ao” necess´ario para se ir de uma aproxima¸c˜ao
grosseira para uma aproxima¸c˜ao com maior resolu¸c˜ao.
Defini¸c˜ao 3.1 Uma ARM ´e uma seq¨ uˆencia, ¦V
j
¦
j∈Z
, de subespa¸cos fechados de
L
2
(R), representando os sucessivos n´ıveis de resolu¸c˜oes, tais que eles satisfa¸cam `as
seguintes condi¸c˜oes:
... ⊂ V
2
⊂ V
1
⊂ V
0
⊂ V
−1
⊂ V
−2
⊂ ...; (20)

j∈Z
V
j
= ¦0¦; (21)

j∈Z
V
j
´e denso em L
2
(R); (22)
f(x) ∈ V
j
⇔f(2
j
x) ∈ V
0
; (23)
f(x) ∈ V
0
⇒f(x −n) ∈ V
0
, para todo n ∈ Z; (24)
Existe φ ∈ L
2
(R), denominada fun¸c˜ao escala, tal que
¦φ(x −n)¦
n∈Z
constitui uma base ortonormal para V
0
. (25)
A propriedade (23) expressa que todos os espa¸cos est˜ao relacionados por escala
a um mesmo espa¸co, V
0
(este ´e o aspecto da “multiresolu¸ c˜ao”). Ainda por causa
desta propriedade, se f(x) ∈ V
j
, ent˜ao, f(x − 2
j
n) ∈ V
j
, para todo n ∈ Z. As
condi¸c˜oes (25) e (23) implicam que ¦φ
j,n
¦
j,n∈Z
´e uma base ortonormal para V
j
para
todo j ∈ Z.
Se definirmos P
j
como o operador proje¸c˜ao ortogonal sobre V
j
, a condi¸c˜ao (22)
assegura que lim
j→−∞
P
j
f = f para todo f ∈ L
2
(R).
Cada V
j
pode ser interpretado como um espa¸co de aproxima¸ c˜ao sucessiva: a
aproxima¸c˜ao de f ∈ L
2
(R) na resolu¸c˜ao 2
j
´e definida como a proje¸c˜ao de f sobre
V
j
e quanto menor j, mais fina ´e a resolu¸c˜ao obtida. A condi¸c˜ao (23) significa que
nenhuma escala ´e privilegiada. Os detalhes adicionais necess´arios para aumentar
a resolu¸c˜ao de 2
j
para 2
j−1
s˜ao dados pela proje¸c˜ao de f sobre o complemento
ortogonal de V
j
em rela¸c˜ao a V
j−1
, o qual denotamos por W
j
: V
j
⊕ W
j
= V
j−1
.
Note que
W
j
⊥W
j
, se j = j

. (26)
3 A AN
´
ALISE DE RESOLUC¸
˜
AO M
´
ULTIPLA 13
(Se j > j

, por exemplo, ent˜ao W
j
⊂ V
j
⊥W
j
.) Segue-se que, para j < J, podemos
decompor V
j
como a seguinte soma direta de subespa¸cos:
V
j
= W
j+1
⊕W
j+2
⊕. . . ⊕W
J
⊕V
J
, (27)
onde todos estes subespa¸cos s˜ao ortogonais. Em virtude das condi¸c˜oes (21) e (22),
isto implica que o espa¸co todo, L
2
(R), pode ser decomposto como uma soma direta
de subespa¸cos mutuamente ortogonais, os W
j
’s. Al´em disso, os subespa¸cos W
j
herdam a propriedade de escala (23) de V
j
:
f(x) ∈ W
j
⇔f(2
j
x) ∈ W
0
. (28)
Por causa de (28), se ¦ψ(x − k)¦
k
for uma base ortonormal para W
0
, ent˜ao,
¦ψ
j,k
(x)¦
k
ser´a uma base ortonormal para W
j
.
A decomposi¸c˜ao (27) nos permite escrever uma fun¸c˜ao dada na escala 2
j
como
a soma da sua vers˜ao onde a sua resolu¸c˜ao foi reduzida por um fator de 2
j−J
, mais
os detalhes correspondentes `as escalas intermedi´arias entre as escalas 2
j
e 2
J
. Al´em
disso, como o espa¸co todo ´e uma soma direta dos W
j
’s, o “dissecamos” em fatias
correspondendo a detalhes que v˜ao dos mais delicados aos mais grossos, sendo que
fatias distintas s˜ao ortogonais. Para cada uma destas fatias, digamos, W
j
, temos a
fam´ılia de wavelets ¦ψ
j,k
¦
j,k∈Z
como uma base ortonormal.
No caso das wavelets de Haar, a fun¸c˜ao φ ´e dada por (2) e definimos
V
j
= ¦f ∈ L
2
(R) [ f[
[2
j
k,2
j
(k+1))
= constante, k ∈ Z¦.
As condi¸c˜oes acima s˜ao trivialmente satisfeitas ( a propriedade (22) ´e uma imediata
conseq¨ uˆencia do fato de que as fun¸c˜oes degraus com saltos nos racionais da forma
k 2
j
s˜ao densas em L
2
(R)).
Para a wavelet de Haar, temos
P
j−1
f = P
j
f +
¸
k∈Z
'f, ψ
j,k

j,k
. (29)
A beleza da abordagem usando ARM ´e que desde que exista uma seq¨ uˆencia de
subespa¸cos (V
j
)
j∈Z
e uma fun¸c˜ao φ satisfazendo as condi¸c˜oes (20)-(25), ent˜ao existe
uma fun¸c˜ao ψ tal que (29) ocorra.
O teorema enunciado abaixo ´e um dos resultados mais importantes da ARM
(veja [1, 6]):
Teorema 3.1 Se uma seq¨ uˆencia de subespa¸cos fechados (V
j
)
j∈Z
em L
2
(R) e φ satis-
fazem as condi¸c˜ oes (20)-(25) da Defini¸c˜ao 3.1, ent˜ao existe uma base ortonormal
de wavelets ¦ψ
j,k
[ j, k ∈ Z¦ para L
2
(R), tal que para todo f ∈ L
2
(R),
P
j−1
f = P
j
f +
¸
k
'f, ψ
j,k
` ψ
j,k
. (30)
Uma poss´ıvel escolha de ψ ´e
ψ =
¸
n
(−1)
n−1
h
−n−1
φ
−1,n
(31)
onde h
n
= 'φ, φ
−1,n
`.
4 ALGORITMOS R
´
APIDOS 14
Como φ ∈ V
0
⊂ V
−1
e ¦φ(x −n)¦
n
forma uma base ortonormal para V
−1
, temos
a seguinte rela¸c˜ao de escala
φ(x) =
¸
n
h
n
φ
−1,n
(x) =

2
¸
n
h
n
φ(2x −n). (32)
Segue-se da demonstra¸c˜ao do Teorema 3.1, que a wavelet ψ ´e determinada a
menos de um fator de fase (um m´ ultiplo escalar com m´odulo 1); ocasionalmente,
faz-se a seguinte escolha:
g
n
= (−1)
n
h
−n+1+2N
, (33)
com uma escolha conveniente de N ∈ Z.
4 Algoritmos R´apidos
Hav´ıamos descrito um algoritmo r´apido para se calcular os coeficientes de wavelets
para o caso particular da wavelet de Haar. A seguir, obteremos algoritmos r´apidos
para se fazer a decomposi¸c˜ao (an´alise) e reconstru¸c˜ao (s´ıntese) de uma fun¸c˜ao no
caso de uma wavelet arbitr´aria, por exemplo, as wavelets de Daubechies.
A seguir transcreveremos as rela¸c˜oes (31) e (32), ou seja,
ψ(x) =

2
¸
k
g
k
φ(2x −k), (34)
e
φ(x) =

2
¸
k
h
k
φ(2x −k) (35)
onde h
k
= 'φ, φ
−1,k
`. Al´em destas rela¸c˜oes, tamb´em usaremos que V
j−1
´e uma soma
direta de V
j
e W
j
, ou seja,
V
j−1
= V
j
⊕W
j
. (36)
Note que de (35), temos
φ
j,n
(x) = 2
−j/2
φ(2
−j
x −n)
= 2
−(j−1)/2
¸
k
h
k
φ(2
−(j−1)
x −2n −k)
=
¸
k
h
k
φ
j−1,2n+k
(x), ∀j, n. (37)
De maneira an´aloga, de (34), temos
ψ
j,k
=
¸
k
g
k
φ
j−1,2n+k
, ∀j, n. (38)
4 ALGORITMOS R
´
APIDOS 15
De (37), temos

j−1,n
, φ
j,k
` =
¸
l
h
l

j−1,n
, φ
j,2k+l
`
=
¸
l
h
l
δ
n,2k+l
= h
n−2k
. (39)
De (38), temos

j−1,n
, ψ
j,k
` =
¸
l
g
l

j−1,n
, φ
j,2k+l
`
=
¸
l
g
l
δ
n,2k+l
= g
n−2k
. (40)
Seja P
j
a proje¸c˜ao ortogonal sobre V
j
, ent˜ao, como ¦φ
j,k
¦
k
forma uma base para
V
j
, temos
P
j
f =
¸
k
a
j,k
φ
j,k
, (41)
e em virtude da ortonormalidade dos φ
j,k
, a
j,k
= 'P
j
f, φ
j,k
`. Como 1 − P
j
´e a
proje¸c˜ao ortogonal sobre o complemento de V
j
, temos que '(1 − P
j
)f, φ
j,k
` = 0,
logo, 'f, φ
j,k
` = 'P
j
f, φ
j,k
`.
A an´alise de wavelets agora procede na dire¸c˜ao de j crescente. Descreveremos o
passo j −1 → j. Assuma que os coeficientes ¦a
j−1,k
¦
k
sejam conhecidos e estejam
armazenados numa matriz. De (41) e (37), temos
a
j,n
= 'P
j
f, φ
j,n
`
= 'f, φ
j,n
`
= 'f,
¸
k
h
k
φ
j−1,2n+k
`
=
¸
k
h
k
'f, φ
j−1,2n+k
`
=
¸
k
h
k
a
j−1,2n+k
.
Portanto, a passagem de a
j−1,.
→a
j,.
´e dada pela seguinte rela¸c˜ao
a
j,n
=
¸
k
h
k
a
j−1,2n+k
=
¸
k
h
k−2n
a
j−1,k
. (42)
Seja Q
j
a proje¸c˜ao ortogonal sobre W
j
, ent˜ao, 'f, ψ
j,k
` = 'Q
j
f, ψ
j,k
`, assim, se
fizermos d
j,k
= 'f, ψ
j,k
`, ent˜ao,
Q
j
f =
¸
k
d
j,k
ψ
j,k
. (43)
4 ALGORITMOS R
´
APIDOS 16
Substituindo-se (38) em (43) e multiplicando-se o resultado escalarmente por
ψ
j,n
, temos
d
j,n
= 'Q
j
f, ψ
j,n
`
= 'f, ψ
j,n
`
= 'f,
¸
k
g
k
φ
j−1,2n+k
`
=
¸
k
g
k
'f, φ
j−1,2n+k
`
=
¸
k
g
k
a
j−1,2n+k
,
o que nos d´a a seguinte recurs˜ao d
j−1,.
→d
j,.
:
d
j,n
=
¸
k
g
k
a
j−1,2n+k
=
¸
k
g
k−2n
a
j−1,2n+k
. (44)
Observa¸c˜ao 4.1 Na passagem j − 1 → j, f perde-se a resolu¸c˜ao por um fator de
2. A nova vers˜ao de baixa resolu¸c˜ ao de f, que ´e a proje¸c˜ao de f sobre V
j
, ´e obtida
a partir dos coeficientes a
j,n
e os detalhes correspondentes a esta perda, ou seja, a
diferen¸ca das proje¸c˜oes de f sobre V
j−1
e V
j
, respectivamente, s˜ao armazenados nos
coeficientes d
j,n
.
Dados f ∈ L
2
(R) e > 0, como [[P
j
f − f[[
2
→ 0 quando j → −∞, existe um
j
o
∈ Z tal que [[P
jo
f − f[[
2
< ; assim, h´a uma escala mais fina, j
o
, com a qual
come¸caremos, poder´ıamos at´e mesmo supor que a fun¸c˜ao inicial f ∈ V
j
o
. O nosso
ponto de partida ser´a a seq¨ uˆencia a
jo,k
= 'f, φ
j,k
` =


−∞
f(x)φ
jo,k
(x) dx, a qual
poder´a ser determinada, por exemplo, por integra¸ c˜ao num´erica o que requer o co-
nhecimento de φ (veja na Observa¸ c˜ao 2.2 como evitar isso). Em [1, 6], s˜ao descritos
algoritmos r´apidos para se calcular numericamente φ.
Observa¸c˜ao 4.2 Vimos que no primeiro passo do algoritmo acima precisamos dos
valores de φ, pois, a
jo,k
= 'f, φ
jo,k
`. Em muitos casos, como por exemplo, para as
wavelets de Daubechies, n˜ao existe uma f´ormula anal´ıtica fechada para φ(x) e ψ(x)
(exceto, para o caso trivial da wavelet de Haar). No entanto, conforme hav´ıamos
mencionado, existem algoritmos r´apidos para se calcular φ com uma precis˜ao ar-
bitr´aria e em tais algoritmos, como nos descritos acima, precisamos apenas dos
coeficientes h
n
. No caso do processamento de imagens que descreveremos na Se¸c˜ ao
5, podemos tomar j
o
= 0 como sendo a escala mais fina e seq¨ uˆencia inicial a
0,k
,
representa os valores dos pixels da imagem.
Tudo que precisamos ´e de uma tabela com os valores de h
k
para come¸carmos um
trabalho num´erico concreto. Nem a fun¸c˜ao escala φ nem a wavelet m˜ae ψ precisam
ser armazenadas, seja numericamente ou n˜ao.
A seguir, veremos como reconstruir f a partir de seus coeficientes de wavelets.
De (36), temos
P
j−1
f = P
j
f +Q
j
f =
¸
k
a
j,k
φ
j,k
+
¸
k
d
j,k
ψ
j,k
. (45)
5 APLICAC¸
˜
OES 17
De um lado, temos a
j−1,n
= 'P
j−1
f, φ
j−1,n
`. Por outro lado, de (45), (39) e (40),
temos
'P
j
f, φ
j−1,n
` = '
¸
k
a
j,k
φ
j,k
+
¸
k
d
j,k
ψ
j,k
, φ
j−1,n
`
=
¸
k
a
j,k

j,k
, φ
j−1
, n` +
¸
k
d
j,k

j,k
, φ
j−1
, n`
=
¸
k
a
j,k
h
n−2k
+
¸
k
d
j,k
g
n−2k
,
o que nos d´a
a
j−1,n
=
¸
k
h
n−2k
a
j,k
+
¸
k
g
n−2k
d
j,k
. (46)
5 Aplica¸c˜oes
5.1 A Necessidade da Compress˜ao de Dados
Como sabemos, a quantidade de informa¸c˜oes armazenadas, transmitidas e manuse-
adas por computadores tem crescido exponencialmente nas ´ ultimas d´ecadas. Dois
desenvolvimentos recentes tˆem contribuido para este efeito, um deles ´e o surgi-
mento dos sistemas de multi-m´ıdia juntamente com suas numerosas aplica¸c˜oes. O
tempo em que o computador manuseava apenas texto e n´ umeros j´a se passou e foi
substitu´ıdo pela era dos sons, imagens, filmes e realidade virtual. Outro desenvolvi-
mento ´e a crescente disponibilidade da internet que fez com que tais informa¸c˜oes
estivessem `a disposi¸c˜ao de uma quantidade enorme de usu´arios. Este dois desen-
volvimentos resumem-se no chamado “World Wide Web”, um sistema interativo e
de multi-m´ıdia baseado na informa¸c˜ao.
Este desenvolvimento s´o foi poss´ıvel por causa da r´apida evolu¸ c˜ao dos hard-
wares. O desempenho das CPU´s, discos e canais de transmiss˜ao tˆem crescido
enormememente. Mesmo assim temos alguns problemas e para entendermos melhor
mencionaremos os seguintes fatos:
1. Para armazenar uma imagem moderadamente grande, digamos com 512
512 pixels e 24 bit de cor, requer cerca de 0.75 MBytes. Um v´ıdeo de sinal
tipicamente tem 30 imagens por segundo.
2. Uma fotografia padr˜ao de 35 mm digitalizada a uma resolu¸c˜ao de 12 µm requer
18 MBytes.
3. Um segundo de v´ıdeo colorido NTSC requer 23 MBytes.
Isto mostra que os atuais hardwares s˜ao inadequados (ou tecnicamente ou eco-
nomicamente). As t´ecnicas de compress˜ao fornecem uma solu¸c˜ao.
Se pudermos representar a informa¸c˜ao num forma comprimida, podemos obvia-
mente: economizar espa¸co, tempo de cpu e tempo de transmiss˜ao.
5 APLICAC¸
˜
OES 18
A maioria da informa¸c˜ao que usamos ´e altamente correlacionada, em outras
palavras, ela inerentemente cont´em redundˆancia; portanto, parece ser poss´ıvel com-
press˜ao sem perda de informa¸c˜ao. O requerimento b´asico da compress˜ao ´e que se
possa mudar rapidamente dos dados originais aos comprimidos e vice-versa.
5.1.1 A Id´eia Geral Por Tr´as da Compress˜ao Via Wavelets
Existem dois tipos de esquemas de compress˜ao: com perda e sem perda.
No caso de compress˜ao sem perda, estamos interessados em reconstruir os dados
exatamente, sem qualquer perda de informa¸c˜ao, como nos arquivos de texto.
No caso de compress˜ao com perda, permitimos um erro, desde que a qualidade
depois da descompress˜ao seja aceit´avel. O esquema de compress˜ao com perda tem
a vantagem que podemos atingir fatores de compress˜oes muito maiores do que nas
compress˜oes sem perda; entretanto, ele s´o pode ser usado no caso em que pode-se
substituir os dados originais por uma aproxima¸ c˜ao que seja f´acil de se comprimir.
Temos que ser espec´ıficos no que significamos uma representa¸ c˜ao “aceit´avel”. Por
exemplo, na compress˜ao de imagens, uma aproxima¸ c˜ao aceit´avel de uma imagem ´e
uma que seja visualmente indistingu´ıvel da imagem original.
Nesta se¸c˜ao consideraremos a aplica¸c˜ao de wavelets ao problema de compress˜ao
de dados. Este, sem d´ uvida, ´e um assunto de suma importˆancia nos dias atuais,
visto que em todos momentos temos que receber ou enviar uma enorme quantidade
de dados que podem, por exemplo, ser arquivos de uma imagem ou de um ´audio,
digitais.
A id´eia por tr´as de qualquer esquema de compress˜ao ´e a de se remover a cor-
rela¸c˜ao presente nos dados. Dados correlacionados s˜ao caracterizados pelo fato que
a partir de uma parte dos dados, podemos preencher a parte que esteja faltando.
Existem v´arios tipos de correla¸c˜oes, daremos alguns exemplos:
1. Correla¸c˜ao espacial: pode-se freq¨ uentemente predizer o valor de um pixel numa
imagem olhando-se para os pixels vizinhos.
2. Correla¸c˜ao espectral: A transformada de Fourier de um sinal ´e geralmente
suave, isto significa que pode-se freq¨ uentemente predizer uma componente de
freq¨ uˆencia olhando-se para as freq¨ uˆencias vizinhas.
3. Correla¸c˜ao temporal: Num video digital, a maioria dos pixels de duas imagens
mudam muito pouco na dire¸c˜ao do tempo.
A id´eia ´e de se representar os dados usando-se uma base matem´atica diferente
na esperan¸ca que esta nova representa¸c˜ao revelar´a ou n˜ao a correla¸c˜ao. Com isto
queremos dizer que nesta nova base a maioria dos coeficientes s˜ao muito pequenos.
Assim, a compress˜ao ´e alcan¸cada calculando-se a transformada associada a esta
base, fazendo-se os coeficientes menores do que um certo limiar iguais a zero. A
informa¸c˜ao ser´a, portanto, caracterizada por um pequeno n´ umero de coeficientes.
Na pr´atica procura-se uma transformada que tenha as seguintes propriedades:
1. Seja independente dos dados.
2. Exista um algor´ıtmo r´apido (linear ou linear-logaritmico) para calcul´a-la.
5 APLICAC¸
˜
OES 19
3. Seja capaz de remover a correla¸c˜ao para um conjunto grande e geral de dados.
Um candidato poss´ıvel para uma transformada ´e a transformada de Fourier
r´apida. Ela definitivamente tem as duas primeiras propriedades; entretanto, n˜ao
possui a terceira propriedade. A base ´e perfeitamente local na freq¨ uˆencia, mas de
maneira alguma local no tempo. Portanto, ela ´e incapaz de revelar correla¸c˜ao local
no tempo. A maioria dos sinais tem correla¸c˜ao local na freq¨ uˆencia e no espa¸co.
Necessitamos uma base adaptada a este comportamento, mais precisamente, neces-
sitamos uma base que seja local no tempo e na freq¨ uˆencia. Existem duas maneiras
de se construir tais bases:
1. Divide-se o dom´ınio espacial em peda¸cos e usamos uma s´erie de Fourier em
cada peda¸co separadamente. Desta forma, obtem-se uma base trigonom´etrica
local.
2. Pode-se usar uma base de wavelets.
Ambos os m´etodos resultam numa transformada que ´e independente dos dados,
r´apida e que nos conduz a uma representa¸c˜ao compacta para um enorme e geral
conjunto de dados.
Para termos uma id´eia de como a compress˜ao ocorre na representa¸ c˜ao de wavelets,
basta darmos uma olhada na rela¸c˜ao (44): os coeficientes de wavelets, d
j,k
, medem
as flutua¸c˜oes locais dos valores dos “pixels”na escala j, pois, ao calcularmos estes,
o fazemos como uma combina¸c˜ao linear cuja soma dos coeficientes ´e
¸
k
g
k
= 0,
de modo que a referida combina¸c˜ao linear ser´a nula quando os valores de “pix-
els”adjacentes forem iguais e pequenos quando os valores destes forem pr´oximos
(isto ocorre numa imagem t´ıpica, devido `as correla¸c˜oes locais no espa¸co). Assim, os
valores de d
j,k
s˜ao pequenos em regi˜oes de suavidade de uma fun¸c˜ao. Com isso eles
podem ser usados para caracterizar a regularidade de uma fun¸c˜ao, localmente.
Para vermos que
¸
k
g
k
= 0, temos que usar o fato que uma wavelet ψ e a
sua fun¸c˜ao escala associada, φ, satisfazem


−∞
ψ(x) dx = 0 e


−∞
φ(x) dx = 0.
Portanto, integrando-se (34) sobre a reta real, temos 0 = (
¸
k
g
k
)
1
2


−∞
φ(x) dx.
Numa imagem t´ıpica o que se vˆe s˜ao regi˜oes enormes onde os valores dos pixels
s˜ao iguais ou muito pr´oximos, o que significa que os coeficientes de wavelets a elas
associadas ou s˜ao nulos ou desprez´ıveis. Somente em regi˜oes de transi¸c˜oes, pr´oximas
aos contornos separando as regi˜oes onde os valores dos “pixels”variam muito, ´e
que teremos uma flutua¸c˜ao local significativa nos valores dos “pixels”, portanto,
coeficientes de wavelets apreci´aveis.
5.2 Processamento de Imagens Digitais
Existem diferentes sistemas para se representar uma imagem. No sistema RGB,
uma imagem digital ´e caracterizada atribuindo-se a cada pixel, um vetor com trˆes
componentes, cada uma das quais representando as intensidades das cores vermelho,
verde e azul, respectivamente. O valor de cada componente ´e um n´ umero inteiro
entre 0 e 255. No caso de uma imagem em preto e branco, as trˆes componentes s˜ao
iguais e a imagem ´e completamente caracterizada pelo escalar, que ´e o valor comum
das trˆes intensidades.
5 APLICAC¸
˜
OES 20
Dada uma fun¸c˜ao f em V
0
, ela pode ser escrita de maneira ´ unica como
f(x) =
¸
k
a
0,k
φ(x −k) (47)
e de (27) podemos reescrevˆe-la como
f(x) = f
J
(x) +
J
¸
j=1

j
(x), (48)
onde f
J
∈ V
J
e ∆
j
∈ W
j
, portanto, f
J
(x) =
¸
k
a
J,k
φ
J,k
e ∆
j
(x) =
¸
k
d
j,k
ψ
j,k
(x),
onde os coeficientes a
J,.
e d
j,.
s˜ao calculados recursivamente a partir de a
0,.
, por
meio das rela¸c˜oes (42) e (44).
De maneira an´aloga, se conhecermos os coeficientes a
J,.
e d
j,.
, j = 1, . . . , J,
podemos, a partir de (46), recursivamente, calcular os a
0,.
e reconstruir a fun¸c˜ao f,
dada em (47).
Dada uma imagem digital unidimensional, em preto e branco, com 2
l
pixels, onde
l ´e um inteiro n˜ao-negativo, sejam ¦a
0,k
¦
k=0,...,2
l
−1
os valores de cada um dos seus
pixels. Associamos a esta imagem a seguinte fun¸c˜ao em V
0
: f(x) =
¸
k
a
0,k
φ(x−k).
Com tal defini¸c˜ao, os algoritmos acima nos permitem calcular os coeficientes de
wavelets de f, d
j,k
, j = 1, . . . , J = 2
l
e os coeficientes a
J,k
. Ao projetarmos f
sobre um dos subespa¸cos V
j
, o que estamos fazendo ´e obter uma vers˜ao de baixa
resolu¸c˜ao de f, reduzimos a resolu¸c˜ao por um fator de 2
j
e ao passarmos de V
j
para V
j+1
perdemos a resolu¸c˜ao por um fator de 2 e os detalhes que perder´ıamos
s˜ao representados por ∆
j
. Assim, ao decompormos f de acordo com (48), o que
fazemos ´e obter uma vers˜ao da imagem onde todos os pixels possuem o mesmo
valor, que ´e a “m´edia” de todos os pixels, mais detalhes correspondentes `as escalas
intermedi´arias.
Sob o ponto de vista computacional, come¸camos com uma imagem unidimen-
sional com 2
l
pixels, armazenada num vetor A, com 2
l
posi¸c˜oes. No primeiro
passo passamos de V
0
para V
1
, usando-se as rela¸c˜oes (42) e (44), geramos 2
l−1
coeficientes ¦a
1,k
¦
2
l−1
−1
k=0
e 2
l−1
coeficientes ¦d
1,k
¦
2
l−1
−1
k=0
; fazemos A[k] = a
1,k
, para
k = 0, . . . , 2
l−1
−1 e A[2
l−1
+ k] = d
1,k
, para k = 0, . . . , 2
k−l
−1. Com isso, temos
uma imagem de baixa resolu¸c˜ao, f
1
∈ V
1
⊂ V
0
, com resolu¸c˜ao diminuida por fator de
dois, armazenada nas primeiras 2
l−1
posi¸c˜oes de A, nas posi¸c˜oes seguintes est˜ao os
detalhes, correspondentes a passagem de V
0
para V
1
, que ´e a proje¸c˜ao de f sobre W
1
.
Podemos repetir este processo a f
1
e partindo-se de seus coeficientes ¦a
1,k
¦
2
l−1
−1
k=0
e
das rela¸c˜oes (42) e (44) e encontrarmos os coeficientes ¦a
2,k
¦
2
l−2
−1
k=0
e ¦d
2,k
¦
2
l−2
−1
k=0
;
estes ser˜ao armazenados nas 2
l−1
primeiras posi¸c˜oes de A, sendo que A[k] = a
2,k
para k = 0, . . . , 2
l−2
−1 e A[2
l−2
+k] = d
2,k
, para k = 0, . . . , 2
l−2
−1. Nas primeiras
2
l−2
posi¸c˜oes de A temos a vers˜ao de f, f
2
∈ V
2
⊂ V
0
, onde a resolu¸c˜ao foi dimuida
por um fator 2, em rela¸c˜ao `a vers˜ao anterior, nas posi¸c˜oes seguintes os detalhes
correspondentes `as escalas intermedi´arias, em ordem decrescente. Repetindo-se o
processo l vezes, na l−´esima vez, a partir da vers˜ao f
l−1
∈ V
l−1
⊂ V
0
de f e das
rela¸c˜oes (42) e (44), obtemos a
l,0
e d
l,0
que ser˜ao armazenamos em A[0] e A[1],
respectivamente. Com isso teremos passado de um vetor A para um vetor CW,
5 APLICAC¸
˜
OES 21
sendo que neste temos os coeficientes de wavelets de f. Cada passo no processo
acima pode ser implementado por uma matriz invert´ıvel (ortogonal, nos exemplos
que consideraremos), o que significa que podemos a partir do vetor CW obter o
vetor A e, portanto, reconstruir a imagem.
No caso de uma imagem colorida, os coeficientes acima a
j,k
e d
j,k
ser˜ao vetores
com trˆes componentes e aplicamos o procedimento acima a cada componente, sepa-
radamente.
Imagine que tenhamos uma imagem com 2
l
2
l
pixels, a qual pode ser ar-
mazenada numa matriz quadrada, A[i, j], i, j = 0, . . . , 2
l
−1. Neste caso, tratamos
cada linha ou coluna como se fosse uma imagem unidimensional, aplicando-se o
processo acima no c´alculo dos coeficientes de wavelets.
Existem dois tipos de decomposi¸c˜oes de imagens digitais: a padr˜ao e a n˜ao-
padr˜ao, que descreveremos abaixo.
5.2.1 A Decomposi¸c˜ao Padr˜ao
Na decomposi¸c˜ao padr˜ao, no primeiro passo, associamos a cada linha da imagem
uma fun¸c˜ao em V
0
, conforme foi descrito acima, em seguida, para cada linha cal-
culamos os coeficientes de wavelets. A seguir, associamos a cada uma das colunas
transformadas no processo anterior uma fun¸c˜ao em V
0
e aplicamos o processo acima
`as mesmas e obtemos os respectivos coeficientes de wavelets. Note que em A[0, 0]
est´a a “m´edia” dos pixels, nas demais posi¸c˜oes est˜ao armazenados os coeficientes
de wavelets, propriamente ditos. Como estas opera¸c˜oes s˜ao invert´ıveis, podemos
inverter o processo de decomposi¸c˜ao e reconstruir a imagem inicial.
5.2.2 A Decomposi¸c˜ao N˜ao-Padr˜ao
Na decomposi¸c˜ao n˜ao-padr˜ao, veja Figura 4, aplicam-se opera¸c˜oes em linhas e
colunas alternadamente. Associamos `a cada linha da imagem uma fun¸c˜ao em V
0
; a
seguir, decompomos cada linha aplicando-se apenas um passo no processo descrito
na passagem de V
0
para V
1
⊕ W
1
, depois, tratamos cada coluna resultante como
se fosse uma fun¸c˜ao em V
0
e as decompomos, como feito no passo anterior, onde
as linhas foram substitu´ıdas pelas colunas. No passo seguinte tomaremos a vers˜ao
de baixa resolu¸c˜ao da imagem original a qual est´a armazenada numa submatriz,
de A, restrita aos A[i, j] com i, j = 0, . . . , 2
l−1
−1 (nas demais posi¸c˜oes teremos os
coeficientes de wavelets). A seguir, repetimos o processo `a vers˜ao de baixa resolu¸c˜ao
da imagem obtida no passo anterior e teremos uma submatriz de A, restrita a A
1
[i, j]
comi, j = 0, . . . , 2
l−2
−1, na qual est´a uma nova vers˜ao de baixa resolu¸c˜ao da imagem
(nas demais posi¸c˜oes os coeficientes de wavelets). Prosseguindo desta forma, ap´os, l
passos, encontraremos uma submatriz de A, formada por A[0, 0] contendo a “m´edia”
de todos os pixels e nas demais posi¸c˜oes estar˜ao os coeficientes de wavelets.
5 APLICAC¸
˜
OES 22
Figura 4: A Decomposi¸c˜ao N˜ao-Padr˜ao
5.2.3 Implementa¸c˜ao para as Wavelets de Haar e Daub4
Vimos que quando consideramos uma imagem digital (bi-dimensional), para
calcularmos seus coeficientes de wavelets tratamos suas linhas e suas colunas como
se fossem “imagens unidimensionais”, onde uma imagem unidimensional, digamos
com com 2
l
de pixels ´e a seq¨ uˆencia num´erica ¦a
0,k
¦
k=0,...,2
l
−1
com os valores dos
pixels, ou se preferirmos, a fun¸c˜ao f(x) =
¸
2
l
−1
k=0
a
0,k
φ(x −k) em V
0
.
Veremos como implementar a passagem de V
j−1
para V
j
⊕ W
j
(j = 1, . . . , l),
para as wavelet de Haar e Daub4.
No j−´esimo passo, o vetor a
j−1
= (a
j−1,0
, . . . , a
j−1,2
l−j+1
−1
), ´e transformado no
vetor em
(a
j,0
, . . . , a
j,2
l−j
−1
, d
j,0
, . . . , d
j,2
l−j
−1
) ≡ Q
j
a
j−1
. (49)
Onde a matriz Q
j
´e obtida atrav´es das rela¸c˜oes (42) e (44). Para a wavelet de Haar,
Q
j
´e a seguinte matriz de ordem 2
j
:
5 APLICAC¸
˜
OES 23
Q
j
=

¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
h
0
h
1
h
0
h
1
h
0
h
1
.
.
.
.
.
.
h
0
h
1
h
0
−h
1
h
0
−h
1
h
0
−h
1
.
.
.
.
.
.
h
0
−h
1
¸

.
Como h
2
0
+ h
2
1
= 1, a matrix Q
j
´e ortogonal, logo, Q
−1
j
= Q
t
j
. Com isto, no
processo inverso, ou seja, na reconstru¸c˜ao, a implementa¸c˜ao da passagem j →j −1,
´e imediata.
Para a wavelet Daub4, das rela¸c˜oes (42) e (44), usando-se condi¸c˜oes peri´odicas,
segue-se que Q
j
´e a seguinte matriz de ordem 2
j
(2 ≤ j ≤ l):
Q
j
=

¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
h
0
h
1
h
2
h
3
h
0
h
1
h
2
h
3
h
0
h
1
h
2
h
3
.
.
.
.
.
.
h
2
h
3
h
0
h
1
h
3
−h
2
h
1
−h
0
h
3
−h
2
h
1
−h
0
h
3
−h
2
−h
1
h
0
.
.
.
.
.
.
h
1
−h
0
h
3
−h
2
¸

.
No caso em que m = 1, por causa das condi¸c˜ oes de contorno peri´odicas, teremos
uma matriz Q, definida abaixo, atuando no subespa¸co do R
4
formado por vetores
da forma (a, b, a, b):
Q =

h
2
h
3
h
0
h
1
h
1
−h
0
h
3
−h
2

a qual ´e equivalente a matriz
Q
1
=

h
0
+h
2
h
1
+h
3
h
1
+h
3
−h
0
−h
2

.
atuando em vetores (a, b).
Por causa das rela¸c˜oes h
2
0
+h
2
1
+h
2
2
+h
2
3
= 1 e h
2
h
0
+h
3
h
1
= 0, as matrizes Q
j
s˜ao ortogonais.
Com o procedimento acima, transformamos ¦a
0,k
¦
k=0,...,2
l
−1
em
¦a
l,0
, d
j,k
, j = 1, . . . , l, k = 0, . . . , 2
l−j
−1¦,
5 APLICAC¸
˜
OES 24
Figura 5: Reconstru¸c˜ao com a wavelet Daub4
os coeficientes de wavelets d
j,k
, juntamente com com a “m´edia” dos pixels, a
l,0
; se
preferirmos, passamos da representa¸c˜ao f(x) =
¸
2
l
−1
k=0
a
0,k
φ(x −k) para
f(x) = a
l,0
φ
l,0
(x) +
l
¸
j=1
2
l−j
−1
¸
k=0
d
j,k
ψ
j,k
(x),
onde φ ´e a fun¸c˜ao escala associada a wavelet ψ, que no presente caso pode ser a
wavelet de Haar ou Daub4.
A Figura 5 mostra a reconstru¸c˜ao de uma imagem usando-se diferentes percen-
tagens de seus coeficientes de wavelets. Note que mesmo usando-se cerca de 5 por
cento dos coeficientes de wavelets a reconstru¸c˜ao ´e visivelmente perfeita.
REFER
ˆ
ENCIAS 25
O autor gostaria de agradecer ao CNPq e `a FAPEMIG pelo apoio financeiro.
Referˆencias
[1] Ingrid Daubechies, Ten Lectures on Wavelets, CBMS - NSF Regional Confer-
ences Series in Applied Mathematics, 1992.
[2] A. Haar, Zur Theorie der Orthogonalen Funktionen-Systeme, Math. Ann, 69,
pp. 331-371, 1910.
[3] J. C. van den Berg, Wavelets in Physics, Cambridge Press, 1999.
[4] Ingrid Daubechies, Orthonormal Basis of Compactly Supported Wavelets,
Commm. Appl. Math., 41, pp. 909-996, 1988. G.
[5] Beylkin, R. Coifman, V. Rokhlin, Fast Wavelet Transforms and Numerical
Algoritms I, Communications in Pure and Applied Mathematics, volume XLIV,
141-183, 1991.
[6] Paulo Cupertino de Lima, Wavelets: Teoria, Algoritmos e Aplica¸c˜oes, em
prepara¸c˜ao.

1 INTRODUCAO ¸˜
a ` sua escala. Al´m disso, na an´lise de wavelets, podemos usar fun¸˜es que est˜o e a co a contidas em regi˜es finitas, tornando-as convenientes na aproxima¸˜o de dados com o ca descontinuidades. O princ´ ıpio mais geral na constru¸˜o das wavelets ´ o uso de dilata¸˜es e ca e co transla¸˜es. As wavelets mais usadas formam um sistema ortonormal de fun¸˜es co co com suportes compactos constru´ desta forma. Esta ´ a raz˜o pela qual elas ıdo e a podem distinguir as caracter´ ısticas locais de um sinal em diferentes escalas e, por transla¸˜es, elas cobrem toda a regi˜o na qual o sinal ´ estudado. Na an´lise de co a e a sinais n˜o-estacion´rios, a propriedade de localidade das wavelets nos conduz `s a a a suas vantagens sobre a transformada de Fourier. Os algoritmos de wavelets processam dados em diferentes escalas ou resolu¸˜es co e, independentemente da fun¸˜o de interesse ser uma imagem, uma curva ou uma ca superf´ ıcie, wavelets oferecem uma t´cnica elegante na representa¸˜o dos n´ e ca ıveis de detalhes presentes. Elas constituem uma ferramenta matem´tica para decompor a fun¸˜es hierarquicamente, permitindo que uma fun¸˜o seja descrita em termos de co ca uma forma grosseira, mais outra forma que apresenta detalhes que v˜o desde os a menos delicados aos mais finos. O objetivo na an´lise de wavelets ´ “ver a floresta a e e as ´rvores”. a Se pudermos escolher as wavelets que melhor se adaptam aos dados, ou truncarmos os coeficientes de wavelets menores do que um valor previamente estabelecido, os dados s˜o esparsamente representados. Esta “codifica¸˜o esparsa” faz das a ca wavelets uma excelente ferramenta no campo de compress˜o de dados. a Por causa de suas propriedades unicas, wavelets foram usadas em an´lise fun´ a cional em matem´tica, em estudo de propriedades (multi)fractais, singularidades a ou oscila¸˜es locais de fun¸˜es, em solu¸˜o de equa¸˜es diferenciais, em reconheco co ca co cimento de padr˜es, em compress˜o de imagens e de sons, em processamento de o a geometria digital, na solu¸˜o de v´rios problemas de f´ ca a ısica [3], biologia, medicina, astronomia, ac´stica, engenharia nuclear, grupo de renormaliza¸˜o em mecˆnica u ca a estat´ ıstica, problemas de computa¸˜o gr´fica, neurofisiologia, m´sica, ressonˆncia ca a u a magn´tica, identifica¸˜o de vozes, ´tica, fractais, turbulˆncia, previs˜o de terremoe ca o e a tos, radar, vis˜o humana. a Este artigo est´ organizado da seguinte forma: na Se¸˜o 2 introduzimos o espa¸o a ca c das fun¸˜es de quadrados integr´veis, L2 (R), o conceito de ortogonalidade neste co a espa¸o e definimos as wavelets discretas. Como exemplo, consideramos a wavelet c Haar e mostramos como representar uma fun¸˜o em L2 (R) em termos desta. Introca duzimos algoritmos r´pidos para se calcular os coeficientes de wavelets de Haar e a fazemos uma introdu¸˜o suscinta `s wavelets de Daubechies. Na Se¸˜o 3 introduzica a ca mos o conceito de An´lise de Resolu¸˜o M´ltipla e enunciamos o Teorema 3.1 que ´ a ca u e um dos resultados mais importantes naquele contexto. Na Se¸˜o 4 introduzimos os ca algoritmos r´pidos para se calcular coeficientes de wavelets para uma wavelet geral. a Na Se¸˜o 5 aplicamos wavelets ` compress˜o de dados, com ˆnfase ` compress˜o de ca a a e a a imagens digitais.

2

n } ´ um conjunto ortonormal.j δk. se existe um ca intervalo fechado e limitado.2 TRANSFORMADA DISCRETA DE WAVELETS 1 3 -1 1 2 -1 Figura 1: A wavelet de Haar.k tamb´m o ca ca e a e ser´ para qualquer j. caso contr´rio. g = −∞ f (x)g(x)dx.2 Uma wavelet ´ uma fun¸ao ψ(x) ∈ L1 (R) ∩ L2 (R).k . Mostraremos que 1. ent˜o.k (x) = 2−j/2 ψ(2−j x − k) onde j e k s˜o inteiros arbitr´rios. atrav´s de um exemplo simples. uma pergunta ca surge imediatamente: ser´ que existem wavelets? A esta pergunta daremos uma a resposta afirmativa. se x ∈ [ 1 . a Quando olhamos para a defini¸˜o de wavelets pela primeira vez. 2 −1. ψj. e 2. ψj . com ψ dada por ca  se x ∈ [0. ou seja. ψ. 1) ψ(x) = 2  0. caso contr´rio. Dizemos que f e g s˜o ortogonais se f. definimos o produto interno de duas fun¸˜es f e g como co ∞ f. e onde δm. 1 )  1.k = δj. Para caso particular quando p = 2. tal que a fam´ ca e c˜ ılia de fun¸˜es co ψj. mostraremos que a fam´ de Haar de fato constitui uma base ortonorılia mal para L2 (R).1 Dizemos que uma fun¸˜o f tem suporte compacto. f . definidas em R. Defini¸˜o 2.1 Da defini¸˜o acima. fora do qual f (x) = 0.3 A wavelet de Haar dada pela Defini¸˜o 2. a ca Defini¸˜o 2.1 A Wavelet de Haar ca Defini¸˜o 2. c co assumindo valores em C (ou R). O conjunto{ψm. 2 Transformada Discreta de Wavelets ∞ 1 p No que se segue denotaremos por Lp (R) o espa¸o das fun¸˜es. tais que ||f ||p ≡ −∞ |f (x)|p dx < ∞. a (1) A seguir. a .n = 1 se m = n e zero.2.k . g = 0. a a Observa¸˜o 2. ψj. seja uma base ortonormal para L2 (R). k ∈ Z. onde a barra representa o complexo conjugado. se ψ ´ uma wavelet.

mas 2 ∞ ∞ ψj .n .k e ψj . a em particular.k . ψj. e ca a O conjunto {ψj. Toda fun¸˜o f ∈ L2 (R) pode ser arbitrariamente aproximada por uma comca bina¸˜o linear finita de ψm. teremos uma das seguintes possibilidades: (i) [k 2j . 1) e ψ0. ψj. ´ o complemento ortogonal de Vj+1 co e em rela¸˜o a Vj e ser´ denotado por Wj+1 . 1) ou (iv) [k 2j . em particular. nosso ponto de partida ´ que as fun¸˜es com suca e co portes compactos e constantes por partes em intervalos da forma [k2j . se dividirmos a reta a u real em intervalos da forma [l 2j .k . tais que f. (k + 1)2j ).k = 2 inteiro e j = j − j ´ um inteiro negativo. a (2) desempenha um papel muito importante no que se segue. 1).k = 0 para todo x. mostraremos que o conjunto {ψj. onde k ∈ Z. ∞).k (x) dx ´ proporcional a −∞ ψ(x) dx = 0. (k +1)2j ). a demonstra¸˜o se basear´ na id´ia por tr´s da an´lise de resolu¸˜o m´ltipla que ser´ ca a e a a ca u a vista na Se¸˜o 3. 0≤x<1 0. e ca Das defini¸˜es de φ e ψ temos as seguintes rela¸˜es de escala: co co φ(x) = φ(2x) + φ(2x − 1) ψ(x) = φ(2x) − φ(2x − 1). Isto mostra que o ψj.k forma uma base para L2 (R). (k +1)2j ) ⊂ [0. (ii) [k 2j . 1/2 e 1 s˜o m´ltiplos inteiros de 2j . ψj . Nos casos (i) e (iv) temos ψ ψj . caso contr´rio. temos ψj. e Note que j−j 2 4 ψ.k −k = 0. 1/2 e 1 ser˜o a a extremidades de tais intervalos. (k +1)2j ) ⊂ (−∞.k . temos que ψ ψj . ent˜o. se Vj for o subespa¸o de L2 (R) das fun¸˜es constantes por partes em c co intervalos da forma [k2j . (iii) [k 2j .k = ψ. seu gr´fico aparece na a Figura 2. f .k (x)}k∈Z forma uma base ortonormal para Wj . (k + 1)2j ) e zero. ca a ´ a E f´cil mostrar que para todo k. No presente caso. k ∈ Z. neste caso escrevemos Vj = Vj+1 ⊕ Wj+1 . ela ´ denominada fun¸˜o escala associada a wavelet de Haar. a (iii) Se j > j . (k + 1)2j ) ⊂ [1/2.k ´ proporcional a ψj . ca (i) Note que ||ψj.k = ψ(x−k ) se anula fora do intervalo [k . portanto. logo. onde k = k − k2j−j ´ e 1 = 2|j | 2j 1/2 = 2|j |−1 j 2 . {φj. l ∈ Z.k e −∞ s˜o ortogonais. ψ0. temos. 0). est´ em Wj . ψ(x) se anula fora do intervalo [0.k }j. 1 ) ou [ 2 . 0.k ||2 = ||ψ||2 = 1.k (x)}k forma uma base a ortonormal para Vj . (l + 1)2j ) onde l ∈ Z. k +1) e estes intervalos s˜o disjuntos para k = 0.2 TRANSFORMADA DISCRETA DE WAVELETS 2. s˜o a . 1/2). nos casos (ii) e (iii) como ψ ´ constante em cada um e 1 e dos subintervalos [0.k . o produto escalar de φ(2−j x−k) e ψ(2−j x−l) ´ zero. portanto. g = 0 para todo g ∈ Vj+1 . ent˜o. (k + 1)2j ) ⊂ [1. qualquer combina¸˜o linear finita de ψ(2−j x − k). A seguir. pois. (ii) Para j fixo e k = k . O subconjunto de Vj formado pelas fun¸˜es. (3) (4) Note que φ(2−j x − k) vale 1 no intervalo [k2j . a A fun¸˜o ca φ(x) = 1. Vj+1 ⊂ Vj . caso contr´rio. ψj . Claramente.

onde perdemos a resolu¸˜o por um fator de dois. basta provarmos a que qualquer fun¸˜o h0 da forma ca 2j1 −j0 −1 h0 (x) = k=−2j1 −j0 a0. ´ dado pela ca a e fun¸˜o combina¸˜o linear finita de wavelets. com δ1 ∈ Wjo +1 . por suas m´dias. onde 2 dj+1. Neste procedimento passamos de h0 para sua vers˜o de menor resolu¸˜o por a ca um fator de 2. onde aj+1. a1.2k − aj. respectivamente. ou seja.2 TRANSFORMADA DISCRETA DE WAVELETS 1 5 -1 1 2 Figura 2: A fun¸˜o escala. 2 logo. escrevemos h0 = h1 + δ1 onde h1 ´ a seguinte fun¸˜o constante por e ca j0 +1 . Vjo +1 . ca 2j1 −j0 se anulando fora de [−2j1 . Em virtude disso. δ1 .k .k ´ a restri¸˜o de h1 ao intervalo [k2j0 +1 .k e −d1. constante por partes em intervalos da forma [k2j0 . φ. (2k + 1)2j0 ) e [(2k + 1)2j0 .2k+1 . as restri¸˜es de δ1 aos intervalos [k2j0 +1 . portanto. (2k + 2)2j0 ). e ψ(2−j x − k) = φ(2−(j−1) x − 2k) − φ(2−(j−1) x − (2k + 1)). pode ser arbitrariamente aproximada por uma combina¸˜o linear finita de wavelets. δ1 restrita ao intervalo [k2j0 +1 . (k + 1)2j0 ). a1. (k + 1 )2j0 +1 ) e co 2 a [(k + 1 )2j0 +1 .2k + aj. onde j0 < j1 s˜o inteiros. ca A seguir.k . temos 2j1 −j0 −1 −1 δ1 (x) = k=−2j1 −j0 −1 d1. (k + 1)2j0 +1 ): partes em intervalos da forma [k2 2j1 −j0 −1 −1 h1 (x) = k=−2j1 −j0 −1 a1. tal 1 −j que ||f − h0 ||2 < . vemos que o incremento de informa¸˜o necess´ria para irmos de h0 para h1 . Assim. associada a wavelet de Haar. pois. h1 . (k + 1)2j0 +1 ). ca ca Como δ1 = h1 − ho .2k+1 . O que fizemos foi substituir os valores de h0 nos subintervalos [2k2j0 . veja Figura e 3.k φ(2−(j0 +1) x − k) ∈ Vjo +1 . ca c u existe uma fun¸˜o h0 . ou seja.k ≡ aj. dada uma fun¸˜o f neste espa¸o e um n´mero positivo . 2j1 ). Com isso escrevemos h0 = h1 + δ1 . com isso obtendo uma vers˜o de e c a menor resolu¸˜o de h0 . h0 (x) = k=−2j−1 0 a0. ca densas em L2 (R).k φ(2−j0 x − k) ∈ Vjo . O que estamos e ca fazendo ´ projetando h0 sobre o subespa¸o. (k + 1))2j0 +1 ) ser˜o d1. 2 portanto.k = aj.k ψ(2−(j0 +1) x − k).k ψ(2−(j0 +1) x − k) ∈ Wjo +1 . (k + 1)2j0 +1 ) ´ d1.k φ(2−j0 x − k). ca ca .

.2 TRANSFORMADA DISCRETA DE WAVELETS 6 aj..2k+1 .2k+1 2 = . k2j+1 dj+1. (k + 1)2j+1 ...k = aj...2k +aj. 2k2j (2k + 1)2j aj... (2k + 2)2j Figura 3: A passagem da escala j para j + 1 .2k aj.k = + .. (2k + 2)2j aj+1.... 2k2j (2k + 1)2j .2k −aj.2k+1 2 .

a− = 2−j1 2j1 −1 k=0 a0.k e a+ = 2−j1 Aplicando-se o procedimento acima n vezes a hj1 −j0 .2 k=−2j1 −j0 −j dj. Repetindo-se o procedimento acima j1 − j0 vezes. (k + 1)2j0 +2 ): 2j1 −j0 −2 −1 7 h2 = k=−2j1 −j0 −2 a2. −1 k=−2j1 onde hj1 −j0 (x) = a− φ(2−j1 x) + a+ φ(2−j1 x + 1).k ψ(2−(j0 +j) x − k). mais detalhes e a ca correspondentes as passagens de Vjo para Vjo +1 e de Vjo +1 para Vjo +2 .k .k ψ(2−(j0 +j) x − k) j=1 k=−2j1 −j0 −j n a− + ψ(2−(j1 +j) x 2j j=1 + 1) + a+ ψ(2−(j1 +j) x) 2j ´ uma combina¸˜o linear finita de wavelets ψj.k φ(2−(j0 +2) x − k) ∈ Vjo +2 . escrevemos h1 = h2 + δ2 .k . respectivamente. teremos j1 −j0 2j1 −j0 −j −1 h0 (x) = hj1 −j0 (x) + j=1 k=−2j1 −j0 −j dj. e ca . hj1 −j0 = a− a+ φ(2−(j1 +n) x + 1) + n φ(2−(j1 +n) x) + n 2 2 n a− a− + ψ(2−(j1 +j) x + 1) + j ψ(2−(j1 +j) x) . h0 ´ escrita como uma vers˜o de baixa resolu¸˜o. Portanto. representados por δ1 e δ2 . onde h2 ´ a seguinte fun¸˜o constante por e ca parte em intervalos da forma [k2j0 +2 . teremos. a 2j1 −j0 −2 −1 δ2 = k=−2j1 −j0 −2 d2. ent˜o. h2 ∈ Vjo +2 . j 2 2 j=1 Logo.2 TRANSFORMADA DISCRETA DE WAVELETS A seguir. h0 (x) = onde j1 −j0 2j1 −j0 −j −1 a− a+ φ(2−(j1 +n) x + 1) + n φ(2−(j1 +n) x) + ∆n n 2 2 ∆n = dj.k ψ(2−(j0 +2) x − k) ∈ Wjo +2 . 2j1 −j0 −j −1 h0 = h2 + δ1 + δ2 = h2 + j=1.k ψ(2−(j0 +j) x − k). a0. ou seja.

apenas um n´mero finito de valores de hn ser˜o u a diferentes de zero.k = f. ψj. [1.k e φj. temos ||h0 − ∆n ||2 = 2 2 |a− + a+ |2− 2 → 0 quando n → ∞. Das rela¸˜es (6) e (5). aj.n (x) ≡ 2− 2 φ(2−j x − n) = .k como as proje¸˜es de e co f sobre ψj.1 C´lculo R´pido dos Coeficientes de wavelets na Base de Haar a a √ 2 √ 2 √ 2 (h0 φ(2x) + h1 φ(2x − 1)) (5) √ 2 (g0 φ(2x) + g1 φ(2x − 1)) (6) Das rela¸˜es (3) e (4). temos co ψj.k e dj. necessariamente (veja ca ca a rela¸˜es (32) e (31)). respectivamente. 6].k . ent˜o. veja. elas medem o incremento de informa¸˜o entre duas escalas consecutivas. n˜o se conhece uma forma anal´ a ıtica fechada para as mesmas e elas s˜o calculadas numericamente. co φ(x) = e ψ(x) = √ 2 k √ 2 k hk φ(2x − k) (7) gk φ(2x − k).k e a “m´dia”aj. 2 j (9) (10) Se definirmos o coeficiente de wavelet dj. por exemplo.2n+1 √ 2 j φj−1. entretanto. As wavelets de Daubechies [1. ou seja.2n+1 √ φj. a 2. se ψ ´ uma wavelet e φ ´ co a a e e a fun¸˜o escala associada a ψ (veja Defini¸˜o 3.2 TRANSFORMADA DISCRETA DE WAVELETS Para finalizar. ou seja. j1 n 8 Note que as wavelets nos permitem recuperar os detalhes que seriam perdidos com a diminui¸˜o de resolu¸˜o quando se passa de uma escala para a escala seguinte. ao .2n + φj−1. ca A wavelet de Haar ´ a unica wavelet com suporte compacto para a qual se tem e ´ uma forma anal´ ıtica fechada. ca ca ou seja. No caso das a wavelets de suportes compactos.k . 4] tamb´m tˆm suportes e e compactos e podem ser tomadas t˜o suaves (e com quantos momentos nulos quanto a desejamos). temos co φ(x) = ψ(x) = 1 √ φ(2x) + 2 1 √ φ(2x) − 2 1 √ φ(2x − 1) 2 1 √ φ(2x − 1) 2 ≡ ≡ As rela¸˜es (5) e (6) s˜o v´lidas em geral.2n − φj−1.1.1).n (x) ≡ 2− 2 ψ(2−j x − n) = φj−1. φj. (8) Os coeficientes hn s˜o denominados coeficientes de filtros da wavelet.k = f.

temos graficamente o seguinte algor´ co ıtmo em cascada para reconstruir f . djo +J−1. djo +1. (k + 1)2j0 ).. . .k . ajo +1.n − dj.n ) . 2 (17) (16) Da rela¸˜es (16) e (17). .2n + dj−1. {ajo .2n = √ (aj.. . . . .k }k . −→ ajo +J−2.n = aj. djo +1. . Como os coeficientes e e co hk e gk s˜o em geral reais. temos 1 aj−1. ca Das rela¸˜es (11) e (12).. −→ ajo +3.. onde a passagem de j − 1 para j ´ feita atrav´s das rela¸˜es (14) e (15). ou c co seja..k }k ... djo +J−1.... seja uma boa aproxima¸˜o para f .n + dj.n = k gk aj−1. djo +J. (15) portanto.2n+k . : ajo +J. .. tal que a proje¸˜o de f ca sobre o espa¸o das fun¸˜es constantes em intervalos da forma [k2j0 . djo +J. o algoritmo descrito por (13) vale para uma wavelet em geral.. a barra representando o complexo conjugado poder´ ser a a omitida. .. −→ ajo . Somando-se (11) e (12).. j > j0 . .2 TRANSFORMADA DISCRETA DE WAVELETS multiplicarmos as equa¸˜es (9) e (10) por f(x). −→ ajo +J. teremos as seguintes rela¸˜es co dj.2n+1 ) 2 1 √ (aj−1. dj.2n+1 ) 2 (11) (12) 9 que nos permitem o c´lculo r´pido dos coeficientes de wavelets.. . . a partir de ajo +J.2n − dj−1.k .. −→ ajo +1. −→ ajo +2. temos as seguintes rela¸˜es ca co aj. (18) .k φj0 . . djo +J. a partir a a de {aj0 . veremos que para uma wavelet em geral. djo +3.2n+1 = √ (aj. temos graficamente o seguinte algor´ co ıtmo em cascada para calcular os coeficientes de wavelets {dj. . as integrarmos de −∞ a ∞ e usarmos co a ortogonalidade dos φj. ajo +J−1..n }: ajo . −→ ajo +J−1. temos 1 aj−1.. (13) Na Se¸˜o 4. .n = 1 √ (aj−1. djo +2.2n+k (14) e dj.. ou seja..k para uma mesma escala. . djo +1. k aj0 .n = k hk aj−1..n ) 2 Subraindo-se (11) e (12).. onde j0 pode ser visto como uma escala fina. djo +2.

h1 = (3 + 3)/4 2. . os valores de gk e hk est˜o relacionados e uma poss´ a ca a ıvel rela¸˜o entre eles ´. ou seja. ou seja. . 2n−j − 1} e a partir deste e das rela¸˜es (16) e (17). gk = (−1)k h2N −1−k .. . . k = 0. n. 2n − 1 = N − 1 e atrav´s das rela¸˜es (11) e (12) e co obtemos uma nova representa¸˜o para a mesma. A wavelet de Haar pode ser vista como um caso particular das wavelets de Daubechies quando N = 1. eles s˜o ra´ a ızes de equa¸˜es alg´bricas. N ψ. N − 1. podemos voltar co aos valores iniciais. . veremos que para uma wavelet em geral. .2. neste caso. tais wavelets possuem todos a os momentos at´ ordem N − 1 nulos. podemos reconstruir a fun¸˜o a partir de seus coefico ca cientes de wavelets. . N ψ ∈ C µN . existe um intervalo de comprimento 2N − 1.0 . . Na pr´tica. No caso das wavelets de Daubechies. dj. os valores de N hk ser˜o diferentes de a zero apenas para 2N valores de k. onde µ 0. Conco e e e forme ser´ visto na Se¸˜o 3. j = 1.1 de [1]). . . 1. e ∞ −∞ xl N ψ(x) dx = 0. este n´mero ´ proporcional a N e dizemos que os u e algoritmos para calcular coeficientes de wavelets s˜o da ordem de N . Note que o e a a ca procedimento descrito pelas equa¸˜es (11) e (12) para se calcular os coeficientes de co wavelets Haar requer n−1 2 2n−j = 4(N − 1) opera¸˜es (somas e multiplica¸˜es). h3 = (1 − 3)/4 2 . .k + k gn−2k dj. h2 = (3 − 3)/4 2. Para N 1. . co co j=0 Para uma wavelet em geral. a ca a representa¸˜o em termos de coeficientes de wavelets ´ esparsa no sentido que a ca e maioria dos coeficientes dj. Em c´lculos num´ricos ca e a e envolvendo wavelets. da´ a a ı a id´ia de compress˜o por tr´s da representa¸˜o em bases de wavelets. digamos k = 0. devido ` grande correla¸˜o local.k . . ou seja. nos co restringiremos a wavelet 2 ψ. por exemplo. tal a e que N ψ se anula fora deste. . calculadas por m´todos num´ricos (veja tabela 6. . dado uma cole¸˜o arbitr´ria de N = 2n valores. os valores exatos de seus coeficientes de filtros s˜o a √ √ √ √ √ √ √ √ h0 = (1 + 3)/4 2. .k . temos as seguintes rela¸˜es ca co aj−1. . l = 0. . neste e caso. ca k = 0.k s˜o nulos ou muito pequenos e podemos ignor´-los. tratamos estes a ca a como se fossem a0. Nos problemas de interesse.n = k hn−2k aj. Das rela¸˜es (16) e (17). al´m disso. a 2. tudo que precisamos s˜o o seus coeficientes hn ’s. N ψ.2 As wavelets de Daubechies Em [4] s˜o construidas as wavelets de Daubechies. 2N − 1.2 TRANSFORMADA DISCRETA DE WAVELETS 10 Na Se¸˜o 4. tamb´m conhecida na literatura por Daub4. o algoritmo descrito por (18) vale para uma wavelet geral. {an. (19) ou seja. dizemos que N ψ tem suporte compacto.k . . a regularidade de N ψ aumenta com o parˆmetro N . a Em nossas aplica¸˜es ao problema de processamento de imagens digitais.

2 A vantagem de uma wavelet ψ ter v´rios momentos nulos nos ca a conduz a uma alta compressividade. Veremos ca a ca e que tamb´m ´ desej´vel que a fun¸ao escala tenha momentos nulos: seja φ tal que e e a c˜ ∞ −∞ ∞ xl φ(x)dx = 0. o que nos permite usar wavelets para detectar singularidades de a ∞ f . para l = 1. Esta wavelet tem os momentos de ordem zero e ordem um nulos. e c −J + 2−J x) em torno de deste ponto.´ ´ 3 A ANALISE DE RESOLUCAO MULTIPLA ¸˜ e hk = 0. evitando-se indesej´veis integra¸oes num´ricas na obten¸˜o da seq¨ˆncia a c˜ e ca ue inicial. para Fazendo-se uma expans˜o de Taylor f (k2 a −J J suficientemente grande. ∞ −∞ N ψ(x) dx = 0 = ∞ −∞ 11 x N ψ(x) dx. ou seja. ca Observa¸˜o 2. L − 1 e suponha que f tenha derivadas at´ ordem L numa vizinhan¸a do ponto k2−J . . L − 1. . ca ca Em 1989. para os demais valores de k. −∞ φ(x)dx = 0. toda wavelet satisfaz −∞ ψ(x)dx = 0. mais a e precisamente. . tivesse momentos nulos. Com isto temos um m´todo simples para calcularmos os coeficientes a−J.k ≡ f. os coeficientes de wavelets ser˜o apreci´veis a a a onde f n˜o for suave. . para uma fun¸˜o escala. Coifman sugeriu a Daubechies a constru¸˜o de uma base ortormal ca de wavelets onde n˜o somente ψ. veja Observa¸˜o 4. ela tem o momento de ordem zero nulo. como tamb´m φ. . nos quais s˜o feitas compress˜es de operadores via wavelets. ∞ l = 0. . . veja [1]. ou seja.2. φ−J. necess´ria no primeiro passo nos c´lculos dos coeficientes de wavelets de a a uma fun¸˜o. . Sob o ponto de vista pr´tico. φ−J. A situa¸˜o mudou com o a chegada da an´lise de resolu¸˜o m´ltipla ca a ca u . ou seja. −∞ −∞ xl φ(x)dx = 0. necessariamente. Para e a o uma discuss˜o das coiflets.k de uma escala e mais fina. . . Se¸˜o 8. a ca 3 A An´lise de Resolu¸˜o M´ ltipla a ca u As primeiras constru¸˜es de bases ortonormais de wavelets pareciam um pouco co miraculosas. φ. Tais wavelets foram denominadas de coiflets e foram usadas nos algoritmos num´ricos de [5]. l = 1. . . menores ser˜o os coeficientes de wavelets correspondentes a as partes de f que s˜o suaves. Necessariamente. temos f. L − 1 ∞ φ(x)dx = 1.2. ∞ −∞ xl ψ(x)dx = 0. porque os coeficientes de wavelets das escalas mais finas de uma fun¸˜o s˜o essencialmente nulos onde a fun¸˜o ´ suave. Em contra-partida. quanto mais momentos a nulos uma wavelet possuir.k 2 2 f (2−J k).

Os detalhes adicionais necess´rios para aumentar e a a resolu¸˜o de 2j para 2j−1 s˜o dados pela proje¸˜o de f sobre o complemento ca a ca ortogonal de Vj em rela¸˜o a Vj−1 . tais que eles satisfa¸am `s co c a seguintes condi¸˜es: co . {Vj }j∈Z . o qual denotamos por Wj : Vj ⊕ Wj = Vj−1 . ⊂ V2 ⊂ V1 ⊂ V0 ⊂ V−1 ⊂ V−2 ⊂ . ca Note que Wj ⊥Wj . ele estava trabalhando com an´lise de imagens. para todo n ∈ Z.n }j. (25) A propriedade (23) expressa que todos os espa¸os est˜o relacionados por escala c a a um mesmo espa¸o.. ent˜o. mais fina ´ a resolu¸˜o obtida. tal que ca {φ(x − n)}n∈Z constitui uma base ortonormal para V0 . f (x) ∈ V0 ⇒ f (x − n) ∈ V0 . e (20) (21) (22) (23) (24) 12 f (x) ∈ Vj ⇔ f (2j x) ∈ V0 .. formulada em 1986 por Mallat e Meyer. A ARM fornece um referencial onde bases de wavelets s˜o naturalmente compreendidas. se f (x) ∈ Vj . (26) . ∪j∈Z Vj ´ denso em L2 (R).. Existe φ ∈ L2 (R).1 Uma ARM ´ uma seq¨ˆncia. V0 (este ´ o aspecto da “multiresolu¸˜o”).n∈Z ´ uma base ortonormal para Vj para co e todo j ∈ Z. f (x − 2j n) ∈ Vj . Isto o estimulou a a ver bases ortonormais de wavelets como uma ferramenta para descrever matematicamente o “incremento na informa¸˜o” necess´rio para se ir de uma aproxima¸˜o ca a ca grosseira para uma aproxima¸˜o com maior resolu¸˜o.. ∩j∈Z Vj = {0}. de subespa¸os fechados de ca e ue c L2 (R). denominada fun¸˜o escala. Quando Mallat trabalhou com wavelets de Meyer pela ca primeira vez. As a condi¸˜es (25) e (23) implicam que {φj..´ ´ 3 A ANALISE DE RESOLUCAO MULTIPLA ¸˜ (ARM ). A condi¸˜o (23) significa que e ca ca nenhuma escala ´ privilegiada. bem como permite a a constru¸˜o de novas bases. ca ca Defini¸˜o 3. se j = j . assegura que limj→−∞ Pj f = f para todo f ∈ L Cada Vj pode ser interpretado como um espa¸o de aproxima¸˜o sucessiva: a c ca aproxima¸˜o de f ∈ L2 (R) na resolu¸˜o 2j ´ definida como a proje¸˜o de f sobre ca ca e ca Vj e quanto menor j. Ainda por causa c e ca desta propriedade. Se definirmos Pj como o operador proje¸˜o ortogonal sobre Vj . representando os sucessivos n´ ıveis de resolu¸˜es. para todo n ∈ Z. a condi¸˜o (22) ca ca 2 (R). onde a id´ia de se a e estudar imagens em v´rias escalas simultaneamente era popular.

se {ψ(x − k)}k for uma base ortonormal para W0 . As condi¸˜es acima s˜o trivialmente satisfeitas ( a propriedade (22) ´ uma imediata co a e conseq¨ˆncia do fato de que as fun¸˜es degraus com saltos nos racionais da forma ue co k 2j s˜o densas em L2 (R)).k .1.k ψj. sendo que a fatias distintas s˜o ortogonais. (28) Por causa de (28). temos Pj−1 f = Pj f + k∈Z f. 6]): Teorema 3. por exemplo. a Para a wavelet de Haar. para j < J.k . . ent˜o existe uma base ortonormal c˜ ca a 2 (R). digamos. (27) 13 onde todos estes subespa¸os s˜o ortogonais. o “dissecamos” em fatias c e correspondendo a detalhes que v˜o dos mais delicados aos mais grossos. ψj.1 Se uma seq¨ˆncia de subespa¸os fechados (Vj )j∈Z em L2 (R) e φ satisue c fazem as condi¸oes (20)-(25) da Defini¸˜o 3. ψj. ılia No caso das wavelets de Haar. Al´m a a e disso. k ∈ Z} para L Pj−1 f = Pj f + k f. Al´m disso. ent˜o existe c ca co a uma fun¸˜o ψ tal que (29) ocorra. k ∈ Z}. os Wj ’s. de wavelets {ψj. ca O teorema enunciado abaixo ´ um dos resultados mais importantes da ARM e (veja [1. pode ser decomposto como uma soma direta isto implica que o espa¸o todo. a {ψj. como o espa¸o todo ´ uma soma direta dos Wj ’s.n .k }j. .k (x)}k ser´ uma base ortonormal para Wj .n (31) onde hn = φ.) Segue-se que. tal que para todo f ∈ L2 (R). a fun¸˜o φ ´ dada por (2) e definimos ca e Vj = {f ∈ L2 (R) | f |[2j k. Para cada uma destas fatias. c a co 2 (R). ent˜o Wj ⊂ Vj ⊥Wj . (30) Uma poss´ escolha de ψ ´ ıvel e ψ= n (−1)n−1 h−n−1 φ−1.k∈Z como uma base ortonormal. Wj . ⊕ WJ ⊕ VJ . ent˜o.k | j. mais a ca os detalhes correspondentes `s escalas intermedi´rias entre as escalas 2j e 2J . temos a a fam´ de wavelets {ψj. .k ψj. φ−1. os subespa¸os Wj c e c herdam a propriedade de escala (23) de Vj : f (x) ∈ Wj ⇔ f (2j x) ∈ W0 . Em virtude das condi¸˜es (21) e (22). L c de subespa¸os mutuamente ortogonais. a A decomposi¸˜o (27) nos permite escrever uma fun¸˜o dada na escala 2j como ca ca a soma da sua vers˜o onde a sua resolu¸˜o foi reduzida por um fator de 2j−J .´ ´ 3 A ANALISE DE RESOLUCAO MULTIPLA ¸˜ (Se j > j . podemos a decompor Vj como a seguinte soma direta de subespa¸os: c Vj = Wj+1 ⊕ Wj+2 ⊕ . (29) A beleza da abordagem usando ARM ´ que desde que exista uma seq¨ˆncia de e ue subespa¸os (Vj )j∈Z e uma fun¸˜o φ satisfazendo as condi¸˜es (20)-(25).2j (k+1)) = constante.

Note que de (35).k = k gk φj−1. que a wavelet ψ ´ determinada a ca e menos de um fator de fase (um m´ltiplo escalar com m´dulo 1). temos a seguinte rela¸˜o de escala ca φ(x) = n 14 hn φ−1. ocasionalmente. (34) hk φ(2x − k) (35) onde hk = φ. com uma escolha conveniente de N ∈ Z.n (x) = √ 2 n hn φ(2x − n). De maneira an´loga. co ψ(x) = e φ(x) = √ 2 k √ 2 k gk φ(2x − k).2n+k (x). as wavelets de Daubechies. (33) 4 Algoritmos R´pidos a Hav´ ıamos descrito um algoritmo r´pido para se calcular os coeficientes de wavelets a para o caso particular da wavelet de Haar. Al´m destas rela¸˜es. obteremos algoritmos r´pidos a para se fazer a decomposi¸˜o (an´lise) e reconstru¸˜o (s´ ca a ca ıntese) de uma fun¸˜o no ca caso de uma wavelet arbitr´ria.´ 4 ALGORITMOS RAPIDOS Como φ ∈ V0 ⊂ V−1 e {φ(x − n)}n forma uma base ortonormal para V−1 .2n+k . n. A seguir. ou seja. (32) Segue-se da demonstra¸˜o do Teorema 3. a A seguir transcreveremos as rela¸˜es (31) e (32). temos φj. de (34). ou seja. (37) = k hk φj−1. tamb´m usaremos que Vj−1 ´ uma soma e co e e direta de Vj e Wj . por exemplo. Vj−1 = Vj ⊕ Wj . (38) .n (x) = 2−j/2 φ(2−j x − n) = 2−(j−1)/2 k (36) hk φ(2−(j−1) x − 2n − k) ∀j.k . u o faz-se a seguinte escolha: gn = (−1)n h−n+1+2N . temos a ψj. φ−1. n.1. ∀j.

k = Qj f.k }k forma uma base para ca a Vj . f.n f.. φj.2n+k hk aj−1. Descreveremos o a ca passo j − 1 → j.2n+k . se ca a fizermos dj.k = 0.k }k sejam conhecidos e estejam armazenados numa matriz. ca logo. temos aj. (41) e em virtude da ortonormalidade dos φj. l = De (38). ent˜o.n .k .k .k .2k+l hl δn.2n+k hk f. (42) Seja Qj a proje¸˜o ortogonal sobre Wj .k = f.k . De (41) e (37). φj.k = l 15 hl φj−1.2k+l = hn−2k . ψj. a Qj f = k dj.k = Pj f.k .. ψj.´ 4 ALGORITMOS RAPIDOS De (37). k hk φj−1. φj. ent˜o.k φj. φj. f. assim. (43) . temos Pj f = k aj.n = = = = k Pj f. φj. φj. Como 1 − Pj ´ a e proje¸˜o ortogonal sobre o complemento de Vj . temos φj−1.k = Pj f.n = k hk aj−1. Assuma que os coeficientes {aj−1. ψj. ´ dada pela seguinte rela¸˜o e ca aj. a passagem de aj−1.n . → aj.k .k = l (39) gl φj−1. φj−1. como {φj. l = (40) Seja Pj a proje¸˜o ortogonal sobre Vj . aj. φj. ψj.k .n f. ent˜o. φj.k ψj.k .2k+l gl δn.2n+k = k hk−2n aj−1.n .n . φj. A an´lise de wavelets agora procede na dire¸˜o de j crescente. temos que (1 − Pj )f.2k+l = gn−2k . = k Portanto. temos φj−1.

k ψj.´ 4 ALGORITMOS RAPIDOS Substituindo-se (38) em (43) e multiplicando-se o resultado escalarmente por ψj.2n+k gk f. temos Pj−1 f = Pj f + Qj f = k aj. para as wavelets de Daubechies. existem algoritmos r´pidos para se calcular φ com uma precis˜o ara a bitr´ria e em tais algoritmos. para o caso trivial da wavelet de Haar).k .k + k dj. pois. n˜o existe uma f´rmula anal´ a o ıtica fechada para φ(x) e ψ(x) (exceto.n . (45) . f perde-se a resolu¸˜o por um fator de ca ca 2. como por exemplo. poder´ c ıamos at´ mesmo supor que a fun¸˜o inicial f ∈ Vjo . Dados f ∈ L2 (R) e > 0.k . Tudo que precisamos ´ de uma tabela com os valores de hk para come¸armos um e c trabalho num´rico concreto. φj−1. como nos descritos acima. temos dj. a A seguir. existe um jo ∈ Z tal que ||Pjo f − f ||2 < . A nova vers˜o de baixa resolu¸ao de f . ´ obtida a c˜ e ca e a partir dos coeficientes aj. podemos tomar jo = 0 como sendo a escala mais fina e seq¨ˆncia inicial a0. veremos como reconstruir f a partir de seus coeficientes de wavelets. a qual a ue poder´ ser determinada.k (x) dx.1 Na passagem j − 1 → j. a diferen¸a das proje¸˜es de f sobre Vj−1 e Vj .n = = = = k 16 Qj f. jo .. = k o que nos d´ a seguinte recurs˜o dj−1. No entanto.2n+k . que ´ a proje¸˜o de f sobre Vj .2n+k gk aj−1. ψj. ou seja. → dj.k φj.2n+k . : a a dj.k . De (36). Em [1. ajo .2 como evitar isso).k = −∞ f (x)φjo . h´ uma escala mais fina. por exemplo.k = f. respectivamente.2n+k = k gk−2n aj−1. precisamos apenas dos a coeficientes hn . 6]. conforme hav´ ıamos mencionado. φjo . k gk φj−1. ψj. seja numericamente ou n˜o. com a qual a come¸aremos. (44) Observa¸˜o 4.n f.2 Vimos que no primeiro passo do algoritmo acima precisamos dos ca valores de φ.n f. Nem a fun¸˜o escala φ nem a wavelet m˜e ψ precisam e ca a ser armazenadas.n = k gk aj−1.. s˜o armazenados nos c co a coeficientes dj. assim. φj. Em muitos casos. s˜o descritos ca a algoritmos r´pidos para se calcular numericamente φ.n .n e os detalhes correspondentes a esta perda. como ||Pj f − f ||2 → 0 quando j → −∞. ue representa os valores dos pixels da imagem. O nosso e ca ∞ ponto de partida ser´ a seq¨ˆncia ajo . No caso do processamento de imagens que descreveremos na Se¸ao c˜ 5.k = f. a Observa¸˜o 4. por integra¸˜o num´rica o que requer o coa ca e nhecimento de φ (veja na Observa¸˜o 2.

5 APLICACOES ¸˜ De um lado.75 MBytes.k φj. n + aj.n = Pj−1 f.k . As t´cnicas de compress˜o fornecem uma solu¸˜o.n dj.k + k gn−2k dj. (39) e (40). 2. Para armazenar uma imagem moderadamente grande.k ψj. transmitidas e manuseco adas por computadores tem crescido exponencialmente nas ultimas d´cadas.n = k 17 aj. hn−2k aj.k . a quantidade de informa¸˜es armazenadas. ca Este desenvolvimento s´ foi poss´ o ıvel por causa da r´pida evolu¸˜o dos harda ca wares.n . φj−1 . Uma fotografia padr˜o de 35 mm digitalizada a uma resolu¸˜o de 12 µm requer a ca 18 MBytes. Dois ´ e desenvolvimentos recentes tˆm contribuido para este efeito. n k = k aj. φj−1. Outro desenvolviıdo mento ´ a crescente disponibilidade da internet que fez com que tais informa¸˜es e co estivessem ` disposi¸˜o de uma quantidade enorme de usu´rios.k + k dj.k ψj. Isto mostra que os atuais hardwares s˜o inadequados (ou tecnicamente ou ecoa nomicamente).1 Aplica¸˜es co A Necessidade da Compress˜o de Dados a Como sabemos. Por outro lado.n = k dj. temos Pj f. digamos com 512 × 512 pixels e 24 bit de cor.k . requer cerca de 0. podemos obviaca mente: economizar espa¸o. e a ca Se pudermos representar a informa¸˜o num forma comprimida. filmes e realidade virtual.k gn−2k . 3.k hn−2k + k k = o que nos d´ a aj−1. tempo de cpu e tempo de transmiss˜o. (46) 5 5. um sistema interativo e de multi-m´ ıdia baseado na informa¸˜o. φj−1. Mesmo assim temos alguns problemas e para entendermos melhor mencionaremos os seguintes fatos: 1. discos e canais de transmiss˜o tˆm crescido a e enormememente. imagens.k . Um v´ ıdeo de sinal tipicamente tem 30 imagens por segundo. O desempenho das CPU´s.k φj. φj−1. O co tempo em que o computador manuseava apenas texto e n´meros j´ se passou e foi u a substitu´ pela era dos sons. um deles ´ o surgie e mento dos sistemas de multi-m´ ıdia juntamente com suas numerosas aplica¸˜es. φj−1 . c a . temos aj−1. Este dois desena ca a volvimentos resumem-se no chamado “World Wide Web”. Um segundo de v´ ıdeo colorido NTSC requer 23 MBytes. de (45).

Este. Por ca a exemplo. a Assim. isto significa que pode-se freq¨entemente predizer uma componente de u freq¨ˆncia olhando-se para as freq¨ˆncias vizinhas. fazendo-se os coeficientes menores do que um certo limiar iguais a zero. ca A id´ia ´ de se representar os dados usando-se uma base matem´tica diferente e e a na esperan¸a que esta nova representa¸˜o revelar´ ou n˜o a correla¸˜o. Existem v´rios tipos de correla¸˜es. ele s´ pode ser usado no caso em que pode-se o o substituir os dados originais por uma aproxima¸˜o que seja f´cil de se comprimir. portanto. sem d´vida. a maioria dos pixels de duas imagens ca mudam muito pouco na dire¸˜o do tempo. a No caso de compress˜o sem perda. como nos arquivos de texto. Exista um algor´ ıtmo r´pido (linear ou linear-logaritmico) para calcul´-la. 2. ıvel Nesta se¸˜o consideraremos a aplica¸˜o de wavelets ao problema de compress˜o ca ca a de dados. 18 5. A informa¸˜o ser´.5 APLICACOES ¸˜ A maioria da informa¸˜o que usamos ´ altamente correlacionada. estamos interessados em reconstruir os dados a exatamente. permitimos um erro. u e a visto que em todos momentos temos que receber ou enviar uma enorme quantidade de dados que podem. ´ um assunto de suma importˆncia nos dias atuais. a a . em outras ca e palavras. ser arquivos de uma imagem ou de um ´udio. a compress˜o ´ alcan¸ada calculando-se a transformada associada a esta a e c base. na compress˜o de imagens. a digitais. O esquema de compress˜o com perda tem a a a a vantagem que podemos atingir fatores de compress˜es muito maiores do que nas o compress˜es sem perda. portanto. sem qualquer perda de informa¸˜o. 2. ca a Temos que ser espec´ ıficos no que significamos uma representa¸˜o “aceit´vel”. Correla¸˜o temporal: Num video digital. daremos alguns exemplos: a co ca u 1. ca No caso de compress˜o com perda. ela inerentemente cont´m redundˆncia. Correla¸˜o espectral: A transformada de Fourier de um sinal ´ geralmente ca e suave. parece ser poss´ come a ıvel press˜o sem perda de informa¸˜o. uma aproxima¸˜o aceit´vel de uma imagem ´ a ca a e uma que seja visualmente indistingu´ da imagem original. desde que a qualidade a depois da descompress˜o seja aceit´vel. Correla¸˜o espacial: pode-se freq¨entemente predizer o valor de um pixel numa imagem olhando-se para os pixels vizinhos. A id´ia por tr´s de qualquer esquema de compress˜o ´ a de se remover a core a a e rela¸˜o presente nos dados.1.1 A Id´ia Geral Por Tr´s da Compress˜o Via Wavelets e a a Existem dois tipos de esquemas de compress˜o: com perda e sem perda. Dados correlacionados s˜o caracterizados pelo fato que ca a a partir de uma parte dos dados. Seja independente dos dados. O requerimento b´sico da compress˜o ´ que se a ca a a e possa mudar rapidamente dos dados originais aos comprimidos e vice-versa. por exemplo. caracterizada por um pequeno n´mero de coeficientes. podemos preencher a parte que esteja faltando. ca a u Na pr´tica procura-se uma transformada que tenha as seguintes propriedades: a 1. ue ue 3. entretanto. Com isto c ca a a ca queremos dizer que nesta nova base a maioria dos coeficientes s˜o muito pequenos.

Assim. devido `s correla¸˜es locais no espa¸o). Portanto. que ´ o valor comum e e das trˆs intensidades. mas de e ue maneira alguma local no tempo. e a ca basta darmos uma olhada na rela¸˜o (44): os coeficientes de wavelets. Para termos uma id´ia de como a compress˜o ocorre na representa¸˜o de wavelets. mais precisamente. No caso de uma imagem em preto e branco. e e r´pida e que nos conduz a uma representa¸˜o compacta para um enorme e geral a ca conjunto de dados. dj. n˜o a a possui a terceira propriedade. Seja capaz de remover a correla¸˜o para um conjunto grande e geral de dados. O valor de cada componente ´ um n´mero inteiro e u entre 0 e 255. entretanto. Com isso eles a o ca podem ser usados para caracterizar a regularidade de uma fun¸˜o.5 APLICACOES ¸˜ 3. os a co c valores de dj. ´ o e que teremos uma flutua¸˜o local significativa nos valores dos “pixels”. respectivamente.k s˜o pequenos em regi˜es de suavidade de uma fun¸˜o.2 Processamento de Imagens Digitais Existem diferentes sistemas para se representar uma imagem. satisfazem −∞ ψ(x) dx = 0 e −∞ φ(x) dx = 0. Desta forma. ca coeficientes de wavelets apreci´veis. Pode-se usar uma base de wavelets. temos 0 = ( k gk ) 1 −∞ φ(x) dx. integrando-se (34) sobre a reta real. um vetor com trˆs e e componentes. cada uma das quais representando as intensidades das cores vermelho. verde e azul. Divide-se o dom´ ınio espacial em peda¸os e usamos uma s´rie de Fourier em c e cada peda¸o separadamente. pois. Ela definitivamente tem as duas primeiras propriedades. ca ue c Necessitamos uma base adaptada a este comportamento. temos que usar o fato que uma wavelet ψ e a ∞ ∞ sua fun¸˜o escala associada. ca Um candidato poss´ ıvel para uma transformada ´ a transformada de Fourier e r´pida. ao calcularmos estes. a 19 5.k . e . ela ´ incapaz de revelar correla¸˜o local e ca no tempo. A maioria dos sinais tem correla¸˜o local na freq¨ˆncia e no espa¸o. ca Para vermos que k gk = 0. 2. as trˆs componentes s˜o e a iguais e a imagem ´ completamente caracterizada pelo escalar. obtem-se uma base trigonom´trica c e local. localmente. portanto. necessitamos uma base que seja local no tempo e na freq¨ˆncia. medem ca as flutua¸˜es locais dos valores dos “pixels”na escala j. ca e de modo que a referida combina¸˜o linear ser´ nula quando os valores de “pixca a els”adjacentes forem iguais e pequenos quando os valores destes forem pr´ximos o (isto ocorre numa imagem t´ ıpica. 2 Numa imagem t´ ıpica o que se vˆ s˜o regi˜es enormes onde os valores dos pixels e a o s˜o iguais ou muito pr´ximos. No sistema RGB. Ambos os m´todos resultam numa transformada que ´ independente dos dados. Existem duas maneiras ue de se construir tais bases: 1. A base ´ perfeitamente local na freq¨ˆncia. co o fazemos como uma combina¸˜o linear cuja soma dos coeficientes ´ k gk = 0. Somente em regi˜es de transi¸˜es. ca ∞ Portanto. φ. o que significa que os coeficientes de wavelets a elas a o associadas ou s˜o nulos ou desprez´ a ıveis. pr´ximas o co o aos contornos separando as regi˜es onde os valores dos “pixels”variam muito. uma imagem digital ´ caracterizada atribuindo-se a cada pixel.

. co a respectivamente. j = 1. . mais detalhes correspondentes `s escalas e e a intermedi´rias. . .k . . em rela¸˜o ` vers˜o anterior. onde l ´ um inteiro n˜o-negativo. a podemos. fazemos A[k] = a1. com 2l posi¸˜es.2l −1 os valores de cada um dos seus e a pixels. .k φ(x − k) (47) e de (27) podemos reescrevˆ-la como e J f (x) = fJ (x) + j=1 ∆j (x). temos uma imagem de baixa resolu¸˜o.. portanto. . sendo que A[k] = a2. . correspondentes a passagem de V0 para V1 .k φJ. . . Repetindo-se o a a processo l vezes. ela pode ser escrita de maneira unica como ca ´ f (x) = k 20 a0. se conhecermos os coeficientes aJ. f1 ∈ V1 ⊂ V0 . ..k }k=0. que ´ a “m´dia” de todos os pixels. o que estamos fazendo ´ obter uma vers˜o de baixa c e a resolu¸˜o de f . (48) onde fJ ∈ VJ e ∆j ∈ Wj . em preto e branco. .k }k=0 −1 e {d2. ca Com tal defini¸˜o. sejam {a0.k φ(x − k). para k = 0. Com isso teremos passado de um vetor A para um vetor CW . em ordem decrescente.k ψj. f2 ∈ V2 ⊂ V0 . onde a resolu¸˜o foi dimuida co a ca por um fator 2. . com 2l pixels. . onde os coeficientes aJ..k . os algoritmos acima nos permitem calcular os coeficientes de ca wavelets de f . para k = 0. s˜o calculados recursivamente a partir de a0. reduzimos a resolu¸˜o por um fator de 2j e ao passarmos de Vj ca ca para Vj+1 perdemos a resolu¸˜o por um fator de 2 e os detalhes que perder´ ca ıamos s˜o representados por ∆j . 2l−2 − 1.k (x). ao decompormos f de acordo com (48). co De maneira an´loga. 2l−1 − 1 e A[2l−1 + k] = d1. .k . e reconstruir a fun¸˜o f . o que a fazemos ´ obter uma vers˜o da imagem onde todos os pixels possuem o mesmo e a valor. j = 1. armazenada num vetor A. Com isso. calcular os a0... ca dada em (47).k }k=0 −1 . a partir de (46). No primeiro sional com 2 co passo passamos de V0 para V1 . recursivamente. nas posi¸˜es seguintes est˜o os co co a detalhes. 2k−l − 1. geramos 2l−1 co l−1 2l−1 coeficientes {a1.k e ∆j (x) = k dj. . Assim. J = 2l e os coeficientes aJ. obtemos al. co estes ser˜o armazenados nas 2l−1 primeiras posi¸˜es de A.k }k=0 −1 e 2l−2 2l−2 das rela¸˜es (42) e (44) e encontrarmos os coeficientes {a2. . . . . fJ (x) = k aJ. . dj. Associamos a esta imagem a seguinte fun¸˜o em V0 : f (x) = k a0.0 que ser˜o armazenamos em A[0] e A[1]. .k .0 e dl. come¸amos com uma imagem unidimenc l pixels. .k }2 −1 e 2l−1 coeficientes {d1. . por a meio das rela¸˜es (42) e (44).k a co para k = 0. Dada uma imagem digital unidimensional. com resolu¸˜o diminuida por fator de ca ca dois. nas posi¸˜es seguintes os detalhes ca a a co correspondentes `s escalas intermedi´rias. usando-se as rela¸˜es (42) e (44). a partir da vers˜o fl−1 ∈ Vl−1 ⊂ V0 de f e das e a rela¸˜es (42) e (44). e ca 2l−1 Podemos repetir este processo a f1 e partindo-se de seus coeficientes {a1. e dj.. Nas primeiras 2l−2 posi¸˜es de A temos a vers˜o de f . a Sob o ponto de vista computacional. e dj. 2l−2 − 1 e A[2l−2 + k] = d2.. . armazenada nas primeiras 2l−1 posi¸˜es de A. . que ´ a proje¸˜o de f sobre W1 ..k .. J.k }k=0 −1 . na l−´sima vez.5 APLICACOES ¸˜ Dada uma fun¸˜o f em V0 . . para k=0 k = 0. Ao projetarmos f sobre um dos subespa¸os Vj . .

. . 2l−1 − 1 (nas demais posi¸˜es teremos os co coeficientes de wavelets). 0] est´ a “m´dia” dos pixels. j] com i. a Existem dois tipos de decomposi¸˜es de imagens digitais: a padr˜o e a n˜oco a a padr˜o. repetimos o processo ` vers˜o de baixa resolu¸˜o a a ca da imagem obtida no passo anterior e teremos uma submatriz de A. podemos inverter o processo de decomposi¸˜o e reconstruir a imagem inicial. associamos a cada linha da imagem ca a uma fun¸˜o em V0 . a qual pode ser armazenada numa matriz quadrada. encontraremos uma submatriz de A. j = 0. nos exemplos ıvel que consideraremos). 0] contendo a “m´dia” e de todos os pixels e nas demais posi¸˜es estar˜o os coeficientes de wavelets. . No caso de uma imagem colorida. nas demais posi¸˜es est˜o armazenados os coeficientes a e co a de wavelets. como feito no passo anterior. Associamos ` cada linha da imagem uma fun¸˜o em V0 .k e dj. a a ca seguir. j] com i. os coeficientes acima aj. Neste caso. restrita a A1 [i. co a . Cada passo no processo acima pode ser implementado por uma matriz invert´ (ortogonal.2.2. i. reconstruir a imagem. .k ser˜o vetores a com trˆs componentes e aplicamos o procedimento acima a cada componente. . ap´s. propriamente ditos.2 A Decomposi¸˜o N˜o-Padr˜o ca a a Na decomposi¸˜o n˜o-padr˜o. A seguir. A seguir. 2l−2 −1. Como estas opera¸˜es s˜o invert´ co a ıveis. o que significa que podemos a partir do vetor CW obter o vetor A e. ca a de A. l co o passos. decompomos cada linha aplicando-se apenas um passo no processo descrito na passagem de V0 para V1 ⊕ W1 . j]. para cada linha calca culamos os coeficientes de wavelets. tratamos cada coluna resultante como se fosse uma fun¸˜o em V0 e as decompomos. associamos a cada uma das colunas transformadas no processo anterior uma fun¸˜o em V0 e aplicamos o processo acima ca a `s mesmas e obtemos os respectivos coeficientes de wavelets. a 21 5. onde ca as linhas foram substitu´ ıdas pelas colunas. . . conforme foi descrito acima. Note que em A[0. no primeiro passo. . veja Figura 4. em seguida. . . na qual est´ uma nova vers˜o de baixa resolu¸˜o da imagem a a ca (nas demais posi¸˜es os coeficientes de wavelets). . 2l − 1. ca 5. formada por A[0.5 APLICACOES ¸˜ sendo que neste temos os coeficientes de wavelets de f . j = 0. depois. . que descreveremos abaixo. tratamos cada linha ou coluna como se fosse uma imagem unidimensional. sepae radamente. No passo seguinte tomaremos a vers˜o a de baixa resolu¸˜o da imagem original a qual est´ armazenada numa submatriz. Prosseguindo desta forma.1 A Decomposi¸˜o Padr˜o ca a Na decomposi¸˜o padr˜o. aplicando-se o processo acima no c´lculo dos coeficientes de wavelets. portanto. Imagine que tenhamos uma imagem com 2l × 2l pixels. A[i. j = 0. aplicam-se opera¸˜es em linhas e ca a a co colunas alternadamente. restrita aos A[i.

para calcularmos seus coeficientes de wavelets tratamos suas linhas e suas colunas como se fossem “imagens unidimensionais”.2l−j+1 −1 ). . . . . No j−´simo passo. dj.2. . dj. ... . para as wavelet de Haar e Daub4. onde uma imagem unidimensional. Para a wavelet de Haar. . a fun¸˜o f (x) = k=0 a0. . .2l−j −1 ) ≡ Qj aj−1 . ´ transformado no e e vetor em l (aj. e e co Qj ´ a seguinte matriz de ordem 2j : e . ca Veremos como implementar a passagem de Vj−1 para Vj ⊕ Wj (j = 1. l). (49) Onde a matriz Qj ´ obtida atrav´s das rela¸˜es (42) e (44). .0 .0 .0 . ou se preferirmos.2l −1 com os valores dos e ue e 2 −1 pixels.. . digamos com com 2l de pixels ´ a seq¨ˆncia num´rica {a0.5 APLICACOES ¸˜ 22 Figura 4: A Decomposi¸˜o N˜o-Padr˜o ca a a 5.k }k=0.3 Implementa¸˜o para as Wavelets de Haar e Daub4 ca Vimos que quando consideramos uma imagem digital (bi-dimensional).2l−j −1 . . aj. . o vetor aj−1 = (aj−1. . aj−1..k φ(x − k) em V0 . .

logo. b. dj. k = 0. . h0 −h1 Como h2 + h2 = 1. . co co o segue-se que Qj ´ a seguinte matriz de ordem 2j (2 ≤ j ≤ l): e          Qj =          h0 h1 h2 h0 h3 h1  h2 h0 h3 h1         .5 APLICACOES ¸˜          Qj =           h0 . no e 0 1 j j processo inverso. h0 −h1 h0 −h1 .         23 h0 h1 h2 h3 .         h1 h0 h1 . 2l−j − 1}... a. das rela¸˜es (42) e (44). na reconstru¸˜o... . . . h0 h1         . Q−1 = Qt . ou seja. a matrix Qj ´ ortogonal. Por causa das rela¸˜es h2 + h2 + h2 + h2 = 1 e h2 h0 + h3 h1 = 0. h0 −h1 . .. b): Q= a qual ´ equivalente a matriz e Q1 = h0 + h2 h1 + h3 h1 + h3 −h0 − h2 . . . ... l. b). por causa das condi¸˜es de contorno peri´dicas. h1 −h0 . . usando-se condi¸˜es peri´dicas.0 . . as matrizes Qj co 0 1 2 3 s˜o ortogonais.. a implementa¸˜o da passagem j → j − 1. h2 h3 h0 h1 h1 −h0 h3 −h2 atuando em vetores (a.2l −1 em {al. teremos co o 4 formado por vetores uma matriz Q. h2 h3 h3 −h2 h1 −h0 h3 −h2 h1 −h0 h3 −h2 −h1 h0 .k . definida abaixo. .k }k=0. ca ca ´ imediata. j = 1. . h3 −h2 No caso em que m = 1. . . a Com o procedimento acima. . . . . h0 h1 . . Com isto. . transformamos {a0. e Para a wavelet Daub4. atuando no subespa¸o do R c da forma (a.

que no presente caso pode ser a e ca wavelet de Haar ou Daub4. ca e .k (x). passamos da representa¸˜o f (x) = k=0 a0.5 APLICACOES ¸˜ 24 Figura 5: Reconstru¸˜o com a wavelet Daub4 ca os coeficientes de wavelets dj. al. juntamente com com a “m´dia” dos pixels.0 . Note que mesmo usando-se cerca de 5 por cento dos coeficientes de wavelets a reconstru¸˜o ´ visivelmente perfeita.k φ(x − k) para ca l 2l−j −1 f (x) = al.k .0 (x) + j=1 k=0 dj. onde φ ´ a fun¸˜o escala associada a wavelet ψ.k ψj. A Figura 5 mostra a reconstru¸˜o de uma imagem usando-se diferentes percenca tagens de seus coeficientes de wavelets.0 φl. se e 2l −1 preferirmos.

Coifman. V. Orthonormal Basis of Compactly Supported Wavelets. CBMS . Fast Wavelet Transforms and Numerical Algoritms I. 69. [4] Ingrid Daubechies. G. [6] Paulo Cupertino de Lima. Commm. 1992. Algoritmos e Aplica¸˜es.. [2] A. [3] J. 909-996. 141-183.NSF Regional Conferences Series in Applied Mathematics. 1988. van den Berg. Haar. Wavelets: Teoria. pp. volume XLIV. Math. Rokhlin. R. 1999. pp. Ann. Ten Lectures on Wavelets. 1991. Cambridge Press. 1910. Appl. Communications in Pure and Applied Mathematics. a 25 Referˆncias e [1] Ingrid Daubechies. 331-371. ca .ˆ REFERENCIAS O autor gostaria de agradecer ao CNPq e ` FAPEMIG pelo apoio financeiro. Math. Zur Theorie der Orthogonalen Funktionen-Systeme. em co prepara¸˜o. 41. Wavelets in Physics. C. [5] Beylkin.

Sign up to vote on this title
UsefulNot useful