Discrete Transform

6-1introducation

A transform is simply another term for a mathematical mapping process.

there are some of the transforms are used in image analysis and processing to
provide information regarding the rate at which the gray levels change within an
image—the spatial frequency. However, its primary purpose is to decorrelate the
data between image bands. Additionally, the wavelet and the Haar transforms are
different in that they retain both spatial and frequency information.

‫ هن''اك بعض التحويالت المس''تخدمة‬.‫التحويل هو مجرد مصطلح آخر لعملية رسم' الخرائط الرياض''ية‬
‫في تحليل الصور ومعالجتها لتوفير' المعلومات المتعلق''ة بالنس''بة ال''تي تتغ''ير فيه''ا المس''تويات الرمادي''ة داخ''ل‬
.‫ ف''إن الغ'رض األساس'ي' من'ه ه'و رب'ط البيان''ات بين نطاق''ات الص''ورة‬،‫ وم''ع ذل'ك‬.‫ ال''تردد المك'اني‬- ‫صورة‬
‫ مختلف''ة في أنه''ا تحتف''ظ ك''ل من‬Haar ‫ والتحويالت' ه''ار‬wavelet ‫ فإن تحويل المويجات‬،‫باإلضافة إلى ذلك‬
'.‫المعلومات المكانية والتردد‬

In general, a transform maps image data into a different mathematical space

via a transformation equation. However, those color transforms mapped data from
one color space to another color space with a one-to-one correspondence between a
pixel in the input and the output. Basically, most of these transforms map the
image data from the spatial domain to the frequency domain (also called the
spectral domain), where all the pixels in the input (spatial domain) contribute to
each value in the output (frequency domain). (Figure 6.1)

.‫ تحويل خرائط بيانات الصورة إلى فض''اء رياض'ي' مختل''ف عن طري''ق معادل''ة التحوي''ل‬،‫بشكل عام‬
‫ فإن هذه األلوان تحول البيانات المعينة من مساحة لون واحد إلى مساحة لون آخر مع ارس''ال واح''د‬،‫ومع ذلك‬
‫ فإن معظم هذه التحوالت ترسم بيانات الصورة‬،‫ في األساس‬.‫إلى واحد بين البكسل في المدخالت والمخرجات‬
‫ حيث تس''هم جمي''ع البكس''ل في اإلدخ''ال‬،)‫من المجال المكاني إلى مجال التردد (وتسمى أيضا المج''ال الطيفي‬
.)‫(المجال المكاني) في كل قيمة في المخرجات (مجال التردد‬

Figure 6.1: Color transforms use a single-pixel to single-pixel mapping.

80
 These transforms are used as tools in many areas of engineering and science,
including digital image processing. Originally defined in their continuous forms,
they are commonly used today in their discrete (sampled) forms. The large number
of arithmetic operations required for the discrete transforms, combined with the
massive amounts of data in an image, require a great deal of computer power. The
ever-increasing computer power, memory capacity, and disk storage available
today make the use of these transforms much more feasible than in the past. (figure
6.2)

‫ بما في ذلك معالجة الص''ور‬،‫وتستخدم' هذه التحويالت كأدوات في العديد من مجاالت الهندسة والعلوم‬
‫ إن‬.‫ وتس''تخدم' ع''ادة الي''وم في أش''كال (عين''ات) منفص''لة‬،‫ وعادة ما يتم تعريفها في أشكالها المس''تمرة‬.‫الرقمية‬
‫ مقترن''ة بكمي''ات هائل''ة من البيان''ات في‬،‫العدد الكب''ير من العملي''ات الحس''ابية المطلوب''ة للتح''ويالت المنفص''لة‬
‫ ان قوة الكمبيوتر المتزايدة مع سعة ال''ذاكرة وق''درة التخ''زين‬.‫ تتطلب قدرا كبيرا من الطاقة الحاسوبية‬،‫صورة‬
.‫في القرص المتاحة اليوم تجعل استخدام هذه التحويالت أكثر جدوى مما كانت عليه في الماضي‬

Figure 6.2: The pixel brightness in each row corresponds to 1–D sinusoids, which are
repeated along each column for 2-D Image.

Image transforms are designed to reduce image redundancy by reducing the

sizes of most pixels and to identify the less important parts of the image by
isolating the various frequencies of the image.

‫تم تصميم' تحويالت الصورة للح''د من التك''رار في الص''ورة عن طري''ق تقلي''ل أحج''ام معظم وح''دات‬
.‫البكسل وتحديد' األجزاء األقل أهمية من الصورة عن طريق عزل الترددات المختلفة للصورة‬

Image frequencies are important because the Low frequencies correspond to

the important image features, whereas high frequencies correspond to the details of
the image, which are less important. Thus, when a transform isolates the various
image frequencies, pixels that correspond to high frequencies can be quantized
heavily, whereas pixels that correspond to low frequencies should be quantized

81
‫‪lightly or not at all. This is how a transform can compress an image very‬‬
‫‪effectively by losing information, but only information associated with‬‬
‫‪unimportant image details.‬‬

‫ت'رددات الص''ورة مهم'ة ألن ال'ترددات المنخفض''ة تتواف''ق م''ع م'يزات الص''ورة الهام''ة‪ ،‬في حين أن‬
‫الترددات العالية تتوافق مع تفاصيل الصورة‪ ،‬والتي هي أقل أهمية‪ .‬وهكذا‪ ،‬فعن''دما ي''ؤدي' التحوي''ل إلى ع''زل‬
‫ترددات الصورة المختلفة‪ ،‬يمكن ضغط وتكميم' البكسالت التي تتطابق مع الترددات العالية بكميات كب''يرة‪ ،‬في‬
‫حين ينبغي ضغط او تكميم البكسالت التي تتطابق' مع الترددات المنخفض''ة بش''كل طفي''ف أو ال يس''تخدم' معه''ا‬
‫على االطالق‪ .‬هذه هي الطريقة التي يمكن للتحويل ضغط صورة بشكل فعال جدا من خالل فقدان المعلومات‪،‬‬
‫ولكن فقط المعلومات المرتبطة بتفاصيل الصورة غير الهامة‪.‬‬

‫)‪6-2Fourier Transform (FT‬‬

‫‪The Fourier transform is the most well-known, and the most widely used‬‬
‫‪transform. It was developed by Baptiste Joseph Fourier (1968-1830) to explain the‬‬
‫‪distribution of temperature and heat conduction. Since that time the Fourier‬‬
‫‪transform has found numerous uses, including vibration analysis in mechanical‬‬
‫‪engineering, and here in computer imaging. In mathematics, a Fourier series‬‬
‫‪decomposes periodic functions or periodic signals into the sum of a (possibly‬‬
‫‪infinite) set of simple oscillating functions, namely sine and cosine (or complex‬‬
‫‪exponentials).‬‬

‫تحويل فورييه هو األكثر شهرة‪ ،‬والتحو'يل األكثر استخداما على نطاق واسع‪ .‬وقد تم تطويره من قب''ل‬
‫بابتيست جوزيف' فورييه (‪ )1830-1968‬لشرح توزيع' درجة الحرارة والتوصيل' الحراري‪ '.‬ومنذ ذلك الوقت‬
‫وجد تحويل فورييه العديد من االستخدامات‪ ،‬بما في ذل''ك تحلي''ل االه''تزاز في الهندس''ة الميكانيكي''ة‪ ،‬وهن''ا في‬
‫التصوير' بالكمبيوتر‪ '.‬في الرياضيات‪ ،‬سلسلة فورييه تتحلل الدوال الدورية أو اإلش''ارات الدوري''ة في مجم''وع‬
‫مجموعة (ربما النهائية) من دوال التذبذب البسيطة‪ ،‬وهي جيب وجيب التمام (أو األسي المعقدة)‪.‬‬

‫‪This transform allows for decomposition of an image into weighted sum of‬‬
‫‪2-D sinusoidal terms. Assuming an N×N image, the equation for the 2-D discrete‬‬
‫‪Fourier Transform (2-D DFT).‬‬

‫هذا التحويل يسمح لتحليل الصورة إلى مجموع اوزان من المص''طلحات الجيبي''ة ثنائي''ة االبع''اد‪ .‬على‬
‫افتراض صورة ‪ ،N × N‬ومعادلة التحويل المنفصل لفورييه ‪.D DFT-2‬‬

‫‪82‬‬
 The base of the natural logarithmic function ℮ is about 2.71828; j, the
imaginary coordinates for a complex number, equal √−1 . The basis functions are
sinusoidal in nature, as can be seen by Euler's identity:

ejx = cos x + j sin x

So we can write the Fourier transform equation as

In this case, F(u, v) is also complex, with the real part corresponding to the cosine
terms and the imaginary part corresponding to the sine terms.

After we perform the transform, if we want to get our original image back, we need
to apply the inverse transform. The inverse Fourier transform is given by:

‫ مع الجزء الحقيقي المقابلة لشروط' جيب التمام والجزء‬،‫ هو أيضا معقدة‬F(u, v) ،‫في هذه الحالة‬
.‫الخيالي المقابلة لشروط جيبية‬

‫ ونحن بحاجة إلى تطبيق‬،‫ إذا أردنا الحصول على صورتنا' األصلية مرة أخرى‬،‫بعد أن نقوم بتحويل‬
:‫ ويعطى تحويل فورييه العكسي من خالل‬.‫تحويل معكوس‬

The F–1[ ] notation represents the inverse transform. This equation illustrates
that the function, I(r,c), is represented by a weighted sum of the basis functions,
and that the transform coefficients, F(u,v), are the weights. With the inverse
Fourier transform, the sign on the basis functions’ exponent is changed from –1 to
+1. (Figure 6.3)

‫ ممثلة بمجموع' االوزان‬I(r,c) ‫ وتوضح هذه المعادلة أن الدالة‬.‫ [] التحويل العكسي‬F-1 ‫ويمثل الرمز‬
‫ يتم تغيير عالمة‬،‫ مع تحويل فورييه معكوس‬.‫ هي األوزان‬F(u,v) ‫ وأن معامالت التحويل‬،‫لدوال األساسية‬
.1+ ‫ إلى‬1- ‫على دوال األس األساسي من‬

83
Figure 6.3: a-original image b-the magnitude of the Fourier spectrum from (a) represented as an
image, c- the phase of the Fourier spectrum from (a) represented by an image.

6-3Discrete Cosine Transform

The cosine transform, like the Fourier transform, uses sinusoidal basis
functions. The difference is that the cosine transform basis functions are not
complex; they use only cosine functions, and not sine functions. The 2-D discrete
cosine transform (DCT) equation for an N × N image is given by

‫ والف'رق ه''و أن دوال أس'اس‬.‫ يس''تخدم دوال أس''اس الجيبي''ة‬،‫ مثل تحوي'ل فوريي''ه‬،‫تحويل جيب التمام‬
‫ وتعطى معادل''ة‬.‫ وليس دوال جيبي''ة‬،‫تحوي''ل جيب التم''ام ليس''ت معق''دة؛ فإنه''ا تس''تخدم فق''ط دوال جيب التم''ام‬
N × N ‫ لصورة‬D (DCT)-2 ‫تحويل جيب التمام المنفصل‬

Where

Because this transform uses only the cosine function, it can be calculated using on
real arithmetic (not complex).

.)‫ فإنه يمكن حسابه باستخدام' حساب حقيقي (غير معقد‬،‫ألن هذا التحويل يستخدم فقط دالة جيب التمام‬

The cosine transform is often used in image compression, in particular in the

first version of the Joint Photographers Expert Group (JPEG) image compression
method, which has been established as an international standard (the newer
84
JPEG2000 method uses the wavelet transform). In digital image processing we
often represent the basis matrices as images, called basis images, where we use
various gray values to represent the different values in the basis matrix.

‫ وال س''يما في النس''خة األولى من طريق''ة‬،‫وغالبا ما يس''تخدم' تحوي''ل جيب التم''ام في ض''غط الص''ورة‬
‫ وال'''تي تم إنش'''اؤها كمعي'''ار' دولي (أح'''دث طريقة‬،)JPEG( ‫ض'''غط ص'''ورة فري'''ق' الخ'''براء المص'''ورين‬
‫ في معالجة الصور الرقمية نحن غالبا ما تمثل مصفوفات األس''اس‬.)‫ تستخدم تحويل المويجات‬JPEG2000
.‫ حيث نستخدم قيم رمادية مختلفة لتمثيل القيم المختلفة في مصفوفة األساس‬،‫ تسمى صور األساس‬،‫كصور‬

The important feature of the DCT, the feature that makes it so useful in data
compression, is that it takes correlated input data and concentrates its energy in just
the first few transform coefficients.

‫ ه''و أن''ه يأخ''ذ بيان''ات الم''دخالت‬،‫ ميزة تجعلها مفيدة جداً في ض''غط البيان''ات‬، DCT ‫ميزة هامة من‬
.‫المترابطة ويركز طاقته فقط في معامالت التحويل القليلة األولى‬

6-4Wavelet Transform

A wavelet is a waveform of effectively limited duration that has an average value

of zero. However, wavelet is a “small wave” which has its energy concentrated in
time to give a tool for the analysis.

،‫ وم'ع ذل'ك‬.‫المويجة هي على شكل موجة من المدة المح'دودة بش'كل فع'ال وال'تي يبل'غ متوس'ط قيمته'ا' ص'فر‬
.‫الموجة هي "موجة صغيرة" التي لها طاقة تتركز في الوقت المناسب إلعطاء أداة للتحليل‬

Compare wavelets with sine waves, which are the basis of Fourier analysis.
Sinusoids do not have limited duration — they extend from minus to plus infinity.
And where sinusoids are smooth and predictable, wavelets tend to be irregular and
asymmetric. (Figure 6.4)

.‫ والتي هي أساس تحليل فورييه‬،‫ مع الموجات الجيبية‬wavelets ‫في مقارنة بين المويجات‬
‫ وحيث تكون المنحنيات‬.‫ أنها تمتد من ناقص إلى زائد االى ماالنهاية‬- ‫المنحنيات الجيبية ليس لها مدة محدودة‬
.‫ تميل المويجات إلى أن تكون غير منتظمة وغير متماثلة‬،‫الجيبية سلسة ويمكن التنبؤ بها‬

Figure 6.4: sin wave and wavelet represent.

85
 Wavelet analysis represents a windowing technique with variable-sized
regions. Wavelet analysis allows the use of long time intervals where we want
more precise low-frequency information, and shorter regions where we want high
frequency information.

Signals with sharp changes might be better analyzed with an irregular

wavelet than with a smooth sinusoid.

'‫ يسمح تحليل المويج''ات باس''تخدام‬.‫يمثل تحليل المويجات تقنية النافذة مع المناطق ذات الحجم المتغير‬
‫ والمن''اطق' أقص''ر حيث نري''د معلوم''ات‬،‫فترات زمنية طويلة حيث نريد معلومات أكثر دق''ة منخفض''ة ال''تردد‬
.‫عالية التردد‬

‫اإلشارات مع تغييرات حادة يمكن تحليلها بشكل أفض'ل م'ع المويج'ات غ'ير النظامي'ة عن المنحني'ات‬
.‫الجيبية الناعمة‬

 Scaling: Scaling a wavelet simply means stretching (or compressing) it. To go

beyond colloquial descriptions such as “stretching,” we introduce the scale
factor, often denoted by the letter a.

The scale factor works wavelets. The smaller the scale factor, the more
“compressed” the wavelet. The effect of the scale factor is very easy to see.(Figure
6.5)

‫ ونحن نق''دم‬،"‫ لتجاوز الوص''ف الع''ام مث''ل "تمت''د‬.)‫إن قياس او وزن المويجة يعني ببساطة التمدد (أو الضغط‬
.a ‫ وغالبا ما يرمز إليها بالحرف‬، scale factor ‫عامل القياس‬

‫ ت''أثير عام''ل‬."‫ كلم''ا زاد ض''غط "المويج''ة‬،‫ كلما كان عام''ل الحجم أص''غر‬.‫عامل المقياس يعمل مع الموجات‬
.‫الحجم من السهل جدا أن يالحظ‬

Figure 6.5: Scale Factor with Wavelet.

Q/ What’s the relationship between scale and frequency?

86
 Scale and Frequency: there is a correspondence between wavelet scales and
frequency as revealed by wavelet analysis: (Figure 6.6)
• Low scale a=> Compressed wavelet => Rapidly changing details => High frequency ‘w’.
• High scale a=>Stretched wavelet=>Slowly changing, coarse features=>Low frequency ‘w’.

Figure 6.6: Scale and Frequency.

6-4-1 The Discrete Wavelet Transform

It turns out rather remarkably that if we choose scales and positions based on
powers of two—so-called dyadic scales and positions—then our analysis will be
much more efficient and just as accurate. We obtain such an analysis from the
discrete wavelet transform (DWT).
'‫ وتس'مى‬2 ‫اتضح إلى حد كبير أن'ه إذا اخترن''ا المق'اييس والمواق''ف على أس''اس القيم المرفوع'ة للق''وة‬
‫ ونحصل' على مثل هذا التحليل من‬.‫ ثم تحليلنا سيكون أكثر كفاءة ودقة‬- dyadic scales and positions
.)DWT( ‫تحويل المويجة المنفصلة‬
For many signals, the low-frequency content is the most important part. It is
what gives the signal its identity. The high-frequency content on the other hand
imparts flavor or nuance. Consider the human voice. If you remove the high-
frequency components, the voice sounds different but you can still tell what’s
being said. However, if you remove enough of the low-frequency components, you
hear gibberish. In wavelet analysis, we often speak of approximations and details.
The approximations are the high-scale, low-frequency components of the signal.
The details are the low-scale, high-frequency components. (Figure 6.7)

‫ ه''و م''ا‬.‫ فإن المحتوى المنخفض ال''تردد ه''و الج''زء األك''ثر أهمي''ة‬،‫وبالنسبة إلى العديد من اإلشارات‬
‫ مثالً في‬.‫' المحتويات عالية ال''تردد من ناحي''ة أخ''رى يض''في النكه''ة أو الف''روق الدقيق''ة‬.‫يعطي اإلشارة هويتها‬
‫ الصوت سيبدو مختلفا ولكن ال ي''زال بإمكان''ك أن تفهم‬،‫ إذا قمت بإزالة المكونات عالية التردد‬.‫صوت اإلنسان‬
.‫ ستسمع صوت مشوش غير مفه''وم‬،‫ إذا قمت بإزالة ما يكفي من مكونات التردد المنخفض‬،‫ ومع ذلك‬.‫ما يقال‬
.approximations and details ‫ ونحن غالب''ا م''ا نتح''دث عن التق''ريب والتفاص''يل‬،‫في تحليل المويجات‬
،‫ التفاص''يل هي على نط''اق منخفض‬.‫ ذات ال''تردد المنخفض لإلش''ارة‬،‫والتقريبات هي المكونات عالية ال''تردد‬
.‫مكونات عالية التردد‬

87
 Figure 6.7: Low and High Frequency in DWT.

 Multiple-Level Decomposition:

The important of the wavelet as a multiresolution analysis technique comes

from its decomposition of the image into multilevel of the independent information
with changing the scale like a geographical map in which the image has non –
redundant information due to the changing of the scale.
The decomposition process can be iterated, with successive approximations
being decomposed in turn, so that one signal is broken down into many lower
resolution components. This is called the wavelet decomposition tree.
‫إن أهمية المويجة كطريقة تحلي''ل متع''ددة الق''رار ت''أتي من تحل''ل الص''ورة إلى مس''تويات' متع''ددة من‬
‫المعلومات المستقلة مع تغيير المقياس مثل الخريطة الجغرافية التي تحتوي الصورة على معلومات غير زائدة‬
.‫عن الحاجة بسبب تغيير' المقياس‬
‫ بحيث يتم تقسيم إشارة‬،‫ مع تحليالت تقريبية متتالية تتحلل بدورها‬،‫يمكن أن تتكرر' عملية التحلل‬
.‫ وهذا ما يسمى شجرة تحليل المويجات‬.‫واحدة إلى العديد من مكونات أقل دقة‬
Using this fact, every image will be transformed in each level of
decomposition to a one low information sub-image and three details sub-images in
Horizontal, Vertical, and Diagonal axis sub-images, also the low information sub-
image can be decomposed into another four sub-images. This approach of
decomposition process provides a number of unrealizable features for the original
image, which appear in these levels after applying the transformation. Since
wavelet transform provides a powerful time – frequency representation then it can
be considered as the most efficient transform, which deals with images, sound, or
any other pattern. (figure 6.8)

‫ س''يتم تحوي''ل ك''ل ص''ورة في ك''ل مس''توى' من التحل''ل إلى واح''دة منخفض''ة‬،‫باس''تخدام' ه''ذه الحقيق''ة‬
‫ ومح''ور قط''ري' للص''ور‬،‫المعلومات الفرعية صورة وثالث تفاص''يل الفرعي''ة الص''ور في األفقي والعم''ودي‬
‫ ي''وفر‬.‫ وأيضا المعلومات المنخفضة الصورة الفرعية يمكن أن تتحلل إلى أربعة صور' فرعية أخرى‬،‫الفرعية‬
88
‫ وال'تي تظه''ر في ه'ذه‬،‫هذا النهج من عملية التحلل عدداً من الميزات غير القابلة للتحقيق في الصورة األصلية‬
‫ال'تردد ثم يمكن اعتب'اره‬-‫ حيث تحويل المويجات ي''وفر تمثي''ل ق''وي في ال'وقت‬.‫المستويات بعد تطبيق التحويل‬
.‫ أو أي نمط آخر‬،‫ والذي يتعامل مع الصور والصوت‬،‫التحويل األكثر كفاءة‬

Figure 6.8: Block diagram of n-level wavelet transform

 Number of Levels: Since the analysis process is iterative, in theory it can be
continued indefinitely. In reality, the decomposition can proceed only until the
individual details consist of a single sample or pixel. In practice, you’ll select a
suitable number of levels based on the nature of the signal, or on a suitable
criterion such as entropy. (Figure 6.9)
،‫ في الواق''ع‬.‫ فمن الناحي''ة النظري''ة يمكن أن يس''تمر إلى أج''ل غ''ير مس''مى‬،‫بما ان عملية التحليل تكرارية‬
،‫ في الممارس''ة العملي''ة‬.‫يمكن أن تستمر' بالتحلل حتى تتكون التفاصيل الفردي''ة من عين''ة واح''دة أو بكس''ل‬
'.‫ أو على معيار مناسب مثل اإلنتروبي‬،‫عليك تحديد عدد مناسب من المستويات' استنادا إلى طبيعة اإلشارة‬

Figure 6.9: Example of Wavelet Transform.

6-4-2 Wavelet Reconstruction:

We’ve learned how the discrete wavelet transform can be used to analyze or
decompose, signals and images. This process is called decomposition or
analysis. The other half of the story is how those components can be assembled
back into the original signal without loss of information. This process is called

89
 reconstruction, or synthesis. The mathematical manipulation that effects
synthesis is called the inverse discrete wavelet transforms (IDWT).
'.‫ اإلش''ارات والص''ور‬،‫لقد تعلمنا كي''ف يمكن اس''تخدام' تحوي''ل المويج''ات المنفص''لة لتحلي''ل أو تفكي''ك‬
‫ النص''ف اآلخ'ر من القص'ة ه''و‬.decomposition or analysis ‫وتسمى هذه العملية التحلل أو التحليل‬
‫ وتسمى هذه العملي''ة‬.‫كيف يمكن تجميع هذه المكونات مرة أخرى في إشارة األصلي دون فقدان المعلومات‬
‫ ويس'مى التالعب الرياض'ي' في ت'أثيرات‬.reconstruction, or synthesis ‫ أو التوليف‬،‫إعادة اإلعم'ار‬
.)IDWT( ‫التوليف بمعكوس تحويالت المويجات منفصلة‬
Where wavelet analysis involves filtering and down sampling, the wavelet
reconstruction process consists of up sampling and filtering. Up sampling is the
process of lengthening a signal component by inserting zeros between samples.
(Figure 6.10)

،filtering and down sampling ‫حيث يتض''من تحلي''ل المويج''ات الترش''يح وأس''قاط العين''ات‬
‫ رف'ع‬.up sampling and filtering ‫وعملية إعادة اإلعمار المويجة يتكون من رفع العينات والتصفية‬
.‫العينات هو عملية إطالة مكون إشارة عن طريق' إدراج األصفار بين العينات‬

Figure 6.10: Up Sampling Process.

The low- and high pass decomposition filters (L and H), together with their
associated reconstruction filters (L' and H'), form a system of what is called
quadrature mirror filters.(Figure 6.11)

‫ جنب''ا إلى جنب م''ع مرش''حات إع''ادة اإلعم''ار‬،)H ‫ و‬L( ‫مرش''حات تحلي''ل الم''رور' المنخفض''ة والعالي''ة‬
.‫ تشكل نظام ما يسمى مرشحات المرآة التربيعية‬،)'H ‫ 'و‬L( ‫المرتبطة بها‬

Figure 6.11: quadrature mirror filters.

90