Transformada de WAVELET

Curso PISB:
Processamento de Imagens e Sinais Biolgicos
Cap. 5 : K. Najarian and R. Splinter, Biomedical Signal and Image
Processing CRC Press - Taylor & Francis Group, 2006
1

A Transformada de Fourier (TF) descreve as diferentes

freqncias contidas em uma imagem, mas no a localizao
espacial destas freqncias

Fourier
Transform

A
m
p
l
Time

A
m
p
l
Frequency

Fourier (1807)
2

Fourier timo para sinais estacionrios

Sinais cujo contedo no mudam no tempo de sinais
estacionrios.
Em outras palavras, o contedo de freqncia de sinais
so chamados estacionrios no mudam com o tempo.

Nestecaso,noprecisosaberquandoum
determinado componentes de freqncia existe, j que
todos os componentes de freqncia existem em todos
os momentos!
x(t)=cos(2*pi*10*t)+cos(2*pi*25*t)+cos(2*pi*50*t)+cos(2*pi*100*t)

Fourier no distingue sinais no estacionrios

Sinais cuja freqncia muda - > sinais no
estacionrios.
Por exemplo tem a mesma TF:
x(t)=cos(2*pi*10*t), para 0 < t <200 mili segundos
x(t)= cos(2*pi*25*t para 200 < t <400 mili segundos
x(t)=cos(2*pi*50*t) para 400 < t <800 mili segundos
x(t)=cos(2*pi*100*t) para 800 < t <1000 mili segundos

y(t)=cos(2*pi*25*t), para 0 < t <200 mili segundos

y(t)= cos(2*pi*100*t para 200 < t <400 mili segundos
y(t)=cos(2*pi*10*t) para 400 < t <800 mili segundos
y(t)=cos(2*pi*50*t) para 800 < t <1000 mili segundos

A TF dos 3 sinais anteriores tem quatro picos,

correspondendo a quatro freqncias
10, 25, 50 e 100 Hz.

FT no uma tcnica adequada para o sinal noestacionrio.

FT pode ser usado para sinais no-estacionrios, se estamos
interessadosapenasemquaiscomponentesdefreqncia
existem no sinal, mas no em que tempo estes ocorrem.
No entanto, se for necessrio saber, em que tempo um
componente (que momento), a transformada de Fourier no a
mais adequada para se usar.

Para contornar isso algumas propostas foram surgindo:

tcnicas que aplicam parties e multi resoluo visando incluir informaes
espaciais junto com as de freqncia, uma destas foi a
Windowed Fourier T ou Short Time Fourier Transform (STFT) .
window

Windowed
Fourier
Transform

A
m
p
l
Time

F
r
e
q
Time

Gabor (1946)
sugestion: http://users.rowan.edu/~polikar/WAVELETS/WTpart3.html
6

Windowed Fourier T ou Short Time Fourier Transform (STFT)

Problema: Janela de tamanho invariante

Alm disso, como definir o tamanho da janela?
Janela pequena:
Pouca informao sobre o sinal
Muito processamento

Janela grande:
Aumenta o erro na considerao do sinal ser estacionrio

Prximo passo na evoluo....

Uma transformada em janelas, mas com janelas
de tamanho varivel:
Intervalos maiores quando queremos informaes
mais precisas sobre baixas freqncias

Intervalos menores quando queremos

informaes mais precisas sobre altas
freqncia

Mas a mais interessante foi a idia inicialmente proposta por

Mallat em 1989 , que hoje chamamos:

Transformada de Wavelet
Wavelet
Transform

A
m
p
l
Time

s
c
a
l
e
Time

A rea de uma janela constante mas sua largura pode variar com o tempo

Resumindo a Evoluo das Transformadas

A
m
p
l

amplitude

time
(Shannon)

Todos os pontos no plano tempo

- frequncia, que esto dentro de
uma caixa so representada por
um valor da WT.

F
r
e
q
time
Windowed FourierTransform

(Gabor)

Frequencia
Fourier)

E
s
c
a
l
a
time
Wavelet T.
10

A resoluo ou detalhamento (da anlise) no domnio da freqncia (Fourier) diminui

enquanto a resoluo no tempo aumenta.
impossvel aumentar o detalhamento em um dos domnios sem diminu-lo no outro
(chama-se esta relao entre os domnios da freqncia e do tempo de )
: princpio da incerteza.
Usando as wavelet, possvel escolher a melhor combinao dos detalhamentos para
um objetivo estabelecido.

Frequency
Frequency

Fourier

Wavelet
(Daubechies)
Time

Time

Wavelet x Fourier

11

TW
Transformada wavelet capaz de fornecer a
informao do tempo e da freqncia em simultneo,
por conseguinte, dando uma representao de tempo e
freqncia do sinal ao mesmo tempo
A WT passam o sinal no domnio do tempo (ou
espao) por vrios filtros passa alta e passa-baixa,
que filtram as altas e baixa freqncia do sinal.

Este procedimento repetido, cada vez que uma parte

do sinal que corresponde a algumas freqncias seja
removidos do sinal.

Anlise Multi resoluo (MRA)

Embora o problemas de analisar em detalhes no tempo e freqncia ao mesmo tempo seja

devido a fenmeno fsico (o princpio da incerteza de Heisenberg) e existir
independentemente do fenmeno em analise, possvel analisar qualquer sinal, utilizando
uma abordagem alternativa denominada anlise multi resoluo (MRA).

MRA, como o nome sugere, analisa o sinal em freqncias diferentes, com diferentes
resolues. Cada componente espectral no resolvido igualmente como foi o caso no
STFT (TF ou TF janelada) .

MRA projetada para uma resoluo de tempo boa e resoluo de freqncia pobre em
altas freqncias e resoluo boa em freqncia e em tempo ruim em baixas
freqncias.

Essa abordagem faz sentido, especialmente quando o sinal tem componentes de alta
freqncia por perodos curtos e componentes de baixa freqncia para duraes
longas.

Felizmente, os sinais e imagens que so encontradas em aplicaes prticas so deste tipo.

Mas os das imagens trmicas seria? (Esse o objetivo do nosso Trab 3 !)

TRAB 3 - Final ! ! !

Qual a melhor base wavelets e tipo de limiarizao dos coeficientes para imagens termicas (IR)
?

Cada aluno (ou grupo de at 3 alunos) deve usar uma base wavelet ou tcnica de limiariazao
diferente e experimentar a denoising das imagens termicas com ruido adicionado, do
exercicio 1 (ou seja cada grupo ter para isso at 3 nveis diferentes de rudo a experimentar ! ) ,
para tentarmos responder a essa pergunta. Dica.

Esperamos at um mximo de 5 grupos, com bases diferentes ou mudando a forma de

limiarizao dos coeficientes para a reduo do rudo!

Assim use suas ideias e as do seu grupo (procure e=nos diversos trabalhos de denosing que
exixtem na literatura, mas no use as mesmas idias dos outros colegas colegas do curso! H
muito o que varias nisto!)

Entrega: 23/11/2012 ! (ltimo dia de aula !)

Como os demais trabalhos esperamos uma apresentao para a turma dos resultados!

A transformada de wavelet
Foi desenvolvido como uma abordagem alternativa para a STFT
no sentido re resolver o problema de resoluo.
A anlise wavelet feita de uma maneira similar anlise
STFT, no sentido em que o sinal multiplicado com uma
funo, (a wavelet), semelhante funo janela no STFT e a
transformao calculada em separado para diferentes
segmentos do sinal no domnio de tempo.
No entanto, existem duas diferenas principais entre a STFT e
a WT:
1. A transformao de Fourier das janelas no calculada; e
2. A largura da janela (resoluo) alterada quando a
transformao calculada para cada componente, o que
provavelmente a caracterstica mais significativa da
transformada wavelet.

O que Wavelet (significa pequena onda , ou em

portugus: onduleta ou ondaleta)
(ondeletes, em frances)

Wavelets so uma classe de funes usadas para re

escrever uma determinada imagem ou sinal ao mesmo
tempo em posio e escala.
Uma famlia de Wavelets pode ser construdo a partir
de uma funo, chamada "wavelet me.

As "Wavelets filhas" so, ento, formadas por

translao e contrao da"waveletme.

Fator de escala de uma funo

Se a define a escala e b a translao , uma wavelet individual

(normalisada) pode ser definida como:

1
t

,a

0
,b

a
,
b
a
a

18

Parmetro de Escala
O fator escala a representa uma contrao ou dilatao no sinal.
Para a>1 a funo sofre uma dilatao,

para a<1 obtm uma contrao do sinal.

As escalas maiores correspondem a uma vista no detalhada (global) e as escalas
menores correspondem a uma vista detalhada.
De modo semelhante, em freqncia, as baixas freqncias correspondem a uma
informao global (que geralmente se estende por todo o sinal ou imagem),
enquanto as freqncias altas (escalas reduzidas) correspondem a uma informao
detalhada (que geralmente dura um perodo de tempo relativamente curto).

Transformada wavelet
A decomposio de uma funo (imagem ou sinal)
com o uso de wavelets conhecida
como transformada wavelet e pode ser
continua ou
discreta.

Graas a capacidade de decompor as funes tanto no

domnio da freqncia quanto no domnio do tempo =>
as wavelet so poderosas no processamento de sinais e
imagens.

Transformada de Wavelet Contnua

Transformada de Wavelet Contnua a integral ao longo do tempo
de um sinal multiplicado por uma escala, e deslocado por uma
funo wavelet (Psi), tambm chamada wavelet me:
C escala , posio

f t escala , posio , t dt

O nmero ao lado do nome da

wavelet representa o nmero
de momentos nulos !

Repare que mais de uma forma (funo base ou me) pode ser
usada para gerar uma familia
Para ser considerada uma wavelet, uma funo inversivel tem que::
Ter uma rea total NULA sob a curva da funo (ou integral nula) ; e

(t)dt0
Ter energia (ou integral do quadrado da funo) finita,

C 2

(u ) du

22

Para que um f seja uma Psi

rea zero

energia finita:

Tem que ter um

suporte compacto
->
o que significa que ela deve
desaparecer fora de um
intervalo finito

Resumindo: Wavelet x Fourier

Essa caracterstica de energia concentrada em uma regio finita que diferencia as

wavelets da Fourier

Lembrem que a TF usa as funes de seno e cosseno que so peridicas e infinitas.

A Teoria Wavelet foi estruturada na dcada de 80, embora as origens da sua teoria
Wavelet remontam aos anos 30.

Teoricamente infinitas possibilidades de se projetar wavelets !!

Pode-se projetar wavelets otimizadas para realizar anlises especiais, onde as

wavelets tenham caractersticas semelhantes aos sinais sob anlise.
Assim, wavelets que so utilizadas para compresso de dados, podem revelar-se
pssimas para aplicaes de analises de sinais biolgicos, restaurao de imagens
ou sntese de musica.

Obs. JPEG 2000 usa wavelets bi ortogonais.

A Transformada de Wavelets contnua em F(a,b) :

(repare que uma funo de dois parmetros reais, a e b)
F (a, b) f (t ) a,b (t ) dt

a,b t denominada funo wavelet e definida como:

A funo
a , b t

Meyer

t b

,
a a

a 0,

Morlet

Chapu Mexicano

A transformada de wavelet decompe uma funo definida no

domnio do tempo em outra funo, definida no domnio do tempo e
no domnio da frequncia.

A base de Haar a mais simples, e til

para fins de entendimento inicial:
Dilataes e translaes da "funo de me"
definem uma base ortogonal (a base wavelet) a
qual usada para descrever o sinal ou a
imagem:
como termo escala usado na freqncia e no
denominador, deve se tomar cuidado ......

Quadrature mirror filter pair

til pensar os coeficientes como um filtro.
Os filtro ou coeficientes so colocados em uma matriz
de transformao, o qual aplicado a um vector de
dados.
Os coeficientes so ordenados usando dois padres
dominantes: um que funciona como um filtro de
suavizao (mdia), e outro que trabalha para obter os
dados da "detalhe" da informao.
Essas duas ordenaes dos coeficientes so chamados
de um par de espelhados de quadratura (quadrature
mirror filter pair) .

mother wavelet
a=1,b=0

Exemplo de escala agindo em uma funo wavelet

Combinando escala e translao tem-se

Um exemplo de famlia de Wavelets
f(t)=sen(t); a=1

mother wavelet
a=1,b=0
f(t)=sen(2t); a=1/2

f(t)=sen(4t); a=1/4

29

Wavelet Transform
escala
f(t)=(t); a=1

f(t)= (2t); a=1/2

f(t)= (4t); a=1/4

30

Wavelet Transform
Parametro de Posio

Wavelet

Same Function:
new location

A translao usado no mesmo sentido, utilizado no STFT: est relacionado

com a localizao da janela,

31

Wavelet Transform
escala, posio e tempo:

mother wavelet a=1,b=0

Large coefficients

scale
Small coefficients

time

32

Wavelets
F
(
a
,b
)

t
)

t
)
dt
a
,
b(
f(

1
t

,a

0
,b

a
,
b
a
a

condio de admissibilidade

u
)du

(0) 0

33

A Transformada de Wavelets contnua em F(a,b) :

F (a, b) f (t ) a ,b (t ) dt
A funo a,b t denominada wavelet:
a , b t

t b

,
a a

a 0,

As funes wavelets devem ter rea zero e energia finita:

C 2

(u ) du

condio de admissibilidade

Anlise de Wavelet (AW)

A Anlise de Wavelet (AW) feita pela aplicao sucessiva da transformada
de wavelet com diversos valores para a (resoluo) e b,
AW uma ferramenta matemtica para decomposio em nvel

hierrquico em um conjunto de aproximaes e detalhes.

O nvel hierrquico corresponde escala ditica (formado por potncia de 2).

AW Permite a descrio de uma funo em termos globais, mais

termos que variam de detalhes globais at detalhes finos.
A funo em questo pode ser uma imagem, uma curva, um exame
mdico, um objeto ou uma superfcie.

WT Discreta

1
t

j
j
2

,
a

2
,
b

k
2
,
j
,
k

a
,
b
a
a

mother wavelet a=1,b=0 => j=0 e k=0

36

Funo me discreta: Haar

Funo me

Transformada de Haar
Considerando j um inteiro positivo e

mother wavelet j=k=0

A famlia de Haar discreta:

Proposta pelo matemtico Alfred Haar (hngaro) em1909.
A transformada de Haar (considerada hoje) um caso particular das
de Ingrid Daubechies, onde usado um pulso quadrado definido por:

Era uma vez...

Depois de Haar em 1985, Stephane Mallat deu as wavelets mais
um impulso em um trabalho em processamento digital de
imagens.
Y. Meyer construiu a primeira wavelet suave e continuamente
diferenciveis (mas sem suportes compactos, contidas em
regiesnitas).
Ingrid Daubechies (usando os trabalhos de Mallat) construiu um
conjunto de bases ortonormais de wavelets suaves, com suportes
compactos.
Os trabalhos de Daubechies so as bases das aplicaes atuais.
Em 1989, Coifman sugeriu a Daubechies uma base ortormal de
wavelets que foram denominadas de coifets
http://www.mat.ufmg.br/~lima/artigos/rmu33.pdf

A base de um espao vetorial V

um conjunto de vetores linearmente independentes, que fazem
com que qualquer vetor v em V pode ser escrito como uma
combinao linear dos vetores da base.

Pode haver mais do que uma base de um espao vectorial.

No entanto, todas tm o mesmo nmero de vectores, e este

nmero conhecido como a dimenso do espao vectorial.

Por exemplo, no espao bidimensional, a base ter dois vetores.

Esses podem ser (1,0) ou (0,1) para o R2 por exemplo.

Os senos e cossenos so as funes de base para a TF.

Uma funo f(x) pode ser escrita como

combinao linear de uma base.
A wavelet de Haar esta associada a uma
base de ondas quadradas em diversas
resolues.
Considerando diversos coeficientes c

http://mathworld.wolfram.com/HaarFunction.html

EXEMPLO, UM SINAL COM 4 AMOSTRAS e seus coeficientes de Haar:

A primeira amostra no sinal em codificado contm

o coeficiente que descreve o componente DC
(MDIA GERAL).
Depois o coeficiente que descreve uma nica
wavelet Haar.

mdias

9 1 2 0
5

Em seguida, o coeficiente para duas wavelets Haar

( com metade da primeira)
Depois a ltima com metade da wavelet anterior.

1
3

R Detae lhes
s.
4

2
1

4 1
2

Para chegar aos coeficientes calculamos em

diferentes resolues esses valores de
mdias e detalhes para reconstruir o sinal
A resoluo corresponde ao nmero de divises do
intervalo [0,1] que consideramos.
Os valores de mdia correspondem, na representao
codificada do sinal, a sua descrio por uma onda
quadrada (no caso de Haar) .
Os detalhes so relacionados a forma da base da
famlia Haar usada (ondas de rea zero de Haar)

Outro exemplo: Qual seria a representao do sinal:

9 7 3 5 em TW de Haar?
Repare que esse sinal pode ser entendido como
decomposto no mesmo nvel de resoluo das
bases:

Ou seja ficaria como

(mas ai todas as ondas esto com
a mesma resoluo)

Mas podemos tambm re-escrve-lo

considerando mdias e detalhes como:

(agora estamos mesmo fazendo anlise em

multi resoluo)

Aplicao em compresso sem perdas

Repare que s em escrever esse sinal na ltima base j
temos menos espao de armazenamento do mesmo
(11 bits x 7 bits)

Como automatizar o processo de

codificao e de reconstruo?
Cada conjunto : resoluo,
base, funo de escala
representada por um conjunto
de filtros de mdias e detalhes
aplicado at um determinado
nvel.

Filtros normalizados de Haar e Daubechies

Os filtros normalizados de Haar passam a ser:

De modo que os coeficientes do exemplo

anterior mudam de
para :
Ou seja os filtros ficam:

Wavelets em 2D
Cada linha (ou coluna ) da imagem pode ser vista como um sinal
2D.
Depois de se tratar todas as linhas (ou coluna ) , se consideram o
mesmo nas colunas (ou linhas).

Essa forma chamada de decomposio padro (foi a primeira

usada)
Considerando o mesmo nvel de resoluo do exemplo do sinal 1D
anterior , a base de Haar 2D pode ser representado como (prximos
slides)

Base de Haar 2D da decomposio padro

Considerando o mesmo
nvel de resoluo de
exemplo do sinal 1D
anterior,
e que
+ = +1,
- = -1 , e
Sem sinal =0

Base de Haar 2D da decomposio

no padro ou piramidal
Considerando o
mesmo nvel de
resoluo de
exemplo do sinal
1D anterior, e que
+ = +1,
- =-1 , e
Sem sinal =0

Intuitivamente
ns sabemos que a freqncia algo a ver com a taxa de
alterao de alguma coisa.
Se algo (uma varivel) muda rapidamente, dizemos que tem
alta freqncia, e
se esta varivel mudar lentamente, dizemos que tem baixa
freqncia.
Quando a varivel no muda nunca, dizemos que ela tem
freqncia zero, ou no tem nenhuma freqncia.

A freqncia medida em ciclos por segundo, ou em unidades

de "Hertz".

Numa imagem tpica

o que se v so regies enormes onde os valores dos
pixels so muito prximos, o que significa que os
coeficientes de wavelets associadas ou so nulos ou
desprezveis.
Somente em regies de transies, prximas aos
contornos ondeosvaloresdospixelsvariammuito,
teremos uma mudana significativa nos valores dos
pixels,portanto,havercoeficientes de wavelets
apreciveis.
Ser que o mesmo ocorre com imagens trmicas?

 DWT emprega dois conjuntos de funes, chamadas funes de escala e

funes wavelet, que esto associados com filtros passa-baixa e passa-alta,
respectivamente.
A decomposio do sinal em bandas de freqncia diferentes so
simplesmente obtidas por sucessivas filtragem do sinal no domnio do
tempo por esses filtros.

O sinal original x[n] primeiro analisado atravs de um filtro passa-alta g

[n], e um filtro passa-baixo h [n].

Aps a filtragem, a metade das amostras pode ser eliminada de acordo com a
regra de Nyquist, uma vez que o sinal tem agora uma freqncia alterada.
O sinal pode, portanto, ser sub-amostrado, simplesmente, descartando uma
parte da amostra.
Isto constitui um nvel de decomposio

Em uma imagem digital ou sinal (bi-dimensional),

Calcula-se seus coeficientes de wavelets tratando suas linhas e suas colunas
comosefossemsinaisouimagensunidimensionais.

Imagine que tenhamos uma imagem com 2k x 2k pixels, a qual pode ser
armazenada numa matriz quadrada, A[i; j], i; j = 0; ... 2k -1 .
Cada linha ou coluna considerada como se fosse uma imagem
unidimensional, aplicando-se o processo de obteno dos coeficientes de
wavelets, separadamente.
Existem dois tipos de decomposies de imagens digitais: a padro (vai-se
at o fim por linhas de pois por colunas) e a no padro ou piramidal
(decompomos cada linha aplicando-se apenas um passo no processo e
depois, tratamos cada coluna resultante).
De modo que uma imagem unidimensional (ou sinal) com 2k pixels uma
a seqncia de nmeros onde cada um a intensidade correspondente ao
valor do pixels

Bidirecionalmente
Transforma linhas

Transforma linhas

Transforma
colunas
Transforma
colunas

(a)

Decomposio Standard

(b)

Decomposio Pyramidal
56

Componentes passa baixa e alta

H

2
cD

cD

S
L

cA

2
Decomposio
DWT

cA

2
Reconstruo
IDWT
57

WA => codificao espara

Uma vez que o sinal original ou a funo pode ser
representado em termos de expanso de wavelet
(utilizando coeficientes de uma combinao linear das
funes wavelet)
Operaes pode ser executada utilizando apenas os
coeficientes wavelet correspondentes.
Pode-se ainda escolher as melhores formas adaptadas
aos dados, e truncar os coeficientes abaixo de um
limite (dados pouco representativos).
Isto faz com que a codificao wavelets seja uma
excelente forma de compresso de dados.

Compresso de dados com perda?

Exemplo de reconstruo de uma imagem usando-se diferentes
percentagens de seus coeficientes de wavelets.
Note que mesmo usando apenas cerca de 5% dos coeficientes de
wavelets a reconstruo perfeita
S se inicia a ver defeitos com menos de 2% dos coeficientes.

Reconstruo com a wavelet Daub4

Wavelet Packets
A transformada wavelet um subconjunto de uma
transformao muito mais verstil, chamada Wavelet
packets (pacote de wavelet) .
Wavelet packets so combinaes lineares de
Wavelet.
Eles formam bases que mantm muitas das
propriedades das wavelets-me como ortogonalidade,
suavidade e localizao.
Os coeficientes das combinaes lineares calculados
por um algoritmo recursivo calculado por uma
estrutura de rvore.

Wavelets pode ajudar a resolver o problema de

ruido?
Em diversos campos do uso de sinais, os
cientistas se deparam com o problema de
recuperao de dados ruidosos.
AW , atravs de uma tcnica chamada de
wavelet shrinkage ou thresholding
(encolhimento ou limiarizao) ,
proposta por David Donoho pode resolver sim!!

Decomposio
&
Denoising

A maioria das
imagens tem rudo
estocstico , com
distribuio
Gaussiana.
LL

HL
HL
HH

LH

LH

HH

62

A tcnica funciona da seguinte maneira.

Quando se decompem dados usando wavelets, usa-se filtros que
agem como filtros de mdia e detalhes.
Assim alguns dos coeficientes wavelet resultantes correspondem
aos detalhes do conjunto de dados.
Se os detalhes so pequenos, eles podem ser omitidos sem afetar
substancialmente as principais caractersticas do conjunto de
dados.
A idia de linearizao, ento, zerar todos os coeficientes que
so menores que um determinado limite.
Estes coeficientes so utilizados como zeros na transformao
wavelet inversa para reconstruir o conjunto de dados.
Essa tcnica um passo significativo na melhoria de dados
ruidosos, pois o denoising realizado sem que se perca as
estruturas finas.
O resultado um sinal mais limpo, mas que ainda mostra detalhes
importantes.

Imagem de Ingrid Daubechies (de 1993) e closes em

seus olhos: original, com adio de rudo e com denoise
Donoho denoise:
a imagem
transformada para o
domnio de wavelet
(usando Coiflets-3)
Aplica-se um limiar
(threshold) e
Faz-se a
transformada inversa.

Wavelet denoising
Identify low and high energy coefficients
Modify noisy coefficients by adaptive
thresholding
We use the optimal adaptive threshold [1-6]:
Tn2

n2 =

Noise variance

Original Signal variance

(this is a Hard Thresholding approach)

Comparando a performance
Compression ratio
Quality:

Root Mean Square Error (RMSE),

Sign Noise Ratio (SNR) and
Peak Sign Noise Ratio (PSNR)

66

Denoising
In/Original
Image

Transform

Quantization

Coding

Out /
Compressed
Image

denoising by thresholding
wavelet coefficient of detail

67

coeficientes de detalhes

68

Onde est o ruido, na regio suave ou nos detalhes?

69

Familia wavelet e variations

Coiflets
Haar
Daubechies

Biortogonal

Symlets

70

Teste anterior com imagens usuais

Lena

Cameramen

Goldhill

3 resolution:
28x128,
256x256
and
512x512

Crcle

Checkerboard

Senusoidal

3 degradation
levels
Additive
White
Gaussian
Noise
(AWGN):

= 5,
=10 ,
and

Peppers
28/01/09

Text

= 20
71

Neste caso se fizerma 3456 cases, apresentados em 96 tabelas

ou em 288 graficos
Formas de quantificas as perdas usadas:
1 M1N1
2

RMSE

G
x
,
y

F
x
,
y

MN
x

0
y

(1)

M1N1

Gx,y

x0y0

SNR
msM1N1

Gx,yFx,y

(2)

x0y0

SNR
rms

SNR
ms

2n 1

PSNR
20log
10

RMSE

(3)

(4)
72

Trabalho 3

Vamos refazer isso agora com as imagens do Exercicio individual 1

Qual a melhor base wavelets e tipo de limiarizao dos coeficientes para imagens
termicas (IR) ?

Cada aluno (ou grupo de at 3 alunos) deve usar uma base wavelet ou tcnica de
limiariazao diferente e experimentar a denoising das imagens termicas com ruido
adicionado, do exercicio 1 (ou seja cada grupo ter para isso at 3 nveis diferentes de
rudo a experimentar ! ) , para tentarmos responder a essa pergunta. Dica.

Esperamos at um mximo de 5 grupos, com bases diferentes ou mudando a forma de

limiarizao dos coeficientes para a reduo do rudo!

Assim use suas idias e as do seu grupo (procure e=nos diversos trabalhos de denosing
que existem na literatura, mas no use as mesmas idias dos outros colegas do curso!
H muito o que varias nisto!)

Entrega: 23/11/2012 ! (ltimo dia de aula !)

Como os demais trabalhos esperamos uma apresentao para a turma dos resultados!

WaveLab
um biblioteca de rotinas para analise wavelets para
Matlab desenvolvida em Stanford.
Se usar o Matlab, copie os arquivos do
diretrio ~wavelet/matlab para o seu diretrio /matlab
e divirta-se !
A Universidade Rice, nos EUA, tambm desenvolveu
um pacote para implementar analise e projeto de
bancos de filtros em aplicaes 1D e 2D para Matlab
4.1

s y m8

0,5000

s y m7

1,0000

0,0000

s y m6

1,5000

0,5000

s y m5

1,0000

s y m4

2,5000

s y m3

3,0000

2,0000

c oif 5
s y m2

3,5000

2,5000

c oif 4

4,0000

3,0000

c oif 3

3,5000

c oif 2

4,5000

c oif 1

0,8000

bior5
.5
bior6
.8

1,0000

0,8000

bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4

Lena 128x128

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1

1,0000

db7
db8
db9

1,2000

db5
db6

0,6000

haar
db2
db3
db4
db5
db6
db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4
c oif5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

1,2000

RMSE

1,4000

db3
db4

1,5000

RMSE

haar
db2
db3
db4
db5
db6
db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4
c oif5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

RMSE
1,4000

haar
db2

haar
db2
db3
db4
db5
db6
db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4
c oif5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

RMSE

RMSE

Mesma imagem em com ruidos com em 3 niveis

1,6000

Camera 128x128

0,4000
0,6000

0,2000
0,4000

0,0000
0,2000

0,0000

Lena 256x256

4,0000

Camera 256x256

2,0000

0,0000

A. Conci, C.S. Kubrusly and Thomas Walter Rauber, Influence of the Wavelet Family in the CompressionDenoising Technique on Synthetic and Natural Images, Paper ID: 26455, presented in section Session: Image
processing, 4pp. IWSSIP 2009:16th International Workshop on Systems, Signals and Image Processing for the year
75
2009, organised by the Technological Educational Institute of Chalkida, 18-20 June.

s y m8

s y m7

s y m6

s y m5

s y m4

s y m3

c oif 5
s y m2

c oif 4

c oif 3

c oif 2

c oif 1

bior3
.9
bior4
.4
bior5
.5
bior6
.8

bior3
.1
bior3
.3
bior3
.5
bior3
.7

bior2
.2
bior2
.4
bior2
.6
bior2
.8

db9
db10
bior1
.3
bior1
.5

db7
db8

db5
db6

db3
db4

haar
db2

RMSE

haar
db2
db3
db4
db5
db6
db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4
c oif5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

RMSE

RMSE
Xadrez 256x256

1,6000

1,4000

1,2000

1,0000

0,8000

0,6000

0,4000

0,2000

0,0000

Crculo 256x256

1,8000

1,6000

1,4000

1,2000

1,0000

0,8000

0,6000

0,4000

0,2000

0,0000

76

s y m8

s y m7

s y m6

s y m5

s y m4

s y m3

c oif 5
s y m2

c oif 4

c oif 3

c oif 2

c oif 1

bior3
.9
bior4
.4
bior5
.5
bior6
.8

bior3
.1
bior3
.3
bior3
.5
bior3
.7

bior2
.2
bior2
.4
bior2
.6
bior2
.8

db9
db10
bior1
.3
bior1
.5

db7
db8

db5
db6

db3
db4

haar
db2

RMSE

s y m4
s y m5
s y m6
s y m7
s y m8

c oif3
c oif4
c oif5
s y m2
s y m3

c oif1
c oif2

haar
db2
db3
db4
db5
db6
db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8

RMSE

RMSE
Seniodal 256x256

6,0000

5,0000

4,0000

3,0000

2,0000

1,0000

0,0000

Texto 256x256

6,0000

5,0000

4,0000

3,0000

2,0000

1,0000

0,0000

77

c oif 4
c oif 5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

c oif 5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

bior3
.7
bior3
.9
bior4
.4

bior3
.1
bior3
.3
bior3
.5

bior2
.4
bior2
.6
bior2
.8

db10
bior1
.3
bior1
.5
bior2
.2

db8
db9

db7

db5
db6

db4

db3

haar
db2

c oif 3

0
c oif 4

10
c oif 2

20

c oif 3

30
c oif 1

40

c oif 2

50

c oif 1

Lena 256x256

bior5
.5
bior6
.8

60

bior5
.5
bior6
.8

bior3
.7
bior3
.9
bior4
.4

bior3
.1
bior3
.3
bior3
.5

bior2
.4
bior2
.6
bior2
.8

db10
bior1
.3
bior1
.5
bior2
.2

db9

db8

db7

db5
db6

db4

db3

haar
db2

SNRrms

SNRrms

SNR
Lena 128x128

160

140

120

100
80

60

40

20

78

50

40

30

20

10

s y m5

s y m3
s y m4

c oif4
c oif5
s y m2

c oif3

db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

haar
db2
db3
db4
db5
db6

s y m7

s y m8

60

s y m8

70

s y m6
s y m7

Camera 256x256

s y m6

s y m4
s y m5

s y m3

c oif5
s y m2

db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4

db6
db7
db8

haar
db2
db3
db4
db5

SNRrms

SNRrms

SNR
Camera 128x128

200

180

160

140

120

100
80

60

40

20

79

s y m7
s y m8

s y m3

s y m8

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

s y m6

s y m7

10

s y m6

20

s y m4
s y m5

30

s y m4
s y m5

40

c oif5
s y m2
s y m3

50

c oif4

60

c oif5
s y m2

70

c oif3

80

c oif4

Goldhill 256x256

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

SNRrms

SNRrms

SNR
Goldhill 128x128

90

80

70

60

50

40

30

20

10

80

s y m8

s y m6
s y m7

s y m5

s y m3
s y m4

c oif4
c oif5
s y m2

c oif3

db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

haar
db2
db3
db4
db5
db6

SNRrms

s y m6
s y m7
s y m8

s y m4
s y m5

c oif5
s y m2
s y m3

c oif3
c oif4

c oif1
c oif2

db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8

haar
db2
db3
db4
db5
db6
db7
db8

SNRrms

SNR

180

Peppers 128x128

160

140

120

100
80

60

40

20

Peppers 512x512

160

140

120

100

80

60

40

20

81

s y m7
s y m8

s y m5
s y m6

s y m3
s y m4

db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4
c oif5
s y m2

db7
db8

haar
db2
db3
db4
db5
db6

SNRrms

s y m8

s y m7

s y m6

s y m5

s y m4

c oif5
s y m2
s y m3

c oif4

c oif3

db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db5
db6
db7

db2
db3
db4

SNRrms

SNR
Xadrez 256x256

2500

2000

1500

1000

500

Crculo 256x256

1000

900

800

700

600

500

400

300

200

100

82

80

70

60

50

40

30

20

10

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

s y m7
s y m8

s y m8

s y m6

s y m4
s y m5

s y m6
s y m7

s y m5

s y m3
s y m4

c oif5
s y m2
s y m3

c oif4

90

c oif3

100

c oif4
c oif5
s y m2

texto 256x256

c oif3

db7
db8
db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

haar
db2
db3
db4
db5
db6

SNRrms

SNRrms

SNR
Seniodal 256x256

40

35

30

25

20

15

10

83

c oif 4
c oif 5
s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

s y m2
s y m3
s y m4
s y m5
s y m6
s y m7
s y m8

bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9

bior2
.4
bior2
.6
bior2
.8

db9
db10
bior1
.3
bior1
.5
bior2
.2

db8

db7

db6

db4
db5

db3

haar
db2

c oif 5

34
c oif 3

35

c oif 4

36
c oif 2

37

c oif 3

38
c oif 1

39

c oif 2

40

c oif 1

Lena 256X256

bior4
.4
bior5
.5
bior6
.8

41

bior4
.4
bior5
.5
bior6
.8

bior3
.5
bior3
.7
bior3
.9

bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3

bior1
.3
bior1
.5
bior2
.2

db9
db10

db8

db7

db6

db5

db3
db4

haar
db2

PSNR (dB)

PSNR (dB)

PSNR
Lena 128x128

50

49

48

47

46

45

44

43

42

84

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

db9
db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3
c oif4

db6
db7
db8

haar
db2
db3
db4
db5

PSNR (dB)

s y m8

s y m7

s y m6

s y m5

s y m4

s y m3

c oif 5
s y m2

c oif 4

c oif 3

c oif 2

c oif 1

bior5
.5
bior6
.8

bior3
.7
bior3
.9
bior4
.4

bior3
.1
bior3
.3
bior3
.5

bior2
.4
bior2
.6
bior2
.8

db9
db10
bior1
.3
bior1
.5
bior2
.2

db8

db7

db5
db6

db4

db3

haar
db2

PSNR (dB)

PSNR
Camera 128x128

51

50

49

48

47

46

45

44

Camera 256x256

42

41

40

39

38

37

36

35

85

s y m7
s y m8

s y m3

s y m8

bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9
db10

db5
db6

haar
db2
db3
db4

s y m6

36

s y m7

37

s y m6

38

s y m4
s y m5

39

s y m4
s y m5

40

c oif5
s y m2
s y m3

41

c oif4

42

c oif5
s y m2

43

c oif3

44

c oif4

Goldhill 256x256

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

PSNR (dB)

PSNR
Goldhill 128x128

46

45

44

43

42

41

40

39

38

37

86

s y m8

s y m7

s y m6

s y m4
s y m5

s y m3

c oif5
s y m2

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

PSNR
Peppers 128x128

49

48

47

46

45

44

43

42

Peppers 512x512

48

47

46

45

44

43

42

41

40

87

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

PSNR
Peppers 128x128

49

48

47

46

45

44

43

42

Peppers 512x512

48

47

46

45

44

43

42

41

40

88

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

c oif4

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

s y m7
s y m8

s y m6

s y m4
s y m5

c oif4
c oif5
s y m2
s y m3

bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2
c oif3

db8
db9
db10

db6
db7

haar
db2
db3
db4
db5

PSNR (dB)

PSNR
Xadrez 256x256

350

300

250

200

150

100

50

Crculo 256x256

70

60

50

40

30

20

10

89

s y m8

s y m7

s y m6

s y m4
s y m5

s y m3

c oif5
s y m2

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

s y m8

s y m7

s y m6

s y m4
s y m5

c oif5
s y m2
s y m3

c oif4

c oif3

db10
bior1
.3
bior1
.5
bior2
.2
bior2
.4
bior2
.6
bior2
.8
bior3
.1
bior3
.3
bior3
.5
bior3
.7
bior3
.9
bior4
.4
bior5
.5
bior6
.8
c oif1
c oif2

db7
db8
db9

db5
db6

haar
db2
db3
db4

PSNR (dB)

PSNR
Seniodal 256x256

37

36

36

35

35

34

34

33

33

32

Texto 256x256

41

40

39

38

37

36

35

34

33

32

31

30

90

Concluso
Este trabalho visa investigar a relao entre compresso denoising-wavelet
relacionada com o tipo de wavelet utilizado (Haar, Daubechies, Biorthogonal,
Coiflets e Symlets etc.), o contedo de imagem e nvel de rudo.
Comparando processo de limiarizao para remover o rudo em determinado
nvel (de baixo a alto)
A meta do trabalho definir qual a combinao apresentar os resultados
melhores e piores
A melhor escolha relacionada com a qualidade mais dependente do contedo
da imagem

91

Por exemplo no trabalho anterioir

obtivemos
Haar e Biortogonal 1,3 tipos apresenta a melhor
qualidade e segunda melhor.
Piores resultados so obtidos com o 3
Biortogonal.
Considerando o contedo da imagem, eles
mostram mais dependentes do tipo de imagem e
wavelet usada (Haar, Daubechies, Biorthogonal,
Coiflets, ou Symlets) do que se poderia esperar.

Verificar a possibilidade do
armazenamento das imagens trmicas
por wavelets
E seu uso para retirar rudo, qual melhor tcnica,
melhor base,etc...

Referncias

Benedetto, J. J. and Frazier, M. (Eds.). Wavelets: Mathematics and Applications. Boca Raton, FL: CRC Press, 1994.

Chui, C. K. An Introduction to Wavelets. San Diego, CA: Academic Press, 1992.

Chui, C. K. (Ed.). Wavelets: A Tutorial in Theory and Applications. San Diego, CA: Academic Press, 1992.

Chui, C. K.; Montefusco, L.; and Puccio, L. (Eds.). Wavelets: Theory, Algorithms, and Applications. San Diego, CA: Academic Press, 1994.

Daubechies, I. Ten Lectures on Wavelets. Philadelphia, PA: Society for Industrial and Applied Mathematics, 1992.

Erlebacher, G. H.; Hussaini, M. Y.; and Jameson, L. M. (Eds.). Wavelets: Theory and Applications. New York: Oxford University Press, 1996.

Foufoula-Georgiou, E. and Kumar, P. (Eds.). Wavelets in Geophysics. San Diego, CA: Academic Press, 1994.

Hernndez, E. and Weiss, G. A First Course on Wavelets. Boca Raton, FL: CRC Press, 1996.

Hubbard, B. B. The World According to Wavelets: The Story of a Mathematical Technique in the Making, 2nd rev. upd. ed. New York: A K Peters, 1998.

Jawerth, B. and Sweldens, W. "An Overview of Wavelet Based Multiresolution Analysis." SIAM Rev. 36, 377-412, 1994.

Kaiser, G. A Friendly Guide to Wavelets. Cambridge, MA: Birkhuser, 1994.

Massopust, P. R. Fractal Functions, Fractal Surfaces, and Wavelets. San Diego, CA: Academic Press, 1994.

Meyer, Y. Wavelets: Algorithms and Applications. Philadelphia, PA: SIAM Press, 1993.

Press, W. H.; Flannery, B. P.; Teukolsky, S. A.; and Vetterling, W. T. "Wavelet Transforms." 13.10 in Numerical Recipes in FORTRAN: The Art of Scientific Computing, 2nd ed. Cambridge,
England: Cambridge University Press, pp. 584-599, 1992.

Resnikoff, H. L. and Wells, R. O. J. Wavelet Analysis: The Scalable Structure of Information. New York: Springer-Verlag, 1998.

Schumaker, L. L. and Webb, G. (Eds.). Recent Advances in Wavelet Analysis. San Diego, CA: Academic Press, 1993.

Stollnitz, E. J.; DeRose, T. D.; and Salesin, D. H. "Wavelets for Computer Graphics: A Primer, Part 1." IEEE Computer Graphics and Appl. 15, No. 3, 76-84, 1995.

Stollnitz, E. J.; DeRose, T. D.; and Salesin, D. H. "Wavelets for Computer Graphics: A Primer, Part 2." IEEE Computer Graphics and Appl. 15, No. 4, 75-85, 1995.

Strang, G. "Wavelets and Dilation Equations: A Brief Introduction." SIAM Rev. 31, 614-627, 1989.

Strang, G. "Wavelets." Amer. Sci. 82, 250-255, 1994.

Taswell, C. Handbook of Wavelet Transform Algorithms. Boston, MA: Birkhuser, 1996.

Teolis, A. Computational Signal Processing with Wavelets. Boston, MA: Birkhuser, 1997.

Vidakovic, B. Statistical Modeling by Wavelets. New York: Wiley, 1999.

Walker, J. S. A Primer on Wavelets and their Scientific Applications. Boca Raton, FL: CRC Press, 1999.

Walter, G. G. Wavelets and Other Orthogonal Systems with Applications. Boca Raton, FL: CRC Press, 1994.

Weisstein, E. W. "Books about Wavelets." http://www.ericweisstein.com/encyclopedias/books/Wavelets.html.

Wickerhauser, M. V. Adapted Wavelet Analysis from Theory to Software. Wellesley, MA: Peters, 1994.