WAVELETS

CONCEPTO Y APLICACIONES
PARA EL ANLISIS DE
SEALES
JOAQUN LPEZ HERRAIZ
Departamento de Fsica Atmica, Molecular y Nuclear
Universidad Complutense de Madrid. Octubre 2004

NDICE
INTRODUCCIN
HISTRICA

QU ES UN
WAVELET?

FOURIER
vs
WAVELETS

DWT

WAVELETS

CWT

TRANSFORMADA
WAVELETS DISCRETA

APLICACIONES
DE LOS
WAVELETS

ORTOGONALES Y
BIORTOGONALES

TRANSFORMADA
WAVELETS
CONTNUA

ANLISIS
MULTIRESOLUCIN

ESTUDIO DEL
RUIDO DE UNA
SEAL CON
WAVELETS [...]

INTRODUCCIN HISTRICA (I)

1807 (1822) Joseph Fourier indica que toda
funcin peridica puede ser expresada como una
suma infinita de senos y cosenos de distintas
frecuencias.
1909 El matemtico hngaro Alfred Haar
descubre una base de funciones que con el tiempo
demostrarn ser los primeros wavelets.
1946 El fsico Dennis Gabor descompone una
seal en paquetes de frecuencia-tiempo.
1981 El ingeniero Jean Morlet encuentra el
modo de descomponer una seal ssmica en cierto
tipo de wavelets de forma constante.
1984 - Con la ayuda del fsico cuntico Alex
Grossman, Morlet desarrolla su modelo. El
trmino wavelet aparece por primera vez.

INTRODUCCIN HISTRICA (II)

1985 Ives Meyer descubre el primer wavelet
ortogonal suave.
1986 Stphane Mallat muestra que los mtodos de
Haar, Gabor, Morlet...estn relacionados por el
mismo algoritmo de wavelets.
1987 Ingrid Daubechies construye el primer
wavelet ortogonal con soporte compacto. Los
wavelets pasan a ser una importante herramienta
prctica de clculo.
1990 David Donoho y Johnstone usan los wavelets
para eliminar el ruido de una seal.
1992 El FBI usa los wavelets para comprimir su
base de datos de huellas dactilares.
2004 Una vez superada la gran revolucin de los
aos 90, se ve que no todo se puede hacer con
wavelets, pero que s suponen una nueva
herramienta til de clculo y anlisis.

QU ES UN WAVELET?
Motivacin
El anlisis de Fourier de una seal (supongamos
temporal) permite determinar sus frecuencias, pero a costa
de perder la informacin de tipo temporal sobre la seal
(no dice cuando aparece cada frecuencia).
Lo que se puede hacer es subdividir la pieza en trozos, y
analizar cada trozo. Esto nos da una informacin
rudimentaria sobre el orden temporal en el que se dan las
frecuencias. Este tipo de anlisis se conoce como la
transformada de Gabor (aplicar una ventana a los datos).
Sin embargo, este tipo de anlisis es imperfecto.
Recordemos que la resolucin temporal y la resolucin en
frecuencias de una seal estn acopladas [Existe un
principio de incertidumbre similar al de Heisenberg:
]. Existen mtodos de anlisis que alcanzan este

QU ES UN WAVELET?
Anlisis funcional (I)
Consideremos la transformacin lineal y
continua de una funcin s(t) dada por:
S a,

*a t s t dt

a (t )

FOURIER

eit / a

GABOR

eit / a w(t )

WAVELETS

1 t

a a

[*
indica
conjugado]

complejo

w es una funcin de peso

(ventana) generalmente
gaussiana.
El coeficiente 1/a es un
factor de normalizacin.
El anlisis con Wavelets

QU ES UN WAVELET?
Presentacin
Antes de continuar, convendra hacer unas
presentaciones. Ante ustedes algunos de los
wavelets ms antiguos...

Wavelet de Haar (1909)

QU ES UN WAVELET?
Presentacin
Antes de continuar, convendra hacer unas
presentaciones. Ante ustedes algunos de los
wavelets ms antiguos...

Wavelet de Daubechie
(orden 4) (1987)

QU ES UN WAVELET?
Presentacin
Antes de continuar, convendra hacer unas
presentaciones. Ante ustedes algunos de los
wavelets ms antiguos...

Wavelet con
Spline lineal

QU ES UN WAVELET?
Presentacin
El nmero de wavelets existentes es enorme. En
general conviene usar aquel cuya forma se adece
mejor al tipo de seal con la que se trabaja. Hay
wavelets contnuos/discretos, con/sin soporte
compacto, suaves/con discontinuidades,
ortogonales/biortogonales..
2 2

0 t 1/ 4 ei0t e t

/2

Algunos wavelets tienen expresiones analticas. Por

ejemplo:
0 t 1 t 2 e t / 2
[Wavelet de Morlet]:
2

[Sombrero mejicano]:
(2derivada de una gaussiana)

QU ES UN WAVELET?
Representacin grfica de los
coeficientes de la transformada discreta
de wavelets

El anlisis de wavelets:
Nos da informacin sobre el espectro de frecuencias en
funcin del tiempo.
La resolucin espectral de una frecuencia f es: f f
La resolucin temporal de esta frecuencia es: t 1/f
(t.f = cte).
Realizando una Transformada discreta de Wavelets (Similar a
FFT) obtenemos
una serie de coeficientes que podemos interpretar
grficamente:

QU ES UN WAVELET?
Anlisis funcional (II):
Traslaciones y Dilataciones
Tal como se ha visto, una transformada de
wavelets de una funcin s(t) viene dada por:
S a,

trmino a
del wavelet.

1 * t

s t dt
a
a

El trmino nos da las

traslaciones y el
las dilataciones

TRASLACIONE
S

QU ES UN WAVELET?
Anlisis funcional (II):
Traslaciones y Dilataciones
Tal como se ha visto, una transformada de
wavelets de una funcin s(t) viene dada por:
S a,

trmino a
del wavelet.

1 * t

s t dt
a
a

El trmino nos da las

traslaciones y el
las dilataciones

DILATACION
ES

QU ES UN WAVELET?
Anlisis funcional (III):
Traslaciones y Dilataciones
Es decir, la seal s(t) se muestrea empleando
versiones (wavelets) del wavelet madre (dilatados
y trasladados) estudiando punto a punto para qu
dilataciones y traslaciones
la seal s(t) y el wavelet

1 * t
S a,

son ms similares.
s t dt

Como es lgico, la frecuencia de la seal s(t)

estudiada est intimamente relacionada con la
escala a del wavelet.
Por otro lado, el que el anlisis sea local, es lo
que le da a la transformada de wavelets sus

QU ES UN WAVELET?
Representacin grfica de los
coeficientes de la transformada discreta
de wavelets

Frecuencia

Esta forma de descomponer una seal es bastante natural:

los eventos de baja
frecuencia suelen durar en el tiempo, mientras que los
eventos de frecuencia alta
suelen ser breves.
t
f

Tiempo

SCALOGRAM

QU ES UN WAVELET?

Representacin grfica de los coeficientes: EJEMPLO

PRCTICO
0.001
0

Seal con altas y bajas

frecuencias.

0.001
0.002

frecuencia

0.003

200

Resultado del anlisis con

wavelets: Es posible
seguir las frecuencias
dominantes en el tiempo.

150
100
50
2

tiempo

FOURIER vs WAVELETS:
Descomposicin de una seal en
ondas

FOURIER vs WAVELETS

VENTAJAS DE LA TRANSFORMADA DE WAVELETS

El anlisis de wavelets est especialmente indicado para
seales
con
pulsos
o
intermitencias: sucesos que ocurren de manera no
peridica.
Para
estas
seales,
Fourier da muy poca informacin, al perder casi toda
informacin
temporal.
Fourier es inestable frente a seales de tipo intermitentes:
si
aadimos
un
impulso localizado en el tiempo a una seal, todo el espectro
de
Fourier
se
ver
afectado, mientras que solo algunos coeficientes de wavelets
se
modificarn.
Cuando un sistema es lineal y los modos de vibracin son
modos
propios
del
sistema, el anlisis de Fourier proporciona mucha informacin
sobre
los
mismos.

FOURIER vs WAVELETS

VENTAJAS DE LA TRANSFORMADA DE WAVELETS

La Transformada Discreta de Wavelets presenta adems

claras
ventajas
frente
a
su
contrapartida de Fourier:
- Ms rpida desde el punto de vista computacional: O(N)
[DWT],
frente
a
O(NlogN) [FFT] para una muestra de N datos.
- En muchos casos proporciona un mejor ajuste a los datos
con
menos
coeficientes.(Permitiendo una mejor compresin de los
DE LA TRANSFORMADA
DE WAVELETS
datos DESVENTAJASque
los
mtodos basados en Fourier).
Es una tcnica reciente. Aunque en las ltimos aos se ha
- Las tcnicas de filtrado de ruido basadas en wavelets dan
hecho
un
gran
esfuerzo
mejores resultados.
por darle todo el rigor matemtico que tiene la transformada
de
Fourier
y
unificar
mtodos y notaciones, el ritmo de aparicin de publicaciones
sobre
el
tema
hace
que no sea tarea fcil.

FOURIER vs WAVELETS:
Ej: Estudio de discontinuidades en una
seal.

FOURIER vs WAVELETS:
Ejemplo: Compresin de
imgenes
JPG vs JPG-2000

FOURIER vs WAVELETS:
Ej: Filtrado de Ruido en imgenes
FILTRADO EN
ESPACIO DE
FOURIER:
Se eliminan las
frecuencias ms
altas

FILTRADO EN
ESPACIO DE
WAVELETS:
Se eliminan los
coeficientes
menores.

DWT
TRANSFORMADA WAVELETS DISCRETA
Partimos de la definicin indicada de la transformada:
S a,

1 * t

s t dt
a
a

El trabajar con transformaciones de wavelets discretas es

una
prctica
habitual. Esto se debe a su eficacia computacional y a
que
normalmente
se
trabaja con seales de datos discretos. Lo ms comn a
la
hora 1
de
i
* t

de
s t dt

discretizar Sla 2 ,transformada

continua es
i Wavelets
i
2

emplear
la 2
rejilla
didica.[Tomar a = 2i ]. En este caso, la transformada
viene
dada
por:

DWT
TRANSFORMADA WAVELETS DISCRETA
Cuando se usan wavelets ortonormales (Desde el punto de
vista
de
las
funciones
de cuadrado integrable L2) , lo habitual es usar un
procedimiento
denominado
"decimation (=diezmar). Consiste en descomponer la seal
en
un
nmero
de
coeficientes proporcional a la escala analizada. Esto hace
que
la
seal
tenga

i
* t
distinto nmero
en
cada
Fsicamente
S 2de
, 2icoeficientes
n

n
t dt
i s escala.
i

2 el 2
esto
refleja
hecho
de que las frecuencias menores de una seal necesitan
menos
coeficientes
para
ser representadas. Una Transformada de Wavelet diezmada
1

* k
es:
S 2i , 2i n

n
i s k
i
2

2 k

DWT
TRANSFORMADA WAVELETS DISCRETA
Definimos la familia de wavelets asociadas a un wavelet
madre
dado

las
obtenidas mediante las
siguientes
traslaciones y
1
t

i
n t
i n
expansiones:
i
2

2i , 2i n i * k s k
S
n
Con esto, la DWT diezmada queda:
k

DWT
TRANSFORMADA WAVELETS DISCRETA

FUNCIN DE ESCALA
MADRE
Toda transformada
de wavelets viene determinada (como
mnimo)
por
dos
funciones (o las dos series de coeficientes (filtros) que
caracterizan
a
estas
funciones): Una funcin
de escala madre y un wavelet
N 1
madre.
t 2 h k (2t
k)
k 0

La funcin de escala madre tiene la importante propiedad

de:
t

i n
Hay que hacer notar que2i en esta
2
expresin k toma valores
in t

discretos
k=0,1..N-1,
mientras que t es una variable contnua. A partir de esta
funcin
madre
se
puede
derivar de manera similar a su familia asociada de funciones
de escala:

DWT
TRANSFORMADA WAVELETS DISCRETA
FILTROS PASA-ALTO Y PASABAJO

Una vez definida la funcin de escala madre, el wavelet viene

N 1
dado por:

t 2 g k 2t k
k 0

Aunque es bastante evidente no est de ms enfatizar que

son
los
coeficientes
hk
y
gk (denominados filtros pasa-bajo y filtro pasa-alto) los que
determinan
la
funcin de escala madre y el wavelet. En muchos casos, "Los
filtros
discretos
son ms fundamentales que los propios wavelets.
Por tanto, dados unos coeficientes h k y gk tendremos ya bien
definidos
tanto
la
funcin madre como los wavelets. A estos coeficientes se les

DWT
TRANSFORMADA WAVELETS DISCRETA
CREACIN DE WAVELETS
Para unos coeficientes hk y gk podemos crear las funciones de
escala
y
wavelet
madre correspondientes. En la prctica como veremos no es
necesario
y
basta
con trabajar con los coeficientes (filtros).
1 3
3
FUNCIN DE ESCALA h(0)
MADRE
DE 3DAUBECHIES
DE

; h(1)
4 2
4 2
ORDEN 4:

Viene definida por los

3 3
1 3
; h(3)
coeficientes:
4 2
4 2
h(2)

N 1

t 2 h k (2t
k)
k 0

Partimos de una funcin de escala inicial (por ejemplo, la

N 1
funcin
escaln)
e
t 2 g k 2t k
iterando con la ecuacin:
iremos
k 0
obteniendo
la

DWT
TRANSFORMADA WAVELETS DISCRETA
CREACIN DE WAVELETS

[Tras
varias
iteracione
Son fractales. Su estructura surge automticamentes]
a
partir de las reglas de
escalado y ortonormalidad.
Las derivadas de este wavelet no son contnuas (es una
caracterstica de

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL
EN WAVELETS Y FUNCIONES DE
ESCALA
Sea una seal f(t) formada
por N = 8 puntos. Esto nos lleva a
tener
M=3
escalas
7
0
0
de descomposicin de la seal (2f3(t)
= 8):
si Como
i t la funcin de
i 0 forma
escala
madre
una base de L2, podemos hacer el desarrollo:
Cada par de funciones de escala de un cierto nivel k, 2ik y
2i+1kfuncin
,
se wavelet
pueden
de escala
Ejemplo con el wavelet de
escribir como la suma de una funcion
escala de nivel de
k+1
Haar de(=Daubechies
y
wavelet
de
nivel

orden 1).
k+1:
La funcin de escala recoge
0
1
0
1
la infomacin suave de la
funcin y el wavelet los
integrar
diferenciar detalles de esa escala.

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL
EN WAVELETS Y FUNCIONES DE
ESCALA
Sea una seal f(t) formada
por N = 8 puntos. Esto nos lleva a
tener
M=3
escalas
7
0
0
de descomposicin de la seal (2f3(t)
= 8):
si Como
i t la funcin de
i 0 forma
escala
madre
una base de L2, podemos hacer el desarrollo:
Cada par de funciones de escala de un cierto nivel k, 2ik y
2i+1k,
se
pueden
escribir como la suma de una funcion de escala de nivel k+1
y
wavelet
de
nivel
k+1:

2ik 2i+1k

ik+1

ik+1

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL
EN WAVELETS Y FUNCIONES DE
ESCALA

0
0
s

i
i t
i 0

f (t)

ESCALA 0

ESCALA 1

f (t) d i i t
i 0

s
i 0

1
i

i1 t

ESCALA 2f (t) d i i t d i
i t
1

i 0

i 0

1 2 2
s i i t
i 0

2
3
3
3
2
f (t) d i i t di
d0 0 t s0
ESCALA 3
i t
i 0

i 0

t
0

DWT
TRANSFORMADA WAVELETS DISCRETA
DESCOMPOSICIN DE UNA SEAL
EN WAVELETS Y FUNCIONES DE
ESCALA

DWT
TRANSFORMADA WAVELETS DISCRETA

DWT
TRANSFORMADA WAVELETS DISCRETA
Los coeficientes de la transformada a distintas escalas
2i (Convolucin
L 1
vienen dados por las relaciones
circular):
j
j1
si

h k 2i s

k=2i

di

2i L 1

g k 2i s

j1
k

k=2i

Por supuesto, hay que definir en este proceso a distintas

escalas,
los
valores
de la escala inicial. En este caso, debemos saber los
[0]
valores
de
s
.
Como
i
trabajamos con seales discretas s(i) ,, i = 1..N, una
posible
eleccin
es
tomar
directamente: s i [0] = s(i).
k i s kcomo

NOTA: La ventajasi0 de
valores iniciales
k usar
directamente
los
de
la
funcin consiste en que no requiere trabajar con la funcin

DWT
TRANSFORMADA WAVELETS DISCRETA
Implementacin de la transformada:
s h k 2i s
j

2i L 1

j 1
k

k=2i

Convolucin circular

di

2i L 1

g k 2i s

j 1
k

k=2i

ESCALA
1

ESCALA
0

DWT
TRANSFORMADA WAVELETS DISCRETA
INVERSA
Implementacin de la transformada INVERSA: (Convolucin
circular): j1
si

ESCALA
0

i/2

k i L 2 / 2

h i 2k s k
j

i/2

k i L 2 / 2

g i 2k dkj

ESCALA
1

DWT
TRANSFORMADA WAVELETS DISCRETA
CONCLUSIONES
3
f (x) s30 30 (x) d 30
d 02 02
(x)
0 (x)

d12

12
(x)

1
d
0

0 (x)

1
d11 11 (x) d12
d13 13
(x)
2 (x)

1
x
1
x
1
x
2
( ) d 30
( ) d

)
0
8
8
4
8
8
4
1
x
1
x
1
x
3
d12

1) d 30
( ) d

( 1)
1
4
2
2
4
2
2
1
x
1
x
d 32
( 2) d 33
( 3)

2
2
2
2

f (x) s30

WAVELETS ORTOGONALES Y
BIORTOGONALES
Los wavelets que se hemos estado viendo
ortogonales.
Los
filtros
g
y
h
han sido elegidos de modo que cumplan:

(x) (x m)dx 0

(m 0)

(x) (x m)dx 0

son

Ortogonalidad frente a
desplazamiento en el mismo
nivel

(x) (x m)dx 0

(m 0)

(2
x) (x m)dx 0 (n 0)

(x)

(2
x m)dx 0 (n 0; m 0cuandon 0)

Ortogonalidad
entre niveles
diferentes

WAVELETS ORTOGONALES Y
BIORTOGONALES
SOPORTE COMPACTO?
Dentro de los wavelets ortogonales, los wavelets de
Daubechies son compactos en el tiempo, y por tanto
tienen una extensin infinita en el espacio de
frecuencias (debido a ). Esto se manifiesta en la
naturaleza no-suave (no diferenciable) de los mismos.
Existen otros muchos wavelets que son compactos en el
espacio de frecuencias (suaves) y que por ello se
extienden
hacia
infinito
en
el
tiempo.
Tienen la desventaja que no existen algoritmos muy
rpidos para la transformacin (los ms rpidos estn
basados en la FFT), y la ventaja de ser diferenciables.

Ejemplos:

Wavelet armnico, Wavelet de Meyer

WAVELETS BIORTOGONALES
Por supuesto, podemos relajar algunas de estas condiciones
mostradas, con lo que podemos lograr que la forma de los
wavelets
sea
ms
suave.
Adems si no nos restringimos al mtodo de clculo
(decimation) que hemos estado mostrando (manteniendo el
mismo nmero de coeficientes en cada escala, y por tanto,
informacin redundante), podremos estudiar correlaciones
entre las escalas (muy til).
Es un campo bastante abierto, en el que se emplean por
ejemplo splines, combinaciones de wavelets... En la actualidad
se trabaja ms en desarrollar estos campos que en el uso
directo de transformada discreta con wavelets ortogonales.

DWT
TRANSFORMADA WAVELETS CONTNUA
Aunque requiere un clculo ms largo (se acaban usando
mtodos numricos basados en FFT), tiene la ventaja de
poder trabajar de un modo menos restrictivo y ms intuitivo.
Adems, su uso es necesario para el anlisis de seales con
gran nmero de discontinuidades (anlisis fino que en una
discretizacin podra verse excesivamente afectado) [Por
ejemplo, para el estudio del caos]

S a,

t

s t dt
a
a

WAVELET DE
MORLET

APLICACIONES: EJEMPLOS

ESTUDIO DE DISCONTINUIDADES

APLICACIONES: EJEMPLOS

OBTENCIN DE INFORMACIN
FRECUENCIA-TIEMPO

APLICACIONES: EJEMPLOS

1/a

OBTENCIN DE INFORMACIN
FRECUENCIA-TIEMPO

APLICACIONES: EJEMPLOS

OBTENCIN DE INFORMACIN EN
IMGENES

APLICACIONES: EJEMPLOS
FILTRADO DE RUIDO EN SEALES
FUNDAMENTOS:
1) Pocos coeficientes de wavelets sern distintos de cero si
la base es escogida adecuadamente para que tenga en
cuenta
las
caractersticas
de
la
seal.
2)Si la seal est distribuida de modo gaussiano, los
coeficientes de wavelets tambin estarn distribuidos de
modo gaussiano. (Transforma ruido en ruido). Por tanto, si
se aade ruido a una seal, stos generarn coeficientes
ruidosos, con el ruido contribuyendo a todos los coeficientes,
mientras que la seal slo lo har a unos pocos.

THRESHOLD METHOD (= HARD

THRESHOLDING)

0 , si
s%

s
,
s

i
i

APLICACIONES: EJEMPLOS
THRESHOLD METHOD (= HARD
THRESHOLDING)

0 , si
s%

s
,
s

i
i

En este ejemplo se tom como seal la funcin f(t) = 3*Cos(t/128) + r,,

t=1..128, siendo r una variable aleatoria con valores entre 0 y 1 (Ruido
gaussiano). Tras realizar una transformada de Wavelets (Con Wavelets de
Daubechie de orden 20), se convirtieron en cero aquellos coeficientes por
debajo de un valor =0.5 [Un 87% de los coeficientes].
Al hacer la

APLICACIONES: EJEMPLOS
SOFT THRESHOLDING

0
, s i
%
si

sign si si , s i

Pare el mismo ejemplo anterior, se aplic este otro mtodo en el que los coeficientes
superiores al valor crtico son "comprimidos" segn este valor . Se puede observar que
el filtrado de ruido es mejor que en el caso anterior.

ANLISIS MULTIRESOLUCIN

SEAL

ESTRUCTURA
FRACTAL
(Correlaciones entre
escalas)

http://www.gts.tsc.uvigo.es/~w
avelets/matlab_uvi_wave.html

Romn Prez Enrquez,

Centro de Geociencias, UNAM
A donde quiera que miremos hay seales que podemos
analizar. Por ejemplo, hay tremores ssmicos, discurso
humano, vibraciones de mquinas, imgenes mdicas, datos
financieros, msica, y muchos otros tipos de seales. El
anlisis de wavelets es una tcnica nueva y prometedora
para analizar estas seales.

Si escuchamos una sinfona clsica, omos muchas partes,

usualmente 3 4, cada una de ellas con una clave principal: Do
menor, Mi bemol mayor, etc.
El anlisis de espectro de potencias de Fourier de la sinfona
revelar, por supuesto, los tonos y sus armnicos, as como otras
frecuencias que se repiten en modulaciones y vibraciones.
Si tocamos las partes en otro orden, el espectro de potencias no
cambia en absoluto, pero para el escucha se tratar de una pieza
totalmente diferente, y ms aun si intercambiamos partes dentro
de las partes, a una escala ms fina.
Por el contrario, el anlisis de wavelets no slo nos da las
frecuencias principales, sino que nos indica cundo ocurren y cul
es su duracin.
En palabras de Lau and Went las wavelets hacen cantar la
serie de tiempo

Caractersticas
La transformada de Wavelets fue diseada originalmente para
estudiar seales no estacionarias.
Como presenta covariancia ante retrasos, parece ser la mejor
herramienta para estudiar seales con espectro de ley de potencias.
Se trata de un anlisis de tiempo-frecuencia.
Es capaz de revelar aspectos de los datos como tendencias, puntos
de quiebre, discontinuidades en las derivadas, y auto-similaridad.
El anlisis de wavelets puede muchas veces comprimir o eliminar
ruido sin degradacin apreciable.

Cmo es?
- Una wavelet es una onda de duracin efectiva limitada que tiene un valor promedio
cero.

-Mientras que el anlisis de Fourier consiste en descomponer una seal en funciones de

senos de varias frecuencias,
- el anlisis de wavelets consiste en descomponer una seal en versiones escaladas mviles
de la wavelet original (madre).
-Slo viendo wavelets y senoides se puede ver intuitivamente que las seales con cambios
bruscos se pueden analizar mejor con una wavelet irregular, de la misma manera que ciertas
comidas se comen mejor con un tenedor que con una cuchara.

Aspectos de escala y de tiempo

Rugosidad
(por ejemplo, aluminio que cubre una naranja y un limn.

Deteccin de bordes y Procesos transitorios

(por ejemplo, un sismo)

Transformada de Fourier
Es una tcnica matemtica para transformar nuestra visin de la seal de una base temporal
a una base de frecuencias.

Para muchas seales, el anlisis de Fourier es muy til, debido al contenido de frecuencias
en la seal. Entonces, para qu otra tcnica como wavelets.
Porque, al transformar al dominio de frecuencias, la informacin temporal se pierde. Es decir,
es imposible decir cundo ocurri un evento particular.
Ahora bien, si las propiedades de la seal no cambian mucho con el tiempo, esto es, si la seal
es estacionaria, no importa mucho. Sin embargo, las seales ms interesantes son no
estacionarias, pues presentan tendencias, cambios bruscos, y comienzos y terminaciones de
eventos, para los cuales el anlisis de Fourier NO es adecuado.

Este problema, que se soluciona parcialmente mediante la introduccin de una ventana, no

es suficiente, a menos que sea variable, tal como es el caso de

wavelets.

C es la suma sobre toda la seal multiplicada por versiones mviles,

escaladas, de la funcin wavelet . La C se llama transformada
continua de wavelet (CWT). Ntese que el anlisis de wavelet
no utiliza una regin de tiempo-frecuencia, sino una de tiempoescala.

Qu puede hacer el anlisis de wavelets?

La ms grande ventaja es su habilidad para realizar anlisis locales decir, analizar un rea localizada de
una seal ms grande. Veamos un ejemplo:

Una grfica de los coeficientes de Fourier muestra slo un espectro plano con dos picos que representan
una sola frecuencia. Sin embargo, una grfica de los coeficientes de
localizacin exacta, en el tiempo, de la discontinuidad.

wavelets muestran claramente la

Cinco pasos para crear una CWT:

1.
2.

3.

Tome una wavelet y comprela con una

seccin al inicio de la seal original.
Calcule un nmero, C, que representa
qu tanto se correlaciona la wavelet con
la seccin de la seal. Entre mayor sea C,
mayor es la semejanza. Ms
precisamente, si la energa de la seal y
de la wavelet son iguales a uno, C se
puede interpretar como el coeficiente de
correlacin. Hay que hacer notar aqu que
los resultados dependen de la forma de la
wavelet que se elija.
Mueva la wavelet hacia la derecha y
repetir los pasos 1 y 2., hasta cubrir toda
la seal.

4. Escale (estire) la wavelet y

repita los pasos 1 al 3.
5. Repita los pasos 1 al 4 para
todas las escalas.
Al terminar, se tendrn los coeficientes
producidos a diferentes escalas, por
las diferentes secciones de la seal.
Los coeficientes constituyen los
resultados de una regresin de la seal
original obtenida por las wavelets.
Las grficas de los coeficientes de la
transformada de wavelet son
precisamente la representacin
tiempo-escala de la seal.

Esta aparente desventaja (recordemos que el anlisis de Fourier

nos da una representacin frecuencia-amplitud), no es tal ya que
en realidad es mucho mas natural, y nos muestra patrones que
antes no eran visibles. Es ms, podemos ver que

hay una correspondencia entre la escala de las wavelets y

la frecuencia que es manifiesta y proviene directamente del
anlisis.

La transformada de wavelets discreta (DWT)

Sirve para agilizar el proceso, sin tanta memoria requerida, y adems se ha
encontrado que la eficiencia se puede mantener utilizando escalas didicas (escalas y
posiciones en potencias de 2). Una manera de implementar la DWT es utilizando
filtros, lo que lleva a la transformada rpida de wavelets; una caja a la que entra una
seal y de la que salen coeficientes.
--Para muchas seales, el contenido de bajas frecuencias (aproximacin, de gran
escala) es el ms importante. Es el que le da a la seal su identidad. Las altas
frecuencias (los detalles, de pequea escala) imparten sabor.
--El proceso bsico se ve as:

Mediante un submuestreo (downsampling) se elimina la

duplicacin de los datos:

Por ejemplo, una

senoide con ruido
aadido:
[cA,cD]=dwt(s,db2);

El proceso de descomposicin puede ser iterado (multinivel):

Reconstruccin de la seal
Mientras que el anlisis de wavelets involucra filtraje y submuestreo, la
reconstruccin involucra sobremuestreo (upsampling) y filtraje.
El sobremuestreo es el proceso de alargar la seal componente insertando ceros
entre muestreos.

Descomposicin y Reconstruccin (sencilla y mltiple)

Relacin entre los filtros y la forma de las wavelets

La eleccin de los filtros determina la forma de la wavelet a usar para hacer una
mejor reconstruccin.
Considrese el filtro de reconstruccin pasa baja (L) para la wavelet db2.

Descomposicin de wavelets en paquete:

A diferencia del anlisis de wavelets, la de paquete se ve as:

Ejemplo:
Micropulsaciones
magnticas para el da
7/octubre/2001
Decomposicin a
nivel 5

Estadstica de la serie
original

Estadstica de la
serie de coeficientes
detallados