Skvulp i matematikken - Viden (JP)
Skvulp i matematikken - Viden (JP)
Skvulp i matematikken - Viden (JP)
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Skvulp</strong> i <strong>matematikken</strong><br />
- om en moderne matematisk teori kaldet wavelets<br />
Matematik<br />
Der var ikke nogen, der<br />
tog det alvorligt, da<br />
geofysikeren Morlet<br />
sidst i 70’erne foreslog<br />
en helt ny måde til at<br />
analysere seismiske<br />
måledata på: “Hvis metoden<br />
virker, ville den stå<br />
i bøgerne. Da den ikke<br />
gør det, så virker den<br />
sikkert ikke!”, sagde<br />
man.<br />
Metoden, der i dag kaldes<br />
wavelets, anvendes<br />
nu af mange tusinde<br />
mennesker til talrige og<br />
meget forskellige formål.<br />
Af Anders la Cour-Harbo<br />
Hvis man gerne vil finde<br />
detaljer i et billede, kan<br />
man gøre følgende:<br />
Man tager en kopi af billedet<br />
og gør den uskarp. Så „trækker“<br />
man de to billeder fra hinanden<br />
ved subtraktion. Resultatet er<br />
en nyt billede, der viser detaljerne<br />
i det oprindelige billede.<br />
Hvis der på billedet er et<br />
område uden detaljer, som for<br />
eksempel noget himmel, så<br />
betyder det ingenting om billedet<br />
er en smule uskarpt. Men<br />
hvis der på billedet er detaljer<br />
som vinduesrammer og rækværk,<br />
så er der stor forskel på,<br />
om billedet er skarpt eller<br />
uskarpt.<br />
Når det skarpe billede så<br />
trækkes fra det uskarpe, vil områder<br />
uden detaljer forsvinde,<br />
da de er (næsten) ens, mens<br />
detaljerne bliver tilbage på<br />
grund af forskellen mellem de<br />
to billeder. Jo mere uskarpt det,<br />
ene billede bliver, desto grovere<br />
detaljer bliver tilbage efter subtraktionen.<br />
Ved at gentage processen<br />
på det uskarpe billede,<br />
altså gøre det endnu mere<br />
uskarpt, kan et billede „skilles<br />
ad“ i mange lag, der hver især<br />
indeholder en bestemt størrelse<br />
detaljer.<br />
Processen kaldes en multiskala-analyse<br />
(MSA), idet hvert<br />
af de stadigt mere uskarpe billeder<br />
kan betragtes som det oprindelige<br />
billeder set på forskellige<br />
skalaer. Det helt skarpe på<br />
en fin skala, og det meget<br />
uskarpe på en meget grov skala.<br />
Teknikken er meget alsidig; den<br />
virker ikke kun på billeder, men<br />
også på mange andre typer signaler,<br />
som f.eks. lyd og video,<br />
medicinske og industrielle<br />
måledata, alt fra seismiske målinger<br />
til variationer i aktiekurser.<br />
Ved at skille signaler ad er<br />
det muligt at komprimere dem,<br />
støjrense dem, rekonstruere<br />
Aktuel Naturvidenskab 2/1999 15<br />
tabte data, finde bestemte mønstre<br />
og meget andet.<br />
Når MSA’en sættes i system<br />
med en række matematiske<br />
betingelser, fremkommer der<br />
naturligt små, bølgelignende<br />
funktioner; wavelets.<br />
Første skvulp i 1910<br />
Wavelet-teorien er både meget<br />
gammel og meget ny. Den første<br />
wavelet blev konstrueret i<br />
1910 af den ungarske matematiker<br />
Alfred Haar. Hans konstruktion<br />
var både smuk og<br />
Ved at gøre et billede<br />
uskarpt og subtrahere<br />
det skarpe billede<br />
bliver kun detaljerne<br />
tilbage.<br />
simpel: En firkant-funktion.<br />
De efterfølgende wavelets er<br />
måske nok smukke, men bestemt<br />
ikke simple. Morlets gode<br />
ide sidst i 70’erne gav da heller<br />
ikke umiddelbart anledning til<br />
nye wavelets. Først måtte den<br />
igennem en udvikling, der var<br />
en blanding af intens matematisk<br />
aktivitet og tilfældigheder.<br />
En af de i dag mest aktive inden<br />
for området fattede i sin tid<br />
interesse for wavelets efter at<br />
have overhørt en diskussion i<br />
køen ved en kopimaskine! Et af
højdepunkterne i udviklingen<br />
var fremkomsten af MSA’en i<br />
1986. Med den lykkedes det<br />
Ingrid Daubechies at konstruere<br />
wavelet nummer 2, der nu<br />
kendes som en Daubechieswavelet.<br />
Siden er det blevet til<br />
mange forskellige wavelets.<br />
Et interessant og kendetegnende<br />
træk ved wavelet-teorien<br />
er, at den kan opfattes som et<br />
træ. Stammen udgøres af<br />
MSA’en, der en grundpillen i<br />
det, der nu kendes som den<br />
klassiske wavelet-teori. Træets<br />
rødder er mange forskellige<br />
områder inden for matematik<br />
og ingeniørvidenskab, områder<br />
som tidligere blev anset for helt<br />
forskellige, men som nu har vist<br />
sig at være wavelet-teori i forskellige<br />
forklædninger. Træets<br />
krone er de mange nye anvendelser,<br />
som MSA’en har givet<br />
anledning til.<br />
Nyttig alsidighed<br />
Når en wavelet skal anvendes til<br />
signal-analyse sker det via en<br />
wavelet-transform (se tekstboks).<br />
En transform er et matematisk<br />
udtryk, der betyder at<br />
lave et signal om til et andet<br />
signal. Det gør man normalt i<br />
håbet om at kunne fremhæve<br />
nogle egenskaber ved signalet.<br />
Der findes mange forskellige<br />
transformer, der hver især kan<br />
fremhæve ganske bestemte<br />
egenskaber.<br />
Wavelet-transformen adskil-<br />
(1)<br />
(4)<br />
(2)<br />
(3)<br />
Frekvens (kHz)<br />
0<br />
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6<br />
Tid (s)<br />
Sådan er fordelingen af energi i tid og frekvens (blå lidt og rød meget), når<br />
Kennedy siger „Ich bin ein berliner“.<br />
ler sig fra de andre ved at<br />
kunne fremhæve forskellige<br />
egenskaber, afhængigt at hvordan<br />
transformen bruges. Der<br />
ud over er den hurtig, den er<br />
dejlig ukompliceret at udføre,<br />
og, i modsætning til den meget<br />
brugte Fourier-transform, giver<br />
den ikke komplekse tal.<br />
Transformen kan også vendes<br />
om, således at det signal,<br />
der fremkommer ved wavelettransformation<br />
kan „transformeres<br />
tilbage“ til de oprindelige<br />
signal uden tab. Det er<br />
vigtigt, hvis transformen bruges<br />
til f.eks. komprimering, da det<br />
sikrer, at det er muligt at<br />
afkomprimere det komprimerede<br />
signal.<br />
Ved at udvide wavelet-transformen<br />
til den såkaldte waveletpakke-transform<br />
er det muligt<br />
at frembringe ikke bare ét andet<br />
signal, men mange, endda rig-<br />
Et lydsignal på 1/10 sekund (1) wavelet-transformeres (2), støjdelen sættes til<br />
nul (3), hvorefter en omvendt wavelet-transform givet det rensede signal (4).<br />
3<br />
2<br />
1<br />
tig mange forskellige signaler,<br />
der alle kan transformeres tilbage<br />
til det oprindelige signal.<br />
Ud af de mange signaler kan<br />
man så vælge det, der passer<br />
bedst til et givet formål, hvad<br />
enten det måtte være mønstergenkendelse,<br />
støjrensning, tidsfrekvens-analyse,<br />
eller noget<br />
helt fjerde.<br />
Hvis for eksempel formålet<br />
er at støjrense et signal, så kan<br />
man vælge det af de mange<br />
signaler, hvor signalet og støjen<br />
er skilt mest muligt ad, og så<br />
smide støjdelen væk. Ved komprimering<br />
kan man vælge det<br />
mest ensartede af de mange<br />
signaler, og så bruge en<br />
komprimeringsalgoritme på<br />
det.<br />
I langt de fleste tilfælde er<br />
wavelets i sig selv nemlig ikke<br />
løsningen på problemet, men<br />
blot et hjælpemiddel, der kan<br />
lave et signal, der ikke rigtig<br />
egner sig, om til et signal, der<br />
bedre egner sig.<br />
Støjrensning<br />
En gammel indspilning på<br />
78’er-grammofonplade er ofte<br />
fyldt med støj i form af både<br />
raslen og skratten på grund af<br />
slid og ridser. Sådan en støj er<br />
kendetegnet ved hurtige ændringer<br />
i tid, og da den indspillede<br />
musik ofte er forholdsvis<br />
langsom i forhold hertil, så kan<br />
musikken på en plade opfattes<br />
som det skarpe billede. Ved at<br />
gøre musikken „uskarp“, det vil<br />
sige glatte lydsignalet lidt ud,<br />
og trække det oprindelige signal<br />
fra, så isoleres meget af støjen. I<br />
praksis foregår det ved at signaletwavelet-pakke-transformeres,<br />
hvorefter det transformerede<br />
signal, der har den bed-<br />
(1) Den første wavelet fra 1910,<br />
(2) den anden wavelet fra 1986,<br />
(3) og (4) to eksempler på de<br />
adskillige wavelets, der er<br />
kommet til siden.<br />
ste opdeling i musik (svarende<br />
til det uskarpe billede) og støj<br />
(svarende til detaljerne) tages<br />
fra. Heri erstattes støjen med<br />
nuller, og dette nye signal<br />
„transformeres tilbage“, hvorefter<br />
man har en lydsignal uden<br />
støj (svarende til et skarpt billede<br />
uden detaljer).<br />
Energi i tid og frekvens<br />
En stor disciplin inden for<br />
signalbehandling er tids-frekvens-analyse,<br />
som beskæftiger<br />
sig med at undersøge energiindholdet<br />
i et signal med hensyn<br />
til både tid og frekvens.<br />
Traditionelt har Fourier-transformen<br />
på dette område været<br />
altdominerende. Det er den<br />
stadig, omend flere andre transformer<br />
trænger sig på. Også her<br />
kan wavelet-transformen være<br />
med: Det signal, der kommer<br />
ud af en wavelet-transform, har<br />
16 Aktuel Naturvidenskab 2/1999<br />
(1)<br />
(2)<br />
(3)<br />
(4)
Når en wavelet skal bruges til signalanalyse<br />
gøres det via wavelet-tansformen.<br />
Det er nødvendigt, da en<br />
wavelet i sig selv blot er en funktion<br />
(ligesom sin(x) og x 2 også er funktioner),<br />
og transformen er en beskrivelse<br />
af, hvordan wavelet-funktionen<br />
skal kombineres med signalet.<br />
Fra den ene ende af signalet tages<br />
et stykke, der har samme længde<br />
som waveletten. De to ganges sammen<br />
til en ny funktion, som så integreres,<br />
dvs. arealet under den nye<br />
funktion bestemmes. Denne operation<br />
giver et enkelt tal. Så tages et nyt<br />
stykke signal lidt til højre for hvor det<br />
første begyndte. Også dette stykke<br />
ganges med waveletten, og der inte-<br />
nemlig den egenskab, at det<br />
umiddelbart kan opdeles i to<br />
signaler, der indeholder henholdsvis<br />
de lave og de høje frekvenser<br />
i det oprindelige signal.<br />
Ved at lave flere på hinanden<br />
følgende transformer kan et<br />
signal opsplittes i mange frekvenser.<br />
Resultatet bliver et<br />
såkaldt tids-frekvens-plan, der<br />
viser et signals energi-indhold i<br />
både tid og frekvens. Denne<br />
metode er meget anvendt til<br />
bl.a. lyd- og radar-signaler.<br />
Wavelet-transformen<br />
Mirakel-middel?<br />
Selvom wavelets samler en<br />
række gode egenskaber i en<br />
enkelt metode, så vil der trods<br />
alt altid være områder, hvor<br />
wavelets ikke er den bedste<br />
løsning. Der er der ikke noget<br />
mærkeligt i, men det bør fremhæves,<br />
fordi wavelets sommetider<br />
bliver præsenteret som et<br />
mirakel-middel, der kan klare<br />
alle problemer. Dertil kommer,<br />
at wavelets i sig selv ikke løser<br />
mange problemer, da de stort<br />
Aktuel Naturvidenskab 2/1999 17<br />
greres. Det giver endnu et tal. Sådan<br />
bliver man ved hen over signalet, og<br />
resultatet er en række tal, der netop<br />
er wavelet-transformen af det oprindelige<br />
signal. For eksempel kunne<br />
billedet af huset være det oprindelige<br />
signal. Den række af tal, der fremkommer<br />
ved wavelet-transformen, vil<br />
da være billedet, der kun indeholder<br />
detaljerne. I praksis er det altså ikke<br />
nødvendigt at lave et uskarpt billede<br />
først.<br />
Vil man have grovere detaljer, så<br />
gøres waveletten blot lidt længere inden<br />
den ganges på signalet. Det<br />
kommer der færre tal ud af, svarende<br />
til at et billede ikke kan indeholde så<br />
mange store som små detaljer.<br />
set altid skal kombineres med<br />
andre metoder.<br />
I de kommende år vil<br />
wavelets blive mere almindelige,<br />
både i industrien og i undervisningen<br />
på universiteterne.<br />
Det vil ske i takt med at teorien<br />
udvikles yderligere, for der er<br />
stadig en række spørgsmål, som<br />
skal besvares. Først når det sker,<br />
vil wavelet-teorien blive lige så<br />
udbredt som de metoder og<br />
teknikker, matematikere og<br />
ingeniører i dag anvender.<br />
Om forfatteren<br />
Anders la Cour-Harbo<br />
er ph.d.-studerende ved<br />
Institut for elektroniske Systemer,<br />
Afdelingen for proceskontrol<br />
Aalborg Universitet<br />
Fredrik Bajers Vej 7 C<br />
9220 Aalborg Ø<br />
Tlf.: 9635 8737<br />
E-post: alc@control.auc.dk<br />
www.control.auc.dk/~alc<br />
Her kan du læse videre:<br />
www.amara.com/current/<br />
wavelet.html<br />
www.gvsu.edu/mathstat/<br />
wavelets.htm<br />
www.public.iastate.edu/~rpolikar/<br />
WAVELETS/WTtutorial.html<br />
Aktuel Naturvidenskab henvender sig til alle, som beskæftiger sig med – eller<br />
interesserer sig for – naturvidenskab. Tegn et abonnement og støt udviklingen<br />
af bladet. Du kan også bestille via hjemmesiden: www.aktuelnat.au.dk<br />
Ja tak – jeg vil gerne tegne abonnement på<br />
det nye tidsskrift: Aktuel Naturvidenskab<br />
Pris kun 200,- kr. for seks numre.<br />
Studerende får 50% i introduktionsrabat!<br />
Navn: __________________________________<br />
Firma: _________________________________<br />
Adresse: _______________________________<br />
Postnr. og by: ___________________________<br />
Evt. tlf. nr. / e-post: __________________________<br />
Jeg er studerende og ønsker introduktionsrabat:<br />
Jeg ønsker at starte mit abonnement med blad nr.:<br />
2-1999: 3-1999: 4-1999:<br />
Indsendes til Aktuel Naturvidenskab i 1999<br />
Aktuel Naturvidenskab<br />
Ny Munkegade, bygn. 520<br />
+++ 2987 + + +<br />
8000 Århus C