Entrando na Onda....
Entrando na Onda....
Entrando na Onda....
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Entrando</strong> <strong>na</strong> <strong>Onda</strong>...<br />
Hélio Magalhães de Oliveira, hmo@ufpe.br<br />
Departamento de Eletrônica e Sistemas<br />
Universidade Federal de Per<strong>na</strong>mbuco<br />
Cidade Universitária Recife - PE<br />
URL: http://www.ee.ufpe.br/codec/deOliveira.html<br />
http://www.ee.ufpe.br/codec/WEBLET.html<br />
1
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelets:<br />
Uma Evolução <strong>na</strong> Representação de<br />
Si<strong>na</strong>is<br />
• A análise espectral constitui uma das<br />
ferramentas clássicas mais poderosas.<br />
• Uma teoria mais potente e geral foi<br />
introduzida nos anos 80: A Transformada de<br />
Wavelet<br />
• Ela inclui: Série de Fourier, a Transformada<br />
de Fourier, a Transformada de Gabor de<br />
Tempo Curto, Espectrogramas.<br />
• Wavelets constituem hoje uma das<br />
ferramentas potentes em PDS.<br />
ORIGEM- Escola Francesa<br />
(Morlet, Grossmann,Meyer, Battle, Lemarié,<br />
Cohen, Mallat, Coifman, Rioul, etc.)<br />
... Pacotes de ondas acústicas sísmicas.<br />
2
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Em 1909, a primeira menção: tese de doutorado<br />
de Alfred Haar, análise escalo<strong>na</strong>da.<br />
As Wavelets de Haar, embora de suporte<br />
compacto não são continuamente diferenciáveis.<br />
Década de 80, Alex Grossmann (Université de<br />
Marseille) e Jean P. Morlet (Elf Acquitaine)<br />
introduziram o conceito de wavelets<br />
Morlet recebeu o prêmio Regi<strong>na</strong>ld Fessenden<br />
Award 1997.<br />
Em 1985, Stéphane Mallat (França) estabeleceu<br />
a ligação desta teoria com o processamento digital de<br />
si<strong>na</strong>is.<br />
Yves Meyer (França) construiu uma das<br />
primeiras Wavelets não triviais, continuamente<br />
diferenciáveis.<br />
Ingrid Daubechies (Bélgica) construiu o mais<br />
usado conjunto de wavelets ortogo<strong>na</strong>is de suporte<br />
compacto (tempo-limitada).<br />
3
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Jean Morlet. (ecce homo!)<br />
Gama de aplicações:<br />
geologia sísmica<br />
visão computacio<strong>na</strong>l e huma<strong>na</strong><br />
radar e so<strong>na</strong>r<br />
computação gráfica<br />
predição de terremotos e maremotos<br />
turbulência<br />
distinção celular (normais vs patológicas)<br />
modelos para trato auditivo<br />
compressão de imagens<br />
descontami<strong>na</strong>ção de si<strong>na</strong>is (denoising)<br />
detecção de rupturas e bordas<br />
4
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
análise de tons musicais<br />
neurofisiologia<br />
detecção de curtos eventos patológicos<br />
análise de si<strong>na</strong>is médicos<br />
espalhamento em banda larga<br />
modelagem de sistemas lineares<br />
óptica<br />
modelagem geométrica<br />
caracterização de si<strong>na</strong>is acústicos<br />
reconhecimento de alvos<br />
transitório e falhas em linhas de potência<br />
Metalurgia (rugosidade de superfícies)<br />
visualização volumétrica<br />
Telecomunicações<br />
previsão em mercados fi<strong>na</strong>nceiros<br />
Estatística<br />
solução de eq. dif. ordinárias& parciais<br />
5
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Jean-Baptiste-Joseph Fourier 1822:<br />
"La Théorie A<strong>na</strong>lytique de la Chaleur":<br />
<strong>Onda</strong>s senoidais como elementos de vibrações e<br />
ondas periódicas ⎯ verdadeiros átomos das<br />
flutuações e do fluxo.<br />
Os si<strong>na</strong>is passaram a ser a<strong>na</strong>lisados no domínio<br />
de Fourier, i.e., no domínio da freqüência.<br />
A decomposição evoluiu para a representação via<br />
transformada de Fourier.<br />
Definição (ANÁLISE DE FOURIER):<br />
A transformada de Fourier de um si<strong>na</strong>l f(t),<br />
-∞< t < +∞ é<br />
∫ +∞ − jwt<br />
= f ( t)<br />
e dt<br />
−∞<br />
F( w)<br />
:<br />
, denotada<br />
algumas vezes I [ f ( t)]<br />
, se a integral imprópria<br />
existe. ❏<br />
6
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Conhecendo-se F(w), é possível voltar ao<br />
domínio temporal (SÍNTESE DE FOURIER):<br />
f ( t)<br />
1<br />
∫ + ∞ jwt<br />
= F(<br />
w)<br />
e dw<br />
2π<br />
−∞<br />
. ❏<br />
par transformada: f(t) ↔ F(w).<br />
TEOREMA DE PARSEVAL.<br />
Seja f(t) ↔ F(w) um si<strong>na</strong>l real, de energia<br />
finita. Então a energia do si<strong>na</strong>l pode ser calculada<br />
em qualquer dos domínios, i.e,<br />
∫<br />
+∞<br />
−∞<br />
f<br />
2<br />
( t)<br />
dt<br />
∫<br />
+∞<br />
2<br />
= | F(<br />
f ) | df<br />
−∞<br />
. ❏<br />
Por que wavelets Em que esta ferramenta pode<br />
ser mais potente que a análise espectral clássica<br />
de Fourier De onde surgiram as wavelets<br />
7
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Análise Espectral P/ Si<strong>na</strong>is Não-Estacionários<br />
Os si<strong>na</strong>is devem ser tratados não no<br />
domínio t ou domínio f, mas em ambos<br />
(espaço conjunto tempo-freqüência)!<br />
Conceito de estacio<strong>na</strong>ridade<br />
Uma das deficiências da análise de Fourier é que<br />
ela não apresenta um caráter local.<br />
Todo o si<strong>na</strong>l, desde o começo dos tempos (-∞)<br />
até o fim dos tempos (+∞) é levado em consideração.<br />
A transformada de Fourier representa um<br />
"comportamento global médio" do si<strong>na</strong>l.<br />
8
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
(a)<br />
(b)<br />
Figura. (a) Ilustração de um trecho de um si<strong>na</strong>l<br />
(possivelmente) estacionário,<br />
(b) Ilustração de um trecho de um possível<br />
si<strong>na</strong>l não estacionário.<br />
A transformada de Fourier a<strong>na</strong>lisa a<br />
contribuição de cada componente harmônica no<br />
si<strong>na</strong>l como um todo.<br />
9
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
O si<strong>na</strong>l estacionário apresenta um<br />
comportamento "mais ou menos" semelhante em<br />
qualquer trecho a<strong>na</strong>lisado...<br />
Abordagem (pouco formal, mas suficiente).<br />
Figura. Si<strong>na</strong>l com linha de base.<br />
Evolução <strong>na</strong> TF clássica:<br />
(STFT) Transformada de Gabor, ou<br />
transformada de janela (transformada de Fourier de<br />
tempo curto).<br />
Esta transformada introduz um caráter local<br />
e passa a depender fortemente do instante de<br />
tempo a<strong>na</strong>lisado.<br />
10
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Primeiro passo <strong>na</strong> direção das wavelets: a<br />
introdução de um caráter local.<br />
Si<strong>na</strong>l "fatiado" em trechos, e em cada trecho, a<br />
contribuição espectral fosse a<strong>na</strong>lisada, resultando em<br />
um espectro local.<br />
seqüência de "fotos" do espectro:<br />
... F(w,t -1 ), F(w, t 0 ), F(w,t 1 ), F(w,t 2 ) .... evoluindo<br />
temporalmente.<br />
Si<strong>na</strong>is práticos " bem comportado" com relação à<br />
estacio<strong>na</strong>ridade: si<strong>na</strong>is periódicos.<br />
Não é a toa que a análise clássica de Fourier é<br />
freqüentemente restrita a esta classe de si<strong>na</strong>is.<br />
11
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
FOTOS:<br />
• Representar o rosto por fotos (5 anos, 10 anos,<br />
15, 20, 25 e 30 anos).<br />
• Uma única foto representativa do indivíduo,<br />
uma "foto média". Essa foto média representa<br />
o espectro de Fourier.<br />
• Um caráter local (no tempo) => trabalhar com<br />
mais fotos, => maior complexidade,<br />
capacidade de armaze<strong>na</strong>mento/ processamento<br />
A classe de si<strong>na</strong>is, cujo espectro permanece<br />
relativamente independente no tempo, são referidos<br />
como si<strong>na</strong>is estacionários.<br />
Os não-estacionários trazem variações<br />
substanciais e significativas de padrão e<br />
comportamento, dependendo do instante de tempo<br />
considerado.<br />
12
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
É como se, "de repente", no meio de uma<br />
seqüência de fotos 3×4 de fotos huma<strong>na</strong>s<br />
semelhantes, surgisse uma foto de algum animal<br />
completamente diferente (e.g., girafa).<br />
Diferentes níveis de "estacio<strong>na</strong>ridade":<br />
‣ seqüência de fotos sempre de uma mesma pessoa<br />
em diferentes tempos;<br />
‣ seqüência de fotos de pessoas diferentes em<br />
tempos diferentes, porém de uma mesma raça<br />
(origem);<br />
‣ seqüência de fotos de pessoas diferentes em<br />
tempos diferentes, porém de origens diferentes;<br />
‣ seqüência de fotos de diferentes animais em<br />
tempos diferentes (levando em conta algum<br />
aspecto da classificação de Lineu);<br />
‣ seqüência de fotos arbitrárias diferentes em<br />
tempos diferentes, incluindo objetos, paisagens etc.<br />
13
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Quando o espectro de Fourier passa a não ter<br />
sentido. A resposta não é fechada.<br />
Depende do que se deseja e quanto se pode<br />
"pagar".<br />
A Transformada de Gabor<br />
Embora capaz de determi<strong>na</strong>r o conteúdo de<br />
freqüências presentes em um si<strong>na</strong>l, não há noção de<br />
quando (em que intervalo de tempo) elas ocorrem.<br />
A transformada de Fourier não fornece uma<br />
análise temporal, ape<strong>na</strong>s freqüencial.<br />
Transformada de Fourier de Tempo Curto (STFT<br />
– Short Time Fourier Transform) também conhecida<br />
como a Transformada de Gabor.<br />
14
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A idéia da STFT é introduzir um parâmetro de<br />
freqüência local (local no tempo) como se a<br />
"Transformada de Fourier Local" observasse o si<strong>na</strong>l<br />
através de uma curta "janela" dentro da qual o si<strong>na</strong>l<br />
permanece aproximadamente estacionário.<br />
A transformada local observa f(t) "através" de<br />
uma janela W(t) centrada no instante de tempo τ e de<br />
extensão "limitada", antes do cálculo do espectro.<br />
Formalmente,<br />
STFT(w,τ ) := ∫<br />
+∞<br />
−∞<br />
f(t)W<br />
(t<br />
−<br />
ô) e<br />
* − jwt<br />
dt<br />
.<br />
15
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Representação bidimensio<strong>na</strong>l F(w,τ,) do si<strong>na</strong>l<br />
f(t), composta por características espectrais<br />
dependentes do tempo.<br />
Janela: a mais comum é janela Gaussia<strong>na</strong>.<br />
t<br />
t<br />
1<br />
f<br />
1<br />
f<br />
1<br />
f<br />
2<br />
fFigura. Análise espectral com Transformada f<br />
de<br />
Fourier clássica e em tempo curto.<br />
As próximas perguntas:<br />
f<br />
2<br />
q<br />
q<br />
Por que a STFT não é suficiente<br />
O que seria mais apropriado, além de um<br />
transformada local (wavelets também são<br />
locais)<br />
16
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A necessidade da segunda operação básica das<br />
wavelets, o escalo<strong>na</strong>mento, também pode ser<br />
entendida neste contexto.<br />
A Guisa de uma Análise de Wavelets<br />
Alter<strong>na</strong>tiva para abordar o plano conjunto<br />
tempo-freqüência :<br />
A análise visualizada como um banco de filtros.<br />
resolução no tempo deveria aumentar com o<br />
aumento da freqüência central dos filtros, ou ∆f/f=cte<br />
(ou fator de qualidade Q constante).<br />
Q constante: as resoluções t e f mudam com a<br />
freqüência central, satisfazendo ainda o princípio da<br />
Incerteza de Gabor-Heisenberg (célula básica).<br />
17
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
FOTOS NOVAMENTE:<br />
Deve-se usar uma representação para um indivíduo<br />
de meia-idade com uma meia dúzia de fotos<br />
(0 ano, 5 anos, 10 anos 15 anos, 20 anos, 25 anos).<br />
(1 ano, 2 anos, 4 anos, 8 anos, 16 anos e 32 anos).<br />
O comportamento das respostas ao impulso dos<br />
filtros de análise, oscilatório (rápido) e amortecido,<br />
gerando "ondinhas".<br />
Figura. Exemplo de uma ondinha:<br />
ondelette de Morlet (Matlab ® ).<br />
As wavelets podem ser interpretadas como<br />
as transformadas lineares locais geradas por<br />
um banco de filtros de fator de qualidade<br />
constante.<br />
18
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
domínios tempo e freqüência (f × t)<br />
domínios escala e deslocamento (a × b).<br />
Interpretação: "mapas".<br />
Uma mudança de escala pode permitir,<br />
numa escala maior, ter uma visão mais global,<br />
mas com menor precisão. Já em uma escala<br />
menor, vê-se detalhes, mas perde-se em<br />
estudar o comportamento global.<br />
1: 15.000.000 idéia do Brasil como um todo<br />
1: 3.500.000, a<strong>na</strong>lisar Per<strong>na</strong>mbuco,<br />
perdendo-se a noção do Brasil como um todo.<br />
Quem já usou mapas sabe que depende<br />
fundamentalmente do que se quer investigar! A<br />
análise via wavelets permite, por assim dizer,<br />
visualizar tanto a floresta quanto as árvores.<br />
19
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Na Transformada Contínua de Wavelet<br />
CWT, todas as respostas ao impulso no banco de<br />
filtros são versões (expandidas ou comprimidas) da<br />
mesma ψ(t), chamada de Wavelet básica.<br />
Assim,<br />
1<br />
t<br />
CWT( a , ) : ∫ + ∞ * −τ<br />
τ = f ( t)<br />
ψ ( )dt<br />
−∞<br />
a<br />
a<br />
. ❏<br />
no rol das Transformadas Lineares...<br />
A função ψ(t) é conhecida como wavelet mãe.<br />
A partir dela geram-se versões modificas no<br />
decorrer da transformada.<br />
Ela é um protótipo para a geração de outras<br />
funções janela: versões dilatadas e comprimidas da<br />
mesma "wavelet mãe".<br />
20
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Banda passante constante (STFT)<br />
f 2f 3f 4f ...<br />
0 0 0 0<br />
Banda passante relativa (Q) constante (WT)<br />
f<br />
f 2f 4f 8f ....<br />
0 0 0 0<br />
Figura. Análise Espectral com banco de Filtros:<br />
(a) STFT e (b) WT.<br />
f<br />
Toos os filtros são da mesma família (e.g., filtros<br />
BPFs Gaussianos, centrados em freqüências<br />
distintas, porém todos com o mesmo fator de<br />
qualidade Q).<br />
21
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelets Contínuas<br />
Introdução a Transformada Contínua de Wavelet<br />
A Transformada de Wavelet foi<br />
desenvolvida como uma alter<strong>na</strong>tiva à STFT<br />
para solucio<strong>na</strong>r o problema da resolução.<br />
Fixada a janela para a STFT, a resolução no<br />
tempo (t) e <strong>na</strong> freqüência (f) permanecem constante<br />
em todo o plano t-f.<br />
CWT:<br />
• Alta resolução temporal e baixa freqüêncial para<br />
freqüências mais altas<br />
• Alta resolução freqüêncial e baixa resolução<br />
temporal para freqüências mais baixas.<br />
22
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Freqüência Freqüência<br />
Tempo<br />
Tempo<br />
(a) (b)<br />
Figura . Resolução no plano t-f pela análise<br />
(a) STFT (b) Transformada de Wavelet.<br />
23
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A Transformada de Wavelet Contínua CWT<br />
ψ(t) wavelet-mãe<br />
ψ(t) ∈ L2(R). ∫ +∞ −∞<br />
ψ<br />
2<br />
(t)dt<br />
< +∞<br />
Operações:<br />
1 ⎛ t ⎞<br />
a) escalo<strong>na</strong>mento<br />
ψ a<br />
( t)<br />
= ψ ⎜ ⎟<br />
⎠<br />
, a≠0.<br />
| a |<br />
⎝ a<br />
b) deslocamento ψ<br />
b( t)<br />
= ψ ( t − b)<br />
.<br />
c) deslocamento com escalo<strong>na</strong>mento<br />
ψ<br />
a<br />
, b<br />
( t)<br />
= ψ<br />
a<br />
( t − b)<br />
=<br />
1 ⎛ t − b ⎞<br />
⎜ ⎟<br />
| a |<br />
ψ<br />
⎝ a ⎠<br />
{ ψ ( t)}<br />
→ { ψ a , b<br />
( t)}<br />
(∀a, a≠0) (∀b∈R).<br />
versão:<br />
Comprimida da wavelet mãe, se a1.<br />
. ❏<br />
24
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
O ajuste <strong>na</strong> amplitude do si<strong>na</strong>l escalo<strong>na</strong>do foi<br />
introduzido visando garantir a isomeria: todas as<br />
ondelettes tem a mesma energia!<br />
|| t<br />
2<br />
2<br />
ψ ( t)<br />
|| = || ψ a , b<br />
( ) ||<br />
.<br />
Portanto, a escolha das wavelets como sendo<br />
versões<br />
1 ⎛ t − b ⎞<br />
⎜ ⎟<br />
| a |<br />
ψ<br />
⎝ a ⎠<br />
garante a mesma energia para<br />
qualquer wavelet!<br />
Define-se<br />
CWT(a,b):=∫ +∞ −∞<br />
f<br />
*<br />
( t)<br />
ψ a , b(<br />
t)<br />
dt<br />
=< f(t),ψa,b>. ❏<br />
A<strong>na</strong>logia com Fourier:<br />
F(w)=∫ +∞ −∞<br />
f<br />
− jwt<br />
( t)<br />
e dt =< f(t),e jwt >.<br />
25
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
‣ Fourier F(w), em cada w:<br />
Projeção de f(t) <strong>na</strong> direção das ondas { e<br />
que constituem uma "base" do espaço de si<strong>na</strong>is.<br />
jwt<br />
} w∈R<br />
Esta "base" de Fourier é composta por si<strong>na</strong>is<br />
oscilatórios perpétuos - traduzindo o fato que<br />
Fourier está associado a um comportamento nãolocal<br />
no tempo, mas de -∞ a +∞.<br />
‣ Wavelets:<br />
a<br />
( t<br />
decomposição de f(t) em si<strong>na</strong>is {<br />
, b<br />
} *<br />
a∈ R + b∈R<br />
que constitui um novo conjunto de análise do<br />
espaço de si<strong>na</strong>is.<br />
Esta nova "base" é composta por si<strong>na</strong>is<br />
oscilatórios de curta duração - e não si<strong>na</strong>is ab<br />
aeterno.<br />
A combi<strong>na</strong>ção oscilatório (daí o termo onda) e<br />
de curta duração (inha) gera o termo ondinhas,<br />
ondeletas, ondelettes no origi<strong>na</strong>l, ou de forma já<br />
consagrada, wavelets.<br />
ψ<br />
)<br />
26
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Um critério para definir wavelets:<br />
• Oscilatória (onda=wave), ou melhor, que seu<br />
valor médio no domínio temporal é nulo.<br />
∫ +∞ −∞<br />
ψ<br />
( t)<br />
dt<br />
= 0<br />
• Condição de admissibilidade,<br />
Dado o par transformada de Fourier:<br />
ψ<br />
( ) ↔ Ψ(<br />
ω)<br />
t ,<br />
∞<br />
∫<br />
−∞<br />
2<br />
Ψ(<br />
ω ) d ω < + ∞<br />
ω<br />
❏<br />
Ψ<br />
≡ ∫ + ∞<br />
2<br />
| ( ζ ) |<br />
C ψ<br />
dζ<br />
−∞<br />
| ζ |<br />
<<br />
+∞<br />
=><br />
lim Ψ(<br />
ζ ) = 0<br />
ζ → 0 .<br />
Ψ ( 0) = 0 => ∫ +∞ ψ ( t)<br />
dt<br />
−∞<br />
= 0<br />
.<br />
27
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Caráter passa-faixa das wavelets interpretadas como<br />
um banco de filtros, note os seguintes fatos:<br />
Ψ ( 0) = 0 (pela admissibilidade)<br />
Ψ ( ±∞)<br />
= 0 (pois ψ é de energia finita).<br />
Dado ε >0 arbitrário, ∃ α, β ∈ R, 0 < α < β <<br />
+∞ tal que<br />
|Ψ(w)| < ε para |w| < α e |w| > β. ❏<br />
Existe uma banda passa-faixa <strong>na</strong> qual o espectro<br />
Ψ pode ser essencialmente não nulo.<br />
Figura. Comportamento de ) (w Ψ tipo passa-faixa.<br />
28
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
O escalo<strong>na</strong>mento é o processo de<br />
compressão e dilatação do si<strong>na</strong>l. O<br />
parâmetro de escala "a" usado em Wavelets<br />
tem interpretação grosso modo idêntica à<br />
escala empregada em mapas cartográficos.<br />
O termo |a|-1/2 é um fator de normalização da<br />
energia do si<strong>na</strong>l e<br />
transformada afim.<br />
1 ⎛ t − b ⎞<br />
ψ a , b(<br />
t)<br />
= ψ ⎜ ⎟,<br />
a ≠<br />
a ⎝ a ⎠<br />
0<br />
é uma<br />
Uma wavelet<br />
ψ<br />
a, b<br />
( t)<br />
é definida por um<br />
mapeamento afim unitário. Esta Wavelets são<br />
versões transladadas (b) e dilatadas/comprimidas (a)<br />
de uma mesma onda protótipo, chamada waveletmãe<br />
ψ(t).<br />
29
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Figura. A Wavelet-mãe Symmlet 8 em diferentes<br />
escalas e localizações.<br />
Uma Transformada inversa de Wavelet pode ser<br />
obtida via<br />
1<br />
1 t<br />
f ( t)<br />
CWT ( a,<br />
b)<br />
(<br />
C<br />
∫ + ∞ +∞ ⎧<br />
=<br />
−∞∫<br />
⎨ ψ<br />
−∞<br />
⎩ a<br />
ψ<br />
− b ⎫ dadb<br />
) ⎬ 2<br />
a ⎭ a<br />
Uma das primeiras transformadas WT<br />
corresponde a Wavelet de Morlet, cuja Wavelet<br />
mãe é ψ(t)=exp(-t2/2).exp(jw 0 t). Note que ela<br />
corresponde a um BPF gaussiano.<br />
.<br />
30
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A Transformada Inversa (CWT -1 ) e a<br />
Condição de Admissibilidade<br />
Sejam f(t)∈ L2(R) e ψ a,b (t) ∈ L2(R-{0}× R).<br />
Sob que condições é possível "pegar uma onda"<br />
(catch the wave...)<br />
Escolher uma wavelet protótipo tal que<br />
ψ(t) ↔ Ψ(w) e<br />
C<br />
ψ<br />
= ∫ ∞ |<br />
+<br />
−∞<br />
Ψ(<br />
ζ<br />
| ζ<br />
)|<br />
|<br />
2<br />
dζ<br />
< +∞<br />
.<br />
A wavelet utilizada no processo de reconstrução<br />
é referida sempre como wavelet dual. Por isso ψ*(t)<br />
é chamada de "dual" da wavelet ψ(t).<br />
31
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Formula de inversão sob condições menos restritivas<br />
Definição (Wavelets diádicas). Uma wavelet ψ(t) ∈<br />
L2(R), ψ(t) ↔Ψ(w), é dita ser uma wavelet diádica<br />
se e somente se satisfaz a condição de estabilidade,<br />
i.e., ∃ A,B ∈R ⏐ 0
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Exemplos: Um mar de Wavelets<br />
Existe um grande número de funções que podem<br />
ser eleitas como wavelets mãe.<br />
Nome da família de Wavelets<br />
'haar' Haar wavelet.<br />
'db' Daubechies wavelets.<br />
'sym' Symlets.<br />
'coif' Coiflets.<br />
'bior' Biorthogo<strong>na</strong>l wavelets.<br />
'rbio' Reverse biorthogo<strong>na</strong>l wavelets.<br />
'meyr' Meyer wavelet.<br />
'dmey' Discrete approximation of Meyer wavelet.<br />
'gaus' Gaussian wavelets.<br />
'mexh' Mexican hat wavelet.<br />
'morl' Morlet wavelet.<br />
'cgau' Complex Gaussian wavelets.<br />
'shan' Shannon wavelets.<br />
'deO' de Oliveira wavelets.<br />
'legd' Legendre wavelets.<br />
'mth' Mathieu wavelets.<br />
'fbsp' Frequency B-Spline wavelets.<br />
'cmor' Complex Morlet wavelets. ❏<br />
Wavelet de Haar<br />
33
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Por simplicidade, considera-se um si<strong>na</strong>l<br />
constante por partes. Bases de si<strong>na</strong>is constantes por<br />
partes (e.g. Haar) podem ser mais adequadas.<br />
ψ<br />
( H )<br />
( t)<br />
: =<br />
⎧<br />
⎪ −<br />
⎪<br />
⎨<br />
⎪<br />
⎪<br />
⎪⎩<br />
1<br />
2<br />
1<br />
2<br />
0<br />
-1 < t ≤ 0<br />
0 < t ≤ 1<br />
caso contrário<br />
.<br />
Estas são versões do tipo "wavelet digital".<br />
Figura. As Wavelets de Haar (oito wavelets).<br />
34
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Figura. si<strong>na</strong>l 1-D de teste, constante por partes.<br />
Wavelet Sombrero<br />
Assumindo uma ρ(t) Gaussia<strong>na</strong>, segue-se que<br />
ψ ( t)<br />
= −ρ''(<br />
t)<br />
é a wavelet sombrero (chapéu<br />
mexicano), por razões óbvias.<br />
ψ<br />
( Mhat)<br />
2 −t<br />
2( t −1)<br />
e<br />
( t)<br />
=<br />
1 / 4<br />
π 3<br />
2<br />
/ 2<br />
.<br />
Figura. Wavelet Sombrero. Matlab ® .<br />
Wavelet densidade Gaussia<strong>na</strong><br />
35
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Uma wavelet simples derivada da função<br />
densidade gaussia<strong>na</strong> (gaus1) é dada por:<br />
( fdG )<br />
2te<br />
ψ ( t ) = gaus<br />
π<br />
−t<br />
1 : =<br />
1 / 4<br />
2<br />
/<br />
2<br />
.<br />
0.644<br />
1<br />
0.5<br />
ψ( x)<br />
0<br />
0.5<br />
− 0.644<br />
1<br />
10 5 0 5 10<br />
− 8<br />
x<br />
8<br />
Figura. Wavelet derivada da densidade de<br />
probabilidade gaussia<strong>na</strong>: gaus1 e gaus8.<br />
Wavelet complexa de Morlet<br />
36
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Morlet propôs uma das primeiras wavelet de<br />
interesse <strong>na</strong> análise de si<strong>na</strong>is.<br />
Em sua investigação de si<strong>na</strong>is geofísicos<br />
(exploração de petróleo), empregou a wavelet<br />
complexa:<br />
ψ<br />
2<br />
( Mor)<br />
1 −t<br />
/ 2 − jw0t<br />
( t)<br />
e e<br />
1 / 4<br />
= π<br />
.<br />
Figura. Wavelet complexa de Morlet.<br />
(parte real e parte imaginária).<br />
Wavelet de Shannon<br />
37
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A análise correspondente aos filtros passa-faixa<br />
ideais define uma decomposição usando wavelets<br />
conhecidas como wavelets de Shannon.<br />
Espectro da Wavelet real:<br />
⎛ w − 3π / 2 ⎞ ⎛ w + 3π<br />
/ 2 ⎞<br />
Ψ(<br />
w ) = ∏⎜<br />
⎟ + ∏⎜<br />
⎟<br />
⎝ π ⎠ ⎝ π ⎠<br />
.<br />
Tomando a transformada inversa:<br />
Assumindo t=2x+1,<br />
( Sha)<br />
⎛πt<br />
⎞ ⎛ 3πt<br />
⎞<br />
ψ ( t)<br />
= Sa⎜<br />
⎟cos⎜<br />
⎟<br />
⎝ 2 ⎠ ⎝ 2 ⎠<br />
.<br />
ψ<br />
( Sha)<br />
( x)<br />
=<br />
2<br />
π<br />
sen(2π<br />
( x<br />
+ 1)) − sen(2πx)<br />
2x<br />
+ 1 .<br />
38
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
ψ<br />
No caso da wavelet complexa, pode-se usar<br />
)<br />
− j2πt<br />
( t)<br />
= Sinc(<br />
t)<br />
e .<br />
( CSha<br />
(a)<br />
(b)<br />
Figura. (a) Wavelet de Shannon. (b) A wavelet<br />
complexa de Shannon (Matlab ® ).<br />
Constata-se facilmente que esta wavelet tem<br />
suporte infinito (i.é., ∄M tal que |ψ(t)|=0 ∀|t|>M).<br />
39
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelet de Meyer<br />
A wavelet de Meyer é definida no domínio<br />
freqüencial como:<br />
Ψ(<br />
w)<br />
⎧<br />
⎪<br />
⎪<br />
⎪<br />
= ⎨<br />
⎪<br />
⎪<br />
⎪<br />
⎩<br />
1 ⎡π<br />
⎛ 3 | w | ⎞⎤<br />
sen⎢<br />
υ⎜<br />
−1⎟⎥e<br />
2π<br />
⎣ 2 ⎝ 2π<br />
⎠⎦<br />
1 ⎡π<br />
⎛ 3 | w | ⎞⎤<br />
cos⎢<br />
υ⎜<br />
−1⎟⎥e<br />
2π<br />
⎣ 2 ⎝ 4π<br />
⎠⎦<br />
0<br />
jw / 2<br />
jw / 2<br />
2π/3<br />
≤|<br />
4π/3<br />
≤|<br />
w | ≤<br />
caso contrário.<br />
4π/3<br />
w | ≤ 8π/3<br />
.<br />
Figura. Wavelet de Meyer:<br />
(a) função de escala (b) wavelet. Matlab ® .<br />
40
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelets de Daubechies<br />
Atrativos da análise de Fourier: ondas usadas <strong>na</strong><br />
decomposição são ortogo<strong>na</strong>is.<br />
As 1 as wavelets ortogo<strong>na</strong>is obtidas, (Meyer,<br />
Battle-Lemarié), não apresentam suporte compacto.<br />
Haar são ortogo<strong>na</strong>is e de suporte compacto,<br />
porém não são diferenciáveis.<br />
Um dos maiores desafios da teoria de wavelets<br />
foi a construção de uma família de wavelets<br />
ortogo<strong>na</strong>is de suporte compacto.<br />
Figura. Wavelets dbN de Daubechies (N=2,3,4, ...):<br />
As Daublets Matlab ® .<br />
41
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Figura. Diversas versões de uma db2.<br />
Estas formas de onda são ortogo<strong>na</strong>is (!).<br />
42
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelet Symmlets e Wavelet Coiflets<br />
Coiflets e Symmlets são wavelets mais<br />
simétricas as quais foram projetadas para garantir<br />
momentos nulos tanto <strong>na</strong> função de escala φ(t)<br />
quanto <strong>na</strong> wavelet-mãe ψ (t).<br />
Elas foram criadas Daubechies sob demanda de<br />
R. Coifman em 1989. São também wavelets de<br />
suporte compacto.<br />
Figura. Coiflets e Symmlets (coifn e symn); n é<br />
número de momentos nulos.<br />
43
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelet de "de Oliveira"<br />
Possuem espectro típico passa-faixa ideal<br />
(plano), com regiões de "rolamento" assimétricas,<br />
porém mantendo a filosofia básica da análise a Q-<br />
constante.<br />
Mostra-se que a wavelet complexa de "de<br />
Oliveira" é dada por<br />
( deO)<br />
− jw / 2 ( deO)<br />
Ψ ( w)<br />
= e S ( w).<br />
,<br />
( deO )<br />
( deO)<br />
onde | ( w)<br />
| = S ( w)<br />
Ψ .<br />
Figura. Módulo da Wavelet de "de Oliveira"<br />
44
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
( deO)<br />
Figura. Wavelet ψ ( t)<br />
: Parte real<br />
( deO)<br />
Figura. Wavelet ψ ( t)<br />
: parte imaginária.<br />
45
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelets Discretas<br />
A CWT essencialmente mapeia um si<strong>na</strong>l<br />
unidimensio<strong>na</strong>l (no tempo) em uma<br />
representação bidimensio<strong>na</strong>l (tempo, escala)<br />
que é altamente redundante.<br />
As wavelets agora não são transladadas<br />
nem escalo<strong>na</strong>das continuamente, mas sim em<br />
intervalos discretos.<br />
Isto pode ser feito com uma peque<strong>na</strong><br />
modificação <strong>na</strong> wavelet contínua.<br />
ψ<br />
a,<br />
b<br />
1 ⎛ t - b ⎞<br />
1 ⎛ t − nb<br />
( t)<br />
ψ ⎜ ⎟ ⇒ψ<br />
t = ⎜<br />
m,n<br />
( ) ψ<br />
⎝ a ⎠<br />
m<br />
a<br />
a ⎝ a0<br />
o<br />
=<br />
m<br />
0<br />
a<br />
m<br />
0<br />
⎞<br />
⎟<br />
⎠<br />
onde m e n são inteiros, a 0 >1 é um parâmetro de<br />
dilatação fixo, b 0 é o fator de translação fixo e b<br />
depende agora do fator de dilatação.<br />
46
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A Transformada Discreta de Wavelets:<br />
As Séries Wavelet de tempo contínuo (CTWS)<br />
Formas discretas são atraentes do ponto de vista:<br />
i) implementação e ii) computacio<strong>na</strong>l.<br />
A discretização da WT<br />
1) ocorre ape<strong>na</strong>s no domínio dos<br />
parâmetros (variáveis de escala e translação),<br />
2) não <strong>na</strong> variável independente do si<strong>na</strong>l a<br />
ser a<strong>na</strong>lisado (tempo ou espaço).<br />
Retículado 2D no plano escala-translação:<br />
A grade é indexada por dois inteiros m e n:<br />
m => passos <strong>na</strong> escala discreta<br />
n => passos das translações discretas.<br />
Fixam-se dois valores dos passos, a 0 e b 0 .<br />
47
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Escala discreta (logarítmica): a=a 0 m m=1,2,3,...<br />
Translações discretas: b=nb 0 a 0 m n=1,2,3,... dado m.<br />
Assim<br />
∫ + ∞<br />
m<br />
1 ⎛ t − nb<br />
−∞<br />
⎟ ⎞<br />
0a0<br />
WT( a,<br />
b)<br />
= CTWS(<br />
m,<br />
n)<br />
: = f ( t)<br />
ψ<br />
⎜ dt<br />
m<br />
m<br />
a ⎝ a0<br />
⎠<br />
0<br />
. ❏<br />
Note que:<br />
f(t) e a wavelet-mãe são tempo contínuo,<br />
coeficientes discretos CTWS(m,n) são discretos.<br />
Diferentemente da CWT(a,b), as CTWS(m,n)<br />
são definidas ape<strong>na</strong>s para valores positivos de escala<br />
(a 0 >0), porém esta restrição não é severa.<br />
48
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
tipo<br />
Assim, a DWT consiste em um mapeamento do<br />
CTWS: L2(R) → l2(Ζ + -{0} × Ζ)<br />
f(t) |→ CTWS(m,n)<br />
Enunciado de outra forma: si<strong>na</strong>is contínuos de<br />
energia finita são mapeados em uma grade<br />
bidimensio<strong>na</strong>l de coeficientes de wavelet.<br />
Interessante observar que a DWT é mais análoga<br />
à uma representação em série de Fourier ao invés de<br />
uma DFT:<br />
• Série<br />
∑ +∞<br />
−∞ n=<br />
F 0<br />
e jnw<br />
n<br />
contínuo, com coeficientes discretos<br />
N<br />
1<br />
f ( k)<br />
e<br />
2πnk<br />
j<br />
N<br />
t<br />
representação de tempo<br />
• DFT ∑ − representação em tempo<br />
k = 0<br />
discreto, com espectro discreto.<br />
49
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Reticulado: A escolha da grade.<br />
Os coeficientes da CWTS correspondem a<br />
pontos num retículo no domínio escala-translação.<br />
A grade é indexada por dois inteiros m e n,<br />
controlando a discretização da escala e translado.<br />
O reticulado uniforme no plano escaladeslocamento<br />
é expresso por:<br />
{(<br />
ma0,<br />
nb0<br />
}<br />
m n∈Z<br />
∆<br />
a , b<br />
= )<br />
,<br />
0 0<br />
.<br />
Já o reticulado definido pelas wavelets no plano<br />
escala deslocamento é o reticulado hiperbólico<br />
{ }<br />
m m<br />
( a0<br />
, <strong>na</strong>0<br />
b0<br />
m n∈Z<br />
∆<br />
a , b<br />
=<br />
)<br />
,<br />
0<br />
0<br />
m m<br />
∆<br />
2<br />
= 2 , n2<br />
)<br />
, ∈<br />
( .<br />
{ } Caso diádico: a 0 =2 e b 0 =1 e ,1<br />
m n Z<br />
50
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
m (escala)<br />
n (deslocamento)<br />
Figura. Resolução de transformadas wavelets:<br />
plano translação-escala.<br />
A Transformada Discreta de Wavelets:<br />
Séries Wavelets de Tempo Discreto (DTWS)<br />
51
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Além da discretização do plano escalatranslação,<br />
a variável independente do si<strong>na</strong>l pode<br />
também ser discretizada.<br />
Neste caso, define-se:<br />
1<br />
∑ +∞ ⎛ k<br />
WT( a,<br />
b)<br />
= DTWS(<br />
m,<br />
n)<br />
: = f ( k)<br />
ψ<br />
⎜<br />
m<br />
a k = −∞ ⎝<br />
0<br />
− nb a<br />
a<br />
0<br />
m<br />
0<br />
m<br />
0<br />
⎞<br />
⎟<br />
⎠<br />
. ❏<br />
Assim, as DTWS consiste em um mapeamento<br />
do tipo<br />
DTWS: l2(Ζ) → l2(Ζ + -{0} × Ζ)<br />
f(k) |→ DTWS(m,n).<br />
Enunciado de forma alter<strong>na</strong>tiva: si<strong>na</strong>is discretos<br />
de energia finita são mapeados em uma grade<br />
bidimensio<strong>na</strong>l de coeficientes.<br />
52
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Interessante observar que a DTWS é mais<br />
análoga à uma representação do tipo DFT que em<br />
série de Fourier.<br />
O menor passo inteiro para a escala é a 0 =2. Usa-se<br />
então este fator de escalo<strong>na</strong>mento, o que é referido<br />
como escalo<strong>na</strong>mento diádico. O menor passo inteiro<br />
de translação temporal é b 0 =1.<br />
Wavelets diádicas:<br />
−m<br />
/ 2<br />
+∞ ∑<br />
k = −∞<br />
DTWS(<br />
m,<br />
n)<br />
= 2 f ( k)<br />
ψ 2<br />
(<br />
−m<br />
k − n)<br />
.<br />
53
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Em resumo:<br />
−1/<br />
2<br />
CWT(a,b)= ∫ + ∞ t − b<br />
a f ( t)<br />
ψ *( ) dt<br />
−∞<br />
a<br />
CTWS(<br />
m,<br />
n)<br />
−m<br />
/ 2<br />
∫ +∞ −∞<br />
(<br />
−m<br />
2 t − n)<br />
= 2 f ( t)<br />
ψ dt<br />
−m<br />
/ 2<br />
∑ +∞<br />
k=<br />
−∞<br />
DTWS(<br />
m,<br />
n)<br />
= 2 f ( k)<br />
ψ 2<br />
(<br />
−m<br />
k − n)<br />
. ❏<br />
54
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Um Estudo de Caso:<br />
Decomposição via Daubechies db2 para ECG<br />
Decomposição wavelet (AMR) usando db2 para<br />
um si<strong>na</strong>l ECG, com seis níveis de decomposição.<br />
ECG<br />
Figura. Análise de ECG com db2.<br />
55
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
A decomposição explicita visualmente, no nível 6, a<br />
wavelet mãe db2.<br />
Lembra decomposição em série de Fourier: Os<br />
"harmônicos" aqui não são senoidais perpétuas,<br />
mas versões de uma wavelet (e.g., ondas não<br />
perpétuas).<br />
Uma característica diferente: A 6 =S 6 (versão grosseira<br />
ou passa-baixa), a qual devem ser adicio<strong>na</strong>dos os<br />
detalhes (versão wavelet ou passa-faixa) para<br />
compor a aproximação.<br />
Maior grau de liberdade é conferido à<br />
análise, pois o mesmo si<strong>na</strong>l pode ser<br />
decomposto via um grande número de<br />
diferentes wavelets, ao invés de sempre<br />
ser decomposto em componentes<br />
senoidais.<br />
56
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Aplicações de Wavelets<br />
Provocações... (!)<br />
Wavelets em Descontami<strong>na</strong>ção de Si<strong>na</strong>is<br />
Infelizmente, descontami<strong>na</strong>ção é um problema<br />
difícil ⎯ não há fronteiras de distinção entre o si<strong>na</strong>l<br />
e o ruído.<br />
Métodos de descontami<strong>na</strong>ção: suprimir<br />
"algumas" componentes "incoerentes" com o si<strong>na</strong>l<br />
de informação.<br />
As wavelets tem se mostrado como ferramentas<br />
importantes no combate e remoção de ruído.<br />
57
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
• si<strong>na</strong>l origi<strong>na</strong>l f k<br />
• ruído aditivo n k v.a. - ruído branco gaussiano.<br />
• observações<br />
Matricialmente, y=f+σn .<br />
y<br />
k<br />
= fk<br />
+ σnk<br />
, k=0,1,2,...,K-1,<br />
Aplicando-se a transformada de wavelets, obtém-se<br />
DWT( y)<br />
DWT(<br />
f ) + σDWT(<br />
n)<br />
= .<br />
Os coeficientes wavelet do ruído superpõemse<br />
aos coeficientes wavelets do si<strong>na</strong>l.<br />
SNR alta:<br />
Elimi<strong>na</strong>m-se as contribuições para a reconstrução do<br />
si<strong>na</strong>l em que o ruído é "comparável" ao si<strong>na</strong>l,<br />
mantendo ape<strong>na</strong>s coeficientes wavelets onde a<br />
contribuição do si<strong>na</strong>l é "importante".<br />
É comum o uso de um limiar abrupto (hard<br />
⎧0<br />
se | x | ≤ T<br />
C(<br />
x)<br />
=<br />
threshold), ⎨<br />
⎩x<br />
caso contrário .<br />
58
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Algoritmo Waveshrink<br />
P1. Fixe um nível m≥1 e normalize as observações<br />
via<br />
~ y = k<br />
yk<br />
/ Km<br />
.<br />
P2. Calcule a DWT da observações normalizadas.<br />
P3. Aplique o operador C(x) nos coeficientes<br />
wavelet obtidos.<br />
O operador de encurtamento (shrinkage), C(x), é<br />
definido por:<br />
⎧|<br />
x | −Tm se| x| > Tm<br />
C( x ) = Sgn( x ). ⎨<br />
⎩ 0 caso contrário ,<br />
em que T m é um limiar.<br />
P4. Efetue a transformada inversa de wavelet para<br />
obter uma estimativa descontami<strong>na</strong>da do si<strong>na</strong>l<br />
origi<strong>na</strong>l. ❏<br />
59
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Figura. Waveshrink:<br />
descontami<strong>na</strong>ção de si<strong>na</strong>is usando wavelets.<br />
Compressão via wavelets<br />
A título de destacar a relevância das wavelets<br />
como mecanismos de compressão:<br />
‣ Inclusão no padrão inter<strong>na</strong>cio<strong>na</strong>l JPEG 2000.<br />
‣ padrão do FBI (Federal Bureau of<br />
Investigations) para o armaze<strong>na</strong>mento de<br />
impressões digitais.<br />
60
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Figura (a) Imagem origi<strong>na</strong>l (261 KB); (b) Imagem<br />
comprimida por JPEG (28 KB);<br />
(c) Imagem comprimida wavelets (5KB).<br />
61
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
Wavelets em Localização de Faltas em Linhas de<br />
Transmissão<br />
Wavelets constituem uma ferramenta poderosa <strong>na</strong><br />
detecção de faltas em linhas de transmissão,<br />
inclusive <strong>na</strong> análise de faltas de difícil detecção<br />
(e.g., faltas de alta impedância, faltas em linhas com<br />
compensação série e faltas em linhas com<br />
acoplamento mútuo).<br />
A implementação de algoritmos de identificação<br />
ou localização de faltas em linhas de transmissão<br />
está baseada <strong>na</strong> configuração do sistema de<br />
monitoramento dos si<strong>na</strong>is de tensão e/ou corrente <strong>na</strong><br />
linha de transmissão, através do uso de registradores<br />
digitais de perturbação.<br />
Entre Daubechies, Haar, Coiflet, Symmlet e<br />
Biortogo<strong>na</strong>l a wavelet escolhida foi a Sym2.<br />
62
Wavelets: <strong>Entrando</strong> Na <strong>Onda</strong><br />
• PRINCIPAIS DESENVOLVIMENTOS NA UFPE<br />
Novas wavelets<br />
Wavelets em GF(p)<br />
Potenciais aplicações<br />
Multiplex, Acesso múltiplo,<br />
seqüências de DNA<br />
Wavelet de "de Oliveira" Modulação digital, Modems ADSL<br />
Wavelets de Chebyshev Análise em biomédica<br />
(eletrogastrografia, ECG...)<br />
Wavelets de Legendre Desenhos, Tomografia, RMN,<br />
Imagens médicas<br />
Wavelets de Mathieu Óptica, eletromagnetismo<br />
(ante<strong>na</strong>s...)<br />
• IMPORTANTE E PODEROSA FERRAMENTA NA<br />
ANÁLISE DE SINAIS<br />
• NUMEROSAS APLICAÇÕES E PERSPECTIVAS<br />
63