Aplicaciones del Análisis Multiresolución MRA
-
Upload
yoosaa-hernandez -
Category
Documents
-
view
106 -
download
4
Transcript of Aplicaciones del Análisis Multiresolución MRA
Aplicaciones del Análisis Multiresolución MRA Antonio Yosafat Rodríguez Hernández
Estudiante en Ing. en Comunicaciones y Electrónica
DICIS
Universidad de Guanajuato
Moctezuma 587, C.P. 36510
Irapuato, Guanajuato; México
Resumen: Se definen los conceptos de Análisis Multiresolución y
sus aplicaciones en el distintos campos donde se desarrolla,
implementando nuevas técnicas con Wavelets para el tratamiento
de señales e imágenes.
1. Introducción
Las wavelets y el análisis de Multiresolución constituyen una potente herramienta
para afrontar problemas fundamentales en el tratamiento de imágenes. Entre ellos se
encuentran la reducción del ruido, la compresión (de vital importancia tanto en la
transmisión de grandes cantidades de datos como en su almacenamiento) o la
detección de determinados objetos en ciertos tipos de imágenes. Esta moderna teoría
ha experimentado un gran desarrollo en las dos últimas décadas mostrándose muy
eficiente donde otras técnicas, como por ejemplo la transformada rápida de Fourier,
no resultaban satisfactorias.
Algunos de los principales problemas que afectan al tratamiento de imágenes
digitales son la compresión de datos para su posterior almacenamiento o transmisión,
la eliminación del ruido, realce de contrastes y análisis de texturas.
Las wavelets proporcionan un conjunto de herramientas flexible para problemas
prácticos en ciencia e ingeniería. En la última década se han aplicado ya con éxito al
análisis de imágenes en distintas disciplinas tan diversas como la
medicina, teledetección y muchas otras.
1.1 Análisis Multiresolución
Un Análisis Multiresolución o AMR es una sucesión de subespacios cerrados
( ) cumpliendo
( ( ))
⋂
{ }
⋂
( )
{ ( ) }
2. Procesamiento de Imágenes
La aplicación más simple para procesar imágenes de la teoría wavelet, para el caso
discreto presentado en la sección anterior se basa en aplicar un paso de la
transformada wavelet unidimensional tomando las señales que representan las filas
de la imagen, y luego tomar cada una de las columnas como señal a procesar. Esto da
origen a las siguientes funciones de escala y wavelets:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
Ahora, si tenemos la imagen original I de NxN, y la función asociada f(x,y) y
tomamos como señales horizontales las determinadas por las filas a través de la
coordenada ‘y’ de la matriz subyacente, y las señales verticales las determinadas por
las columnas definidas a través de la coordenada ‘x’, entonces, la fórmula asociada
para la aplicación de un paso de la transformada wavelet de esta manera es la
siguiente:
( ) ∑∑ ( ) ( )
3. Compresión de Señales
La transformada wavelet es una transformación de la señal que la divide en dos
tipos de subseñales, la tendencia y las fluctuaciones. La tendencia viene a ser una
copia de la señal a menor resolución y las fluctuaciones almacenan información
referida a los cambios locales en la señal inicial.
La tendencia y las fluctuaciones más significativas permiten una compresión de la
señal a cambio de descartar información irrelevante y de la eliminación del ruido
producido por los aparatos y las condiciones de medida. Según el tipo de medición
realizada el ruido correspondiente se comporta matemáticamente siguiendo
distribuciones de probabilidad gaussianas, uniformes... El estudio de las
fluctuaciones permite detectar anomalías o disfunciones en el comportamiento
esperado de la señal inicial. También permite la comparación con patrones para
detectar formas en una señal eléctrica de forma automática.
No existe una transformada wavelet única, ni que resuelva todos los problemas, a
partir de la modelación del proceso y de un análisis a priori del tipo de señal tratada y
del objetivo que se pretenda (compresión, eliminación del ruido...) se busca la
familia de wavelets (Haar, Daubechies, Coiflets,...) que mejor coincida con las
características de la señal a estudiar.
Una de las principales ventajas de las wavelets frente a los métodos clásicos, como
la transformada de Fourier, es que en el segundo caso se maneja una base de
funciones bien localizada en frecuencia pero no en tiempo, mientras que la mayoría
de las wavelets interesantes presentan una buena localización en tiempo y en
frecuencia, disponiendo incluso de bases de wavelets con soporte compacto. La
transformada wavelet está asociada con el análisis Multiresolución de la señal. A
distintos niveles de resolución tenemos una base de wavelets. Concretamente,
cuando mayor detalle pretendamos obtener en una señal (mayor resolución), mayor
número de funciones por unidad de longitud tendremos en nuestra base de wavelets.
4. Conclusiones
La aplicación de las wavelets tiene muchas ventajas en el campo tecnológico
desarrollando nuevas técnicas mediante el análisis Multiresolución, aportando
avances en sectores como Ingeniería, medicina, biomedicina, cardiología entre
otros. Es una herramienta muy eficiente para facilitar problemas en tratamiento de
señales.
5. Referencias
1. http://www.upv.es/frechet/wavelets/senyales/indice.htm 2. http://www.upv.es/frechet/wavelets/imagenes/indice.htm 3. http://www.dc.uba.ar/inv/tesis/licenciatura/2010/krikorian
4. http://www2.elo.utfsm.cl/~elo377/documentos/Wavelet.pdf