La Transformada Wavelet Una Introducción - Ma. E. Domíinguez y G. Sansigre V. - Universidad Politécnica de Madrid PDF

Universidad Politécnica de Madrid
E. T. S. de Ingenieros Industriales
La transformada wavelet:
una introducción
Material para la asignatura de Doctorado:
Transformada wavelet y aplicaciones en Ingenierı́a
Programa de Doctorado: INGENIERÍA MATEMÁTICA
Autoras: Marı́a Elena Domı́nguez Jiménez

Gabriela Sansigre Vidal
Departamento de Matemática Aplicada a la Ingenierı́a

Industrial
http://dmaii.etsii.upm.es/ ˜edominguez/
Capı́tulo 1
Teorı́a de Fourier: series y

transformada continua.
1.1. Introducción.
El objeto de la teorı́a de la señal es el estudio de las señales y de los sistemas que las
transmiten. El concepto de señal es muy amplio, de la observación de un fenómeno surgen
ciertas cantidades que dependen de una variable (tiempo, espacio, frecuencia, etc.). La
modelización matemática conduce a una función de una o varias variables continuas o
discretas; si las variables varı́an continuamente (por ejemplo, si es el tiempo t ∈ I ⊂ R)
la señal es analógica; si varı́an de forma numerable (si t = tk , k ∈ I ∩ Z), la señal es
digital, muestral o discreta. Por ejemplo, al hablar emitimos señales analógicas; para
transmitir la voz se muestrea, se convierte en digital y se reconstruye en analógica por el
receptor. Otros ejemplos son la intensidad de una corriente eléctrica, los niveles de gris de
una imagen digitalizada, etc. Además las señales pueden ser deterministas o aleatorias.
Algunas señales elementales son, por ejemplo, la función de Heaviside,
(
0 t<0
u(t) = (1.1)
1 t>0
La función caracterı́stica de un intervalo simétrico,

(
1 |t| < a
χ(t) = (1.2)
0 |t| > a
Una señal sinusoidal,
x(t) = α cos(wt + ϕ) (1.3)
donde α es la amplitud, ϕ la fase inicial, 2π/w el perı́odo.

Un sistema de transmisión es una “caja negra” en la que se modifica la señal de
entrada convirtiéndose en señal de salida. La caja negra se modeliza por un operador:
un amplificador, un circuito eléctrico, el teléfono. Los conjuntos de señales de entrada
(X) y de salida (Y ) se estructuran como espacios normados; una norma sirve para medir
distancias. Definamos las normas más habituales:
2
En un espacio de señales analógicas que actúan sobre la variable continua t y esta
varı́a en un intervalo de la recta real I:
Z
La norma “uno” de una señal x: kxk1 = |x(t)|dt.
I
µZ ¶1/2
2
La norma “dos” de una señal x: kxk2 = |x(t)| dt .
I
La norma “infinito” o del supremo de una señal x: kxk∞ = sup{|x(t)|, t ∈ I}.

Análogamente, en un espacio de señales discretas de variable n entera, es decir varı́a
en el conjunto Z de los números enteros (o en un subconjunto que puede ser finito):
X
La norma “uno” de una señal x: kxk1 = |x(n)|.
n∈Z
 1/2
X
La norma “dos” de una señal x: kxk2 =  |x(n)|2  .
n∈Z
La norma “infinito” o del supremo de una señal x: kxk∞ = sup{|x(n)|, n ∈ Z}.

Una vez establecida la norma, la distancia entre dos señales es simplemente la norma de
la diferencia.
El operador A : X → Y puede, a su vez, ser analógico o discreto y también mixto: por
ejemplo, muestrear es convertir una señal analógica en digital, al reconstruir se realiza el
proceso inverso, esto es, se pasa de señal digital a analógica. Para simplificar notación,
utilizaremos la letra x para la señal de entrada, y la letra y para su salida; es decir,
y := A(x).
Los sistemas pueden ser de muchos tipos, algunas caracterı́sticas importantes son:
Sistema (u operador) lineal: A(ax1 + bx2 ) = aA(x1 ) + bA(x2 ) = ay1 + by2 , es decir,
la respuesta a una combinación lineal de señales es la misma combinación lineal de
las respuestas.
Sistema causal x1 (t) = x2 (t), t < t0 ⇒ y1 (t) = y2 (t), t < t0 .
Sistema invariante o estacionario: x(t) 7→ y(t) ⇒ x(t − a) 7→ y(t − a).
Sistema continuo: a señales de entrada próximas asigna señales de salida próximas;
es decir, fijado un número real ε > 0 (pequeño), puede encontrarse un número real
δ > 0 de forma que ky1 − y2 k < ε siempre que kx1 − x2 k < δ.
El término filtro suele reservarse para sistemas lineales, continuos e invariantes.
1.2. Señales periódicas analógicas.

Para simplificar supondremos funciones f : R → C de perı́odo 2π, f (t) = f (t +
2π). Pretendemos estudiar cuándo estas señales pueden aproximarse (en un sentido que
precisaremos) por un polinomio trigonométrico; empecemos entonces con un estudio de
polinomios trigonométricos.
3
1.2.1. Polinomios trigonométricos.
Por definición, un polinomio trigonométrico es una función de la forma
N
X
P (t) = a0 + (an cos nt + bn sen nt) (1.4)
n=1
donde N es un número natural y los coeficientes a0 , an , bn (n = 1, . . . , N ) son números

reales o complejos arbitrarios. El polinomio se dice que tiene grado N cuando o bien aN
o bien bN es no nulo, lo que equivale a |aN | + |bN | 6= 0. Las relaciones exponenciales de
Euler
eiα = cos α + i sen α, e−iα = cos α − i sen α, (1.5)

eiα + e−iα eiα − e−iα
cos α = , sen α = (1.6)
2 2i
nos permiten escribir el polinomio trigonométrico como combinación de potencias de eit :
N
X
P (t) = cn eint (1.7)
n=−N
con las siguientes relaciones entre los coeficientes:
an = cn + c−n , bn = i(cn − c−n ), n = 1, . . . , N ; a0 = c0 . (1.8)
1.2.2. Ortogonalidad.
Para relacionar los coeficientes de un polinomio trigonométrico con el propio polinomio,
y de esa forma poder caracterizarlo, son de interés los siguientes resultados:
Z 2π
cos nt cos mt dt = πδn,m
0
Z 2π
sen nt sen mt dt = πδn,m (1.9)
0
Z 2π
cos nt sen mt dt = 0.
0
Y su análogo
Z 2π
eint e−imt dt = 2πδn,m . (1.10)
0
Lo anterior puede enunciarse diciendo:

En el espacio de los polinomios trigonométricos con el producto escalar
1 Z 2π
< f, g >= f g (1.11)
2π 0
√
y la norma inducida por este producto kf k2 = < f, f > (norma “dos”) el sistema
{eint }n∈Z es ortonormal, es decir, las funciones son ortogonales dos a dos y de norma
unidad.
4
Ahora es inmediato encontrar la relación entre un polinomio trogonométrico P y sus
coeficientes,
N
X N
X
int imt
P (t) = cn e , < P (t), e >= cn < eint , eimt >= cm (1.12)
n=−N n=−N
1 Z 2π
⇒ cn = P (t)e−int dt (1.13)
2π 0
P
Además, kP k22 = |cn |2 , es decir:
N
X 1 Z 2π
|cn |2 = |P (t)|2 dt, (1.14)
n=−N 2π 0
igualdad que se conoce con el nombre de Identidad de Parseval para polinomios trigono-
métricos. Teniendo en cuenta las identidades (1.8), las expresiones en senos y cosenos de
los coeficientes son
1 Z 2π 1 Z 2π
an = P (t) cos nt dt, bn = P (t) sen nt dt. (1.15)
π 0 π 0
Estas expresiones de los coeficientes dan respuesta al problema del análisis espectral de
una señal, que no es otra cosa que encontrar los coeficientes a partir del polinomio.
1.2.3. Series de Fourier.

Los polinomios trigonométricos son funciones periódicas, pero es evidente que podemos
encontrar funciones periódicas que no sean polinómicas. Se trata, en tal caso, de estudiar
si dichas funciones pueden aproximarse por polinomios trigonométricos. Los polinomios
son integrables en [0, 2π] ası́ como sus módulos y sus módulos al cuadrado, pero para una
función f periódica cualquiera esto no es necesariamente cierto; empecemos restringiendo
nuestras funciones periódicas al espacio L2p (0, 2π) formado por las funciones f de variable
real y perı́odo 2π (es decir, ∀t ∈ R f (t) Z
= f (t + 2π)) y cuyo módulo tiene cuadrado
2π
integrable, es decir tales que la integral |f (t)|2 dt es finita.
0
Este espacio se dota del producto escalar definido en (1.11). Es necesaria una precau-
ción: si dos funciones son iguales salvo en un conjunto de medida nula (por ejemplo un
número finito de puntos) tendrán la misma norma y su diferencia será no nula pero de
norma nula. Para hablar de norma con propiedad debe cumplirse que únicamente la fun-
ción nula es de norma nula. Para salvar esta dificultad se consideran clases de funciones,
es decir identificamos (como si fuesen iguales) todas aquellas funciones que coinciden salvo
en un conjunto de medida nula. Esto se denota ası́: kf − gk2 = 0 ⇐⇒ f = g a.e.1
Por otro lado también usaremos el espacio `2 de las sucesiones de módulo cuadrado
sumable:
∞
X
`2 (Z) = {(xn )n∈Z , |xn |2 := kxk22 < ∞}
n=−∞
1
a.e. de las siglas en inglés ‘almost everywhere’; suele leerse en castellano ‘casi por doquier’.
5
Este espacio se dota también de un producto escalar,
∞
X
< x, y >= xn y n .
n=−∞
La idea de aproximación:
Dada una función f ∈ L2p (0, 2π) se desea encontrar un polinomio trigonométrico P ,
de grado menor o igual que un cierto N y tal que kf − P k2 sea mı́nima.
Teorema 1 Sea f ∈ L2p (0, 2π) y N un entero positivo. Entonces existe un único polinomio
trigonométrico fN de grado menor o igual que N y tal que kf − fN k2 es mı́nima.
Este polinomio viene dado por
N
X
int 1 Z 2π
fN (t) = cn (f )e , cn (f ) = f (t)e−int dt. (1.16)
n=−N 2π 0
Los coeficientes cn (f ) del polinomio reciben el nombre de coeficientes de Fourier de f y

existen cualquiera que sea el número N . Se deduce la desigualdad de Bessel,
N
X
21 Z 2π
|cn (f )| ≤ |f (t)|2 dt, (1.17)
n=−N 2π 0
equivalentemente, en función de las normas,
kfN k2 ≤ kf k2
de esta desigualdad se desprende un corolario fundamental,
∞
X
Corolario: ∀f ∈ L2p (0, 2π), |cn (f )|2 < ∞ (es decir, (cn (f )) ∈ `2 ). Además, como
−∞
consecuencia: cn (f ) → 0 cuando |n| → ∞.
Teorema 2 Sea f ∈ L2p (0, 2π). Se considera la sucesión (fN )N ≥0 de los polinomios
trigonométricos de mejor aproximación dados por el teorema anterior, entonces (fN )N ≥0
converge a f en la norma de L2p (0, 2π); es decir:
Z 2π
|f (t) − fN (t)|2 dt −−−→ 0. (1.18)
0 N →∞
Corolario: Identidad de Parseval.

∞
X 1 Z 2π
|cn (f )|2 = |f (t)|2 dt. (1.19)
n=−∞ 2π 0
El resultado es consecuencia de la desigualdad
|kf k2 − kfN k2 | ≤ kf − fN k2 .
En teorı́a de la señal, el miembro de la derecha de la igualdad (1.19) representa la energı́a
de la señal; la identidad de Parseval dice que dicha energı́a es igual a la energı́a de la
suma de sus armónicos. Como consecuencia añadida, se tiene que si los coeficientes de
Fourier son nulos la señal es “casi” nula, esto es, es nula salvo –a lo más– en un conjunto
de medida nula (lo que hemos denotado nula a.e.).
6
Definición 1 Sea f una función periódica de perı́odo 2π. Se define la serie de Fourier
de f como
∞
X
Sf (t) = cn (f )eint (1.20)
n=−∞
donde los coeficientes cn (f ) vienen dados por (1.16).
Observaciones sobre la convergencia.

Si f ∈ L2p (0, 2π) entonces, en virtud de (1.18) la serie de Fourier converge en media
cuadrática a f (es decir, f y Sf coinciden a.e.)
Para que existan los coeficientes de Fourier es suficiente que f tenga módulo inte-
grable en (0, 2π) (es decir, f ∈ L1p (0, 2π)), en cuyo caso puede definirse Sf ; ahora
bien, sin condiciones adicionales no puede hablarse de convergencia a f .
∞
X
2
Teorema 3 Sea (xn )n∈Z ∈ ` . Entonces la serie xn eint es convergente y su suma g
n=−∞
es tal que sus coeficientes de Fourier cg (n) = xn . Además g ∈ L2p (0, 2π).
Este teorema es de gran importancia; junto con el corolario del teorema 1, establece
una biyección entre `2 y L2 (0, 2π). Desde un punto de vista práctico, disponer de una señal
periódica de energı́a finita equivale a trabajar con una sucesión de cuadrado sumable (en
la práctica, con frecuencia, la sucesión se reducirá a un vector finito).
1.3. La transformada de Fourier.

1.3.1. Algunos espacios vectoriales.
En este apartado vamos a describir los espacios que precisamos para desarrollar el
curso. Describimos en primer lugar espacios de sucesiones (para señales discretas):
x:Z → C
n 7→ x(n)
la señal x suele representarse con la notación clásica de sucesiones (xn )n∈Z .
Se denotará por `1 (Z) (o simplemente `1 ) el espacio de las sucesiones de módulo
sumable:
∞
X
1
` (Z) = {(xn )n∈Z , |xn | := kxk1 < ∞} (1.21)
n=−∞
Se denotará por `2 (Z) (o simplemente `2 ) el espacio de las sucesiones de módulo

cuadrado sumable:
∞
X
`2 (Z) = {(xn )n∈Z , |xn |2 := kxk22 < ∞} (1.22)
n=−∞
7
Con `∞ (Z) (`∞ ) se representan las sucesiones acotadas:
`∞ (Z) = {(xn )n∈Z , sup |xn | := kxk∞ < ∞} (1.23)

n∈Z
Definición 2 Sea (xn )n∈Z ∈ `2 ; se dice que su transformada de Fourier es la función de

L2p (0, 2π):
∞
X
X(w) = xn e−iwn . (1.24)
n=−∞
Análogamente, la transformada inversa de Fourier de una función X de L2p (0, 2π) es

la sucesión
1 Z 2π
xn = X(w)eiwn dw. (1.25)
2π 0
De hecho, xn es el n-ésimo coeficiente de Fourier de la función X(−w). De los teoremas

demostrados en la sección anterior se desprende que la transformada de Fourier es una
aplicación biyectiva entre `2 y L2p (0, 2π):
`2 ↔ L2p (0, 2π)

(xn )n∈Z ↔ X
Además, se trata de una isometrı́a, pues conserva el producto escalar (y la norma):
h(xn )n∈Z , (yn )n∈Z i`2 = hX, Y iL2p (0,2π)

k(xn )n∈Z k`2 = kXkL2p (0,2π)
En cuanto a los espacios para señales analógicas, se consideran funciones f de R en C;

es decir, funciones de una variable continua, que pueden tomar valores reales o complejos.
Entonces:
Se denotará por C(R) el espacio de las funciones continuas de variable real y valores
reales o complejos.
Se denotará por L1 (R) el espacio de de las funciones de módulo integrable, esto es:
Z ∞
L1 (R) = {f : R → C, |f (t)| dt := kf k1 < ∞} (1.26)
−∞
8
L∞ (R) está formado por las funciones acotadas; es decir,
L∞ (R) = {f : R → C, sup |f (t)| := kf k∞ < ∞} (1.27)

t∈R
Y, por último, se representa por L2 (R) el espacio de de las funciones de módulo

cuadrado integrable, esto es:
Z ∞
2
L (R) = {f : R → C, |f (t)|2 dt := kf k22 < ∞} (1.28)
−∞
Estos espacios están normados por la norma que se ha indicado en su definición; además
L2 (R) con el producto escalar
Z ∞
< f, g >:= f g (1.29)
−∞
es un espacio de Hilbert (completo: las sucesiones de Cauchy son convergentes).
Definición 3 Dada una función f , se define su transformada de Fourier
ˆ 1 Z ∞ −iwt
f (w) := √ e f (t) dt (1.30)
2π −∞
cuando la integral del segundo miembro converge.
(En teorı́a de la señal, fˆ(w) se denomina espectro de la señal.)
Teorema 4 Si f está en L1 (R) entonces (1.30) converge; además fˆ es continua y está aco-
tada; es decir fˆ ∈ C(R) ∩ L∞ (R) y se cumple lı́m fˆ(w) = 0.
|w|→∞
Este teorema permite definir el operador F
F : L1 (R) → C(R) ∩ L∞ (R) (1.31)

f 7→ fˆ
que a cada función de L1 (R) asocia su transformada de Fourier.
1.3.2. Propiedades de F
1. Linealidad: F(af + bg) = afˆ + bĝ
2. f par (impar) ⇒ F (f ) par (impar)

f real par (real impar) ⇒ F (f ) real par (impar, imaginaria pura)
9
3. Cambio de escala en el tiempo (concentración – dilatación).
µ ¶
1 w
F(f (kt))(w) = F(f ) , k 6= 0 (1.32)
|k| k
4. Retardo en el tiempo y en la frecuencia:

F(f (t − a))(w) = e−iaw F(f )(w) (1.33)
F(eiw0 t f (t))(w) = F(f )(w − w0 ) (1.34)
5. Teorema de modulación:
fˆ(w − w0 ) + fˆ(w + w0 )
F(cos w0 t f (t))(w) = (1.35)
2
1.3.3. Transformada de Fourier y derivación.

1. Transformada de las derivadas. Sea f (k) ∈ L1 (R), 0 ≤ k ≤ n, entonces
F(f (n) )(w) = (iw)n fˆ(w). (1.36)
2. Transformada de una primitiva:

µZ t ¶
fˆ(w)
F f (w) = (1.37)
0 iw
3. Derivadas de la transformada. Supóngase tk f ∈ L1 (R), 0 ≤ k ≤ n, entonces

fˆ(n) = (−i)n F(tn f ). (1.38)
1.3.4. Convolución.
Se define el producto de convolución de dos funciones como
Z ∞
f ∗ g (t) := f (x)g(t − x) dx (1.39)
−∞
Propiedades
1. El producto de convolución es asociativo:
(f ∗ g) ∗ h = f ∗ (g ∗ h),
2. y conmutativo:
f ∗ g = g ∗ f.
3. Si f, g ∈ L1 (R) entonces f ∗ g ∈ L1 (R), además kf ∗ gk1 ≤ kf k1 kgk1 .

4.
√
F(f ∗ g) = 2π fˆ · ĝ. (1.40)
10
1.3.5. Inversión de la transformada de Fourier.
fˆ = ĝ ⇒ f = g a.e. (1.41)
fˆ = ĝ, f, g continuas ⇒ f = g (1.42)
(i.e F inyectiva en C(R) ∩ L1 (R)).
Teorema 5 (de inversión) Representación espectral de f . Sean f, fˆ ∈ L1 (R), entonces

1 Z ∞ iwt ˆ ˆ
f (t) = √ e f (w) dw = F(fˆ)(−t) = fˆ(−t) (1.43)
2π −∞
en todo punto t de continuidad de f .
Teorema 6 (de inversión) Sea f ∈ L1 (R), acotada y C 1 a trozos (es decir, con derivada
continua a trozos), entonces
Z T
f (t+ ) + f (t− ) 1
=√ lı́m eiwt fˆ(w) dw (1.44)
2 2π T →∞ −T
1.4. Extensión a L2(R)

Denotaremos por S el conjunto formado por las funciones cuyas derivadas de cualquier
orden son de decrecimiento rápido, es decir:
S = {f ∈ C ∞ (R), ∀n, p ∈ N, lı́m |tp f (n) (t)| = 0} (1.45)

|t|→∞
Estas funciones se caracterizan más fácilmente por

C
f ∈ S ⇒ ∃ C, ∀p ∈ N |f (t)| ≤ (1.46)
1 + |t|p
2
Un ejemplo tı́pico es la gaussiana, f (t) = e−t ; observemos que la derivada k-ésima de
2
f es de la forma f (k) (t) = Pk (t)e−t , con Pk un polinomio de grado k.
Propiedades:
1. S ⊂ L1 ∩ L2 ,
2. f ∈ S ⇒ f (kt) ∈ S, k real, arbitrario.
3. f ∈ S ⇒ f (t − a) ∈ S, a real, arbitrario.
4. f ∈ S ⇒ fˆ ∈ S,
5. f, g ∈ S ⇒ f ∗ g ∈ S,
11
6. g ∈ S ⇒ ∃ h ∈ S, ĥ = g
7. S = L2 (R)
Z ∞ Z ∞
8. f, g ∈ L (R) ⇒ f ĝ, fˆ g ∈ L1 (R) y
2
f ĝ = fˆ g
−∞ −∞
9. F es una isometrı́a en L2 (R) con el producto escalar (1.29)

Z ∞
< f, g >:= f g
−∞
es decir < f, g >=< fˆ, ĝ > y, en particular, se cumple la fórmula de Parseval (1.19),
kf k = kfˆk.
1.4.1. Teorema del muestreo de Shannon

Nos preguntamos si una señal continua f puede reconstruirse completamente a partir
de sus valores sobre una cantidad discreta de puntos o muestras (f (tn ))n∈Z . En general,
la respuesta es NO; sin embargo, el teorema de Shannon demuestra que SÍ es posible para
el siguiente tipo de funciones:
Definición 4 Se dice que f ∈ L2 es de banda limitada si existe Ω < ∞ tal que la

transformada de Fourier fˆ tiene soporte contenido en [−Ω, Ω]; es decir,
fˆ(w) = 0 ∀|w| > Ω.
Teorema 7 (Teorema de Shannon) Sea f ∈ L2 , de banda limitada, y sea Ω su fre-

cuencia de Nyquist. Entonces f puede reconstruirse a partir de sus muestras en los valores
tn = πn/Ω, n ∈ Z, por medio de la fórmula interpolatoria
X sen(Ωt − πn) µ ¶
πn
f (t) = f ∀t ∈ R.
n∈Z (Ωt − πn) Ω
La serie funcional no sólo converge en el sentido de L2 , sino que además la convergencia

es puntual. Por ello, al conocer los valores f (πn/Ω), se conoce la señal completa. Si la
variable es temporal, esto se consigue muestreando la señal una vez cada π/Ω segundos,
es decir, tomando Ω/π muestras por segundo; la tasa de muestreo es Ω/π, denominada
tasa de Nyquist.
12
1.4.2. La transformada bidimensional de Fourier.
Denotaremos por L2 (R2 ) el espacio de Hilbert de las funciones f de R2 en R tales
que Z
|f (x, y)|2 dxdy < ∞
R2
En general, en L2 (R2 ), se define la transformada de Fourier
2 ˆ 1 Z
∀(ωx , ωy ) ∈ R , f (ωx , ωy ) = f (x, y)e−i(xωx +yωy ) dxdy
2π R 2
que goza de propiedades análogas a la transformada unidimensional.
Ahora el producto de convolución es

Z
(f ∗ g)(x, y) = f (u, v)g(x − u, y − v)dudv
R2
13
1.5. La función de transferencia de un filtro.
Sea ew (t) := eiwt una señal monocromática. Para valores enteros de t es una señal
digital mientras que para valores reales es analógica. Sea A un filtro (sistema lineal,
continuo e invariante), entonces ew es una función propia de A; es decir, existe un escalar
H(w) (dependiente de w) tal que A(ew ) = H(w) ew . La función H : R → C se llama
función de transferencia del filtro.
Demostración
Sean t, u ∈ R, contemplemos u como parámetro y t como variable,
ew (t + u) = eiw(t+u) = eiwt eiwu = ew (u)ew (t)
Sea fw la señal de salida de ew : A(ew ) = fw ; combinando las propiedades de invarianza y

linealidad se tiene
fw (t + u) = A(ew (u)ew )(t) = ew (u)A(ew )(t) = ew (u)fw (t),
haciendo t = 0:
∀u ∈ R fw (u) = ew (u)fw (0)

⇒ A(ew ) = fw (0)ew .
La última expresión muestra que ew es autofunción asociada al valor propio fw (0).

Definimos H(w) := fw (0).
1.5.1. Filtros digitales en `2 .

Todo filtro digital A en `2 es de convolución, es decir
∃ h : Z → C, ∀x ∈ `2 A(x) = x ∗ h,
donde la convolución discreta se define

X
∀x, y ∈ `2 (x ∗ y)n = xk yn−k . (1.47)
k∈Z
Para comprobarlo basta utilizar la base natural de `2 formada por las sucesiones
{δn , n ∈ Z} definidas por
(
1 si n = k
(δn )k = δn,k =
0 si n =
6 k
Entonces
X X
xn = xk (δn )k = xk (δ0 )n−k ,
k∈Z k∈Z
14
aplicamos el filtro con sus propiedades de linealidad, continuidad e invarianza:
X
(A(x))n = xk (A(δ0 ))n−k .
k∈Z
Llamemos h (respuesta impulsional) a la transformada de δ0 , entonces

X
(A(x))n = xk hn−k = (x ∗ h)n ⇒ A(x) = x ∗ h.
k∈Z
Por abuso de lenguaje es frecuente omitir sı́mbolo para el sistema A y llamar filtro a la
respuesta impulsional h.
1.5.2. Función de transferencia de un filtro de convolución.

Sea A el filtro de convolución, h su respuesta impulsional. Se trata de encontrar el
autovalor correspondiente a la señal monocromática ew definida por (ew )n := eiwn . En-
tonces:
 
X X
A(ew )n = (ew ∗ h)n = eiwk hn−k =  e−iwm hm  eiwn
k∈Z m∈Z
X
⇒ H(w) = e−iwm hm .
m∈Z
La función de transferencia del filtro es la transformada de Fourier de la respuesta

impulsional h. Además, para una señal x cualquiera, la transformada de Fourier de la
señal de salida se obtiene multiplicando la función de transferencia por la transformada
de la entrada:
yn = (x ∗ h)n ⇒ Y (w) = H(w)X(w).
1.5.3. Función de transferencia de un filtro analógico en L2 .

La función de transferencia de un filtro analógico también relaciona las transformadas
de entrada y salida pero no es necesariamente una transformada de Fourier.
Hagamos un razonamiento heurı́stico, sean f, g ∈ L2 , A(f ) = g y H la función de
transferencia del filtro A, entonces
1 Z∞ ˆ 1 Z∞ ˆ
f (t) = √ f (w)eiwt dw = √ f (w)ew (t) dw
2π −∞ 2π −∞
1 Z∞ ˆ
g(t) = A(f )(t) = √ f (w)A(ew )(t) dw
2π −∞
1 Z∞ ˆ
=√ f (w)H(w)eiwt dw = F(fˆH)(−t),
2π −∞
ˆ
pero ĝ(−t) = g(t) por lo que identificando se llega a ĝ(w) = H(w)fˆ(w).
15
¿El filtro paso bajo ideal?
Supongamos un filtro que produce una señal g como salida de una entrada f , sea H
la función de transferencia. Entonces, según acabamos de ver
ĝ(w) = H(w)fˆ(w). (1.48)
Si la función de transferencia H corresponde a un filtro paso bajo ideal, entonces no

modifica las frecuencias w, |w| < w0 (w0 frecuencia de corte) y suprime el resto:
(
1 |w| < w0
H(w) = (1.49)
0 resto
pero la función h
sen w0 t
h(t) = (1.50)
πt
1
se transforma en ĥ(w) = √ H(w) ası́ pues
2π
√
ĝ(w) = H(w)fˆ(w) = 2π ĥ(w) fˆ(w) ⇒ g = h ∗ f (1.51)
Vemos que h, la respuesta impulsional que caracteriza el filtro, no se anula en una semir-
recta, luego el filtro no es realizable (f = 0, t < t0 ⇒ g = 0 t < t0 ).
16
1.6. Señales finitas. El problema de los bordes
En la práctica, al analizar una señal f , tanto si es analógica como discreta, siempre se
trabaja con un número FINITO de muestras, para poder implementar los cálculos (por
ordenador o a mano). Ası́ pues, consideramos que la entrada de un sistema es un vector
de longitud N :
x = (x0 , x1 , · · · , xN −1 )
que puede resultar, por ejemplo, de muestrear la señal analógica f (t) en N puntos equidis-
tantes: xk = f (k) , k = 0, 1, . . . , N − 1.
Al aplicar un filtro h al vector de entrada x, realizamos la convolución
X
(h ∗ x)n = hk xn−k = · · · + h−2 xn+2 + h−1 xn+1 + h0 xn + h1 xn−1 + h2 xn−2 + · · ·
k∈Z
nos encontramos con el PROBLEMA DE LOS BORDES. Necesitamos conocer los datos
x−1 , x−2 , . . . en el borde izquierdo y los datos xN , xN +1 , . . . en el borde derecho. De alguna
forma entonces hay que EXTENDER ARTIFICIALMENTE LA SEÑAL FINITA. En la
literatura aparecen varios tipos de extensiones:
Extensión periódica o circular (wrapparound): se define xm±kN = xm , m =

0, 1, · · · , N −1. En realidad, la gráfica de la función f en [0, N −1] queda periodizada;
este proceso introduce saltos de discontinuidad a no ser que x0 = xN −1 .
Extensión con ceros (zero padding): se define x−m = 0 = xN −1+m ∀m ∈ N.

También introduce discontinuidades a no ser que x0 = xN −1 = 0.
Extensión simétrica: se simetriza respecto a un borde y el resultado se periodiza.

Ello se consigue definiendo x−m = xm y xN −1+m = xN −1−m (sin repetición de
las muestras de los bordes: simetrı́a tipo I) o bien x−m−1 = xm y xN +m = xN −1−m
(repitiendo las muestras de los bordes: simetrı́a tipo II). Aunque la señal simetrizada
no es discontinua, su primera derivada sı́ puede serlo.
Otras extensiones
Filtros de borde (boundary filters): en las muestras de la convolución con h

que involucren muestras no conocidas de x, se reajustan los coeficientes del filtro h,
dando lugar a nuevos filtros llamados “de borde”. Hay, por consiguiente, filtros de
borde izquierdo y filtros de borde derecho.
Cada tipo de extensión tiene su ventaja y su inconveniente. Las más utilizadas son
las 3 primeras, pero en algunos problemas, las discontinuidades que provocan pueden ser
muy molestas.
17
1.6.1. Transformada discreta de Fourier
De nuevo consideramos un vector de longitud N, x = (x0 , x1 , · · · , xN −1 ) que proviene,
por ejemplo, de muestrear una señal:
xk = f (k) , k = 0, 1, . . . , N − 1.
Si se extiende periódicamente dicho vector, en el fondo se está considerando que la
función f es periódica de periodo N ; su serie de Fourier es
Z N
1 X i2πnt/N
f (t) = cn e con cn = f (t) e−i2πnt/N dt
N n∈Z 0
pero una aproximación a esta integral es la suma parcial asociada a la partición k =

0, 1, . . . , N − 1, donde la función toma valores f (k) = xk :
Z N N
X −1 N
X −1 ³ ´
−i2πnt/N −i2πnk/N n k
cn = f (t) e dt ≈ f (k) e = xk W
0 k=0 k=0
i2π/N
donde W = e es la raı́z primitiva N − ésima de 1, y su conjugado es W = e−i2π/N .
Al vector definido de esta forma se le denomina ”transformada discreta de Fourier de
x”.
Definición 5 Se llama TRANSFORMADA DISCRETA DE FOURIER (DFT) de un

vector x = (x0 , x1 , · · · , xN −1 ) de longitud N al vector x̂ = (x̂0 , x̂1 , · · · , x̂N −1 ) de misma
longitud N definido por
N
X −1 ³ ´
n k
N
X −1 ³ ´k
x̂n = xk W = xk e−i2πn/N
k=0 k=0
Obsérvese que x̂n es el resultado de aplicar el polinomio con coeficientes x0 , x1 , · · · , xN −1

n
a W , que es una raı́z N -ésima de 1.
Matricialmente, el vector x se relaciona con su DFT x̂ mediante la matriz de Fourier
de orden N, FN , que es la matriz de Vandermonde de las N raı́ces N -ésimas de 1, que
son 1, W, W 2 , · · · , W N −1 :
 
1 1 1 ... 1
 


1 W W2 . . . W N −1 

FN = 
 1 W2 W4 . . . W 2(N −1) 

 .. .. .. .. 
 . . . . 
 
2
1 W N −1 W 2(N −1) . . . W (N −1)
de forma que
x̂ = FN x.
Pero el proceso es reversible, puesto que la matriz es invertible; de hecho, se verifica que
−1
FN FN = N IN , luego FN = N1 FN , de forma que
1 −1
x = FN x̂ =
FN x̂.
N
Esta última expresión se conoce como la Inversa de la Transformada Discreta de Fourier:
18
Definición 6 Se llama TRANSFORMADA DISCRETA DE FOURIER INVERSA (IDFT)
de un vector x̂ = (x0 , x1 , · · · , xN −1 ) de longitud N al vector x = (x0 , x1 , · · · , xN −1 ) de
misma longitud N definido por
1 NX
−1
1 NX
−1 ³ ´k
xn = x̂k (W n )k = x̂k ei2πn/N
N k=0 N k=0
Observaciones
1. Podemos interpretar que la información de la señal x es biunı́voca con la información

de su transformada de Fourier x̂, y ésta tiene que ver con los componentes de la
señal discreta x según los “armónicos” ei2πn/N , es decir, sus componentes según las
frecuencias 2πn/N (múltiplos de la frecuencia fundamental 2π/N ), si LA SEÑAL
FINITA x FUERA PERIÓDICA.
2. Cuando N es potencia de 2, el cálculo de la DFT puede implementarse mediante un

algoritmo rápido, ideado por Cooley y Tucker, llamado FAST FOURIER TRANS-
FORM (FFT) que realiza la DFT en un orden de N log2 N operaciones. El algoritmo
inverso, para la IDFT es igualmente rápido.
1.6.2. Filtrado de una señal finita. Coste computacional

Hemos dicho que aplicar un filtro de respuesta impulsional h = (h0 , h1 , · · · , hL−1 ) a
una señal discreta x es lo mismo que realizar su convolución; esta operación equivale al
producto de una matriz infinita de Toeplitz con el vector infinito x:
 
.. .. .. .. .. ..  

. . . . . .  ..
 ...  . 
 0 hL−1 hL−2 ··· h0 0  
  x−1 
 . .  
 .. 0 hL−1 hL−2 ··· h0 0 ..  x0 
  .
h ∗ x = y = ... ... ... ... ... ... ... ...  



 x1 
  
 ..  x2 



. 0 hL−1 hL−2 · · · h0 0 
 ..
.. .. .. .. .. .. .. .
. . . . . . .
Pero si la señal es finita de longitud N, xN = (x0 , x1 , · · · , xN −1 ) , es necesario extender

dicha señal artificialmente. Si se extiende periódicamente, es fácil comprobar que la salida
y del sistema es también una señal periódica de periodo N, que no es más que la extensión
19
periódica del vector yN :
 
h0 0 ··· 0 hL−1 · · · h2 h1
 ... 

 h1 h0 hL−1 · · · h2 
    
y0  .. .. .. .. ..  x0
 . . . . . 
    


y1   h
  L−2 ··· h0 0 ··· 0 0 hL−1   x1
  


yN =  y2  
h
 =  L−1 h ··· h0 0 ··· 0 0 
 .. 
 = HN xN
 L−2 .
 .. 

 0 h hL−2 ··· h0 0 ··· 0 

 x


 .   L−1   N −2 
 .. ... ... ... ... ... ... .. 
yN −1 
 . . 
 xN −1
 .. 

 . 0 hL−1 hL−2 ··· · · · h0 0 

0 ··· 0 hL−1 hL−2 ··· ··· h0
Obsérvese que tanto la matriz de Toeplitz y los vectores son finitos, de tamaño máximo
N.
Además, la matriz HN es circulante; el Álgebra matricial demuestra que es diago-
P
nalizable (puesto que HN = L−1 n
n=0 hn S , siendo S la matriz básica de desplazamiento o
“shift”), sus autovalores son
L−1
X ³ ´
k n
hn W = ĥk
n=0
(es decir, la transformada de Fourier discreta de h) y sus autovectores son precisamente

las columnas de la matriz de Fourier FN . Por tanto, HN queda diagonalizada ası́:
³ ´ 1 ³ ´
HN = FN diag ĥ0 , . . . , ĥN −1 F−1
N = FN diag ĥ FN .
N
Conclusión: aplicar un filtro a una señal finita xN es equivalente a calcular 3 transformadas
de Fourier discretas en serie:
la DFT de xN ,
multiplicarla componente a componente por ĥ (la DFT de h),
y aplicar una inversa de la DFT
Matricialmente,
yN = HN xN = (IDF T ) diag (DF T (h)) (DF T (xN )) =

³ ´ ³ ´
= (IDF T ) diag ĥ x̂N = (IDF T ) ĥx̂N ,
y además se deduce que

ŷN = ĥx̂N
luego una vez más, la transformada discreta de Fourier de la salida es el producto de la
transformada discreta de Fourier de la entrada por la transformada discreta de Fourier del
filtro (función de transferencia). Y el coste computacional del filtrado es O (3N log2 N ) .
20
Capı́tulo 2
Transformada wavelet
Motivación de las transformadas tiempo-escala

y tiempo-frecuencia
Hasta este punto hemos estudiado cómo hallar la información frecuencial de una señal:
si la señal f es periódica
R
o pertenece a L2 [0, 2π]: mediante sus coeficientes de Fourier
1 2π
cn = hf, eint i = 2π 0 f (t) e−int dt, y la señal se aproxima por su serie de Fourier
P
f (t) = cn eint ;
si la señal f pertenece
R
a L1 (R) o a L2 (R) , mediante su transformada integral de
Fourier fˆ (w) = √2π R f (t) e−iwt dt, y la señal f puede reconstruirse a partir de ella
1
1 Z ˆ
mediante la expresión integral f (t) = √ f (w) eiwt dw;
2π R
si la señal x es discreta y pertenece a ell2D(R) , su transformada
E de Fourier es la
2 P −inw inw
función de L [0, 2π] X (w) = xn e = x, (e )n∈Z y el proceso es invertible
y
si la señal x es finita de longitud N, su transformada de Fourier discreta es x̂n =

³ ´ PN −1 ³ ´k D ³ ´E
X 2πnN
= k=0 x k e −i2πn/N
= x, 1, W n
, · · · , W n(N −1)
.
¿ µ ¶À ³ ´
1 n n(N −1)
pudiéndose recuperar la señal original: xk = N
x̂, 1, W , · · · , W = X̂ − 2πn
N
.
Sin embargo, aparecen varios problemas:
1. FALTA DE INFORMACIÓN LOCAL: obtenemos información sólo del contenido

frecuencial GLOBAL de la señal, pero no de su información frecuencial local (varia-
ciones bruscas de la señal alrededor de un punto, por ejemplo).
2. EL PROBLEMA DE LAS FUNCIONES DE SOPORTE COMPACTO de longitud

T : si son de cuadrado integrable, podemos hallar su transformada de Fourier de dos
formas:
21
fˆ, pero tendrı́a soporte infinito, (NO MANEJABLE en la práctica),
o bien, entendida como función de L2 [0, T ] podrı́amos calcular su serie de Fouri-
er, pero eso nos darı́a INFINITOS COEFICIENTES cn .
3. Además, esta segunda aproximación mediante series de Fourier, SI AL PERIODIZAR

LA FUNCIÓN APARECEN SALTOS DE DISCONTINUIDAD nos lleva al FENÓ-
P
MENO DE GIBBS: las sumas parciales de su serie de Fourier N n=−N cn e
int2π/T
convergen a f cuando N tiende a infinito, pero la convergencia no es puntual: in-

cluso en los bordes es muy lenta, pues aparecen unas oscilaciones cuya altura NO
DISMINUYE NI AL AUMENTAR N. Estas oscilaciones espurias en los bordes son
muy molestas.
Por todo ello, se construyen otras transformadas INTEGRALES e INVERTIBLES,

que den información tanto en el dominio frecuencial como en el dominio temporal: como
la TRANSFORMADA EN VENTANA (o Transformada de Gabor):
Z D E
W f (w, a) = f (t) e−iwt g (t − a) dt = f, eiw· g (· − a)
R
en la que las exponenciales están multiplicadas por una ventana localizada, dando infor-
mación tanto respecto de la frecuencia w como de los valores de f en el punto a.
Otra aproximación es la TRANSFORMADA WAVELET, que da información en tiem-
po y en escala, y va a resolver el problema de las funciones de soporte compacto.
22
2.1. Transformada continua de wavelets.
Definición 7 Se llama función wavelet a una función ψ ∈ L1 ∩L2 que verifique la llamada
“condición de admisibilidad”
Z
|ψ̂(w)|2 Cψ
dw = < ∞. (2.1)
R |w| 2π
Consecuencia inmediata: Como ψ̂ es continua, la condición de admisiblidad implica

ψ̂(0) = 0 lo que es equivalente a
Z
ψ = 0. (2.2)
R
Denotaremos para cada a 6= 0,

µ ¶
1 x
ψa (x) = q ψ
|a| a
que representa la versión dilatada de ψ según el factor de escala |a| (la gráfica de ψ queda
expandida o comprimida, según |a| sea mayor o menor queZ 1, respectivamente)
q Z
de tal
forma que la integral queda multiplicada por dicho factor: ψa = |a| ψ, mientras
R R
que la norma no se modifica: kψa k = kψk.
Para a, b ∈ R, se define
Ã !
1
t−b
ψa,b (t) = q ψ , (2.3)
|a| a
entonces:
Definición 8 La transformada wavelet de f a escala a y posición b es:

Z
Wf (a, b) :=< f, ψa,b >= f (t)ψa,b (t) dt (2.4)
R
t−b
Observación: Mediante el cambio de variable u = , se tiene que
a
q Z
Wf (a, b) = |a| f (au + b)ψ(u) du
R
Ası́, si ψ tiene soporte compacto, Wf (a, b) depende solamente de los valores que toma f
alrededor del punto b, en un entorno de longitud proporcional a la escala a. Esta propiedad
de información dual espacio-escala confiere a la transformada wavelet una gran impor-
tancia.
23
Teorema 8 Sea ψ una función wavelet y Cψ la constante de la condición de admisibilidad;
entonces para cualquier f ∈ L2 se cumple:
(a) Conservación de la energı́a:

1 Z Z |Wf (a, b)|2 Z ∞
da db = |f (t)|2 dt = kf k2 . (2.5)
Cψ R2 a2 −∞
(b) Reconstrucción:
1 ZZ da db
f (t) = Wf (a, b)ψa,b (t) 2 (2.6)
Cψ R2 a
Apunte de demostración:
q Z
Wf (a, b) = < f, ψa,b >=< fˆ, ψ̂a,b >=
|a| fˆ(w)ψ̂(aw)eibw dw =
R
√ q √ q
= 2π |a| F (f ψ̂(a ·))(−b) = 2π |a| F −1 (fˆ ψ̂(a ·))(b)
ˆ (2.7)
Comprobemos que se conserva la energı́a,
ZZ Z ·Z ¸
|Wf (a, b)|2 da
2
da db = 2π |F −1 (fˆ ψ̂(a ·))(b)|2 db =
R2 a R R |a|
Z ·Z ¸ Z " Z #
da da
2π |fˆ(b)| |ψ̂(a b)| db
2 2
= |fˆ(b)| 2π
2
|ψ̂(a b)| 2
db
R R |a| R R |a|
La integral entre corchetes no depende de b y además coincide con la constante Cψ ,
con lo que el apartado (a) queda probado.
Probemos la fórmula de reconstrucción (supuesto, para simplificar cálculos, f, fˆ ∈ L1 )
Z √ q Z
Wf (a, b)ψa,b (t) db = 2π |a| F −1 (fˆ ψ̂(a ·))(b)ψa,b (t) db
R R
Consideremos ψa,b (t) como función de b y denotémosla g(b) := ψa,b (t), entonces
Z √ q Z
Wf (a, b)ψa,b (t) db = 2π |a| fˆ(w)ψ̂(aw)F −1 (g)(w) dw
R R
Calculemos la transforma de Fourier inversa de g,

Ã !
−1 1 Z iwb 1 1 Z t − b iwb
F (g)(w) = √ g(b)e db = √ q ψ e db
2π R 2π |a| R a
1 q Z q
=√ |a| ψ(y)e−iway eiwt dy = |a|eiwt ψ̂(aw)
2π R
Sustituyendo,
Z √ Z
Wf (a, b)ψa,b (t) db = |a| 2π fˆ(w) |ψ̂(aw)|2 eiwt dw.
R R
24
Dividamos esta expresión por a2 e integrémosla respecto de la variable a ∈ R,
Z ·Z ¸ Z "Z #
√ ¯
¯
¯2
¯ da √ da
2π |a| fˆ(w) ¯ψ̂(aw)¯ eiwt dw 2 = 2π fˆ(w) |ψ̂(aw)|2 eiwt dw =
R R a R R |a|
Z
1
Cψ √ fˆ(w)eiwt dw = Cψ f (t)
2π R
lo que prueba el apartado (b).
2.1.1. Algunas propiedades.

1. Traslación en el tiempo, g(t) = f (t − t0 ) ⇒ Wg (a, b) = Wf (a, b − t0 ).
1
2. Cambio de escala en el tiempo, g(t) = f (kt), k 6= 0 ⇒ Wg (a, b) = q Wf (ka, kb).
|k|
3. Fijada una escala a 6= 0, si se transforman por Fourier ambos extremos de (2.7) se

tiene que
q
W\
f (a, ·)(w) = 2π|a| fˆ(w)ψ̂(aw) (2.8)
25
2.1.2. Transformada diádica de wavelets.
La transformada wavelet continua presenta una cierta redundancia: de hecho, se de-
muestra que basta calcular Wf (a, ·) para una cantidad numerable de escalas (por ejemplo,
las potencias enteras de 2) para poder reconstruir totalmente la señal original.
Definición 9 Dada una wavelet ψ, se define la transformada diádica de wavelets de una

función f ∈ L2 (R) como la sucesión de funciones de L2 (Wf (2j , ·))j∈Z .
Se trata de una transformada SEMIDISCRETA: considera una cantidad discreta de

escalas 2j , pero la variable temporal es continua.
El siguiente teorema prueba estos importantes resultados:
De esta transformada diádica se puede recuperar la señal original.
La representación es completa y estable, es decir, unı́voca y poco sensible frente a

los errores de cálculo.
Teorema 9 Si existen A, B > 0 tales que

X ¯¯ ¯2
¯
∀w 6= 0, A≤ ¯ψ̂(2j w)¯ ≤ B (2.9)
j∈Z
entonces:
a) Existe alguna wavelet Ψ reconstructora en el sentido de que

X 1
∀f ∈ L2 (R) 2πf = j
Wf (2j , ·) ∗ Ψ2j (2.10)
j∈Z 2
1 X 1 °° °2
°
b) ∀f ∈ L2 (R) A kf k2 ≤ °W f (2j
, ·) ° ≤ B kf k
2
2π j∈Z 2j
Observaciones importantes:
Esta fórmula de reconstrucción (2.10) se interpreta de la siguiente forma: para recu-

perar f a partir de su transformada wavelet diádica Wf (2j , ·) , en cada escala 2j hay
que realizar la convolución de Wf (2j , ·) con la wavelet reconstructora Ψ dilatada a
escala 2j ; sumando a lo largo de todas las escalas 2j (con j ∈ Z) se reconstruye f.
Por ello, se habla de la wavelet de análisis (ψ) y la wavelet de sı́ntesis (Ψ)
El factor 1/2j que aparece es el análogo a 1/a2 en el caso continuo.
La condición (2.9) es fuerte; de ella se deriva, en particular, la condición de admisi-

bilidad.
26
Demostración del Teorema:
a) Existencia:
Sea Ψ ∈ L2 (R) la función cuya transformada de Fourier es
ψ̂(w)
Ψ̂ (w) = P ¯ ¯2 (2.11)
¯ ¯
j∈Z ¯ψ̂(2j w)¯
° ° ° °
Tal función existe pues kΨk = °°Ψ̂°° ≤ 1
A
° °
°ψ̂ ° < ∞
También se satisface la condición de admisibilidad.
De esta forma Ψ verifica X
ψ̂(2j w)Ψ̂(2j w) = 1
j∈Z
Reconstrucción:
Probemos ahora que cualquier Ψ que verifique esta última igualdad es una wavelet
reconstructora respecto a ψ.
(Además, de ella se deduce que ψ es una wavelet reconstructora respecto a Ψ.)
Multipliquemos por fˆ(w) y apliquemos (2.8):
X 1 X 1 \
fˆ(w) = fˆ(w)ψ̂(2j w)Ψ̂(2j w) = √ j/2
Wf (2j , ·)(w)Ψ̂(2j w) (2.12)
j∈Z 2π j∈Z 2
Antitransformando, se llega a
X 1 µ ¶ X 1
1 j·
2πf = j j/2
Wf (2 , ·) ∗ Ψ j = Wf (2j , ·) ∗ Ψ2j
j∈Z 2 2 2 j∈Z 2j
Por último, dicha convolución es la integral:

X 1 Z ³ ´ 1 µ ¶
j x−t
2πf (x) = Wf 2 , t j/2 Ψ dt. (2.13)
j∈Z 2j R 2 2j
√ √
b) Basta con aplicar la identidad de Parseval a W\ j
f (2 , ·)(w) = 2π 2j fˆ(w)ψ̂(2j w) y
utilizar las acotaciones de la hipótesis:
° °2 ° °2 Z ¯ ¯2 ¯ ¯2
° ° ° ° ¯ ¯ ¯ ¯
j
°Wf (2 , ·)° = ° \ j )°° = 2j · 2π ¯fˆ(w)¯ ¯ψ̂(2j w)¯ dw
°Wf (2 ,
R
sumando en j :
Z ¯ Z ¯
1 X 1 °° j
°2
° ¯ˆ
¯2 X ¯
¯ ¯ j
¯2
¯ ¯ˆ
¯2
¯ 2
j
°W f (2 , ·)° = ¯ f (w)¯ ¯ ψ̂(2 w)¯ dw ≤ B ¯ f (w) ¯ dw = B kf k
2π j∈Z 2 R j∈Z R
y la acotación inferior es análoga.
27
Conclusión: Estas desigualdades del resultado prueban, respectivamente, la completitud y
la estabilidad de la transformada diádica de wavelets, siempre que se cumpla la condición
(2.9). Sin embargo, de forma análoga al caso continuo, existe una cierta redundancia entre
las funciones de la sucesión diádica (Wf (2j , ·))j∈Z .
Este último comentario nos lleva a preguntarnos si podemos considerar una transfor-
mada wavelet DISCRETA tanto en tiempo como en escala, que también nos proporcione
una representación completa y estable de funciones de L2 .
2.1.3. Transformada wavelet discreta de funciones de L2

Partimos de una wavelet ψ; para cada f ∈ L2 , conocemos su transformada diádica
(Wf (2j , ·))j∈Z .
Ahora, para cada j ∈ Z, se toma la escala a = 2−j , y discretizamos también en
el dominio temporal, en los puntos b = 2−j k, k ∈ Z. (Obsérvese que a mayor escala
tomamos puntos más distantes, pues buscamos información global, mientras que a menor
escala se buscan detalles de la función, y por eso muestreamos en puntos menos distantes
entre sı́). En otras palabras, el muestreo en el tiempo se ajusta proporcionalmente
a la escala.
Esta cantidad discreta de coeficientes wavelet son
³ ´
cj,k = Wf 2−j , 2−j k =< f, ψ2−j ,2−j k > ∀j, k ∈ Z.
Sólo se está tomando una cantidad discreta de trasladadas y dilatadas de la función

wavelet, a saber:
Ã !
1 · − 2−j k ³ ´
ψ2−j ,2−j k =√ ψ = 2j/2 ψ 2j · −k = ψj,k
2−j 2−j
A partir de ahora utilizaremos esta notación ψj,k : wavelet ψ comprimida 2j y trasladada

al entero k.
Definición 10 Para cada wavelet ψ, se denota la familia de sus trasladadas y di-

latadas ³ ´
ψj,k = 2j/2 ψ 2j · −k ∀j, k ∈ Z.
Para cada f ∈ L2 , se dice que los coeficientes de la TRANSFORMADA

WAVELET DISCRETA DE f son
Z
cj,k =< f, ψj,k >= f (x) ψ (2j x − k)2j/2 dx.
R
Estos coeficientes analizan la señal mediante la wavelet ψ.

¿Será posible la reconstrucción de f a partir de su transformada wavelet discreta?
El siguiente teorema nos garantiza la existencia de una wavelet de sı́ntesis ψ̃, en el caso
de que ψ sea de BANDA LIMITADA. A ψ̃ se le denomina la wavelet dual o biortogonal
a ψ.
28
Teorema 10 Sea ψ es una wavelet tal que ψ̂ (w) = 0, ∀w ∈ / [−π, π]. Entonces existe otra
wavelet ψ̃ tal que X
∀f ∈ L2 (R), f = < f, ψj,k > ψ̃j,k .
j,k∈Z
Demostración:
Consideramos la transformada diádica de f ; como ψ es de banda limitada, también lo
es la función Wf\
(2−j , ·)(w), puesto que, según la ecuación (2.8) de la sección anterior:
√ √
Wf\
(2−j , ·)(w) = 2π 2−j fˆ(w)ψ̂(2−j w)
Ası́ pues, si el soporte de ψ̂ (w) es [−π, π], entonces el soporte de Wf\ (2−j , ·) (w) es
j j j+1
[−2 π, 2 π] de longitud 2Ω = 2 π.
Podemos aplicar a dicha función de banda limitada el Teorema del muestreo de Shan-
non: µ ¶
X sen (Ωt − πn)
−j −j πn
Wf (2 , t) = Wf 2 ,
n∈Z (Ωt − πn) Ω
donde Ω = 2j π, luego los puntos de muestreo son πn/Ω = 2−j n :
X sen (π(2j t − n)) X sen (π2j (t − 2−j n))
Wf (2−j , t) = Wf (2−j , 2−j n) = cj,n
n∈Z π (2j t − n) n∈Z π2j (t − 2−j n)
De esta forma, la transformada diádica se expresa de forma discreta también en el

tiempo. Sólo falta introducir esta expresión en la reconstrucción diádica de f dada por la
ecuación (2.13) cambiando j por −j:
X 1 X Z ³ ´ ³ ´
−j j
2πf (x) = −j
Wf (2 , ·) ∗ Ψ2−j = 2 2j/2 Ψ 2j (x − t) Wf 2−j , t dt =
j∈Z 2 j∈Z R
XX Z ³ ´ sen (π(2j t − n))

= 2j/2 cj,n 2j Ψ 2j x − 2j t dt
j∈Z n∈Z R π (2j t − n)
en esta última integral hacemos el cambio de variable u = n − 2j t o bien t = 2−j n − 2−j u

quedando
Z ³ ´ sen (πu)
Ψ 2j x − n + u du = I2j x−n
R πu
luego la fórmula de reconstrucción es
X
2πf (x) = 2j/2 cj,n I2j x−n .
j,n∈Z
Basta desarrollar Ij,n , que es la integral del producto de dos funciones; por la identidad
de Parseval, es igual a la integral del producto de sus transformadas de Fourier. Es sabido
que la transformada de Fourier del seno cardinal es la función caracterı́stica y viceversa:
Ã ! r
sen (Ω(· − a)) π −iwa
F (w) = e χ[−Ω,Ω] (w) ,
·−a 2
29
en particular Ã ! r
sen (πu) π
F (w) = χ[−π,π] (w) .
u 2
Por otro lado, la transformada de Fourier de la otra función es F (Ψ (2j x − n + ·)) (w) =
Ψ̂ (w) eiw(2 x−n) . Todo ello nos lleva a
j
r
1Z π 1 Zπ ³ ´
Ψ̂ (w) eiw(2 x−n) Ψ̂ (w) eiw(2 x−n) dw = Ψ 2j x − n ,
j j
I2j x−n = χ[−π,π] (w) dw = √
π R 2 2π −π
donde se ha aplicado la transformada inversa de Fourier a Ψ̂, y el hecho de que Ψ̂ tenga

como soporte [−π, π] : el mismo que ψ, por la definición de Ψ̂ dada en (2.11).
Por fin, la introducimos en la fórmula de reconstrucción:
X ³ ´ X
2πf (x) = 2j/2 cj,n Ψ 2j x − n = cj,n Ψj,n (x) .
j,n∈Z j,n∈Z
ası́ que basta definir la wavelet de sı́ntesis como ψ̃ = Ψ/2π :

X X X
f (x) = cj,n ψ̃j,n (x) = < f, ψj,n > ψ̃j,n (x) = < f, ψ̃j,n > ψj,n (x) .
j,n∈Z j,n∈Z j,n∈Z
Consecuencias:
De la última expresión se deduce que la familia de funciones B = {ψj,n j, n ∈ Z}

forma base de L2 (R) .
Las bases B y B̃ = {ψ̃j,n j, n ∈ Z} son bases duales (o biortogonales) entre sı́:
< ψj,n , ψ̃k,m >= δj,k δm,n
Como caso particular, si ψ̃ = ψ,entonces se dice que la wavelet ψ es ortogonal,

puesto que sus trasladadas y dilatadas {ψj,n } lo son:
< ψj,n , ψk,m >= δj,k δn,m
en particular, se obtiene que kψk = kψj,k k = 1, y la base B de L2 es ortonormada.
En el caso en que
X ¯¯ ³ ´¯2
¯ 1
∀w 6= 0, ¯ψ̂ 2j w ¯ =
j∈Z 2π
entonces la transformada diádica tiene por cotas A = B = 1 (y es una isometrı́a). Además,
Ψ = 2πψ luego la wavelet reconstructora es ψ̃ = Ψ/2π = ψ ası́ que la condición anterior
es equivalente a la ortogonalidad de ψ.
30
2.1.4. Wavelets ortogonales.
Definición: Se dice que una wavelet ψ es ortogonal si la familia
n o
ψj,k := 2j/2 ψ(2j · −k), j, k ∈ Z
es una base ortonormal de L2 .

Ejemplo: La función de Haar.
Se trata de encontrar wavelets ψ, de forma que (ψj,k )j,k∈Z sea una base ortonormal de
L , siendo ψj,k := 2j/2 ψ(2j · −k)
2
En ese caso, si f ∈ L2 , se tendrá
X
f (x) = < f, ψj,k > ψj,k (x) (2.14)
j,k∈Z
Tanto más útil será la descomposición cuanto la velocidad de convergencia a cero de los
coeficientes sea grande; hagamos una aproximación heurı́stica al problema de momentos:
El problema de momentos
Sea 2j = n, k = 0, estudiemos la convergencia a cero de
Z ∞
un = f (x)ψ(nx) dx, (2.15)
−∞
sustituyamos la función f por su desarrollo de Taylor con resto integral, por ejemplo:
q
X f (l) (0) Z ∞ ψ(x)
un = xl dx + Rn (2.16)
l=0 l! −∞ nl+1
Z ∞
Si denotamos el momento de orden l de ψ por Ml = xl ψ(x) dx, entonces
−∞
q
X f (l) (0) Ml
un = + Rn (2.17)
l=0 l! nl+1
El resto Rn admite una cota del tipo |Rn | ≤ ncteq+2 .
Podemos concluir que la velocidad de un a cero viene gobernada por el primer momento
no nulo.
Ello lleva a introducir en la definición de wavelet un cierto orden de regularidad,
Definición:
Sea r ∈ N, una wavelet real de orden r es una función ψ : R → R cuya derivada de
orden r es continua a trozos y xq ψ ∈ L1 (0 ≤ q ≤ r) y que cumple:
cte
a) |ψ (m) (x)| ≤ , m = 0, 1, . . . , r
1 + |x|r+m+1
31
Z ∞
b) xq ψ(x) dx = 0, q = 0, 1, . . . , r
−∞
(Observemos que r indica también el orden de cero como raı́z de ψ̂ ya que ψ̂ (q) (0) =
(−i)q Z ∞ q
√ x ψ(x) dx.
2π −∞
32
ALGUNOS EJEMPLOS DE WAVELETS
Wavelet que es derivada de una Gaussiana
1.2
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
0 200 400 600 800 1000 1200
Propiedades de la WAVELET derivada de una GAUSSIANA:
Es regular
simétrica
pero no posee soporte compacto
ni es ortogonal
33
Wavelet de Meyer
1.5
0.5
−0.5
−1
0 200 400 600 800 1000 1200
Propiedades de la WAVELET DE MEYER:
Ortogonalidad
Es regular
simétrica
pero no posee soporte compacto
34
Wavelet de Haar
1
0.8
0.6
0.4
0.2
0
0 1/2
1
−0.2
−0.4
−0.6
−0.8
−1
0 100 200 300 400 500 600
Propiedades de la WAVELET DE HAAR:
Soporte compacto
Ortogonalidad
No es regular, sino discontinua
No es simétrica
Sólo posee 1 momento nulo
35
Wavelet de Daubechies de orden 2
2
1.5
0.5
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800
Propiedades de la WAVELET DE DAUBECHIES DE ORDEN 2:
Soporte compacto
Ortogonalidad
Es sólo continua
No es simétrica
Posee 2 momentos nulos
36
Wavelet de Daubechies de orden 4
1.5
0.5
−0.5
−1
0 200 400 600 800 1000 1200 1400 1600 1800
Propiedades de la WAVELET DE DAUBECHIES DE ORDEN 4:
Soporte compacto
Ortogonalidad
Regular
No es simétrica
37
Symlet de Daubechies de orden 8
1.5
0.5
−0.5
−1
0 500 1000 1500 2000 2500 3000 3500 4000
Propiedades de la SYMLET DE DAUBECHIES DE ORDEN 8:
Soporte compacto
Ortogonalidad
Regular
Lo más simétrica posible
38
Wavelet de Coifman (Coiflet) de orden 4
1.5
0.5
−0.5
−1
0 0.5 1 1.5 2 2.5
4
x 10
Propiedades de la WAVELET DE COIFMAN (COIFLET) DE ORDEN 8:
Soporte compacto
Ortogonalidad
Regular
Lo más simétrica posible
Posee menos momentos nulos que la de Daubechies
39
Capı́tulo 3
Análisis de multirresolución
Una idea de multirresolución.

Sea f una señal de energı́a finita (f ∈ L2 (R)) y Aj un operador (un sistema) que la
aproxima a resolución 2j .
Si g = Aj (f ) es una aproximación a resolución 2j parece natural suponer que Aj (g) = g
ya que estamos aproximando g a la misma resolución.
Esto es lo mismo que decir que Aj ◦Aj = Aj es decir, Aj es un proyector que proyecta
sobre un determinado subespacio Vj de L2 (R): precisamente el de las aproximaciones a
resolución 2j de las funciones de energı́a finita.
Si de entre todas las aproximaciones a tal resolución Aj (f ) es la mejor o la más
parecida a f entonces la proyección es ortogonal.
Imaginemos ahora que queremos aproximar a mayor resolución 2j+1 ; a mayor resolu-
ción menor escala, parece que al menos la información de la señal que está en Vj también
debe estar en el subespacio de las aproximaciones a mayor resolución: Vj ⊂ Vj+1
Al reescalar la variable en una señal f aumentamos o disminuimos la resolución según
la escala sea mayor o menor que 1, esto puede expresarse diciendo que f (x) ∈ Vj ⇐⇒
f (2x) ∈ Vj+1 .
La construcción de la wavelet ψ pasa a través de una descomposición de L2 (R) en
subespacios cerrados, encajados y de una función φ llamada función de escala
Definición 11 Una sucesión (Vj )j∈Z de subespacios cerrados de L2 (R) es un análisis

multirresolución de L2 (R) (o también aproximación multiescala) si se cumple:
1. La sucesión (Vj )j∈Z es creciente, es decir, Vj ⊂ Vj+1 ∀j ∈ Z.

[ \
2. lı́m Vj = Vj es denso en L2 (R) y lı́m Vj = Vj = {0}.
j→∞ j→−∞
j∈Z j∈Z
3. f ∈ V0 ⇐⇒ ∀j ∈ Z, f (2j · ) ∈ Vj .
4. ∃ φ tal que (φ( · − k))k∈Z es una base de Riesz de V0 .
Ejemplos:
40
Para cada j entero, consideremos el subespacio Vj de L2 (R) de las funciones con-
stantes en intervalos [2−j k, 2−j (k +1)] cualquiera que sea k entero. Es claro que se
cumplen las condiciones de la definición de multirresolución. Los subespacios Vj son
versiones reescaladas de V0 que es el espacio de las funciones constantes sobre inter-
valos de longitud unidad y extremos enteros. Como función φ tomamos la función
caracterı́stica del intervalo [0, 1].
Análogamente, sea Vj el subespacio de L2 (R) formado por las funciones lineales

en intervalos [2−j k, 2−j (k+1)] cualquiera que sea k entero. Demostraremos que una
función de escala φ asociada a este análisis multirresolución es la función “sombrero”
definida por

x

 si 0 ≤ x ≤ 1  1 − |1 − x| si x ∈ [0, 2]
φ (x) = 2 − x si 1 ≤ x ≤ 2 = .

 0 si x ∈
/ [0, 2]

0 si x ∈
/ [0, 2]
Consecuencias de la definición de análisis multirresolución

1. Si (Vj )j∈Z es análisis multirresolución de L2 (R) entonces (φ(2j · −k))k∈Z es base
de Riesz de Vj .
[
2. Dada una función cualquiera g de L2 (R), la condición de densidad Vj = L2 (R) se
j∈Z
traduce en la existencia de una sucesión de funciones (gj )j∈Z de forma que gj ∈ Vj y
g = lı́m gj .
j→∞
Por otra parte, que (φ(2j · −k))k∈Z sea base de Vj permite escribir para cada j
X
gj (x) = γj,k φ(2j x − k).
k∈Z
Es decir,
∀g ∈ L2 (R), ∃ (γj,k )j,k∈Z , ∀j ∈ Z, (γj,k )k∈Z ∈ `2
X
g(x) = lı́m γj,k φ(2j x − k). (3.1)
j→∞
k∈Z
1 Z
3. La media de la función φ, esto es φ̂(0) = √ φ(x) dx, es no nula ya que para
2π R
una g ∈ L2 (R) cualquiera, tomando la transformada de Fourier en (3.1),
X γj,k µ ¶
−ikw/2j w
ĝ(w) = lı́m e φ̂ j
j→∞
k∈Z 2j 2
41
y evaluando en cero:
 
X γj,k
ĝ(0) =  lı́m j
 φ̂ (0)
j→∞
k∈Z 2
y, obviamente, dado que existen funciones g tales que ĝ(0) 6= 0, puesto que
1 Z iwx 1 Z
ĝ(w) = √ e g(x) dx ⇒ ĝ(0) = √ g(x) dx
2π R 2π R
se concluye que φ̂(0) 6= 0.
3.0.5. La ecuación de escala (o de dilatación).

De la definición de análisis multirresolución se deduce que
φ ∈ V0 ⊂ V1 = L(φ(2 · −k))k∈Z ;
esto significa que la función de escala φ puede expandirse como combinación lineal infinita
de su dilatada φ(2 · ) y sus trasladadas: es decir, existen unos coeficientes (hk )k∈Z ∈ `2
tales que
X√
φ(x) = 2hk φ(2x − k) (3.2)
k∈Z
Esta identidad se denomina ECUACIÓN DE ESCALA. Los√coeficientes hk constituyen

el filtro h = (hk )k∈Z asociado a la función de escala. (El factor 2 se introduce por razones
de normalización).
Veamos cómo a partir de dicho filtro podemos obtener la función de escala φ.
Apliquemos la transformada de Fourier a ambos miembros de la ecuación de escala:
µ ¶
1 X w
φ̂(w) = √ hk e−ikw/2 φ̂ .
2 k∈Z 2
³ √ ´
Sea H la transformada de Fourier de la señal discreta hk / 2 ; es decir, H denota
³ √ ´ k∈Z
la serie trigonométrica de coeficientes hk / 2 ,
k∈Z
1 X
H(w) := √ hk e−ikw (3.3)
2 k∈Z
entonces µ ¶ µ ¶
w w
φ̂(w) = H φ̂ . (3.4)
2 2
42
3.0.6. Algunas propiedades de H
1. H es periódica de perı́odo 2π.
2
2. La serie trigonométrica
X |H| está asociada al filtro r de autocorrelación de h,
definido como rm := hk hk−m ; comprobémoslo:
k∈Z
1 X 1 X 1 X
|H(w)|2 = hj hk e−iw(j−k) = hj hj−m e−imw = rm e−imw . (3.5)
2 j,k∈Z 2 j,m∈Z 2 m∈Z
3. |H(w)| = |H(−w)|, siendo H la función trigonométrica cuyos coeficientes son los

del filtro conjugado (hk ). La comprobación es inmediata teniendo en cuenta que los
coeficientes del filtro r de autocorrelación de h cumplen r−m = rm .
1 X
4. H(0) = √ hk = 1,
2 k∈Z
basta tomar w = 0 en la definición de H (3.3) y en la relación de las transformadas
de Fourier (3.4) y, teniendo en cuenta que φ tiene media no nula φ̂(0) 6= 0, se
concluye el resultado.
5. El filtro h es un filtro paso bajo por ser H(0) NO NULO: el filtro asociado a la
función de escala φ es paso bajo.
6. Por la periodicidad de H, se tiene que H(2π) = H(0) = 1; introduciéndolo en la

ecuación (3.4) se obtiene que
φ̂(4π) = H(2π)φ̂(2π) = φ̂(2π)
luego
φ̂(2π) = φ̂(4π) = φ̂(8π) = · · · = φ̂(2N π).
Si se impone un mı́nimo decaimiento de φ̂ (por ejemplo, que φ esté en L1 , para que
φ̂ (w) → 0 cuando |w| → ∞), entonces necesariamente φ̂(2N π) = 0 = φ̂(2π) de
donde
0 = φ̂(2π) = H (π) φ̂ (π)
con lo cual es lógico imponer que H(π) = 0. Se verá más adelante que esta condición
es lógica, pues implica que la wavelet tenga necesariamente integral nula.
3.1. Obtención de la función de escala φ

Toda función de escala tiene asociado un filtro paso bajo,
pero NO TODO filtro paso bajo genera una función de escala. (Se necesita una
condición de convergencia que se muestra en el próximo teorema 11).
43
En tal caso, ¿cómo obtener φ a partir de su filtro baso bajo asociado h? Veamos
que se consigue iterando la propiedad (3.4)
µ ¶ µ ¶ µ ¶ µ ¶
w w w w
φ̂(w) = H H . . . H j φ̂ j
2 4 2 2
y pasando al lı́mite:
 
Y µ ¶ µ ¶ Y µ ¶
w w w 
φ̂(w) = H lı́m φ̂ = H φ̂(0).
j≥1 2j j→∞ 2j j≥1 2j
Y µ ¶
w
Por tanto, si el productorio H j converge, entonces la función de escala queda
j≥1 2
determinada salvo un factor no nulo φ̂(0), que es su media.
R
Si se normaliza
√ φ de forma que tenga media 1 (es decir, φ = 1 o, equivalentemente,
φ̂(0) = 1/ 2π), entonces la única función de escala asociada al filtro h es
µ ¶
1 Y w
φ̂(w) = √ H j (3.6)
2π j≥1 2
Es decir, si la función H asociada al filtro h cumple cierta propiedad de convergencia,

entonces obtenemos φ̂ y, antitransformando, se obtiene φ.
P √
Teorema 11 √ Sea h = (hk )k∈Z ∈ `2 un filtro tal que k∈Z hk = 2, y sea H(w) =
P −ikw
k∈Z hk e / 2 su serie trigonométrica asociada. Supóngase que la función F definida
por
YJ µ ¶
1 w
F (w) = √ lı́m H j
2π J→∞
j=1 2
está en L2 (R) y verifica lı́m|w|→∞ F (w) = 0.

Entonces
R
existe una función de escala φ asociada al filtro h determinada por φ̂ = F
con φ = 1.
Ejemplo: la función de escala de Haar

La función de escala φ que genera el análisis multirresolución de funciones constantes
sobre intervalos de la forma [2−j k, 2−j (k + 1)] es la función caracterı́stica del intervalo
[0,1].
Ecuación de escala: φ (x) = φ (2x) + φ (2x − 1)

³ √ √ ´
Filtro asociado: h = h0 = 1/ 2, h1 = 1/ 2
1³ ´
Polinomio trigonométrico: H (w) = 1 + e−iw
2
44
Figura 3.1: Función de escala.
√
pues los únicos coeficientes no nulos son
√ h 0 = h 1 = 1/ 2.
P
Es un filtro paso bajo con hn = 2, lo que equivale a H (0) = 1.
El filtro es FINITO porque el SOPORTE DE φ ES COMPACTO.
¿Se podrı́a haber construido φ a partir del filtro h? Sı́ pues el productorio converge
a una función de L2 :
YJ µ ¶
1 w
√ lı́m H j = χ̂[0,1] (w) (ejercicio)
2π J→∞
j=1 2
√
luego las funciones de escala asociadas al filtro finito paso bajo h = (1, 1) / 2 son las
proporcionales a χ[0,1] ; de entre ellas la única de media 1 es φ = χ[0,1] .
Observación: Esta función de escala servirá para construir la wavelet ψ de Haar.
(Ejercicio: Realizar el mismo estudio –determinación de la ecuación de escala, filtro y

función trigonométrica asociados– para la función “sombrero” definida previamente.)
3.1.1. Algoritmo en cascada para obtener φ

P √
A partir del filtro h con hk = 2 en la práctica no se utiliza el método teórico
de
³ antitransformar
´ la ecuación (3.6), sino que se construye una sucesión de funciones
(i)
φ que converge a la función de escala φ.
i∈N
El algoritmo, conocido como ALGORITMO EN CASCADA, es el siguiente:
φ(0) = χ[0,1)
X√
∀i ∈ N, φ(i) (x) = 2 hk φ(i−1) (2x − k)
k∈Z
45
que, si el filtro cumple la condición de convergencia del
R
teorema 11, converge
R (i)
a la Rfunción φ
que satisface
R (0)
la ecuación de escala, además de que φ = 1 (puesto que φ = φ(i−1) =
· · · = φ = 1).
Gráfica de φ(i) en los puntos m/2i
Para³ i = 0, ´ es obvio que φ(0) en los enteros toma valores de una delta de Kronecker:
(0) (0)
v = φ (m) = (δm,0 )m = δ.
m
³ En la etapa
´ i = 1, se tiene que en los semienteros, φ(1) toma los valores v(1) =
(1)
φ (m/2) que son
m
µ ¶ X√ X√ √ √
m
φ(1) = 2 hk φ(0) (m − k) = 2 hk δm−k,0 = 2 hm = 2 (h ∗ δ)m
2 k∈Z k∈Z
√ √ √ ³ ´
Obsérvese que v(1) = 2h = 2 (h ∗ δ0 ) = 2 h ∗ v(0) .
En general, si en la etapa i − 1 se conoce el valor de φ(i−1) en los puntos de la forma
m/2i−1 , y se introducen en el vector
³ ³ ´´
v(i−1) = φ(i−1) m/2i−1
m
entonces, en la etapa i−ésima, podemos calcular fácilmente el valor de φ(i) en los puntos
de la forma k/2i , (que constituyen el vector v(i) )
µ ¶ X√
(i) m m
vm = φ(i) i = 2 hk φ(i−1) ( i−1 − k) =
2 k∈Z 2
X√ m − 2i−1 k X√ (i−1)
= 2 hk φ(i−1) ( i−1
) = 2 hk vm−2i−1 k =
k∈Z 2 k∈Z
X√ ³ i−1
´
(i−1)
= 2 h↑2 vm−n
n
n∈Z
³ ´
donde el vector h ↑ 2i−1 es el vector que resulta de intercalar 2i−1 coeficientes nulos
entre cada dos coeficientes de h :
(
³ ´ hk si n = 2i−1 k
i−1
h↑2 (n) =
0 resto
Hemos deducido que
√
v(1) = 2h
√ ³³ ´ ´
∀i > 1, v(i) = 2 h ↑ 2i−1 ∗ v(i−1)
ası́ que en cada iteración no hay más que realizar una convolución del vector anterior
v(i−1) con el filtro paso bajo h convenientemente extendido con ceros.
(Ejercicio: Hallar la función de transferencia (transformada de Fourier) del filtro que
transforma v(0) en v(i) ).
En resumen, con un número no muy alto de iteraciones (i = 10) se obtiene la gráfica
de φ(10) en los puntos de la forma m/210 , m ∈ Z, y, si φ es continua, dan una buena
aproximación de la gráfica de φ en el dominio temporal, sin necesidad de conocer su
trasnformada de Fourier.
46
3.2. El caso ortogonal
Consideremos, como antes, la función de escala
X√
φ(x) = 2hk φ(2x − k)
k∈Z
Impongamos ahora la condición de que φ sea ortogonal a sus trasladadas; ası́ pues
añadimos el requisito de que φ dé lugar a una base ortogonal; sustituimos 4. de la definición
de análisis multirresolución por:
4. ∃ φ tal que (φ( · − k))k∈Z es una base ortonormal de V0 , es decir

X
∀f ∈ V0 , f= < f, φ( · − k) > φ( · − k)
k∈Z
Observación importante:
(φ( · − k))k∈Z ortonormal ⇔ < φ, φ( · − k) >= δk,0 , es decir φ es ortogonal a sus

trasladadas y unitaria: kφk = 1
Supuesta la existencia de φ con el requisito (4), la base de Vj antes expresada se

normaliza con el coeficiente 2j/2 :
Z ∞ Z ∞
kφ(2j · −k)k2 = |φ(2j x − k)|2 dx = 2−j |φ(x)|2 dx = 2−j kφk = 2−j
−∞ −∞
con lo que (φj,k = 2j/2 φ(2j · −k))k∈Z es base ortonormal de Vj . En particular, (φ1,k =
√
2φ(2 · −k))k∈Z es base ortonormal de V1 .
Recordemos la ecuación de escala (3.2)

X √ X
φ(x) = hk 2φ(2x − k) = hk φ1,k .
k∈Z k∈Z
√
De hecho, el factor 2 se introdujo para que la sucesión de coeficientes
√ h = (hk )k∈Z sean
las coordenadas de φ respecto de la base ortonormal (φ1,k = 2φ(2 · −k))k∈Z de V1 .
Por tanto,
√
hk =< φ, φ1,k >=< φ, 2φ(2 · −k) > .
Teorema 12 Si la función φ y sus trasladadas forman una familia ortonormal de fun-

ciones de L2 , entonces el filtro h y sus trasladados pares forman familia ortonormal de
vectores (sucesiones) de `2 .
47
Demostración: Basta aplicar la ecuación de escala a φ y a cualquier trasladada suya
φ( · − k), e imponer la condición de ortogonalidad entre ambas
δk,0 = < φ, φ( · − k) >=

* +
X√ X √
= 2 hj φ(2 · −j), 2 hm φ(2 · − (2k + m)) =
j∈Z m∈Z
X Z
= 2 hj hm φ(2x − j)φ(2x − (2k + m)) dx =
j,m∈Z R
X Z
= hj hm φ(t − j)φ(t − (2k + m)) dt =
j,m∈Z R
X
= hj hm δj,2k+m =
j,m∈Z
X
= h2k+m hm
m∈Z
La ortogonalidad de φ implica que h verifica

X
hm hm+2k = δk,0 (3.7)
m∈Z
P
lo cual significa que h es ortogonal a sus trasladados pares y que, para k = 0, k∈Z |hm |2 =
1 o sea, h ∈ `2 y es unitario. Éstas son las dos condiciones de ortogonalidad para el filtro.
NOTA: Sin embargo, el recı́proco no es cierto. La ortogonalidad del filtro no implica

la ortogonalidad de la función de escala a no ser que la función trigonométrica H verifique
una condición extra. Esto se verá en el Teorema 14, pero antes estudiaremos ciertas
propiedades de la H en el caso ortogonal.
3.2.1. Propiedades de la función trigonométrica H en el caso

ortogonal
Además de las que ya hemos mencionado, H verifica nuevas propiedades en el caso
ortogonal:
Teorema 13 Las tres condiciones siguientes son equivalentes (y necesarias para la

ortonormalidad de φ y sus trasladadas):
a) h y sus trasladados pares forman una familia ortonormada de vectores en `2
b) El filtro de autocorrelación de h verifica r2m = δm,0
c) La función H es tal que
|H(w)|2 + |H(w + π)|2 = 1 (3.8)
48
Demostración:
En efecto, a) y b) son equivalentes por la definición de r2m y la condición de ortogo-
nalidad (3.7).
Por otro lado, siempre se verifica que
 
1 X X
|H(w)|2 + |H(w + π)|2 = rm e−imw + rm (−1)m e−imw  =
2 m∈Z m∈Z
X
= r2k e−i2kw
k∈Z
y para que esta serie trigonométrica sea constante e igual a 1, es necesario y suficiente
que sus coeficientes de Fourier r2k sean todos nulos salvo r0 = 1; ello equivale a que se
cumpla b).
Otras propiedades son:
Consecuencia de lo anterior (ecuación 3.8), evaluando en 0, dado que H(0) = 1,

P
se tiene que H(π) = 0. Es decir, k∈Z hk (−1)k = 0, lo cual es necesario para que
genere una wavelet de integral nula (al menos 1 momento nulo).
Si además h es real entonces |H(−w)| = |H(w)| y junto con (3.8) se tiene que
|H(w)|2 + |H(π − w)|2 = 1 con lo cual, aparte de obtener que H(π/2) = 1/2, basta
sólo definir H en [0, π/2].
Veamos por fin una condición suficiente para que un filtro dé lugar a φ ORTONOR-
MADA:
Teorema 14 Sea H una serie trigonométrica que verifica (3.8), con H(0) = 1, y que
genera una función de escala ψ mediante 3.6.
Si H no se anula en [−π/2, π/2], entonces φ y sus trasladadas forman una familia
ortonormada en L2 .
49
3.3. Construcción de bases para los suplementarios
ortogonales de Vj−1 en Vj
Supongamos que (Vj ) es un análisis multirresolución tal que las trasladadas de φ
constituyen una base ortonormal de V0 ; es decir, nos centramos en el caso ortogonal. Se
desea construir una wavelet ψ de modo que sus dilatadas y trasladadas diádicas:
ψj,k = 2j/2 ψ(2j . − k), j, k ∈ Z
constituyan una base ortonormal de L2 .

Teniendo en cuenta que los subespacios Vj son cerrados y cumplen Vj ⊂ Vj+1 , denote-
mos Wj el complemento ortogonal de Vj en Vj+1 , Vj+1 = Vj ⊕ Wj ; esto quiere decir que
si tenemos una señal f a resolución 2j+1 y proyectamos a resolución inferior 2j entonces
X
f = Pj f + < f, ψj,k > ψj,k
k∈Z
donde Pj representa la proyección ortogonal en el espacio Vj donde se recoge la versión

“suavizada” de f yXla diferencia f − Pj f representa el “detalle” de f , que está en Wj y
expresamos como < f, ψj,k > ψj,k . Se trata, pues, de describir un procedimiento para
k∈Z
la construcción de la wavelet ψ y las consiguientes bases (ψj,k , k ∈ Z) de cada Wj .
Fijémonos en la estructura de los suplementarios ortogonales Wj ; en primer lugar, son

ortogonales dos a dos, además dados dos ı́ndices j < J se tiene:
Vj ⊂ Vj+1 ⊂ · · · ⊂ VJ ,
J−1
M
VJ = Vj ⊕ Wj ⊕ Wj+1 ⊕ · · · ⊕ WJ−1 = Vj Wn
n=j
y, dado que L2 (R) = lı́m VJ , tenemos un primer resultado,

J→∞
M
L2 (R) = Vj Wn .
n≥j
Por otro lado, dado que {0} = lı́m Vj , podemos concluir que
j→−∞
M
L2 (R) = Wj .
j∈Z
Por lo que interesa construir bases de cada Wj , preferiblemente ortonormales. Los

subespacios Wj heredan la propiedad de escala:
f ∈ Wj ⇒ f (2 · ) ∈ Wj+1
Por ello es por lo que empezamos construyendo una base para W0 que es el complemento
ortogonal de V0 en V1 , con la idea de que sus dilatados nos proporcionen bases de los
sucesivos Wj .
50
Sea ψ ∈ W0 ⊂ V1 , entonces:
√ X
a) ψ(x) = 2 gk φ(2x − k),
k∈Z
b) ψ ⊥ V0 ⇒ ∀ k < ψ, φ( · − k) >= 0.
¿Cómo escoger gk para que (ψ(2j · −k))k∈Z sea base ortogonal de Wj ? (Equivalente-
mente, (ψ(2j · −k))k,j∈Z base de L2 (R))
Para j = 0, imponemos la condición de que ψ sea ortogonal a sus desplazados y de
norma 1:
c) ∀ k < ψ, ψ( · − k) >= δk,0 .

Veamos qué deben cumplir los coeficientes gk de ψ para que se satisfagan b) y c):
b) 0 = < ψ, φ( · − k) >=
X X
= 2 gj hm < φ(2 · −j), φ(2 · −2k − m) >= g2k+m hm
j,m m
c) δk,0 = < ψ, ψ( · − k) >=

Z X X
= 2 gj φ(2x − j) gm φ(2x − (2k + m)) dx =
R j∈Z m∈Z
X Z X
= 2 gj gm φ(2x − j)φ(2x − (2k + m)) dx = gm+2k gm
j,m∈Z R m∈Z
Observamos que, si φ es ortogonal, entonces la condición de ortogonalidad de ψ

y sus trasladadas equivale a una condición de ortogonalidad de g respecto a sus
trasladados pares.
El siguiente esquema muestra en X la primera fila los coeficientes de g, en la segunda los

de h. La condición b) para k = 0 es gj hj = 0 (=< g, h >, producto escalar en `2 de g
j∈Z
por h),
··· g−2 g−1 g0 g1 g2 g3 · · ·

··· h−2 h−1 h0 h1 h2 h3 · · ·
Una posible elección para g consiste en reflejar, alternar signos y conjugar:
gk = (−1)k h1−k (3.9)
··· h3 −h2 h1 −h0 h−1 −h−2 · · ·

··· h−2 h−1 h0 h1 h2 h3 ···
51
Obviamente se cumple la condición b) para k = 0; veamos que con esta elección se
cumplen tanto b) como c) ya que
X Z
j
< φ(· − m), ψ > = 2 hk (−1) h1−j φ(2x − (2m + k))φ(2x − j) dx =
j,k R
X X X
= (−1)k hk h1−2m−k = h2k h1−2m−2k − h1−2m−2k h2k = 0
k k k
X X X
gm+2k gm = (−1)m+2k h1−(m+2k) (−1)m h1−m = h1−m−2k h1−m = δk,0 .
m∈Z m∈Z m∈Z
Consideremos pues, el filtro g = ((−1)k h1−k )k∈Z , definido a partir de h = (hk )k∈Z ; el
par (h, g) se denomina par de filtros conjugados de cuadratura. La función ψ se escribe
√ X
ψ(x) = 2 (−1)k h1−k φ(2x − k), (3.10)
k∈Z
Procedamos a transformar mediante Fourier la relación que define ψ (los cálculos son
idénticos a los realizados con la ecuación de escala); llegando a
µ ¶
1 X w
ψ̂(w) = √ (−1)k h1−k e−ikw/2 φ̂
2 k∈Z 2
1 X
Si definimos la serie trigonométrica G(w) := √ (−1)k h1−k e−ikw , entonces
2 k∈Z
µ ¶ µ ¶
w w
ψ̂(w) = G φ̂
2 2
pero además, y en relación con H,
1 X 1 X
G(w) = √ (−1)k h1−k e−ikw = √ h1−k e−ik(w+π)
2 k∈Z 2 k∈Z
1 X
=√ hm emi(w+π) e−i(w+π) = −e−iw H(w + π) (3.11)
2 m∈Z
52
FILTROS DE CUADRATURA EN ESPEJO
1
0.9 2
2 |G(w)|
|H(w)|
0.8
Magnitud de la respuesta en frecuencia

0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5
frecuencias (w)
Figura 3.2: Cuadratura en espejo.
Algunas propiedades de G, que se deducen de las análogas de H,
1. G es periódica de perı́odo 2π.
2. G(0) = H(π) = 0,
3. G(π) = H(0) = 1,
(estas primeras propiedades caracterizan g como filtro paso alto.)
4. |G(w)|2 + |G(w + π)|2 = 1.
5. Condición de aliasing nulo: H(w)G(w) + H(w + π)G(w + π) = 0.
6. Si además el filtro tiene coeficientes reales, entonces |G(w)| = |G(−w)| = |G(2π −

w)|, y la igualdad 4. puede escribirse también como |G(w)|2 +|G(π −w)|2 = 1. Como
consecuencia, basta definir |G| en [0, π/2].
Puede concluirse que la matriz

Ã !
H(w) H(w + π)
(3.12)
G(w) G(w + π)
es unitaria.
Observación: la condición de norma 1 de cada fila de esta matriz equivale a la condición
distorsión mı́nima, mientras que la ortogonalidad de las filas (o columnas) se corresponde
a la condición de aliasing nulo.
53
Teorema 15 La familia (ψ( · − k)k∈Z ) es una base ortonormal de W0 .
Demostración: Dado que V1 = V0 ⊕ W0 , basta probar que φ(2 · −m) puede expresarse
como combinación lineal de las trasladadas de φ y las trasladadas de ψ, sea cual sea el
valor entero de m; esto es, se trata de encontrar sucesiones (ckm )k∈Z , (dkm )k∈Z de forma
que
X X
φ(2x − m) = ckm φ(x − k) + dkm ψ(x − k) (3.13)
k k
Tomemos la transformada de Fourier de ambos miembros,
µ ¶ X X
1 −imw/2 w
e φ̂ = ckm e−ikw φ̂(w) + dkm e−ikw ψ̂(w) =
2 2 k k
Ã µ ¶ µ ¶! µ ¶
X w X w w
−ikw −ikw
ckm e H + dkm e G φ̂ .
k 2 k 2 2
Debido al carácter unitario de (3.12) se tiene:

µ ¶ µ ¶ µ ¶ µ ¶
w w w w
H H +G G =1
2 2 2 2
µ ¶ µ ¶ µ ¶ µ ¶
w w w w
H H +π +G G +π =0
2 2 2 2
Tomando semisuma y semidiferencia:
µ ¶" µ ¶ µ ¶# µ ¶" µ ¶ µ ¶#
1 w w w 1 w w w 1
H H ±H +π + G G ±G +π =
2 2 2 2 2 2 2 2 2
Esta última igualdad permite hacer la identificación:

" µ ¶ µ ¶#
X
−ikw e−imw/2 w w
ckm e = H + (−1)m H +π
k 2 2 2
" µ ¶ µ ¶#
X
−ikw e−imw/2 w w
dkm e = G + (−1)m G +π
k 2 2 2
Incluso podemos identificar las nuevas coordenadas en función de los coeficientes del filtro,
1 1 1
ckm = √ hm−2k , dkm = √ gm−2k = √ h1−m+2k (−1)m .
2 2 2
El teorema queda demostrado.
54
Resumen
Función de escala φ ⇐⇒ filtro paso bajo h
Wavelet básica ψ ⇐⇒ filtro paso alto g
φ ∈ L2 (R) (respectivamente ψ) es ortogonal a sus trasladados
h (respectivamente g) y sus trasladados pares son ortogonales
H ∈ L2 ([0, 2π]), |H(w)|2 + |H(w + π)|2 = 1 (3.14)
( respectivamente G ∈ L2 ([0, 2π]), |G(w)|2 + |G(w + π)|2 = 1)
Y, además:
< φ, ψ >= 0, < h, g >= 0, H(w)G(w) + H(w + π)G(w + π) = 0
55
3.4. Equivalencia entre longitud finita del filtro y so-
porte compacto
Teorema 16 (Soporte compacto) Sea φ una función de escala ortogonal y h el filtro
asociado. Entonces el soporte de φ es compacto si, y solamente si, el filtro h es de longitud
finita. Además, si el soporte de φ es [α, β] entonces α y β son enteros y hn = 0 para n < α
o n > β.
Observación: La segunda parte del teorema justifica que se llame soporte de h al soporte
de φ; o incluso que se enuncie el teorema diciendo que ambos, filtro y función, tienen el
mismo soporte compacto.
Demostración:
Sea sop φ = [α, β], escribamos la función de escala:
√ X
φ(x) = 2 hn φ(2x − n).
n∈Z
Para despejar hn multiplicamos escalarmente en la ecuación de escala por φ(2 · −n) y,

usando las relaciones de ortogonalidad, se obtiene
1
< φ, φ(2 · −n) >= √ hn ,
2
por otro lado:

Z Z β
< φ, φ(2 · −n) >= φ(x)φ(2x − n)dx = φ(x)φ(2x − n)dx
R α
Haciendo el cambio de variable 2x − n = y:

µ ¶
1 1 Z 2β−n y+n
√ hn =< φ, φ(2 · −n) >= φ φ(y)dy
2 2 2α−n 2
Es claro que si 2β − n < α o 2α − n > β entonces hn = 0. Por consiguiente el número de

términos no nulos del filtro es finito. Sean N, M el menor y mayor enteros respectivamente
para los cuales hn 6= 0 (diremos, a partir de ahora, que [N, M ] es el soporte de h). Entonces,
escribiendo la ecuación de escala en x/2 se tiene:
µ ¶ √ X M
x
φ = 2 hn φ(x − n).
2 n=N
El soporte de la función a la izquierda (φ(·/2)) es [2α, 2β]. Para un n cualquiera, si

α ≤ x − n ≤ β entonces α + n ≤ x ≤ β + n y como n varı́a entre N y M el soporte de la
función de la derecha de la igualdad es [α + N, β + M ]. Al obligar a que ambos soportes
coincidan se concluye que α = N, β = M .
56
El recı́proco vamos a probarlo con la condición adicional de que el algoritmo en cas-
cada converja a φ. Supóngase que el soporte de h es [N, M ]. Razonaremos inductivamente;
partimos de una función φ(0) de soporte compacto [α0 , β0 ],
(i+1)
√ XM
φ (x) = 2 hn φ(i) (2x − n).
n=N
" #
(1) α 0 + N β0 + M
Haciendo i = 0 vemos que el soporte de φ es , ; para i = 2 se obtiene
2 2
el soporte de φ(2) igual a
" α +N β0 +M # " #
0
2
+N 2
+M α0 (22 − 1)N β0 (22 − 1)M
, = 2 + , 2+
2 2 2 22 2 22
Si proseguimos inductivamente llegamos a

" #
(k) α0 (2k − 1)N β0 (2k − 1)M
sop φ = k + , k+
2 2k 2 2k
pero como lı́mk→∞ φ(k) = φ,

" #
α0 (2k − 1)N β0 (2k − 1)M
sop φ = lı́m + , k+ = [N, M ].
k→∞ 2k 2k 2 2k
El teorema queda probado.
Corolario: Si el soporte de h es [N, M ], entonces el soporte de la wavelet ψ es

· ¸
N −M +1 M −N +1
, .
2 2
Demostración: Sea gn = (−1)n h1−n el filtro asociado a ψ. Si el soporte de h es [N, M ]

entonces el soporte de g es [1 − M, 1 − N ], por tanto:
√ 1−N
X
ψ (x) = 2 gn φ(2x − n).
n=1−M
Para que ψ (x) 6= 0 tiene que ser
N ≤ 2x − n ≤ M, n = 1 − M, . . . , 1 − N
o, lo que es lo mismo,
N +1−M N +n M +n M +1−N
≤ ≤x≤ ≤ ,
2 2 2 2
lo que prueba el resultado.
57
3.5. Transformada wavelet discreta y bancos de fil-
tros. Algoritmo de Mallat
n√ o
Si f ∈ V1 , en función de la base ortonormada 2φ(2 · −n), n ∈ Z
X√
f (x) = 2sn φ(2x + n).
n∈Z
Como V1 = V0 ⊕ W0 , también
X X
f (x) = ck φ(x + k) + dk ψ(x + k).
k∈Z k∈Z
Usando
X √
Ecuación de escala : φ(x + k) = 2hm φ(2x + 2k − m)
m∈Z
X √
Ecuación que define la wavelet : ψ(x + k) = 2gm φ(2x + 2k − m)
m∈Z
3.5.1. Proceso de análisis de la señal

Consiste en calcular
X √
ck = hf (·), φ(· + k)i = 2 hm hf (·), φ(2 · +2k − m)i =
m∈Z
X X
= 2 hm sn hφ(2 · +n), φ(2 · +2k − m)i =
m∈Z n∈Z
X
= hm s2k−m
m∈Z
X √
dk = hf (·), ψ(· + k)i = 2gm hf (·), φ(2 · +2k − m)i =
m∈Z
X X
= 2 gm sn hφ(2 · +n), φ(2 · +2k − m)i =
m∈Z n∈Z
X
= gm s2k−m
m∈Z
Conclusión:
la rama paso bajo c es la convolución de s con h, diezmada;
la rama paso alto d es la convolución de s con g, diezmada.
58
Figura 3.3: Filtrado de una señal mediante la célula bicanal dada por los filtros ortogonales
reales h y g.
3.5.2. Proceso de sı́ntesis de la señal

Queremos calcular:
√ √ X √ X
sn = 2 hf (·), φ(2 · +n)i = 2 ck hφ(· + k), φ(2 · +n)i + 2 dk hψ(· + k), φ(2 · +n)i =
k∈Z k∈Z
X X
= 2 ck hm < φ(2x + 2k − m), φ(2 · +n) > +2 dk gm < φ(2 · +2k − m), φ(2 · +n) >
k,m∈Z k,m∈Z
X X
= ck h2k−n + dk g2k−n
k∈Z k∈Z
El proceso consiste en:

³ ´
intercalar ceros entre los coeficientes de c y realizar la convolución con h̃ h̃k = h−k
intercalar ceros entre los coeficientes de d y realizar la convolución con g̃ (g̃k = g−k )
y después sumar ambas convoluciones.
Filtros ortogonales de análisis : h y g (sus conjugados)

Filtros ortogonales de sı́ntesis : h̃ y g̃ (sus traspuestos)
P
Equivalentemente, en términos de las series trigonométricas H (ω) = √1 hn e−iωn y
2
P
G(ω) = √1 gn e−iωn = −e−iω H(ω + π), la RECONSTRUCCIÓN PERFECTA se debe
2
a que:
1. LA DISTORSIÓN ES MÍNIMA: |H (ω)|2 + |G (ω)|2 = 1
2. El TÉRMINO DE ALIASING ES NULO: H (ω) H(ω + π)+G (ω) G(ω + π) =
0.
59
3.5.3. Algoritmo de Mallat: análisis/sı́ntesis de una señal origi-
nal c(0) en varias escalas
Análisis en la escala j = 1, . . . , J :
( (j) P (j−1)
ck = m∈Z hm c2k−m
(j) P (j−1)
dk = m∈Z gm c2k−m
Sı́ntesis en la escala j = J, . . . , 1 :
X (j) X (j)
c(j−1)
n = ck h2k−n + dk g2k−n
k∈Z k∈Z
c(0) ↔ cJ , dJ , dJ−1 , dJ−2 , . . . , d1 .
Figura 3.4: Estructura en árbol del algoritmo de análisis en varias escalas
60
Figura 3.5: Estructura en árbol del algoritmo de sı́ntesis en varias escalas
61
Figura 3.6: Ejemplo de descomposición subbanda mediante wavelet packets
62
Capı́tulo 4
Familias de wavelets ortogonales.
Para que un filtro paso bajo h proporcione una familia de wavelets ortogonales, es
P
necesario que la función trigonométrica H (ω) = √12 n hn e−iωn satisfaga
|H (ω)|2 + |H (ω + π)|2 = 1,
H(0) = 1.
Si además |H(ω)| > 0 en [−π/2, π/2] entonces dichas condiciones son suficientes.
Por tanto, basta calcular una serie trigonométrica P (ω) = |H (ω)|2 que verifique
P (ω) + P (ω + π) = 1
P (ω) > 0 en [−π/2, π/2]
P (0) = 1.
4.1. Propiedades de P = |H|2 (válidas para todo filtro

ortogonal real asociado a H):
1. P (ω) ≥ 0 ∀ω ∈ [0, 2π].
2. P es 2π-periódico y simétrico: P (ω) = P (−ω) = P (2π − ω) ∀ω ∈ [0, π].
3. P (ω) + P (ω + π) = 1, o bien P (ω) + P (π − ω) = 1 ∀ω ∈ [0, π]
4. Basta definir P en [0, π/2].
5. P (0) = 1, P (π) = 0, P (π/2) = 1/2.
63
EJEMPLO DE POLINOMIO P(w)=|H(w)|2
1
0.9
P(pi−w)
0.8 P(w)
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5
frecuencias (w)
4.1.1. Propiedades deseables de las wavelets:

1. Soporte compacto: Útil para procesamiento de señales finitas (todas, en la
práctica). Ventaja sobre el análisis de Fourier.
Las wavelets de Haar, Daubechies, Coiflets y biortogonales SÍ;
las que provienen de gausianas, Meyer, Morlet, Battle-Lemarié, NO:
Equivale a que filtro tenga longitud finita: h = (h(0), ....., h(L − 1)).
2. Regularidad: Útil para detección de singularidades (o a contornos en 2

dimensiones).
De entre las de soporte compacto: wavelet de Haar NO; las de Daubechies, Coiflets
y las biortogonales SÍ.
3. Ortogonalidad: Útil para compresión de señales e imágenes: al hacer cero

coeficientes de la transformada wavelet que son próximos a cero, se introduce un
error; al ser la transformada ortogonal, al sintetizar la señal (antitransformando) el
error en la reconstrucción permanece fijo, no aumenta.
Son ortogonales las wavelets de: Haar, Daubechies, y las Coiflets.
4. Simetrı́a de la función de escala: Serı́a útil para tratamiento de funciones

simétricas (y en imágenes).
Equivale a que el filtro paso bajo asociado sea simétrico.

PERO simetrı́a está reñida con ortogonalidad: el único filtro finito h ortogonal
a sus desplazados pares y simétrico es de tipo Haar.
64
Como consecuencia, la única wavelet ortogonal de soporte compacto
cuya función de escala es simétrica es la de Haar (que no es regular).
Las biortogonales Sı́ pueden estar asociadas a funciones de escala simétricas.
5. Momentos nulos de la wavelet: El número de momentos nulos del filtro g es la

P
multiplicidad de ω = 0 en G(ω) = √12 gn e−iωn .
Si h es ortogonal:
G(ω) = −eiω H(ω + π)
P
Luego también es la multiplicidad de ω = π como raı́z de H(ω) = √1 hn e−iωn .
2 n
MOMENTOS NULOS=COMPORTAMIENTO DE |H(w)|2 EN w=pi

1
0.9 |H(w)|2=P(w)
0.8
Magnitud de la respuesta en frecuencia
0.7
0.6
0.5
0.4 Filtro Daub2
0.3 Filtro Daub4 Filtro de Haar
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5
frecuencias (w)
Son equivalentes:
El filtro h tiene N momentos nulos

P
n hn (−1)n nk = 0 ∀k = 0, · · · , N − 1
La función de escala φ genera todos los polinomios de grado ≤ N − 1
La función wavelet ψ es ortogonal a todos los polinomios de grado ≤ N − 1
La transformada wavelet de un polinomio de grado ≤ N − 1 proporciona una
rama paso bajo polinómica del mismo tipo, y una rama paso alto nula.
OBSERVACIONES:
R
a) Toda wavelet tiene como mı́nimo 1 momento nulo (pues ψ̂(0) = R ψ (x) dx =
0).
b) La wavelet de Haar sólo tiene un momento nulo.
c) La wavelet de Daubechies de orden N (asociada a un filtro de longitud 2N )
tiene N momentos nulos.
65
d ) Las Coiflets se diseñan de modo que tanto ψ como φ dispongan de varios
momentos nulos (no tantos como Daubechies).
e) Wavelets biortogonales: pueden diseñarse con más momentos nulos que las de
Daubechies, pero pierden la ortogonalidad.
CONCLUSIÓN: Las wavelets de Daubechies son las únicas wavelets orto-

gonales de soporte compacto con número máximo de momentos nulos
(que es la mitad de la longitud de su filtro asociado).
66
4.2. Wavelets de Daubechies
Imponemos que el filtro ortogonal tenga N momentos nulos, esto es, que H (ω) tenga
un cero de orden N en ω = π :
Ã !N
1 + eiω
H (ω) = Q (ω) con Q (π) 6= 0.
2
¯ ¯2 ³ ´
¯ iω ¯ 1+cos(ω)
Como ¯ 1+e2 ¯ = 2
= cos2 ω
2
, entonces:
¯ ¯ µ ¶
¯ 1 + eiω ¯2N ω
¯ 2¯ N
P (ω) = |H (ω)| = ¯ ¯ |Q (ω)| = cos2N L (ω) .
¯ 2 ¯ 2
Expresiones equivalentes de la condición de ortogonalidad:
|H (ω)|2 + |H (ω + π)|2 = 1 ⇔
P (ω) + P (ω + π) = 1 ⇔
µ ¶ µ ¶
2N ω 2N ω
cos L (ω) + sen L (ω + π) = 1
2 2
Para N = 1, puede ser L = 1 y se tiene H (ω) = (1 + eiω ) /2 (wavelets de HAAR).
4.2.1. Idea de Daubechies:
µ µ ¶ µ ¶¶2N −1 2N −1
Ã ! µ ¶µ µ ¶¶2N −1−k
ω ω X 2N − 1 ω ω
2
1 = sen + cos2 = sen 2k
cos 2
2 2 k=0
k 2 2
N −1
Ã ! µ ¶ N −1 µ ¶ Ã ! µ ¶ µ ¶
X 2N − 1 ω ω X 2N − 1 ω ω
2k
= sen cos2(2N −1−k) + cos 2k
sen2(2N −1−k)
k=0
k 2 2 m=0
k 2 2
= P (ω) + P (ω + π)
puesto que
µ ¶ µ ¶ µ ¶ µ ¶
ω π ω ω+π ω
sen + = cos ⇒ sen2m = cos2m ,
µ
2 2¶ 2µ ¶ 2 µ ¶
2 µ ¶
ω π ω 2(2N −1−m) ω + π 2(2N −1−m) ω
cos + = − sen ⇒ cos = sen .
2 2 2 2 2
Ası́ pues el polinomio p es
N −1
Ã ! µ ¶ µ ¶
X
2N − 1 ω ω
P (ω) = cos2(2N −1−k) sen2k =
k=0
k 2 2
µ ¶
ω
= cos2N L (ω)
2
67
4.2.2. Cálculo de P para los filtros de Daubechies:
µ ¶ NX
−1
Ã !µ µ ¶¶N −1−m µ ¶
2N ω 2N − 1 2 ω 2m ω
P (ω) = cos cos sen
2 m=0
m 2 2
Haciendo el cambio y = sen2 (ω/2) = 1 − cos2 (ω/2) = (1 − cos ω) /2 ∈ [0, 1] :

N −1
Ã !
N
X 2N − 1
P (ω) = P (y) = (1 − y) (1 − y)N −1−m y m
m=0
m
Se llega a: Ã !
N
X −1
N N +m−1
P (y) = (1 − y) ym
m=0
m
que es un polinomio P (y) de grado 2N − 1 con raı́z de multiplicidad N en y = 1.
Ejemplo: wavelets ortogonales con 1 momento nulo (wavelets de Haar)

Si N = 1, µ ¶ µ ¶
ω ω
1 = cos 2+ sen2 = (1 − y) + y
2 2
Cambio y = sen 2 ω/2 = (1 − cos ω)/2; el primer sumando es
P (y) = 1 − y
1 + cos ω
P (ω) = ≥0
2
Tiene sólo un momento nulo.
En función de z = eiω , sustituyendo cos ω = (z + z −1 ) /2:
1 1 1
P (z) = z + + z −1 .
4 2 4
Ejemplo: wavelets ortogonales con 2 momentos nulos (Daubechies de longitud

4)
Si N = 2 · 2 − 1 = 3
1 = (cos 2 (ω/2) + sen 2 (ω/2))3 = ((1 − y) + y))3 = (1 − y)3 + 3(1 − y)2 y + 3(1 − y)y 2 + y 3 .
Su primera parte tiene raı́z doble en y = 1:
P (y) = (1 − y)2 (1 + 2y) = 1 − 3y 2 + 2y 3 ≥ 0
O bien, como y = sen2 ω = (1 − cos ω)/2
µ ¶
1 + cos ω 2 1 3 1
P (ω) = (2 − cos ω) = + cos ω − cos 3 ω ≥ 0
2 2 4 4
que tiene una raı́z doble en ω = π
En función de z = eiω (sustituyendo cos ω = (z + z −1 )/2):
1 9 1 9 1
P (z) = − z 3 + z + + z −1 − z −3 .
32 32 2 32 32
68
4.2.3. Factorización espectral
Una vez calculado P (ω), consiste en despejar H(ω) de |H(ω)|2 = P (ω).
Las raı́ces de H deben ser raı́ces de P. Como P es recı́proco (P (z) = P (z −1 )), sus
raı́ces aparecen de 4 en 4:
zi , z i , zi−1 , z −1
i
dos fuera y dos dentro del cı́rculo unidad. Y las de la circunferencia unidad son de multi-
plicidad par.
Como
Y Y
z 2N −1 P (z) = C (z − zi )(z − zi−1 ) (z − zi )2 si |z| = 1
|zi |<1 |zi |=1
existen varias opciones para elegir las raı́ces de H, LUEGO H NO ES ÚNICO:

Si se eligen las raı́ces de H dentro del cı́rculo unidad, junto con sus conjugadas:
Y Y
H(z) = A (z − zi ) (z − zi )2
|zi |<1 |zi |=1
tenemos filtros de fase mı́nima (la función de escala lo más asimétrica posible).
Si se eligen las raı́ces de H fuera del cı́rculo unidad, y en el borde, junto con sus
conjugadas: Y Y
H(z) = A (z − zi ) (z − zi )2
|zi |>1 |zi |=1
tenemos filtros de fase máxima (la función de escala también es asimétrica, pues
estos filtros no son más que los traspuestos de los de fase mı́nima).
Si se eligen las raı́ces de H por pares de raı́ces conjugadas, la mitad fuera y la mitad
dentro del cı́rculo unidad: se obtiene una función de escala lo más simétrica posible.
A estas wavelets de Daubechies se les denomina symlets. (Recuérdese que no pueden
ser simétricas y ortogonales simultáneamente salvo en el caso de Haar).
Ejemplo: filtros de Haar

Si z = eiω , entonces |z| = 1 y
µ ¶ ¯ ¯ ¯ ¯
1 + cos ω ¯ z + 1 ¯2 ¯ eiω + 1 ¯2
¯ ¯
P (ω) = = ¯¯ ¯ =¯
¯ ¯
2 2 ¯ 2 ¯
su único factor espectral es
Ã ! µ ¶
1 + eiω 1 1
H(ω) = de donde el filtro de Haar son los coeficientes h = (h0 , h1 ) = , .
2 2 2
Se trata del único filtro ortogonal que a su vez es simétrico. Éste es el filtro paso bajo; el
correspondiente filtro de Haar paso alto es el que resulta de simetrizarlo y alternar signos:
µ ¶
1 1
g =(h1 , −h0 ) = ,− .
2 2
69
Ejemplo: filtros de Daubechies de longitud 4
El polinomio obtenido se factoriza
µ ¶2 ¯ ¯ Ã !
1 + cos ω ¯ z + 1 ¯4 z + z −1
P (y) = (2 − cos ω) = ¯¯ ¯ 2−
¯
2 2 2
Como
z + z −1 1³ ´
2− = 4 − z − z −1 =
2 2
1 ³³√ ´ ³ √ ´´ ³³√ ´ ³ √ ´´
= 3+1 z+ 1− 3 3 + 1 z −1 + 1 − 3 =
4
¯ √ √ ¯
¯ (1 + 3)z + (1 − 3) ¯2
¯ √ √ ¯
¯ (1 + 3) + (1 − 3)z ¯2
¯ ¯ ¯ ¯
= ¯¯ ¯ =¯
¯ ¯
¯
¯
2 2
Hay dos factorizaciones espectrales posibles:
µ ¶2 Ã √ √ !
z+1 3)z + (1 − 3)
(1 + 1³ √ √ √ √ ´
= (1 − 3) + (3 − 3)z + (3 + 3)z 2 + (1 + 3)z 3
2 2 8
µ ¶2 Ã √ √ !
z+1 (1 + 3) + (1 − 3)z 1³ √ √ √ √ ´
= (1 + 3) + (3 + 3)z + (3 − 3)z 2 + (1 − 3)z 3
2 2 8
√
En el primer caso, la raı́z elegida es interior al cı́culo unidad (2 − 3) los filtros
ortogonales de Daubechies de longitud 4 obtenidos son de fase mı́nima:
Ã √ √ √ √ ! Ã √ √ √ √ !
1− 3 3− 3 3+ 3 1+ 3 1 + 3 −3 − 3 3 − 3 3 − 1
h= √ , √ , √ , √ , g= √ , √ , √ , √
4 2 4 2 4 2 4 2 4 2 4 2 4 2 4 2
√
y en el segundo caso, la raı́z elegida es exterior al cı́culo unidad (2 + 3); los filtros
ortogonales de Daubechies de longitud 4 obtenidos son de fase máxima:
Ã √ √ √ √ ! Ã √ √ √ √ !
1+ 3 3+ 3 3− 3 1− 3 1 − 3 −3 + 3 3 + 3 − 3 − 1
h= √ , √ , √ , √ , g= √ , √ , √ , √
4 2 4 2 4 2 4 2 4 2 4 2 4 2 4 2
En este ejemplo (N = 2) no hay más casos posibles, y es porque la symlet de orden 2

coincide con este último caso, que proporciona la función de escala más simétrica posible
para un filtro ortogonal de 4 coeficientes y 2 momentos nulos.
70
4.3. Transformada wavelet de señales bidimensiona-
les
³ ´
4.3.1. Análisis multirresolución en L2 R2
La transformada wavelet se define en
³ ´ ½ Z ¾
2 2 2 2
L R = f :R →R |f (x, y)| dxdy < ∞
R2
La gráfica de estas funciones f es una superficie en R3 , y asociando a su valor en cada

punto un nivel de gris, nos proporciona una IMAGEN ANALÓGICA. ³ ´
(2)
Análisis multirresolución en L2 (R2 ): es una sucesión de conjuntos Vj en
j∈Z
L2 (R2 ) tal que:
(2) (2)
1. los conjuntos estén encajados: Vj ⊂ Vj+1 ∀j ∈ Z
(2)
2. ∩j∈Z Vj = {0}
(2)
3. ∪j∈Z Vj = L2 (R2 )
(2) (2)
4. f (x, y) ∈ Vj ⇔ f (2x, 2y) ∈ Vj+1
5. Existe una función de escala φ (puede considerarse de norma 1) cuya familia de

trasladadas n o
φ(2) (x − n, y − m), n, m ∈ Z
(2)
forman base de Riesz de V0 .
(2)
EJEMPLO: Vj es el espacio de las imágenes constantes sobre cada cuadrado de lado
2 , y φ(2) es la función caracterı́stica del cuadrado [0, 1] × [0, 1], es decir:
−j
( )
(2) 1 si 0 ≤ x, y ≤ 1
φ (x, y) = = φ(x)φ(y)
0 en otro caso
donde φ es la función de escala de Haar unidimensional.

Obsérvese que el subı́ndice j da una idea del “nivel de resolución” 2j , que es inversa-
mente proporcional a la escala 2−j .
71
Análisis multirresolución en L2 (R2 ) separable en dos análisis multirresolu-
ción en L2 (R):
Se toma una función de escala unidimensional φ que genera un análisis multirresolución
en L2 (R) , y a partir de ella se define la función de escala bidimensional φ(2) separable en
X y en Y:
φ(2) (x, y) = φ(x)φ(y).
Se demuestra que genera un análisis multirresolución en L2 (R2 ) ; cada función f de L2 (R2 )
(2)
se puede aproximar por versiones en Vj , generadas por dilatadas y trasladadas de φ(2) :
X (2)
f (x, y) = lı́m cj,(m,n) φj,(m,n) (x, y) =
j→∞
m,n∈Z
X
= lı́m 2j cj,(m,n) φ(2) (2j x − m, 2j y − n) =
j→∞
m,n∈Z
X ³ ´
= lı́m 2j cj,(m,n) φ 2j x − m φ(2j y − n).
j→∞
m,n∈Z
El factor 2j se incluye para que todas las trasladadas y dilatadas

n ³ ´ o
(2)
φj,(m,n) (x, y) = 2j φ 2j x − m φ(2j y − n), j, m, n ∈ Z
tengan la misma norma que φ(2) (es decir, 1).

Si además φ es ortogonal a sus trasladadas, entonces φ(2) también lo es. Al ser la base
(2)
ORTONORMAL, la versión aproximada de f en Vj (a nivel de resolución 2j , o a escala
2−j ) tiene por coeficientes los productos escalares:
D E Z Z
(2) j
cj,(m,n) = f, φj,(m,n) =2 f (x, y)φ(2j x − m)φ(2j y − n)dxdy.
72
³ ´
4.3.2. Transformada wavelet diádica en L2 R2 :
Si ψ es la wavelet unidimensional asociada a φ, en L2 (R2 ) se construyen las siguientes
tres funciones:
ψ h (x, y) = φ(x)ψ(y)
ψ v (x, y) = ψ(x)φ(y)
ψ d (x, y) = ψ(x)ψ(y)
Cada una puede trasladarse en cada eje, y también dilatarse, dando lugar a:
dir
ψj,(m,n) (x, y) = 2j ψ dir (2j x − m, 2j y − n), j, m, n ∈ Z, dir = h, v, d.
La transformada wavelet diádica en L2 (R2 ) se define como las siguientes 4 suce-

siones:
µZ Z ¶
j j j
Cj = 2 f (x, y) φ(2 x − m)φ(2 y − n)dxdy
(m,n)∈Z
µZ Z ¶
Dh j = 2j f (x, y) φ(2j x − m)ψ(2j y − n)dxdy
(m,n)∈Z
µZ Z ¶
Dv j = 2j f (x, y) ψ(2j x − m)φ(2j y − n)dxdy
(m,n)∈Z
µZ Z ¶
Dd j = 2j f (x, y) ψ(2j x − m)ψ(2j y − n)dxdy
(m,n)∈Z
que proporcionan, respectivamente:
Cj , una matriz que contiene versión suavizada de la imagen f a resolución 2j (o

escala 2−j )
Dh j , matriz de los detalles HORIZONTALES de la imagen f a resolución 2j (o

escala 2−j )
Dv j , matriz de los detalles VERTICALES de la imagen f a resolución 2j (o escala

2−j )
Dd j , matriz de los detalles DIAGONALES de la imagen f a resolución 2j (o escala

2−j )
73
4.3.3. Transformada wavelet discreta de señales bidimensionales
(imágenes digitales)
Una señal discreta bidimensional s es una sucesión de l2 (Z2 ) , es decir, una matriz
(infinita) tal que X
|s (m, n)|2 < ∞.
m,n∈Z
En la práctica se trabajan con matrices con número finito de filas y columnas, es decir, con
IMÁGENES DIGITALES. Computacionalmente, una imagen es una matriz de N 2 pixels.
Si N = 2J , partiendo de una resolución inicial máxima (de 2J pixels por lado), podremos
analizarla a J = log2 N niveles de resolución distintos y decrecientes; es decir, a J escalas
distintas crecientes, que van proporcionando versiones ”suavizadas” de la imagen.
Algoritmo de Mallat en dos dimensiones (transformada wavelet discreta
bidimensional): si el input no es una función f, sino una señal finita s bidimensional de
N pixels por lado, las integrales se convierten en convoluciones con 2 posibles filtros:
paso bajo y paso alto, en las 2 posibles direcciones (eje X: por columnas, o eje Y: por
filas), dando lugar a 4 filtrados posibles en cada escala. Por eso el algoritmo proporciona
4 matrices de orden N/2.
En cada escala j, empezando por s = c0 , el algoritmo en cascada para el análisis
consiste en formar una matriz cuadrada de orden N del tipo
cj djh
cj−1 ↔
djv djd
que contiene los detalles de cada punto de la imagen en la escala j − 1 : los suavizados
c y los detalles dj según las direcciones horizontal, vertical y diagonal:
j
cj contiene la versión suavizada de la imagen a escala j
djh contiene los detalles o saltos obtenidos sobre las lı́neas verticales de la imagen;
por tanto, contienen los contornos horizontales en la escala j;
djv contiene los detalles o saltos obtenidos sobre las lı́neas horizontales; por tanto,
proporcionan los contornos verticales en la escala j;
djd contiene los detalles o saltos obtenidos sobre las lı́neas diagonales; por tanto, dan
información de los contornos diagonales en la escala j.
Descomponiendo de forma similar y recursiva la submatriz cj hasta llegar a la máxima

escala J = log2 N , se obtendrá su representación piramidal. Esta versión bidimensional
del algoritmo de Mallat se realiza en N 2 log2 N 2 operaciones.
74
Figura 4.1: ETAPA DE ANÁLISIS DE LA IMAGEN mediante los filtros paso bajo h y
paso alto g.
Figura 4.2: ETAPA DE SÍNTESIS DE LA IMAGEN mediante los filtros paso bajo h̃ y
paso alto g̃, que son los traspuestos de h y g.
75
Bibliografı́a
[1] I. Daubechies, Ten Lectures on Wavelets, SIAM (1992).
[2] C. Gasquet, P. Witomski, Fourier Analysis and Applications: Filtering, Numerical

Computation, Wavelets., Springer (1998).
[3] G. Kaiser A Friendly Guide to Wavelets, Birkhäuser (1994).
[4] S. Mallat, A theory for multiresolution signal decomposition: the wavelet representa-
tion, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.11, no.
7, Jul.1989.
[5] S. Mallat, Multiresolution Analysis and orthonormal bases of L2 (R), Transactions of

the American Mathematical Society, Sept. 1989.
[6] G. Strang, Wavelets and Filter Banks, Wellesley-Cambridge (1996).
[7] VV. AA., Wavelets. Theory and Applications, Editores G. Erlebacher et al. Oxford
University Press (1996).
[8] M. V. Wickerhauser, Adapted Wavelet Analysis from Theory to Software, IEEE Press
(1994).
76

La Transformada Wavelet Una Introducción - Ma. E. Domíinguez y G. Sansigre V. - Universidad Politécnica de Madrid PDF

Cargado por

Copyright:

Formatos disponibles

La Transformada Wavelet Una Introducción - Ma. E. Domíinguez y G. Sansigre V. - Universidad Politécnica de Madrid PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

La Transformada Wavelet Una Introducción - Ma. E. Domíinguez y G. Sansigre V. - Universidad Politécnica de Madrid PDF

Cargado por

Copyright:

Formatos disponibles

Universidad Politécnica de Madrid

Material para la asignatura de Doctorado:

Transformada wavelet y aplicaciones en Ingenierı́a

Programa de Doctorado: INGENIERÍA MATEMÁTICA

Autoras: Marı́a Elena Domı́nguez Jiménez

Departamento de Matemática Aplicada a la Ingenierı́a

Teorı́a de Fourier: series y

La función caracterı́stica de un intervalo simétrico,

Una señal sinusoidal,

x(t) = α cos(wt + ϕ) (1.3)

donde α es la amplitud, ϕ la fase inicial, 2π/w el perı́odo.

La norma “infinito” o del supremo de una señal x: kxk∞ = sup{|x(t)|, t ∈ I}.

La norma “infinito” o del supremo de una señal x: kxk∞ = sup{|x(n)|, n ∈ Z}.

1.2. Señales periódicas analógicas.

donde N es un número natural y los coeficientes a0 , an , bn (n = 1, . . . , N ) son números

eiα = cos α + i sen α, e−iα = cos α − i sen α, (1.5)

con las siguientes relaciones entre los coeficientes:

an = cn + c−n , bn = i(cn − c−n ), n = 1, . . . , N ; a0 = c0 . (1.8)

Lo anterior puede enunciarse diciendo:

1.2.3. Series de Fourier.

Los coeficientes cn (f ) del polinomio reciben el nombre de coeficientes de Fourier de f y

Corolario: Identidad de Parseval.

donde los coeficientes cn (f ) vienen dados por (1.16).

Observaciones sobre la convergencia.

1.3. La transformada de Fourier.

Se denotará por `2 (Z) (o simplemente `2 ) el espacio de las sucesiones de módulo

`∞ (Z) = {(xn )n∈Z , sup |xn | := kxk∞ < ∞} (1.23)

Definición 2 Sea (xn )n∈Z ∈ `2 ; se dice que su transformada de Fourier es la función de

Análogamente, la transformada inversa de Fourier de una función X de L2p (0, 2π) es

De hecho, xn es el n-ésimo coeficiente de Fourier de la función X(−w). De los teoremas

`2 ↔ L2p (0, 2π)

Además, se trata de una isometrı́a, pues conserva el producto escalar (y la norma):

h(xn )n∈Z , (yn )n∈Z i`2 = hX, Y iL2p (0,2π)

En cuanto a los espacios para señales analógicas, se consideran funciones f de R en C;

L∞ (R) = {f : R → C, sup |f (t)| := kf k∞ < ∞} (1.27)

Y, por último, se representa por L2 (R) el espacio de de las funciones de módulo

es un espacio de Hilbert (completo: las sucesiones de Cauchy son convergentes).

Definición 3 Dada una función f , se define su transformada de Fourier

(En teorı́a de la señal, fˆ(w) se denomina espectro de la señal.)

Este teorema permite definir el operador F

F : L1 (R) → C(R) ∩ L∞ (R) (1.31)

que a cada función de L1 (R) asocia su transformada de Fourier.

2. f par (impar) ⇒ F (f ) par (impar)

4. Retardo en el tiempo y en la frecuencia:

1.3.3. Transformada de Fourier y derivación.

2. Transformada de una primitiva:

3. Derivadas de la transformada. Supóngase tk f ∈ L1 (R), 0 ≤ k ≤ n, entonces

3. Si f, g ∈ L1 (R) entonces f ∗ g ∈ L1 (R), además kf ∗ gk1 ≤ kf k1 kgk1 .

(i.e F inyectiva en C(R) ∩ L1 (R)).

Teorema 5 (de inversión) Representación espectral de f . Sean f, fˆ ∈ L1 (R), entonces

en todo punto t de continuidad de f .

1.4. Extensión a L2(R)

S = {f ∈ C ∞ (R), ∀n, p ∈ N, lı́m |tp f (n) (t)| = 0} (1.45)

Estas funciones se caracterizan más fácilmente por

2. f ∈ S ⇒ f (kt) ∈ S, k real, arbitrario.

9. F es una isometrı́a en L2 (R) con el producto escalar (1.29)

1.4.1. Teorema del muestreo de Shannon

Definición 4 Se dice que f ∈ L2 es de banda limitada si existe Ω < ∞ tal que la

fˆ(w) = 0 ∀|w| > Ω.