2305 - Introduction À L'analyse en Ondelettes

Introduction à l’analyse en
ondelettes et à l’analyse multi-

résolution
Frédéric Truchetet
Le2i, UMR 5158
Université de Bourgogne - CNRS

[email protected]
Introduction à l’analyse en ondelettes
et à l’analyse multi-résolution
Première partie: une introduction en

«images »
Deuxième partie: un peu plus de
rigueur
Troisième partie: quelques applications
Le contexte : traitement du
signal et des images
Signal ou image: information quantifiée

Traiter: Analyser
Transformer
Synthétiser
Des ondelettes, pourquoi ?
Traitement du signal
Exemple de problème :
Analyse d’une phrase musicale
Création automatique d’une partition à partir d’un

signal sonore
Reconstruction du morceau de musique à partir de la
partition
Un son : une fonction du
temps, un signal
0.8
0.6
Notes
Accord
0.4
0.2
-0.2
-0.4
-0.6
-0.8
0 0.5 1 1.5 2 2.5 3
5
x 10
Des ondelettes, pourquoi ?
La partition décompose la musique en « atomes » ou
notes situés en
Hauteur (do, ré, mi, etc…)
Durée (ronde, blanche, noire, croche, etc…)
Position dans le temps (barres de mesure)
c’est une analyse
La partition permet au musicien de reproduire la

musique
c’est la synthèse
Distinguer les fréquences
Signal temporel
0.2
Partie réelle
0
ACCORD
-0.2
-0.4
Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. lin., Seuil=5%

Densité spectrale d'énergie
0.4
0.3
Fréquence
0.2
0.1
0
1076 538 0 100 200 300 400 500
Temps
Distinguer les instants
et les fréquences
Signal temporel
Partie réelle
0.2
DOREMI
0
-0.2
Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. lin., Seuil=5%

0.4
0.3
Fréquence
0.2
0.1
0
143 72 0 100 200 300 400 500
Temps
Un son : des ondes
Représentation temporelle du son correspondant au mot GABOR
0.4
0.3
0.2
0.1
-0.1
-0.2
Représentation fréquentielle du son GABOR
400
-0.3
GABOR
-0.4 350
-0.5 300
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
temps
250
200
150
100
GABOR
50
0
0 500 1000 1500
fréquence
Un son : une fonction du
temps et de la fréquence
Signal temporel
Partie réelle
0.2
GABOR 0
-0.2
Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. Log., Seuil=5%

0.4
Fréquence
0.3
0.2
0.1
0
100 200 300 400 500
Temps
Onde et
impulsion 2
1.5
Impulsion sinusoïdale
0.5
0
2
-0.5
1.5
Onde sinusoïdale
-1
1
-1.5
0.5
-2
0 0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2 1.25 1.3
4
x 10
-0.5
2
-1
1.5
Impulsion sinusoïdale
-1.5
1
-2
0 100 200 300 400 500 600 700 800 900 1000
0.5
-0.5
-1
-1.5
-2
0.7 0.8 0.9 1 1.1 1.2 1.3
4
x 10
Une ondelette, qu’est-ce que
c’est ?
Fonction mère oscillante, localisée :
ψ(t)
c’est ?
Famille construite par dilatation
ψ(t) ψ(t/2) ψ(t/4)

c’est ?
t − b
et translation : ψ ( )
a
ψ(t) ψ(t-20) ψ(t-40)

1 1 1
0.5 0.5 0.5
-100 -50 0 50 100 -100 -50 0 50 100 -100 -50 0 50 100

t t t
-0.5 -0.5 -0.5
-1 -1 -1
Ondes ou ondelettes ?
ONDES • ONDELETTES
Hauteur (fréquence) • Hauteur

Durée infinie (ou presque !) • Durée
Délocalisation temporelle • Localisation temporelle
totale alors
Ondelette = Note ?
Qui a inventé les ondelettes ?
La famille, de Joseph Fourier à Jean Morlet et après …
une histoire presque française

L ’aïeul
Joseph FOURIER né à Auxerre en 1768,

mathématicien amateur, préfet de l’Isère
publie en 1822 une théorie de la chaleur…
Toute fonction « physique » est une somme

d’ondes sinusoïdales : Transformée de Fourier
Le Grand-père
Dennis GABOR ingénieur électricien et

physicien anglais d’origine hongroise,
prix Nobel de physique en 1971 pour l’invention
de l’holographie.
Décomposition en « trains d’ondes » de longueur

constante : transformée de Fourier à court
terme (1946)
Le père
Jean MORLET ingénieur polytechnicien français,
géologue pour la compagnie pétrolière
Elf Aquitaine
Décomposition en ondelettes de durée
inversement proportionnelle à la fréquence
(1982)
les enfants
A.Grossmann (1983), Y.Meyer (1986),
S.Mallat (1987), I.Daubechies (1988),
P.G.Lemarié, R.Kronland-Martinet, J.C.Fauveau (1990),
W. Sweldens (1995) ...
Deuxième partie: un peu plus
de rigueur …
… et de mathématiques
Analyse de fonctions d’énergie
finie
On se place dans un contexte Hilbertien:
Espace vectoriel des fonctions d’énergie finie: L2(R)*
Produit scalaire et norme
Convergence des suites de Cauchy (complétude)
Les expansions: familles, complètes, « overcomplete », linéairement

indépendantes, bases et autres
*des analyses en ondelettes sont bien entendu possibles pour d’autres espaces de fonctions comme L1(R)
Analyse linéaire des fonctions
Famille : {…ei(t)…} pas linéairement indépendant (pas une base) s(t)=Σαiei(t)
αi non uniques (overcomplete expansion). Sous certaines conditions (existence de
bornes) on peut avoir une “trame” (frame).
L’analyse est redondante.
Si linéairement indépendant, alors base pour l’espace engendré: les
coefficients αi sont uniques, l’analyse est non redondante.
Base orthogonale <ei, ej>=δij
αi=<ei,s> et donc s(t)=Σ<ei,s> ei(t)
Théorème de Parseval: ||s ||2= Σ |<ei,s>|2
Base oblique (biorthogonale), peut, en théorie, toujours être orthogonalisée
(Gram-Schmidt pour dimension finie)
On construit une famille de Riesz (existence de bornes) duale: {…êi(t)…} avec
<ei, êj>=δij (peut être difficile pour les espaces de dimension infinie)
s(t)=Σ<êi,s> ei (t)
||s ||2= Σ <ei,s>* <êi,s>
Analyse de Fourier
Transformée de Fourier
Transformée de Fourier à fenêtre

glissante: analyse de Gabor
Analyse de Gabor
On choisit une gaussienne comme fonction fenêtre g(t)~e-t2
La fonction d’analyse est g(t)e-jωt, le spectre de g est translaté

autour de ω
Le plan temps-fréquence est donc découpé en atomes d’analyse

constants.
fréquence
temps
Ondelettes
Transformée en ondelettes
Inversion
Condition d’admissibilité
Régularité et moments nuls (CN-1 si N moments
nuls, …)
Ondelettes
Conditions pour parler d’analyse en
ondelettes:
Une ou plusieurs fonctions mères qui engendrent

par dilatation (analyse à Q constant) et translation
la famille des ondelettes
Reconstruction possible (condition d’admissibilité)

Ondelettes
Dilatation (a)
Translation (b)
Norme invariante dans L2(R)
Expression dans l’espace de départ et dans Fourier:
Donc le spectre est contracté d’un facteur a si la « largeur » de la

fonction est dilatée du même facteur
La transformée en ondelettes
Le plan temps-fréquence est ainsi découpé en atomes d’analyse de Q
constant
fréquence:
1/a
a
1/ a
temps
continue
La transformée en ondelettes continue:
ou encore dans Fourier:
L’inversion est possible si l’ondelettes est admissible.

Pour une fonction normée:
continue: admissibilité, inversion
Condition d’inversion dans le cas normé:
Ce qui revient, pour les fonctions habituelles, bien localisées à:
Ou encore, de façon générale, la reconstruction est possible avec une

autre fonction vérifiant:
Transformée inverse:
Analyse
recherche du poids de chaque atome dans la fonction
f(t)
1 t − b
ψ a ,b (t ) = ψ ( )
a a
f
+∞
∫ f ( t )ψ
−∞
a ,b ( t ) dt C a ,b = f ,ψ a ,b
ψ a ,b
Synthèse
Additionner les atomes pondérés par leurs poids
respectifs
dadb
f (t ) = c ∫∫ C a ,bψ a ,b (t )
a2
C a ,b
dadb f (t )
∫∫
c Ca,bψa,b (t)
a2
ψ a ,b (t )
Analyse temps-fréquence
Ondelettes continues
Exemples de fonctions admissibles
Ondelette de Haar
Chapeau mexicain
1
− t2
2π 4 −
ψ (t ) = (1 − t )e
2 2
3
Ondelette de Morlet (presque admissible)

t2
1 − 2 −iξt
ψ (t ) = e e
2π
Mise en œuvre
Domaine d’application
Transformations bilinéaires
Transformations de la classe de Cohen
Spectrogramme ( carré du module de la STFT): non

inversible
Scalogramme (carré du module de la TO): non
inversible
Wigner-Ville (TF de la « corrélation instantanée »):
inversible, mais termes d’intermodulation…
Pseudo Wigner-Ville
Peu utilisées pour les signaux multidimensionnels

Analyse discrète en ondelettes
Discrétisation et dépendance
translation-dilatation
Pavage du plan temps-fréquence
Analyse en ondelettes discrète
Cas général
Bases dyadiques et autres
Bases orthogonales
Bases biorthogonales
Trames
Analyse multirésolution de
Mallat
Formalisme de base
Bases orthogonales
Bases obliques: biorthogonales
Lifting scheme
Algorithmes non décimés
Analyses non-dyadiques
La discrétisation de la TO
Nécessité d’échantillonner l’analyse : la seule
technique actuellement utilisée est dyadique :
a = 2i b = n 2i
i est le facteur d’échelle et n
le paramètre de translation
+∞
∫
−i / 2 * −i
Tod x(i, n) = ψ i ,n , x = x (t ) 2 ψ ( 2 t − n)dt
−∞
Analyse multirésolution de L2(R): Mallat et Meyer
Axiomatique pour une analyse dyadique:

... ⊂ V1 ⊂ V0 ⊂ ... ⊂ Vi ⊂ Vi −1 ⊂ ...
V =
U i (R)
L2
i∈Z
IV = {0}
i∈Z
i
x(t ) ∈ Vi ⇔ x(2t ) ∈ Vi −1 , ∀i ∈ Z
x(t ) ∈ V0 ⇔ x(t − k ) ∈ V0 , ∀k ∈ Z
Vi −1 = Vi ⊕ Wi
Vi ⊥ Wi , ∀i ∈ Z
Analyse multirésolution: base
orthogonale
ϕ i , n (t ) = 2 −i / 2 ϕ (2 i t − n)
avec n entier forment une base orthonormée de Vi, notons que ces
fonctions, appelées fonctions d’échelle, ne sont pas des
ondelettes admissibles.
ψ i , n (t ) = 2 −i / 2 ψ (2 i t − n)
avec n entier forment une base orthonormée de Wi, notons que
ces fonctions sont des ondelettes admissibles.
Tous les espaces Wi sont, par constructions, orthogonaux 2 à 2,
la somme directe de tous ces sous espaces est égale à L2(R),
donc l’ensemble des ψ i, n pour i et n entiers forme une base
orthonormée de L2(R R)
Analyse multirésolution
On définit ainsi un signal de détails et un signal
d’approximations caractérisés par des suites
discrètes de coefficients d’ondelette et d’échelle:
+∞ +∞
Ai x = ∑ x, ϕ i , n ϕ i , n Di x = ∑
n = −∞
x, ψ i , n ψ i , n
n = −∞
a = x, ϕ i , n
i
n
d ni = x,ψ i , n = Tod x (i, n)
Algorithme récursif: Analyse
Multirésolution
A i −1x ( t ) = A i x ( t ) + D i x ( t )
Approximation + Détails
(coefficients d’ondelettes)
x
A0x
A1x D1x
A2x
D2x
ϕ ψ
Algorithme de Mallat
L’algorithme de calcul de ces coefficients proposé par
S. Mallat est récursif et il fait appel à des opérations
de filtrage numérique linéaire et invariant.
On définit deux filtres par leurs réponses

impulsionnelles h[n] (passe-bas) et g[n] (passe-
haut)
h[ n] = ϕ 0, n , ϕ −1, n g[ n] = ψ 0, n , ϕ −1, n
Compte tenu des propriétés des sous espaces et de
leurs bases, ces deux filtres forment une paire de
filtres miroirs en quadrature :
G ( z ) = (−1 / z )H ( −1 / z ) g[n] = (−1) n h[1 − n]
En définissant les filtres « retournés » par :
~
h [n] = h[−n]
On obtient l’algorithme de TO rapide dit de Mallat
anj-1 anj anj anj-1

h 2 2 h
+
dnj dnj
g 2 2 g
Base de Daubechies à support
compact: fonction d’échelle, N=2
Les premières itérations:
0.6
0.8
0.5
0.6
0.4
0.3
0.4
0.2
0.2
0.1
00 00 2 4 6 8 10
1 2 3 4 5 x
x -0.1
0.3
0.4
0.3
0.2
0.2
0.1
0.1
00 5 10 15 20 00 10 20 30 40
x x
-0.1
Base de Daubechies: fonctions
d’échelle
N=2 N=3 N=4 N=5

Analyse multirésolution: bases
biorthogonales
Il est impossible (en 1D) de construire des bases orthogonales
associées à des filtres RIF linéaires en phase.
Filtres non linéaires en phase de longueur minimum pour une

régularité donnée: Daubechies
Filtres quasi-linéaires en phase mais de longueur non minimum:
Symlets, Coiflets …
Filtres RII implémentés dans Fourier (Battle-Lemarié)
Autre solution utilisée souvent en pratique pour le traitement d’images:

bases non-orthogonales, les seules qui soient véritablement utilisables
numériquement sont les bases biorthogonales.
biorthogonales
Variante du schéma de l’analyse multirésolution de Meyer-Mallat avec
deux familles duales de sous espaces échelles
... ⊂ V1 ⊂ V0 ⊂ ... ⊂ Vi ⊂ Vi −1 ⊂ ...

... ⊂ V 1 ⊂ V 0 ⊂ ... ⊂ V i ⊂ V i −1 ⊂ ...
Vi −1 = Vi ⊕ Wi et V i −1 = V i ⊕ W i
mais Vi ∠Wi et V i ∠W i
Vi ⊥ W i et V i ⊥ Wi , ∀i ∈ Z
Les propriétés d’orthogonalités des fonctions de bases deviennent:
ψ j ,n ,ψ i ,m = δ ( j − i)δ (n − m)
ϕ j , n , ϕ j , m = δ ( n − m)
biorthogonales
L’analyse et la synthèse:
A j f = ∑ ϕ j ,n , f ϕ j ,n
n
Dj f = ∑ ψ j ,n , f ψ j ,n
n
Pour construire une base biorthogonale, il suffit en général de partir d’une

famille linéairement indépendante complète (une base) et de vérifier qu’elle
constitue une base de Riesz (bornes). De façon générale, plusieurs bases
duales existent pour chaque base.
L’exemple le plus célèbre est celui des bases proposées par I. Daubechies qui
sont construites à partir des fonctions B-splines:
H ( z) H ( z) H ( z)
N
2 2 2
1 z 1 z z − 2 z −1 1 z z 2 z 3
1 + + − + + + + −
2 2 2 2 16 16 2 2 16 16
z −1 1 z z − 2 z −1 3 z z 2 3 z − 4 3 z −3 z − 2 19 z −1 45 19 z z 2 3 z 3 3 z 4
2 + + − + + + − − − + + + − − +
4 2 4 8 4 4 4 8 128 64 8 64 64 64 8 64 128
z −1 3 3 z z 2 z −1 3 3 z z 2
3 + + + − + + − L
8 8 8 8 4 4 4 4
G ( z ) = − z −1 H (− z −1 )
Bases biorthogonales
Transformée rapide : l’algorithme de Mallat
Algorithme récursif et rapide permettant de passer d’une échelle i à la
suivante i-1
a nj − ~
1
a nj
h ↓2
g~
d nj
↓2
ANALYSE
a nj a nj −1
2 h
d nj
2 g
SYNTHESE
L’algorithme de Mallat
g(n) 2 a Hautes fréquences
x(n)
g(n) 2 b
h(n) 2 g(n) 2 c
Basses fréquences
h(n) 2
h(n) 2 d
Chaque signal de sortie

correspond à une bande
de fréquence différente
Les bandes basse
fréquence sont plus
étroites et plus
échantillonnées que les
bandes haute fréquence
0% 12.5% 25% 50%
Exemple
| f |∈ [0, 0.5]
| f |∈[0, 0.25] | f |∈[0.25, 0.5]
| f |∈[0, 0.125] | f |∈[0.125, 0.25] Propriété importante:

•L’essentiel de l’énergie du
signal utile est comprimé dans
les bandes basse fréquence
•L’énergie restante en haute
fréquence est concentrée près
des “contours”
Les niveaux de résolution
0 1 2 3
Signal analysé au
1er
2ème
3ème …
Niveau de résolution
détail approximation
Signal à analyser
discrète: les trames
De façon générale, une famille {… ψm,n(t)…} non linéairement
indépendante forme une trame (frame) s’il existe deux bornes A
et B positives telles que:
2
≤ ∑ ψ m ,n , f
2 2
A f ≤B f
m,n
Si les bornes sont égales, la trame est dite serrée (ou étroite), la
valeur de A indique la redondance de l’analyse.
Si dans une trame serrée, les bornes sont égales à 1, on est en
présence d’une base orthonormée.
0.8
0.6
0.4
0.2
-4 -2 00 2 4
x
Trame d’ondelettes
-0.2
-0.4
-0.6
-0.8
Analyse en trame d’ondelettes:
m +∞
− −m
T ond f (m, n) = ψ m ,n , f = a0 ∫ 0 t − nb0 ) f (t )dt
ψ *
2 (a
−∞
L’inversion est possible à partir d’une famille duale (si la trame est serrée, la
duale et l’originale peuvent être identiques). La reconstruction est
numériquement stable.
f (t ) = ∑ ψ m,n , f ψ m,n (t )
m,n
Si la trame est serrée ou presque serrée, un algorithme itératif simple

converge rapidement: projection alternée
Ondelettes discrètes: variantes
et extensions
Paquets d’ondelettes
Multi-ondelettes
Ondelettes rationnelles
Ondelettes multi-dimensionnelles
Séparables
Non-séparables
Ondelettes géométriques
Gaborettes…
Ridgelets
Curvelets
…
Ondelettes multi-valuées
Pseudo, semi, … ondelettes
Une image: une fonction
220
200
180
160
140
120
100
80
60
40
0 50 100 150 200 250 300
Une ondelette: une image
Transformée en ondelettes de
fonctions à plusieurs variables
On conserve les principes de bases de la TO:
Analyse linéaire sur des familles de fonctions d’analyse construites
par dilatation et translation de fonctions mères.
La dilatation est obtenue par l’action d’un opérateur matriciel J (NxN) qui
doit réaliser une dilatation suivant chaque dimension (les vecteurs
propres doivent être strictement supérieurs à 1).
La translation est réalisée par un vecteur b
1
−
ψ J ,b (x) = det J ψ (J −1 (x − b))
2
Inversibilité de la TO, donc admissibilité des fonctions…

Analyse multirésolution: les
images
Le même schéma (Meyer-Mallat) peut-être généralisé pour des
fonctions de N variables:
... ⊂ V1 ⊂ V0 ⊂ ... ⊂ Vi ⊂ Vi −1 ⊂ ...
UV i = L2 (R N )
i∈Z
IV = {0}
i∈Z
i
f (x) ∈ Vi ⇔ f (J −1x) ∈ Vi −1 , ∀i ∈ Z
f (x) ∈ V0 ⇔ f (x − k ) ∈ V0 , ∀k ∈ Z N
Vi −1 = Vi ⊕ Wi
Vi ⊥ Wi , ∀i ∈ Z
J est une matrice de dilatation entière et k un vecteur de
translation entier.
Analyse multirésolution: les
images
Les fonctions d’échelle et d’ondelettes (de N variables) sont définies à
partir d’une ou de plusieurs fonctions mères:
j
−
ψ j ,n (x) = det J ψ (J − j x − n)
2
Une particularité: il y a une fonction d’échelle mère et |detJ|-1

fonctions d’ondelette mères (et familles de sous-espaces associés)
orthogonales entre elles.
Dans la pratique, pour N=2, deux cas sont utilisés: l’analyse séparable
et l’analyse quinconce.
Séparable Quinconce
2 0 1 1 
J=  J= 
 0 2  1 − 1
det J = 4 det J = −2
Analyse quinconce non
séparable: exemple
séparable
3 ondelettes mères construites à partir de fonctions utilisées
dans les analyses 1D:
ψ 1 ( x, y ) = ϕ ( x)ψ ( y )
ψ 2 ( x, y ) = ψ ( x)ϕ ( y )
ψ 3 ( x, y ) = ψ ( x)ψ ( y )
L’algorithme qui en découle est une combinaison de filtrages
et de sous et sur échantillonnages 1D
Filtrage des lignes
h(n) 2
h(n) 2
h(n) 2
h(n) 2
g(n) 2
g(n) 2
g(n) 2
g(n) 2
g(n)
h(n)
Dans le cas d’une image, Filtrage des
colonnes
la transformée est
2
appliquée en deux temps
:
- Ligne
- puis par ligne,
colonne par colonne
l
l
y
y x
Originale d
x
L’image est décomposée en une

imagette d’approximation et
d trois imagettes de détails
Transformée d’une image
Transformée d’images
Quelles ondelettes
La liberté de choix est large (admissibilité)
Malédiction ou bénédiction?
Quels efforts doit-on faire pour ce choix et quelles en

sont les conséquences?
N’importe quelle ondelette?
Quelles propriétés doit on considérer en priorité?

symétrie, régularité, nombre de moments nuls,
compacité
Symétrie
Dans quelques applications la fonction doit être symétrique

(ou antisymétrique):
Cas des images du monde réel
C’est lié à la linéarité en phase
Symétriques: Haar, Mexican hat, Morlet

Non symétriques: Daubechies, 1D support compact et
orthogonales
Régularité
Le degré de régularité d’une ondelette est le
nombre de ses dérivées continues
Ce degré s’exprime en nombre réel. (grâce à
l’extension de la notion de dérivée à partir de son
équivalent dans Fourier)
r
Si ψ ( m ) (t ) ressemble à t − to localement autour de to
alors la régularité est m + r avec 0 < r < 1.
La régularité indique la « douceur » de
l’ondelette
Nombre de moments nuls
Moment: j’ème moment de la fonction ψ (t )
+∞
m j = ∫ t ψ ( t ) dt
j
−∞
Quand les k+1 premiers moments sont nuls

+∞
i.e. ∫−∞
t jψ ( t ) dt = 0 pour j = 0,..., k
Le nombre k de moments nuls de l’ondelette est lié

(faiblement) au nombre de ses oscillations.
Nombre de moments nuls
Quand une ondelette a k moments nuls, la TO conduit à la
suppression des signaux qui sont polynomiaux de degré
inférieur ou égal à k…. (quelque soit l’échelle)
… ou à la détection des composantes de degré plus élevé: les
singularités qui peuvent être caractérisées localement par
l’exposant de Lipschitz ou de Hölder (régularité locale)
Si une ondelette rapidement décroissante est k fois dérivable,

elle a au moins k moments nuls
Découle de t kψ ( t ) → ( j ) kψˆ ( k ) (ω )
Compacité (largeur du support)
Le nombre de coefficients du filtre RIF.
Le nombre de moments nuls est proportionel à la largeur du

support.
Il faut établir un compromis entre le coût de calcul et la

précision de l’analyse
et un compromis entre la résolution temporelle et fréquentielle
Une ondelette compacte dans une base orthogonale ne peut pas

être symétrique en 1D
Quelle ondelette: exemples pour la TOD
Db1 (Haar) Db2 (D4) Db5 (D10) Db10 (D20)
R=NA R=0.5 R=1.59 R=2.90

VM=1 VM=2 VM=5 VM=10
SS=2 SS=4 SS=10 SS=20
Pour les ondelettes de Daubechies d’ordre N, R tend vers 0.2N pour N grand.
Quelle tranformée en ondelettes?
Continue, CWT, pour l’analyse de signal, sans
synthèse: redondante
Discrète, DWT, (dyadique ou pas, Mallat ou lifting

scheme), pour l’analyse de signal ou d’image si la
synthèse est nécessaire
Non redondante:
Bases Orthogonales
Bases non orthogonales (biorthogonales)
Redondante: non decimée DWT, Trame
Paquets d’ondelettes (redondante ou pas)
Exemples d’analyses multirésolutions
Time res. Freq. Phase VM

res. lin.
Haar 2 ∞(1/ω) Yes 1
L-P ∞(1/t) π Yes ∞

B-Spline ∞(1/tn) ∞(1/ωn) Yes n
Daub. 2n ∞(1/ωn) No n
Paquets d’ondelettes
V0
V1 W1
V2 W2,1 W2,2 W2,3
V3 W3,1 W3,2 W3,3 W3,4 W3,5 W3,6 W3,7

Transformée en ondelettes non décimée, algorithme “à trous”
Down sampling of the signal becomes up sampling of the filters

Analyse en ondelettes
rationnelles
F. Truchetet, A. Baussard, F.
Nicolier
INTRODUCTION
-Multiresolution analysis using wavelet transform is an efficient way to

span the information in a signal or an image.
-Limitation of the scale factor:

M=2 in the dyadic case (Mallat 1989)
M= 2 for the 2D quincunx algorithm (Feauveau 1990)
-Filter banks:
rational filter banks lead to pseudo-wavelet (Blu 1993)
-Rational multiresolution analysis:
formally defined by Auscher (1989)
-Contribution:
rational pyramidal algorithm which generalizes the Mallat algorithm
Fourier domain implementation
rational wavelet shrinkage denoising application
RATIONAL MULTIRESOLUTION ANALYSIS
- Approximation spaces
Let M be a rational number (M=p/q, with p, q ∈ Z, M>1 and, p and q prime numbers).
A sequence {Vj}j ∈Z of closed subspaces of L2(R) is a MRA of rational M if the following
properties are satisfied:
∀ j∈Z , V j +1⊂V j
UV j = L2(R )
j∈ z
IV ={0}
j∈Z
j
∀ j∈Z , f (x )∈V ⇔ f (M x )∈V

j
−1
j +1
∀ k∈Z , f (x )∈V0 ⇔ f (x − k )∈V0
An orthogonal basis of Vj is constructed by dilating and translating ϕ(x) ∈L2(R)
The bases functions of Vj are given by:
ϕ j,n(x )= M − j 2ϕ (M − j x − n ) with j, n ∈ Z
RATIONAL MULTIRESOLUTION ANALYSIS
- Detail spaces
There exist p-q wavelets ψ1, …, ψp-q in W0 such that the set {ψj,nm(x)}j, n ∈Z, 1≤m≤p-q
defines an orthonormal wavelet basis for L2(R).
The generated subspaces Wjm are defined such that : W jm ⊥ W jn ≠ m

Vj−1=Vj ⊕UWjm
m
Vj-1
Vj Wj1 Wj2 Wj3
Wj
The basis functions are generated by:
ψ mj,n(x )= M − j 2ψ m (M − j x − nq ) with j, n ∈ Z
PYRAMIDAL ANALYSIS ALGORITHM
- Approximation computation
As V0 ⊂ V-1, the decomposition of ϕ(x-n)=ϕ0,-n(x) in V-1 can be written:

ϕ 0 ,i(x )= ∑ hi [n ]ϕ −1 ,n(x )
n
where hi [n]= ϕ0,i,ϕ−1,n (i=0,…,q-1)
ϕ j,n(x )= M − j 2ϕ (M − j x − n )
ϕ j,n(x )= ∑ hi [k ]ϕ j −1 ,M (n −i) + k (x )
k
The orthogonal projection of a function f over Vj can be considered as
the action of a linear operation:
Aj f =∑ f,ϕ j,n ϕ j,n =∑a j,nϕ j,n
n n
r=M(n-i)+k
~
h [n]=h[−n] ~
a j,sq+i =∑hi [ps−r]a j−1,r
r
where s ∈ Z and i=0,…, q-1
- Detail computation
The decomposition of the wavelet functions ψm(x), corresponding to the

p −q
space W0 =UW0m, over V-1 is given by:
m=1
ψ m(x)=∑gm[k ]ϕ(Mx−k )
k
ψ mj,n(x )= M − j 2ψ m (M − j x − nq ) ψ mj,n(x)=∑gm[k ]ϕ j−1,np+k(x)

k
The projection of a function f over Wjm can be considered as

the action of a linear operation:
Dmj f =∑ f,ψ mj,n ψ mj,n=∑d mj,nψ mj,n
n n
r=np+k
g~[n]=g[−n]
d mj,n =∑g~m[np−r]a j−1,r
r
where m=1,…, p-q
aj ~
h0 ↓p ↑q
~
h1 ↓p ↑q z −1 aj+1
~
hq−1 ↓p ↑q z1−q
g~ 1 ↓p d1j+1
g~p−q ↓p d jp+1−q
PYRAMIDAL SYNTHESIS ALGORITHM
The synthesis algorithm is determined from the analysis equation:
Aj−1 f =∑a j,nϕ j,n +∑∑d mj,nψ mj,n

n m n
which can be rewritten as:
a j−1,n=∑a j,k ϕ j,k,ϕ j−1,n +∑∑d mj,k ψ mj,k,ϕ j−1,n

k m k
ϕ j,n(x )= ∑ hi [k ]ϕ j −1 ,M (n −i)+ k (x ) ψ mj,n(x)=∑gm[k ]ϕ j−1,np+k(x)

k k
a j−1,n =∑a j,k hi [n−M(k −i)]+∑∑d mj,k gm[n−kp]

k m k
PYRAMIDAL SYNTHESIS ALGORITHM
aj+1 ↓q ↑p h0
z1 ↓q ↑p h1
zq−1 ↓q ↑p hq−1
aj
d1j+1 ↑p g1
d jp+1−q ↑p g p−q
FILTER CONSTRUCTIONS
As the wavelet bases have been defined in Fourier domain, the determination of
the filter coefficients is done in this domain using the following relations:
- Filter h:
ϕˆ(Mω) −inMω
hˆn(ω)= M e
ϕˆ(ω)
where n=0, …, q-1
- Filter g:
ψˆ m(Mω)
gˆm(ω)= M
ϕˆ(ω)
where m=1, …, p-q

FOURIER DOMAIN IMPLEMENTATION
- Filtering step:
y TF
x Filter F yˆn =Fˆxˆn
- Delay step:
x y
zp yˆn =xˆneipω
- 1D upsampling step:
yˆn =xˆn mod N
- 1D downsampling step:
p−1
yˆn = 1 ∑xˆ pn+l
p l =0
RATIONAL WAVELET BASIS
Rational wavelet basis for M=p/q with p=q+1
 χ(ω)=0 if ω∈[0,a]
Let χ(ω) be an even and C∞(R) function define by: χ(ω )=π + β(ω −qπ) if ω∈[a,b]
 4
χ(ω)= 2 π if ω∈[b,Ma ]
where a=(q-ε)π, b=(q+ε)π, ε=]0, (1+M)-1]  π
and β being an odd an C∞(R) function.  χ(ω )= 4 − β(ω −qπ) if ω∈[Ma ,Mb]
 χ(ω )=0 if ω∈[Mb ,+∞ ]
Scaling function: ϕˆ(ω )= cos[χ(ω)] if ω ≤(q−ε)π

0 elsewhere
Wavelet: ( 2)
ψˆ (ω )=sign q+1(ω)sin[χ(ω)]exp −iω
where sign(ω)=1 if ω≥0 and –1 elsewhere
Magnitude of the ‘Auscher’ scaling function (—) and wavelet (– –) for M=3/2
0.9
0.8
0.7
Magnitude
0.6
0.5
0.4
0.3
0.2
0.1
0
-15 -10 -5 0 5 10 15
ω
1 1
1
0.8 0.5
0.5
0.6
0
0.4
0
0.2 -0.5
0
-0.5 -0.2 -1
0 100 200 300 0 100 200 300 0 100 200 300
filter h0 filter h1 filter g

0.6
0.8 0.8 0.4
0.6 0.6 0.2
0.4 0.4 0
-0.2
0.2 0.2
-0.4
0 0
-0.6
-0.2 -0.2 110 120 130 140 150
110 120 130 140 150 110 120 130 140 150
‘Auscher’ analysis for M=3/2

IMAGE ANALYSIS
M=3/2 M=5/3
M=2
WAVELET SHRINKAGE DENOISING
* Wavelet shrinkage based on the Stein’s Umbiased Estimate of Risk (SURE)

method (donoho 1994)
- estimate the variance σ2 of the noise.
- at each scale M j, a threshold Tj is calculated (taking into account σ2).
- perform the thresholding on the different scales.
* Easy extention to the rational case
*Applications:
- signal denoising
- 2D separable image denoising
- white and Gaussian noise centered on high frequency
SIGNAL DENOISING
original noised signal denoising with M=2 denoising with M=3/2
60 60 60 60
40 40 40 40
20 20 20 20
0 0 0 0
-20 -20 -20 -20

0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Bumps SNR=16.28 SNR=22.91 SNR=24.03

30 30 30 30
20 20 20 20
10 10 10 10
0 0 0 0
-10 -10 -10 -10

0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Blocks SNR=17.77 SNR=21.11 SNR=24.29

SIGNAL DENOISING
20 20 20 20
10 10 10 10
0 0 0 0
-10 -10 -10 -10
-20 -20 -20 -20

0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
HeaviSine SNR=15.91 SNR=28.56 SNR=28.76

20 20 20 20
10 10 10 10
0 0 0 0
-10 -10 -10 -10
-20 -20 -20 -20

0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Doppler SNR=15.70 SNR=25.93 SNR=28.67

IMAGE DENOISING
original noised image – PSNR=22.85
denoising with M=2 – PSNR=26.51 denoising with M=3/2 – PSNR=27.97

CONCLUSION
-Rational multiresolution analysis
-Rational pyramidal algorithm which generalizes Mallat algorithm

analysis & synthesis
filter constructions
Fourier domain implementation
- Rational wavelet shrinkage denoising application

SURE method
signal & image denoising
-Future works
new basis functions
non separable multi-dimensional pyramidal algorithm
others application (fractal, …)
Applications des ondelettes:
Principales propriétés utilisées
Analyse temps-échelle
Scalogrammes
Détection et caractérisation des transitoires
Extraction de caractéristiques
Analyse multiéchelle (ou multirésolution)

Caractérisation d’un comportement fractal
Analyse de texture
Capacité à organiser l’information

Compression
Inversibilité
Filtrage
Débruitage
Quelques applications des
ondelettes en traitement des images
Analyse et caractérisation des images

Compression des images
Tatouage
Débruitage
Zoom, Codage fractal…
Quelques éléments pour une
bibliographie
Pour une bibliographie complète: consulter l’article de review
sur les applications industrielles des ondelettes (180 ref.)
Pour des ouvrages de référence:
S. Mallat: A wavelet tour of signal processing
I. Daubechies: Ten lectures on Wavelets
M. Vetterli, J. Kovacevic: Wavelets and subband coding
G. Strang, T. Nguyen: Wavelets and filter banks
Pour une introduction simple:
F. Truchetet: Ondelettes pour le signal numérique
G. Gasquet, P. Witomski: Analyse de Fourier et applications
Pour les transformations bilinéaires:
P. Flandrin:Temps-fréquence
Pour une présentation grand public:
B.B Hubbard: Ondes et ondelettes
Troisième partie: applications
Les ondelettes dans l’industrie
Wavelet applications in signal
processing
Acoustical Signal processing
Ultrasonic Non Destructive Evaluation
Speech enhancement
Ultrasonic Non Destructive
Evaluation
Abbate et al., Park et al. (1997)
WT (Gabor wavelet) applied to the time-frequency

analysis of ultrasonic echo waveform obtained by an
ultrasonic pulse-echo technique
Noise suppression of ultrasonic flaw signal and NDE of
material degradation using wavelet analysis of
ultrasonic echo waveform
Ultrasonic Non Destructive
Evaluation
Abbate et al., Park et al. (1997)
Gabor wavelet:
NDE of 2.25Cr-1Mo steel used for turbine

rotor of high-temperature and high-
pressure power plant
Experimental setup
Effect of degradation time on ultrasonic
time domain information
Ultrasonic echo Wavelet transform
Frequency dependence of attenuation
coefficient identified by the WT analysis
Original signal and de-noised signal
with defect
Ultrasonic Examination of Thermal
Sprayed Coatings with Frequency
Analysis Hatanaka et al. (2000)
Nondestructive methods for evaluating adhesive
strength of thermal sprayed coating and measuring
coating thickness by ultrasonic testing
Coating thickness measurement: the WT was used
to analyze the ultrasonic waveform and
to enhance signal-to-noise ratio of ultrasonic waveforms
Discrete wavelet transform of ultrasonic
waveforms at coating thickness of 450mm
Original waveforms S0 and A3 with
change in coating thickness
Speech enhancement
T. Gülzow et al. (1998)
Spectral subtraction: a popular method for speech

enhancement, if corrupted by additive noise.
Based on the manipulation of the magnitude of the noisy-
speech spectrum. Previous realizations used uniformly
spaced frequency transformations.
Application of filterbank with bark-scaled frequency
bands: a discrete wavelet transformation
The enhancement results as well as the expenditures are
compared to those obtained with uniform spectral
transformations.
Speech enhancement
Speech enhancement
processing
Power production, electrotechnic and
power electronic
Control of rotating machines
Power quality monitoring
Sensorless Speed Measurement of AC
Machines Using Analytic Wavelet
Transform Aller et al. (2002)
Analytic wavelet transform of the stator current signal
for a direct torque control drive.
The time–frequency resolution obtained and the
computation time required by the proposed algorithm
are improved in comparison to existing techniques and
the method can be applied over the entire speed range.
The instantaneous frequency is estimated by ridges
detection in the spectrogram. The spectrogram can be
obtained using any time–frequency transform such as
STFT, AWT or Wigner–Ville.
Analytic Wavelet Transform of stator
current
AWT spectrogram of the stator current.
Stator current of the induction

machine during a DTC startup
with constant torque and flux
references.
Ridges of the AWT spectrogram of the stator current

Power quality monitoring
High voltage insulation suffers from aging processes
Failure of equipment can be sudden and catastrophic,
leading to risk of injury to personnel and damage of
expensive equipment.
On line monitoring of electrical signals has been
shown to provide useful diagnostic information.
The processing of such information is a complex problem.
The wavelet transform can be used to provide a method
of analysis and visualisation of transient electrical signals
obtained from on line monitoring.
Visualisation of electrical transients
using the wavelet transform
David Cornforth and Rick Middleton (2000)
Visualisation of electrical transients using the
wavelet transform
These results show that the power coefficients may be

useful in the following ways:
· Manual visualisation and inspection of transients
· Noise removal
· Automatic segmentation of the signal to obtain the
segments of interest
· Automatic classification of transients after further
processing
Visualisation of electrical transients using the
wavelet transform
Pattern Recognition Applications For
Power System Disturbance Classification
Gaouda et al. (1999)
Automated on-line disturbance classification technique.

Based on wavelet multiresolution analysis and pattern recognition
WT is for feature extraction in order to classify different disturbances.
Minimum Euclidean distance, k-nearest neighbor, and neural network
classifiers are used to evaluate the efficiency of the extracted features.
Feature vector: The standard deviation at different resolution levels

Wavelet basis: Daubechies-8
Five different
disturbances:
1. Sags
2. swells
3. harmonics
4. sags and harmonics
5. swells and harmonics
6. Pure signal
processing
Non destructive testing (NDT)
Magnetic Flux Leakage (MFL)
Vibration signal analysis
Wavelet Analysis of MFL Signal for
Steel Wire Rope Testing Barat et al. (2000)
Inspection is realized by magnetic flux leakage (MFL) method: magnetic
head magnetically saturates a rope passing through magnetic head.
Discontinuities, like broken wires or strands, pits of corrosion etc., cause
changes in leakage magnetic field.
Signal analysis: register number and characteristics of broken wires and
measure the loss of metallic cross-section area.
Problem: strong influence of rope vibrations, gap changes, twisted rope
structure, etc… inducing wide band (white) and narrow band noises
Magnetostatic transducers (based on Hall-effect sensor) are usually used
for inspection of steel wire ropes. This sensor measures the distribution of
leakage field caused by defect. Using differential measurement scheme,
signal of a typical defect has a form of smooth two-polar impulses with
duration depending on depth and size of the defect.
Example of signal for rope area
containing 14 defects
Symmetrical wavelet transform of test
signal
Nonlinear processing of Symmetrical
WT
Weighted sum of wavelet values for some

chosen scales:
The application of wavelet transform in
magnetic flux leakage test of pipeline
Yang-Lijian et al. (2001)
Detecting localized flaws in oil and gas pipeline by

measuring magnetic flux leakage.
WT is applied to the processing of detected signals.
Biorthogonal wavelet to decompose actual signals; the
result shows that the wavelet analysis has high
performance in the feature extraction of flux leakage
signals of pipeline.
The principle of testing by Magnetic flex index.

Fourth order decomposition of magnetic flux

leakage signal of pipeline based on tight
supporting biorthogonal wavelet.
X-axis: distance, y-axis: amplitude
A4 keeps the outline of original signal. D1 and D2's

strangeness very sharp, they can be seen as high
frequency interfere. Seeing reconstruction signal taken
off D1 and D2 we find that it basically provides the
same information as actual measurement does. It also
shows that inclined weld's peak-to-peak value is
smaller than circumferential weld's, and circumferential
weld's detail signal is all behaving in D2, D3 and D4
but inclined weld's is just put up distinctly in D4.
Which shows that two kinds of flaw signal's energy and
frequency are different, thereby we get to the purpose
of feature extraction for different flaw signals.
processing
Tool wear monitoring
Chemical process
Real-Time Tool Condition Monitoring in
Transfer Machining Stations
Ya Wu et al. (2001)
Tool condition monitoring is one of the major concerns in

modern machining operations, especially for the transfer
machining operations in mass production. A misdetected
tool failure such as wear, breakage, chipping, etc.! could
lead to poor product quality and even damage the machine
tool and/or the fixture. On the other hand, a false detected
tool failure may cause the unnecessary breakdown of an
entire production line.
In the indirect methods, tool condition is predicted based
on various sensor signals such as cutting force, vibration,
temperature, acoustic emission, and motor current. cutting
force signals and vibration signals.
Real-Time Tool Condition Monitoring in Transfer
Machining Stations
Ya Wu et al. (2001)
Real-Time Tool Condition Monitoring in Transfer
Machining Stations Ya Wu et al. (2001)
Based on a combination of wavelet transform, signal reconstruction, and

the probability of threshold crossing.
Training is aimed at determining the alarm threshold
Wavelet packet transform of the sensor signals (spindle motor current) obtained
from normal tool conditions.
Select feature wavelet packets that represent the principal components of the
signals.
Reconstruct the signals from the feature wavelet packets (this removes the
unwanted noises).
Calculate the statistics of the reconstructed signals.
Calculate the alarm thresholds based on the statistics of the reconstructed
signals, Calculate the probability of the threshold crossing
Decision
Check the threshold crossing,
Calculate the number of threshold crossing to determine whether an alarm shall
be given.
Practical example from a drilling transfer station
The new method is effective (success rate over 90%) fast (the monitoring decision
can be done in milliseconds) Cost-effective (the implementation cost shall be less
than $500).
Application of the ProcessAnalyzer in
Chemical Industry
T. Schrötter (1999)
Chemical Industry
Chemical Industry
processing
Stochastic signal analysis
Wind energy
DNA-sequences
Computer traffic (cf P.Abry)
Wavelet Packet Transfer Function
Modelling of Nonstationary Time Series
G. P. Nason et al. (2000)
How a non-decimated wavelet packet transform (NWPT)

can be used to model a response time series, in terms of an
explanatory time series
The proposed computational technique transforms the
explanatory time series into a NWPT representation and
then uses standard statistical modelling methods to identify
which wavelet packets are useful for modelling the
response time series.
Application to an important problem from the wind energy
industry: how to model wind speed at a target location
using wind speed and direction from a reference location.
Before construction of a wind farm an analysis is

undertaken to establish whether a particular target site is
suitable.
One aspect of this analysis involves the prediction of the
long-term mean wind speed at the target site.
Typically, wind speeds are measured by a pilot
anemometer at a height of 10m at the target site for several
months.
A model predicting target from reference speeds is
constructed.
Extraction of non-decimated wavelet transform

coefficients at the same dyadic scale for each time series
and then statistically modelling of one set in terms of the
other using linear regression.
Non-decimated transforms have the same number of
coefficients at each scale and coefficients within each scale
are located according to the same time grid.
Moreover, wavelet packets can elicit a greater variety of
behaviours than can wavelets alone.
The Analysis of Fractal Geometry using the
Wavelet Transform With Application to Gene
Expression Analysis R.L. Westra (2002)
Application of wavelet analysis to obtain the fractal

properties of geometric sets.
Considerable improvement compared with traditional
topological methods like hyperbox-coverings.
The Wavelet Transform Modulus Maxima (WTMM)
method uses the continuous wavelet transform to
efficiently compute all relevant fractal properties of a set in
the ‘generalised fractal dimensions’.
This fractal and wavelet formalism can be used for
determining DNA-sequences and elucidating gene
expression and regulation cycles, the so-called ‘genetic
pathways’.
Wavelet applications in image
processing
Image compression
JPEG
Finger print
Color image compression
An Overview of JPEG-2000
Michael W. Marcellin1, Michael J. Gormish2, Ali Bilgin1, Martin P.
Boliek2 (2000)
JPEG-2000 is an emerging standard for still image

compression.
Part I of the JPEG-2000 standard specifies the
minimum compliant decoder.
Part II describes optional, value-added extensions.
The standard specifies only the decoder and
bitstream syntax.
M. W. Marcellin et al. (2000)
JPEG-2000 provides better rate-distortion performance, for any given rate,

than the original JPEG standard. However, the largest improvements are
observed at very high and very low bitrates. The improvements in the “near
visually lossless” realm are more modest (approximately 20%).
If the regions of interest (ROI) are known in advance, i.e. at encode time,
JPEG-2000 provides additional methods of providing greater image quality in
the foreground vs. the background.
JPEG-2000 Part I allows 90, 180, and 270 degree rotations, and horizontal and
vertical flips of an image without inverse or forward wavelet transform.
Finally, the integer nature of the (5,3) wavelet allows an image or portion of an
image to be compressed multiple times with the same quantization with no
additional loss.
Color image compression
Truchetet et al. (2000)
4 15 14
4 17 17
5 5 12 17 13 17
8 17 18
5 6 18 16 17 18
9 16 14 18 18 18
Psychovisual sensibility (max = 0; min= 18) for H1, H2 et H3.

Before ---------------- After
compression ratio 1:10
Before ---------------- After
Before-------------After
FBI Fingerprint System (1993)
Tri Caohuu 2002 ([email protected])
processing
Machine vision
Textile and fabric
Precision farming
Vision system for on-loom fabric
inspection
H.Sari-Sarraf et al. (1999)
Fabric inspection system: on-loom inspection of the fabric under construction

with 100% coverage.
Synchronized to the motion of the loom, the developed system acquires very
high-quality, vibration-free images of the fabric using either front or
backlighting.
The acquired images are subjected to a defect segmentation algorithm, which
is based on the concepts of wavelet transform, image fusion, and the
correlation dimension.
Segmentation algorithm based on the localization of those events (i.e., defects)
in the input images that disrupt the global homogeneity of the background
texture.
The overall detection rate of the presented approach was found to be 89% with
a localization accuracy of 0.2 in. (i.e., the minimum defect size) and a false
alarm rate of 2.5%.
inspection
inspection
Non-decimated algorithm
inspection
Development of a precision sprayer for
site-specific weed management
Lei Tian et al. (2000)
processing
Miscellanous
Bioinformatics
GIS
Satellite imaging
Microarray Image Enhancement by
Denoising Using Stationary Wavelet
Transform X. H. Wang et al. (2003)
Microarray imaging is a recent cutting-edge technology in bioinformatics
which can monitor thousand of genes simultaneously. Thousands of
oligonucleotides and cDNAs could be globally viewed at the same time. This
provides a systematic and comprehensive way to survey the DNA and RNA
variations, which could become a standard tool for both molecular biology
research and genomic clinical diagnosis, such as cancer diagnosis, diabetes
diagnosis
The tasks of image processing focus on two major targets: spot segmentation
and spot intensity extraction. However, the quality of the images from the
experiments is not always perfect.
The noises introduced during the experiment will greatly affect the accuracy of
the gene expression.
To denoise the image noises before further image processing with stationary
wavelet transform (SWT).
The time invariant characteristic of SWT is particularly useful in image
denoising.
Microarray Image Enhancement by Denoising
Using Stationary Wavelet Transform
X. H. Wang et al. (2003)
SWT method:
At each level, when the high-pass and low-pass
filters are applied to the data, the two new
sequences have the same length as the original
sequences.
To do this: the original data is not decimated.
However, the filters at each level are modified by
padding them out with zeros.
Thus, the detail signal is contained in three
subimages
Soft thresholding, for denoising procedure:
Decompose,
threshold detail coefficients,
reconstruct.
SWT DWT
Multiresolution spatial analysis
Mitchell Morehart et al. (1999)
This paper explores the use of the wavelet transform as a spatial analysis tool
for modeling complex multivariate geographic relationships for Geographic
Information Systems (GIS)
Wavelet methods: ability to process noisy data with local structures and to
represent discontinuities such as jumps or peaks in a function. This is an
important consideration for estimating geographically-referenced multivariate
surfaces where a high degree of spatial inhomogeneity is expected.
WT: spatial analysis tool for modeling complex multivariate geographic
relationships
Examples from agricultural data are used to illustrate the exploratory data
analysis inherent in the wavelet transform. The resulting maps provide a
convenient means of visually conveying tremendous amounts of information.
The redundant à trous discrete wavelet transform is shown to aid enormously
in feature detection and exploration in the succession of resolution views of
the data.
Spatial analysis of relationships between farming and its natural

resource base are carried out using data collected from USDA's
Agricultural Resource Management Study (ARMS).
The ARMS is a personally enumerated survey, conducted since 1984
by the National Agricultural Statistics Service (NASS) and the
Economic Research Service (ERS) of the U.S. Department of
Agriculture.
The ARMS is a probability-based multi frame, stratified survey that
uses multiple questionnaire versions to collect information on farm
production expenses, capital purchases, income, production practices,
and other farm operating characteristics.
Location of country centroids with survey responses

Specific areas of the country where farms are most dependent on
wheat as a source of income.
Economic dependence on wheat data; detail or wavelet coefficients (non-
negative values shown) at successive resolution levels, d1, d2,d3, c3.
Wavelet-Shrinkage
(slide from W. Philips and Aleksandra Pizurica)
Wavelet analysis
Coefficient
reconstruction shrinkage
« Nettoyer » les images
original Version bruitée débruitée
PSNR=28.3 dB PSNR=51.3 dB
L’effet psychovisuel n’est pas très convaincant

La simple contraction produit des résultats
intéressants, mais il est possible de faire mieux
Résultats – Image échographique
Image originale Débruitée

(Pizurica et al. 2001)
Résultats – Image radar (SAR)
débruitée
originale
Wavelet shrinkage for radar Image (SAR)
original denoised

Conclusion
Wavelet applications in industrial context are
numerous and invade nearly every domain
However, if one considers only operational devices or software,

very few can be really pointed out. And most of them deal with
image compression.
Presently one has to admit that wavelet transform stays
essentially a laboratory technique, but with the development of
dedicated IC and of efficient software tools the gap is being
strode.
Scale discrimination properties of WT are widely used for
practical applications in algorithms of de-noising (wavelet
shrinkage), scale filtering, fractal analysis or scalogram
visualization
Organizing and concentrating information are also amongst
the main reasons of WT success in numerous applications and
particularly in image compression devices.
Conclusion
Wavelet cannot solve all the problems and there
are still a lot of limitations inherent to WT.
Decimated WT is not invariant by translation: it induces artifacts and a lack of
consistency in some transient detection algorithms and in signal or image enhancement
approaches.
Dyadic DWT has a very limited frequency resolution and sometime the searched feature
is spread on two scales and cannot be clearly detected.
CW or, in a more interesting way, rational wavelet analysis
Transposing 1D WT to 2D is not easy and the separable approach leads to a non
isotropic behavior. Horizontal, vertical and diagonal directions are subject to special
attention and if it can be of interest when processing is linked to human psycho-visual
system imitation, on the contrary when the treatment aims at extracting exact physical
information this anisotropy can be a serious source of errors.
Non-separable wavelet basis, quincunx analysis or steerable wavelet analysis.
Wavelets for orthogonal basis (in 1D) cannot be symmetrical with FIR filters. Signal
and images to be treated are, most often, symmetric and they need a zero-phase filtering
for avoiding artifacts.
Bi-orthogonal wavelets can be of finite length but they lead to poor de-correlation
between scales. Symlets or Coiflet are not of minimum length but they provide a
quasi-symmetrical analysis function.
Conclusion
Finally, is wavelet a success story?
Is wavelet transform a fashion?

A long life-time one!!
Is wavelet transform a gadget?
Most of the time it brought very little
Real industrial appplications are still
scarce
There is still a lot to do to point out
what is worthwhile and what is not
There is still plenty of room for
research
……
And one must admit that…
Last word :
wavelet is still a hot spot
By 1990, more than 1000 scientific
papers have been published on WT.
Even in 2009 several international scientific conferences are
specifically dedicated to wavelet transform and its
applications.
Wavelets are present in almost all the conferences on
signal or image processing and in many other
conferences dealing with different topics (quantic
physics, optics, thermodynamic, fluid flowing, geology,
acoustic, computer science, etc...)
A journal dedicated to wavelets exists since 1993 (Applied
Computational Harmonic Analysis),
A Wavelet Digest is diffused and updated on the web.
Spend sometime at: http://www.wavelet.org

2305 - Introduction À L'analyse en Ondelettes

Transféré par

Droits d'auteur :

Formats disponibles

2305 - Introduction À L'analyse en Ondelettes

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2305 - Introduction À L'analyse en Ondelettes

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à l’analyse en

ondelettes et à l’analyse multi-

Université de Bourgogne - CNRS

Première partie: une introduction en

Signal ou image: information quantifiée

Création automatique d’une partition à partir d’un

Durée (ronde, blanche, noire, croche, etc…)

Position dans le temps (barres de mesure)

c’est une analyse

La partition permet au musicien de reproduire la

Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. lin., Seuil=5%

Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. lin., Seuil=5%

Echelle lin. |STFT|2, Lh=50, Nf=256, Ech. Log., Seuil=5%

ψ(t) ψ(t/2) ψ(t/4)

ψ(t) ψ(t-20) ψ(t-40)

0.5 0.5 0.5

-100 -50 0 50 100 -100 -50 0 50 100 -100 -50 0 50 100

-0.5 -0.5 -0.5

Hauteur (fréquence) • Hauteur

une histoire presque française

Joseph FOURIER né à Auxerre en 1768,

Toute fonction « physique » est une somme

Dennis GABOR ingénieur électricien et

Décomposition en « trains d’ondes » de longueur

Convergence des suites de Cauchy (complétude)

Les expansions: familles, complètes, « overcomplete », linéairement

Transformée de Fourier à fenêtre

La fonction d’analyse est g(t)e-jωt, le spectre de g est translaté

Le plan temps-fréquence est donc découpé en atomes d’analyse

Une ou plusieurs fonctions mères qui engendrent

Reconstruction possible (condition d’admissibilité)

Donc le spectre est contracté d’un facteur a si la « largeur » de la

ou encore dans Fourier:

L’inversion est possible si l’ondelettes est admissible.

Ce qui revient, pour les fonctions habituelles, bien localisées à:

Ou encore, de façon générale, la reconstruction est possible avec une

Ondelette de Morlet (presque admissible)

Spectrogramme ( carré du module de la STFT): non

Peu utilisées pour les signaux multidimensionnels

Axiomatique pour une analyse dyadique:

On définit deux filtres par leurs réponses

G ( z ) = (−1 / z )H ( −1 / z ) g[n] = (−1) n h[1 − n]

En définissant les filtres « retournés » par :

anj-1 anj anj anj-1

N=2 N=3 N=4 N=5

Filtres non linéaires en phase de longueur minimum pour une

Autre solution utilisée souvent en pratique pour le traitement d’images:

... ⊂ V1 ⊂ V0 ⊂ ... ⊂ Vi ⊂ Vi −1 ⊂ ...

Les propriétés d’orthogonalités des fonctions de bases deviennent:

Pour construire une base biorthogonale, il suffit en général de partir d’une

Chaque signal de sortie

| f |∈[0, 0.25] | f |∈[0.25, 0.5]

| f |∈[0, 0.125] | f |∈[0.125, 0.25] Propriété importante:

Analyse en trame d’ondelettes:

Si la trame est serrée ou presque serrée, un algorithme itératif simple

Inversibilité de la TO, donc admissibilité des fonctions…

Une particularité: il y a une fonction d’échelle mère et |detJ|-1

L’image est décomposée en une

Quels efforts doit-on faire pour ce choix et quelles en