Wavelet Transform and Applications - Bilkent...
Transcript of Wavelet Transform and Applications - Bilkent...
Wavelet Transformand
Applications
A. Enis ÇetinBilkent Üniversitesi
Multiresolution Signal Processing
● “Lincoln idea” by Salvador Dali● Dali Museum, Figueres, Spain● M. Mattera
Multi-resolution signal and image processing
http://www.ling.ohio-state.edu/~culicove/Publications/Lincoln.pdf
Decimation by a factor of 2
●
●
●
●
●
● Decimation is a lossy operation● We loose the high-frequency components● Use a high-pass filter to retain the high-frequency
band
Two-Channel Filter Bank
●
●
●
●
●
●
● Ho, Go are low-pass and H1 and G1 are half-band high-pass filters
^
● Perfect reconstruction is possible: f=f● Esteban & Galand, 1977 ●
Subband (halfband) Decomposition Filter-bank
● Orthogonality condition: |Ho(ω)|2+ |Ho(ω+π)|2 = 1
● High-pass filter: |H1(ω)|=|Ho(ω+π)|
● Provides perfect reconstruction● There are many solutions:● Daubechies filter banks = Smith-Barnwell filter
banks
Multi-Stage Filterbank
Block Wavelet Transform
● Order(N log N) transform● Order(N) is also possible● Cetin, Gerek, Ulukus, 1993:
Outline
● Wavelets form a basis for L2 ● Wavelets can be orthonormal● They provide a time-frequency decomposition of a
given signal● Orthogonal wavelets are constructed from perfect
reconstruction filterbanks● Adaptive filterbanks with a lifting structure● Image coding● Wildfire detection
Wavelet basis of L2(R)
●
●
●
●
●
●
●
●
● : wavelet coefficients● Notasyon: Bu konuşmada psi(t) yerine w(t) yi de
ana dalgacık olarak kullanacağım
Wavelet coefficients
●
●
●
●
●
● Properties:● Wavelets can be compactly supported● Countable number of wavelets● Wavelet is a band-pass waveform
Wavelet Functions
● Haar wavelet ● Çoklu-çözünürlüklü sinyal analizini mümkün kılar● “Zillion” çeşit ortogonal dalgacık tasarlamak
mümkündür● It is possible to define a scaling function ( )
for each wavelet with the property ● Scaling functions are low-pass signals:● Scaling coefficients:
Example: Haar Wavelet
●
●
●
●
● Corresponding scaling (smoothing) function:●
●
Multiresolution wavelet basis functions:
Fourier Transform
●
●
●
●
● Fourier basis function: is of infinite extent● Uncountably many basis functions: w is a real
number
“Multiresolution” Subspaces
●
●
●
●
●
●
●
●
● An ordinary signal may have components in all subspaces:
●
●
●
L2 nin Çoklu-cözünürlüklü Altuzaylara Bölünmesi
Wavelet supspaces
● Wo = span{ w(t-k), k: tamsayı}●
●
●
●
●
●
●
● Vj nin Wj ye dik olması şart değildir but it is a desirable property.
●
●
Structure of subspaces - I
●
●
●
●
●
●
●
●
●
● Wj+1 “z” ekseni olur, Vj+2 de 3-boyutlu uzay
Structure of subspaces
Wavelet Equation
●
●
●
●
● d[k]= < w(t), phi(2t-k) >, w(t)=2 g[k] phi(2t-k) ● g[k]= d[k]: bir yüksek geçirgen filtredir● Haar Dalgacığı●
●
Scaling Equation
● Vo < V1 =>●
●
● h[k] = < phi(t), phi(2t-k) >● Yukarda h[k]= c[k] bir alçak geçirgen filtredir
(pi/2'ye kadar)● Dalgacık denklemindeki g[k] ise bir yüksek
geçirgen filtredir (pi/2'den pi'ye kadar geçirir)
Dalgacık ve Ölçekleme Denklemlerinin Fourier Transformları
●
●
●
●
●
●
●
●
● Diklik şartı:
Wavelet Construction:Multi-resolution Analysis
● Start with a Perfect Reconstruction filterbank●
●
●
●
●
●
● We never compute innerproducts with phi(t) and w(t) in practice!
● We only use the filterbank!● Order(N) operation●
●
●
●
Dalgacık, Ölçek Fonksiyonu ve Altuzayların Frekans İçerikleri
●
●
●
●
●
●
● Vo uzayı yaklaşık olarak frekans içeriği (0,pi) arasındaki sinyallerden oluşur
● Wo uzayı (pi,2pi) arasındaki sinyallerden oluşur● V1 uzayı (0,2pi) arasındaki sinyallerden oluşur● W1 uzayı (2pi,4pi) arasındaki sinyallerden oluşur● V2 uzayı (0, 4pi) arasındaki sinyallerden oluşur
Wavelet family...w(t/2), w(t), w(2t), w(4t),... covers all frequencies
Filtre Kutusu Tasarımı
●
●
●
●
●
●
●
●
●
● Örnek p[n]: Lagrange filtreleri:● p[n]= [ ½ 1 ½] , p[n] = 2*[-1/32 0 9/32 1 9/32 0 -1/32]
Vj Uzayına Projeksiyon
Dalgacık Örneklemesi = V altuzaylarına projeksiyon
Örnekleme-II
Mallat's Algorithm (=Tam geri çatmalı filtre kutusu ile sinyal analizi)
● Üst uzay katsayılarından alt uzay katsayılarına geçiş:
●
●
●
●
● Geri çatma:●
Mallat'ın algoritması (Ağaç yapısı)
● fj[n]'den fj-1[n] ve bj-1[n] yi üret● fj-1[n]'den fj-2[n] ve bj-2[n] yi üret● fj-2[n]'den fj-3[n] ve bj-3[n] yi üret●
● Bir sinyalin ağaç gösterimi
Pratikte Yapılan Kesikli Dalgacık Dönüşümü
Dalgacık Paket Dönüşümü Örneği
Görüntü İşleme için iki-boyutlu Filtreleme
Örnek
● x[n] = ( 1 1 1 1 1 2 2 2 2 2 2 2 ....)● Altbant sinyalleri ● Alçakgeçirgen (lowband) sinyali● xo[n] = ( 1 1 1 1.5 2 2 2 2...)● Dalgacık (highbad) sinyali● x1[n]= ( 0 0 -0.5 -0.5 0 0 0 0 ...)
1-D filtre kutusu ile 2-boyutlu görüntü işleme (ayrılabilir filtreleme)
1-D filtre kutusu ile 2-boyutlu görüntü işleme (ayrılabilir filtreleme)
Bir kanalın ayrık işlenmesi:
Bir görüntünün Dalgacık Dönüşümü
● Bir ölçeklik dönüşüm:●
●
●
●
●
●
●
●
●
● Alçak geçirgen filtrelenmiş “low-low” görüntüsü tekrar ayrıştırılabilir
Görüntü Sıkıştırma
● JPEG-2000 dalgacık dönüşümüne dayalıdır● Yüksek geçirgen filtrelenmiş görüntülerde bilgi
daha azdır, sadece kenarlara karşı gelen yerlerde dalgacık değerleri vardır
● Bu görüntülerde pekçok değer sıfıra yakındır● Sıfıra yakın değerleri eşikleyerek sıfır yapın● Ayrıca altbant sinyalleri arasındaki ilişkiden de
faydalanılır