2. Procesamiento Digital 2.

2 Muestreo o discretizacin

Una formulacin general para las series de Fourier es Supongamos que se tiene una funcin f: y su tranformacin de Fourier

 =     F:
donde se utiliza otro tipo de funcin k diferente a las funciones sinusoidales.

2.1 Interpolacin
Se puede expresar una funcin continua en trminos de valores equi-
espaciados (shift-invariant space)
 Al multiplicar la funcin f por un tren de pulsos, se genera una funcin fd, la

 = 
      transformacin de Fourier Fd, es la convolucin de F() con un tren de pulsos.
 Pues la transformacin de un tren de pulsos es un tren de pulsos, y la

 es la funcin interpoladora
transformacin de Fourier de una multiplicacin de 2 funciones es la

 es la funcin base que interpola

convolucin de la transformacin de Fourier cada una de esas funciones

1 ' = 0
'  = /0'1 = 2
Condicin para la funcin base
interpoladora (funcin cardinal) 0 ' 0

 
Ejemplo: si  = 


>  = 
' / '  ?> @ = 
'  A =
=  ?@ + 2'C
  
Otra posibilidad: interpolacin con funciones B-spline

Vecino ms cercano:  =   = "  + $ "  $ Sin embargo:
 =
> 



' / '  
? @ = ?> @ E@
Porque
 = E@  ?@ + 2'C

1+ 1 <  < 0

 
Interpolacin lineal:  = %&'(  = )1  0<1 Si  = 
E@ = $ @
0 ~
;<
9 :  
 = %&'( 
=
Por
ejemplo:
2.3 Teorema del Muestreo 2.4. Transformada de Fourier en tiempo discreto

Sea f(t) es una funcin de energa finita y -BL (F()= 0 para || > ). Q @ =  /@ '@R , @R = 2S
Recordando que con el tren de pulsos P
Entonces, ocurre que ?> @ = ?@ para |@| < C

Por lo tanto ?@ = ?> @ JK @ @

Y que, por otro lado, ?> @ = T
'  A = = ?U V, = T

 
Como  = 

Tenemos que es peridica en 2

N' C ' 
Frmula de

 = M
' 
C ' 
reconstruccin con =T la frecuencia de la seal discreta.
Finalmente

con C =  la frecuencia de muestreo
De esta forma, la transformada de Fourier de una seal discreta ser

o Nyquist ?U V = 
' A[



2.3.1 Interpolacin de banda limitada

Dada una funcin f(x) y una constante T, C =  2.5 De la Transformada de Fourier de seales discretas
a la Transformada Discreta de Fourier
N' C ' 

  = M
'  ? @ = ?> @ JK @
Una seal discreta f se puede periodizar mediante
C ' 
0 '1 = 

0' + ]1


Por lo que
  se obtiene al aplicar un filtro pasa-bajos ideal a
> , por lo
que
  es -BL. El error puntual es

  = 0, para  = '

y se puede demostrar que

Tenemos
2.3.2 Ejemplo grfico de muestreo / reconstruccin

y la inversa

Para un intervalo de
periodo<N> (cerca del origen)
Pero 2.6 Ejemplo de Muestreo y Aliasing
definiendo
Teorema del muestreo La transformada de Fourier es
Por lo
tanto

Finalmente

Discretizacin de la Transf. de Fourier (periodizacin de la seal)

Tenemos que la transformacin de Fourier de una seal discreta ser

Condiciones para que ocurra Aliasing 2.7 Diferentes Reconstrucciones

El esquema completo para el caso ideal, utiliza un filtro pasa-bajos

ideal donde la reconstruccin sera

Por Teorema del muestreo

Sin Aliasing Con Aliasing

Filtro
Anlisis

superposicin

Filtro
Recons-
truccin

"aliasing": una superposicin

en frecuencia

s: frecuencia de Nyquist
El esquema completo para el caso discretizacin continua a trazos,
utiliza un filtro sinc donde la reconstruccin sera
2.8 Representacin de seales anlogas mediante imgenes digitales
2.8.1 Espacios invariantes a la traslacin entera
Tenemos un espacio generado por la traslacin y el escalamiento de una
funcin 

vecino ms cercano Filtro

(polinomio orden 0)
Anlisis

Al tener valores discretos y[k], se puede interpolar estos valores

mediante la relacin

Filtro
Recons- Sea
truccin

Si queremos encontrar el kernel (funcin base) que interpola los

valores y[k], podemos expresarlo en trminos del espacio generado
por la traslacin de la funcin
Recordando el caso del filtro pasabajos ideal, la reconstruccin sera

Para que sea una funcin interpoladora

Reconstruccin Por lo tanto

Filtro pasa-bajos
y la func. cardinal
2.8.2 Clculo de B-splines 2.8.3 Ejemplo de wavelets con B-spline
Propiedades generales Propiedades de aproximacin La descomposicin por wavelets se basa en filtros pasa-bajos y filtros pasa-
altos que se aplican en forma progresiva y que se basan en funciones de
( x l) = 1 Particin de la unidad
n
x R
( x l ) = 1, x R soporte local
n C n2 (R ) l=Z
Ejemplo Haar Wavelet y[k ]
~
n
x = n 1
(x + 1
2 ) Error ( f , f ) T L , media mvil(ancho m=2)
Filtro Filtro
n 1
(x 1 ) con T 0 pasa-bajos pasa-altos
2
T: intervalo de muestreo, L: L H
2 2
potencia de aprox y1[ k ]
1 1 ( x) 1 1 ( x) 1 1 ( x) 1 1 ( x)
1 w1[ k ]
0.5
0 0
*
0.5
0
*
0
0.5
* 0.5
* * * 3 Filtro Filtro
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1 3 pasa-bajos pasa-altos
L H
1 2( x) 1 2 ( x) 2
0.5
*
0.5 y2[k ] 2
-1 -0.5
0
0 0.5 1 -1 -0.5
0
0 0.5 1
* w2 [k ]
Filtro Filtro
pasa-bajos pasa-altos
1
0 .7 5
4 (x) L
0 .5
b34 2 2
H
0 .2 5
y3[k ] w3[k ]
0
-2 -1 0 1 2

4 ( x) = ( 1 1 1 1 ) ( x ) y[k ]
bm4 [ k ] = 1
m3
(b 1
m )
bm1 bm1 bm1 b 14 [ k ]

y 3[ k ] w 3 [ k ] w 2[k ] w 1[ k ]

1
0.8 Y3(f) W3(f) W2(f) W1(f)
0.6
0.4
0.2
0 f
0.1 0.2 0.3 0.4 0.5
Ejemplo 1D
16 16 8
0.8

0.6
multiresolucin 12 12 4
8 8 0
0.4
1 2 3 4 5 6 7
0.2 4 4 -4
0 0 0 -8
-6 -4 -2 0 2 4 6 1 2 3 4 5 6 7 1 2 3 4 5 6 7
2.8.4 Ejemplo Wavelet con B-spline de orden mayor
16
12

Decomposicin en
8
diferentes canales de 4
frecuencia 0
y[ k ] 1 2 3 4 5 6 7

Filtro Filtro
pasa-altos pasa-bajos
w1 [ k ] y1[ k ]
3 16
B-spline 2
wavelets 1
12

0 8
-1 1 2 3 4 5 6 7 4
-2
0
-3
1 2 3 4 5 6 7

Ejemplo 2D Haar Wavelet: