Análisis de principios y aplicaciones de la transformada wavelet

Eduardo Cano1, Rubén Salcedo1 & Gustavo Soto2

(1) Departamento de Electrónica, Facultad de Tecnología y Cs. Apl., Universidad Nacional de
Catamarca.
canojesuse@arnet.com.ar ; rosalcedo@tecno.unca.edu.ar
(2) Estudiante Ingeniería Electrónica, Facultad de Tecnología y Cs. Apl., Universidad Nacional
de Catamarca.
gustavosoto18@gmail.com

RESUMEN: La transformada Wavelet es una función matemática que permite obtener datos de una señal
seccionándolos en pequeños componentes en escala frecuencia-tiempo y poder analizarlos en forma
separada. En comparación con la transformada de Fourier, la Wavelet permite trabajar sobre ondas no
estacionarias, con discontinuidades o picos, y respecto de otras herramientas que permiten el análisis de
este tipo de ondas se distingue por su capacidad de multirresolución. De esta forma se muestran las
propiedades de la transformación Wavelet con ejemplos de uso que permiten deducir la conveniencia de
adoptarla para algunas aplicaciones.

1 INTRODUCCIÓN En un esfuerzo para corregir esta deficiencia,

1.1 Las Wavelets en el análisis de las señales
En ingeniería se representan las señales ya sea en
función del tiempo o de la frecuencia. Las
técnicas para el análisis de las señales, desde hace
tiempo se basan en los métodos de análisis
espectrales en los que se descompone una onda
compleja en una suma lineal de componentes de
onda más elementales que en el caso del análisis
con Fourier son ondas senos y cosenos. Para
muchas señales, el análisis de Fourier es muy útil
ya que el contenido frecuencial de la señal es de
gran importancia. Por tanto, ¿para qué
necesitamos otras técnicas como el análisis
Wavelet?
El análisis de Fourier tiene un serio
inconveniente. Cuando se produce una
transformación al dominio de la frecuencia, se
pierde la información del dominio del tiempo.
Cuando vemos la transformada de Fourier de una
señal, es imposible decir cuando tuvo lugar un
determinado evento.
Si las propiedades de la señal no cambian mucho
a lo largo del tiempo, es decir, si estamos ante una
señal estacionaria, este inconveniente no tiene
importancia. Sin embargo, las señales más
interesantes contienen características no
estacionarias y transitorias como puedan ser
cambios abruptos y comienzos y finales de
eventos. Esas características son a menudo las
partes más importantes de la señal, y el análisis de
Fourier no es adecuado para detectarlos.
Dennis Gabor (1946) adaptó la transformada de
Fourier para analizar sólo una pequeña sección de
la señal en un momento dado en una técnica
llamada “ventaneo” (“windowing”). La
adaptación de Gabor llamada transformada de
Fourier de Corto Tiempo (TFCT), convierte una
señal en una función bidimensional de tiempo y
frecuencia (Meyer, 1990). Sin embargo, una vez
que se elige un determinado tamaño para la
ventana, esta será la misma para todas las
frecuencias. Ya que muchas señales requieren una
aproximación más flexible, es necesaria una
técnica en la que se pueda variar el tamaño de la
ventana para ganar en precisión. El análisis
wavelet constituye el siguiente paso lógico: una
técnica de división en ventanas con regiones de
tamaño variable. El análisis wavelet permite el
uso de intervalos largos en el tiempo allí donde
necesitamos información de baja frecuencia más
precisa, y regiones más pequeñas donde
queramos información de alta frecuencia. Se debe
tener en cuenta, que el análisis wavelet no usa
regiones tiempo-frecuencia, sino regiones escala-
tiempo. El análisis wavelet es capaz de revelar
aspectos de la señal que otras técnicas de análisis
de señal ignoran, aspectos como tendencias,
puntos de ruptura, discontinuidades. Además, ya
que se logra un punto de vista diferente, el
análisis wavelet puede a menudo comprimir o
reducir el ruido de una señal sin una degradación
apreciable.
Una wavelet (palabra que deriva del término
francés ondelette mezclado con la palabra inglesa
wave, que se podría traducir entonces como
ondícula u ondeleta) es una forma de onda de
limitada duración que tiene un valor medio de
cero que a comparación de las ondas senoidales,
base del análisis de Fourier, estas últimas no
tienen una duración limitada ya que se extienden
desde menos hasta más infinito, y además,
mientras que las sinusoides son suaves y
predecibles, los wavelets tienden a ser irregulares
y asimétricos.
El análisis de Fourier consiste en dividir una señal
en ondas sinusoidales de varias frecuencias.
Similarmente, el análisis wavelet es la división de
una señal en versiones desplazadas y escaladas de
la wavelet original (o wavelet madre). Con sólo
mirar la forma de los wavelets y las ondas
sinusoidales, podremos intuir que las señales con
cambios abruptos se pueden analizar mejor con
una wavelet irregular que con una sinusoide
suavizada.
1.2 Breve reseña histórica
Si bien el concepto de wavelet es relativamente
nuevo (20 o 30 años), al ser una derivada de la
transformada de Fourier podría decirse que su
antecedente se origina en los trabajos de Fourier
de principios del siglo XIX, y basados en eso en
el año 1909 Alfred Haar en vez de usar funciones
seños y cosenos, utilizó para descomponer
señales funciones rectangulares, que quedaban
muy reducidas sus uso debido a su
discontinuidad. En la década del 40 Dennis Gabor
introdujo la idea de cortar una onda en segmentos
de onda donde en cada uno se definía bien su
banda de frecuencia y su posición en el tiempo.
Entre los años 60 y los 80 Weiss y Coifman
modelaron los elementos más simples a partir de
los cuales era posible reconstruir una señal. De la
década del 80 se destacan los trabajos de
Grossman y Morlet quienes aplicaron por primera
vez las wavelets en ondas no estacionarias
(analizaron temblores) y de Mallat en su trabajo
sobre el procesamiento digital de señales.
Inspirados en este trabajo Meyer construyó las
primeras wavelets diferenciables permitiendo la
convergencia de las series que se forman a partir
de ellas. Finalmente en el presente siglo se
destaca el aporte de Ingrid Daubechies que
construyo un grupo de funciones básicas
ortogonales de wavelets que constituyen la piedra
angular de las wavelets actuales y sus
aplicaciones.
La aplicación más famosa de la transformada
wavelet está en el formato JPEG-2000 un
estándar de compresión digital de imágenes
aprobadas por ISO en el año 1999 (Mackenzie,
2001).
2 FUNDAMENTOS DE LA
TRANSFORMADA WAVELET
2.1 Elementos Básicos de la transformada
Wavelet (TW)
Básicamente la TW puede ser manipulada de dos
formas (Addison, 2002):
• Puede ser trasladada en varias localidades de la
señal.
• Puede estrecharse o comprimirse, lo cual es
conocido como escala.
Se define como la suma en el tiempo de una señal
multiplicada por versiones desplazadas y
escaladas de una función wavelet básica conocida
como wavelet madre.
La transformada wavelet continua (TWC) se
expresa de la forma indicada en la ecuación 1
(Addison, 2002):
(1)
Esta ecuación contiene a la señal x(t) y a la
wavelet que controla la traslación y la
escala, donde aparecen las variables a
(encargadas de controlar el ancho de la función) y
b (que se encarga de darle la ubicación en el
dominio del tiempo). La TWC también cuenta
con una transformada inversa la cual esta
expresada por la ecuación 2 (Addison, 2002):
(2)
Para la aplicación de la wavelet es necesario
cumplir con ciertos requisitos matemáticos. Las
variables a y b que aparecen en la ecuación de la
transformada de ondeleta continua también
reciben el nombre de variables de escala y
variables de traslación respectivamente; estas
variables están definidas como (Polykar, 1996):
• Escala: este parámetro “a” es análogo con el
parámetro de escala utilizado en los mapas, por lo
que las altas escalas corresponden a una visión
global y no detallada de la señal; y las bajas
escalas corresponden a una vista detallada.
También mediante esta variable es posible
comprimir (|a|<1) o dilatar (|a|>1) la función; la
escala se relaciona con la frecuencia según la
ecuación 3:
(3)
• Traslación: Este término “b” está relacionado
con la localización de la ventana a medida que
esta se desplaza a través de la señal, por lo que
corresponde a la información del tiempo en el escalamiento de la función gaussiana para cuatro
dominio transformado. valores de la escala (con valores de a en 1-2-3 y
Veamos estos dos conceptos ilustrados a través de 0,5), y en la figura 2 el desplazamiento (con b
ejemplos creados con el Matlab, en la figura 1 el igual a 0 – 1 – 2 y 3mseg.):

Figura 1 – Diferentes Escalas

Figura 2 - Desplazamiento
o se toma una wavelet y compara con una
sección al comienzo de la señal original, de
Para calcular la transformada Wavelet continua
manera que sean lo más similar posible.
de una función se realizan los siguientes cinco
o se calcula un número C, que representa cómo
pasos (Misiti, 2010):
de “correlada” está la wavelet con esa
sección de la señal, es decir se calcula la
integral de convolución entre la señal y la
 wavelet. Cuanto más alto sea C, existirá
mayor similitud. Incluso, si la potencia de la
wavelet y de la señal es igual a 1, C puede
ser interpretado como un coeficiente de
correlación. Los resultados dependerán de la
forma de la wavelet que se haya elegido.
o se desplaza la wavelet hacia la derecha y se
repite los pasos 1 y 2 hasta que se haya
cubierto la señal completa.
o Se escala (estira o encoje) la wavelet y se
repite los pasos del 1 al 3.
o Se repite los pasos desde el 1 al 4 a través de
todas las escalas.
Cuando se haya hecho esto, se tendrán los
coeficientes producidos en diferentes escalas para
diferentes secciones de la señal. Para comprender
el resultado se representa los valores de estos
coeficientes en un diagrama en el cual el eje x
representa la posición a lo largo de la señal
(tiempo), el eje y representa la escala, y el color
en cada punto x-y representa la magnitud del
coeficiente wavelet C (cada punto tendrá el color
más claro cuanto mayor magnitud tenga el
coeficiente C asociado).
Es de observarse que las escalas altas en la
representación de los coeficientes se
corresponden con las wavelet más estiradas, en
los cuales se detectan eventos de la señal más
grandes, o sea, cambios lentos que corresponden
con las bajas frecuencias. A menor escala, la
wavelet estará más comprimida, por lo que se
detectarán detalles de cambios rápidos, y por
tanto se corresponderá con las altas frecuencias.
2.2 La transformada wavelet discreta (TWD)
El cálculo de los coeficientes wavelet en cada una
de las escalas conlleva un gran esfuerzo
computacional, generando una gran cantidad de
datos. Por tanto, es lógico plantearse el elegir sólo
una parte de las escalas y posiciones con los que
hacemos los cálculos. De hecho, si elegimos
escalas y posiciones basadas en potencias de dos,
entonces el análisis será mucho más eficiente sin
perder precisión. Este análisis recibe el nombre de
transformada discreta wavelet (TWD).
Una forma eficiente de implementar este esquema
mediante el uso de filtros fue desarrollada en
1988 por Mallat. El algoritmo Mallat es de hecho
un esquema clásico conocido en el procesado de
señal como un codificador subbanda de dos
canales. Este algoritmo de filtrado tan práctico se
traduce en una “transformada rápida wavelet”.
Para muchas señales, el contenido de baja
frecuencia es la parte más importante, y lo que le
da a la señal su identidad. El contenido de alta
frecuencia, por otro lado, le da algún matiz a la
señal. Por ejemplo, consideremos la voz humana.
Si se eliminan las componentes de alta frecuencia
la voz sonará diferente pero al menos aún se
podrá entender qué se está diciendo. Sin embargo,
si se eliminan suficientes componentes de baja
frecuencia, sólo se oirá ruido sin sentido. En el
análisis wavelet se habla de aproximaciones y
detalles. Las aproximaciones son las componentes
de baja frecuencia (alta escala) de la señal. Los
detalles son los componentes de alta frecuencia
(baja escala).
Para que la teoría de wavelet sea útil, es necesario
que se disponga de algoritmos rápidos para su uso
en computadoras, es decir, un método rápido para
poder encontrar los coeficientes y para reconstruir
la función que representa. Estos algoritmos se
encuentran en el análisis de multi-resolución. Este
análisis fue desarrollado para descomponer
señales en tiempo discreto, haciendo uso de
distintas frecuencias de corte que son usadas para
analizar la señal en diferentes escalas. La señal se
pasa a través de filtros paso alto para analizar las
componentes de altas frecuencias y se pasa por
filtros de paso bajo para analizar las componentes
de baja frecuencia, por lo que estas operaciones
cambian la resolución de la señal, y la escala
cambia mediante operaciones de interpolación y
sub-muestreo. El proceso de filtrado, en su nivel
más básico, se traduce en el esquema de la figura
3.
Figura 3 – Proceso de Filtrado - (Misiti, 2010)
Donde S es la señal original y se hace pasar por
dos filtros (paso alto y paso bajo), obteniéndose
con ello dos señales denominadas aproximación
(A) y detalle (D) de la señal, siendo los
coeficientes de la señal detalle (cDi) los que
constituyen principalmente el ruido de alta
frecuencia, por lo que los coeficientes de
aproximación (cAi) contienen menos ruido de los
que contenía la señal original.
Si este procedimiento se realiza sobre la señal en
forma interactiva el procedimiento es conocido
como codificación de sub bandas y puede
repetirse para obtener una mayor descomposición
de la señal. El filtrado y el submuestreo darán
como resultado una disminución a la mitad del
número de muestras (resolución en tiempo
dividida) y de la banda de frecuencias abarcada
(una resolución en frecuencia duplicada).
Como se ve en la figura 4, este proceso de
descomposición nos daría que la señal S original
será S = cA1+ cA2 + cA3 + cD3
Figura 4 – Proceso de Descomposición
Tras realizar una descomposición mediante la
TWD, es conveniente saber cómo juntar los
componentes de la señal original sin pérdida de
información. Este proceso se denomina
reconstrucción o síntesis. La manipulación
matemática que hace la síntesis se denomina
transformada discreta wavelet inversa (TWDI).
Mientras que el análisis wavelet se utiliza el
filtrado y la decimación, en el proceso de
reconstrucción wavelet se realiza primero una
interpolación y después un filtrado. En la
interpolación se alargará la señal mediante la
inserción de ceros entre muestras.
3 APLICACIONES EN MATLAB
3.1 Presentación de algunas de las bases
wavelets incluidas en Matlab®
Antes de analizar los tipos de wavelet se deben
tener en cuenta tres conceptos que permiten
caracterizarlas. El primero se refiere al momento
de desvanecimiento de la wavelet que es un
parámetro que indica el orden de la transformada.
El segundo se refiere al soporte compacto y tiene
que ver con que la función wavelet es sólo no
cero en un intervalo finito. La simetría es el
último concepto y se refiere a propiedad de evitar
distorsiones de los filtros en la información
mediante la fase lineal.
Las bases wavelet incluidas en el toolbox del
análisis wavelet de Matlab son diversas y cada
cual tiene sus propiedades. A continuación se
presenta una breve explicación de cada una de
ellas.
-Haar: Se trata de la primera base que se ideó
además de la más sencilla. La wavelet Haar es
discontinua (y por lo tanto no diferenciable) y
tiene la forma de una función escalón. Se
corresponde con la wavelet Daubechies db1 (ver
figura 5). Aunque tiene soporte compacto, no
posee buena localización tiempo frecuencia.
Figura 5 – La wavelet de Haar - (Misiti, 2010)
-Daubechies: Son una familia de wavelets
inventadas por Ingrid Daubechies. Tienen la
característica de ser ortonormales lo que las hace
aptas para el análisis discreto. El nombre de las
wavelets de esta familia viene dado por dbN,
donde N es el orden. La db1 es coincidente con la
wavelet Haar. Otros órdenes se observan en la
figura 6.
Figura 6 – Algunas Wavelets Daubechies -
(Misiti, 2010)
-Symlets: Son wavelets propuestas por
Daubechies con el fin de agregarle un poco de
simetría a las anteriores. Su apariencia puede
verse en la fig. 7, son de soporte compacto y
pueden usarse para transformada continua y
discreta wavelet.
Figura 7 – Algunas Wavelets Symlets - (Misiti,
2010)
-Coiflets: Fueron elaboradas por I. Daubechies
por petición de R. Coifman. Esta función wavelet
posee mayor momento de desvanecimiento (2N
contra N en las anteriores). Posee igual soporte
compacto , son mucho más simétricas y el
número de filtros es de 6N. Su paariencia se
muestra en la fig. 8.
 -Meyer: La wavelet Meyer y la función de
escalado están definidas en el dominio de la
frecuencia. La misma se presenta en la figura 12.

Figura 8 – Algunas Wavelets Coiflets

(Misiti, 2010)

-Biortogonal: Esta familia de wavelet exhiben la

propiedad de fase lineal, la cual es necesaria para
reconstrucción de imágenes y señales. Mediante
el uso de dos wavelets, una para la
descomposición (en el lado izquierdo) y la otra
para la reconstrucción (en el lado derecho) en vez
Figura 12 - (Misiti, 2010)
de la misma en ambos lados, se pueden obtener
propiedades interesantes. Algunos ejemplos se
pueden apreciar en la figura 9.
3.2 Aplicación en Matlab® para demostrar la
mejor resolución de la TWC sobre la TFCT
El comando de Matlab utilizado para calcular la
TWC es el siguiente (ecuación 4):

(4)

donde “y” es la señal, “a” las escalas a utilizar, y

“baseWavelet” la base wavelet que se usará de las
Figura 9 – Algunas Wavelets Biortogonal - explicadas anteriormente. Este comando
devolverá el valor absoluto de los coeficientes C
de la transformada.
- Morlet: Esta wavelet (ver fig.10) no tiene una A continuación se expone el algoritmo para
función de escala, pero es explícita. generar una función (suma de dos senos de
distinta frecuencia) que presenta dos
discontinuidades en 300 y 700 mseg y se le
realiza el cálculo de los coeficientes C con TFCT
y TWC. Los resultados son presentados en la
figura 13 donde claramente se puede observar que
la TWC contiene información más precisa de los
instantes en que se produjeron las
discontinuidades:
Código introducido:
Figura 10 – Wavelet Morlet - (Misiti, 2010) n=[0:1:1000]; Fs=100; T=1/Fs; t=n*T; F1=10;
F2=40; alfa=10; n1=300; n2=700;
-Mexican Hat (sombrero mexicano): Tampoco x1=sin(2*pi*F1*n*T); x2=sin(2*pi*F2*n*T);
tiene una función de escala y se origina a partir de d1=alfa*zeros(length(n),1); d1(n1)=alfa; d1=d1'
una función proporcional a la segunda derivada d2=alfa*zeros(length(n),1); d2(n2)=alfa; d2=d2'
de una función de densidad de probabilidad x=x1+x2+d1+d2; w1=1e-2*Fs; subplot(3,1,1);
Gaussiana (como se observa en la figura 11). plot(t,x); title('Gráfico de la Función');
subplot(3,1,2); specgram(x,512,w1,100);
title('Gráfico de la transformada rápida de
Fourier');
subplot(3,1,3); cwt(x,1:8,'gaus2','plot');
title('Gráfico de la transformada Wavelet
continua')

Figura 11 - (Misiti, 2010)

 Figura 13 – TFTC vs. TWC
3.3 Aplicación para analizar la TWD
La resolución de una TWD como se indica
anteriormente depende del nivel de
descomposición que se realice, por lo que en el
caso de imágenes es muy útil realizar un análisis
multi-resolución ya que las características de las
imágenes no permiten de antemano conocer el
nivel de resolución óptima con el cual trabajar.
De este modo la representación multi-resolución
provee una plataforma de trabajo jerárquica muy
simple para interpretar la información de la
imagen, yendo por ejemplo desde una resolución
“burda” y luego incrementarla gradualmente.
En Matlab a través de la herramienta
“wavemenu” se accede a una interfaz muy
cómoda para trabajar con TW, en la ilustración
que se presenta se realiza la TWD de dos
dimensiones que es la adecuada para trabajar con
imágenes bidimensionales, ya que separa las
líneas de las columnas y trabaja como si fuera una
TWD de una dimensión considerando a cada fila
y cada columna como si fuera una señal
unidimensional. Por lo tanto el proceso se inicia
separando todas las filas y aplicando los filtros
pasa altos y pasa bajos a cada una de ellas, luego
hace lo mismo con las columnas, lo que genera
cuatro nuevas submatrices, una primera llamada
de aproximación LL (ubicada arriba a la izquiera
en la figura 14), una segunda llamada llamada LH
que son los detalles horizontales (ubicada arriba a
la derecha en la misma figura), y, finalmente dos
matrices, una HL con los detalles verticales y una
HH con los detalles diagonales (se pueden ver en
la parte inferior de la figura 14).
 Figura 14 – TWD de 2D con coif4 de un nivel de descomposición.
4 CONCLUSIONES
Se ha dejado en claro las ventajas de la
transformación wavelet sobre las técnicas de
Fourier, en particular en cuanto a la precisión ya
que con una resolución adecuada se logran
establecer con menor incertidumbre los instantes
de tiempo en los que se produce los detalles de la
señal.
En cuanto a las diferentes familias de wavelets no
se puede establecer un criterio definido para
definir su calidad pero se puede asegurar que su
evaluación depende de la aplicación de la señal a
analizar y de las características de simetría,
momento de desvanecimiento y robustez que esta
requiera, por lo tanto conviene para cada caso en
particular analizarlo con diferentes wavelets y
niveles de descomposición de cada una.
El análisis de multi-resolución, dentro de los
conceptos de esta poderosa herramienta, merece
una mención especial ya que se visualiza un
especial interés en la compresión de imágenes ya
que se pueden obtener versiones de menor
resolución perdiendo muy poca información.
5 REFERENCIAS
Addison, Paul. The Illustrated Wavelet Transform
Handbook, Institute of Phisycs Publishing
Bristol and Philadelphia, 2002.
Polykar, Robi. The wavelet tutorial. Iowa State
University, 1996
Misiti, M. & Y. Misiti & G. Oppenheim & J.
Poggi. Wavelet Toolbox™ 4, User’s Guide. The
MathWorks, Inc. 2010.
Meyer, Y., Ondelettes - Ondelettes et Opérateurs
I. Cambridge University Press, Cambridge,
1990.
Mackenzie, Dana, Wavelets: ver el bosque y los
árboles. National Academy of Sciences,
Washington, 2001.