La transformada de ondículas estacionarias (SWT) [1] es un algoritmo de transformadas de ondículas diseñado para superar la falta de traslación-invariancia de la transformada de ondículas discretas (DWT). La invariancia de traducción se logra eliminando los muestreadores reductores y aumentadores de frecuencia en el DWT y aumentando los coeficientes de filtro en un factor de en el a nivel del algoritmo. [2] [3] [4] [5] El SWT es un esquema intrínsecamente redundante ya que la salida de cada nivel de SWT contiene el mismo número de muestras que la entrada, por lo que para una descomposición de N niveles hay una redundancia de N en los coeficientes de wavelet. Este algoritmo es más conocido como " algoritmo à trous " en francés (la palabra trous significa agujeros en inglés) que se refiere a insertar ceros en los filtros. Fue introducido por Holschneider et al. [6]
Implementación
El siguiente diagrama de bloques muestra la implementación digital de SWT.
En el diagrama anterior, los filtros de cada nivel son versiones mejoradas del anterior (consulte la figura siguiente).
EQUIPO
Aplicaciones
Algunas aplicaciones de SWT se especifican a continuación.
Sinónimos
- Transformada de ondícula redundante
- Algoritmo à trous
- Transformada de ondícula cuasi-continua
- Transformada wavelet invariante de traducción
- Transformada de ondícula invariante de desplazamiento
- Ciclo de hilado
- Transformada de ondícula de superposición máxima (MODWT)
- Transformada de ondícula indecimada (UWT)
Ver también
- transformada wavelet
- entropía wavelet
- descomposición de paquetes de ondas
Referencias
- ^ James E. Fowler: La transformada de ondícula discreta redundante y el ruido aditivo , contiene una descripción general de los diferentes nombres de esta transformada.
- ^ AN Akansu y Y. Liu, Técnicas de descomposición de señales, Ingeniería óptica, págs. 912-920, julio de 1991.
- ^ MJ Shensa, The Discrete Wavelet Transform: Wedding the A Trous y Mallat Algorithms, IEEE Transactions on Signal Processing, Vol 40, No 10, octubre de 1992.
- ^ MV Tazebay y AN Akansu, Optimidad progresiva en bancos de filtros jerárquicos, Proc. IEEE International Conference on Image Processing (ICIP), Vol 1, págs. 825-829, noviembre de 1994.
- ^ MV Tazebay y AN Akansu, Transformaciones de subbanda adaptables en extractores de frecuencia de tiempo para sistemas de comunicaciones DSSS, Transacciones IEEE sobre procesamiento de señales, Vol 43, No 11, págs. 2776-2782, noviembre de 1995.
- ^ M. Holschneider, R. Kronland-Martinet, J. Morlet y P. Tchamitchian. Un algoritmo en tiempo real para el análisis de señales con la ayuda de la transformada wavelet. En Wavelets, métodos de tiempo-frecuencia y espacio de fase , págs. 289–297. Springer-Verlag, 1989.
- ^ Zhang, Y. (2010). "Extracción de características de resonancia magnética cerebral por transformada de ondas estacionarias y sus aplicaciones". Revista de sistemas biológicos . 18 (s1): 115-132. doi : 10.1142 / S0218339010003652 .
- ^ Dong, Z. (2015). "Clasificación de imagen de cerebro de resonancia magnética a través de transformada de wavelet estacionaria y máquina de vector de soporte proximal de valor propio generalizado". Revista de imágenes médicas e informática de la salud . 5 (7): 1395–1403. doi : 10.1166 / jmihi.2015.1542 .