
Wavelet transform is a signal processing method that analyzes data at multiple scales using localized wave-like functions.El secreto de las wavelets está en el compromiso. El análisis de Fourier ofrece una resolución perfecta en frecuencia, pero pierde el tiempo. La transformada de Fourier de ventana corrige esto, pero fija el tamaño de la ventana. Las wavelets cambian el ancho de la ventana de forma adaptativa: para altas frecuencias toman ventanas cortas, para bajas, largas. Esto se asemeja a una partitura musical, donde las notas largas representan los graves y las cortas los trinos rápidos. En la práctica, las wavelets comprimen magníficamente imágenes (formato JPEG 2000) y limpian señales de ruido sin desdibujar los cambios bruscos, como en las tomografías médicas.
La historia de las wavelets comenzó con los trabajos de Haar (1909), un sistema escalonado simple. Entre 1930 y 1980 surgieron ideas aisladas: la función de Littlewood–Paley, los filtros espejo en cuadratura de Croisier, Esteban y Galand. La teoría consciente apareció a principios de los años 80 en los trabajos del geofísico Jean Morlet y el matemático Alex Grossmann, quienes construyeron la transformada wavelet continua para analizar señales sísmicas. Luego, Ingrid Daubechies (1988) creó wavelets ortogonales suaves de soporte compacto, lo que permitió una transformación rápida. Más tarde, Mallat y Meyer desarrollaron la teoría del análisis multirresolución, vinculando las wavelets con el filtrado de señales.
La función de escala φ(t) y la wavelet madre ψ(t) generan una base tal que {ψ_{j,k}(t) = 2^{-j/2} ψ(2^{-j}t - k)}. Cualquier señal se descompone: f(t) = Σ_k a_{j0,k} φ_{j0,k}(t) + Σ_{j>=j0} Σ_k d_{j,k} ψ_{j,k}(t). Los coeficientes d se obtienen mediante el algoritmo rápido de Mallat usando filtrado en cascada. En cada nivel, la señal se pasa por un par de filtros: uno de paso bajo (promedio) y otro de paso alto (detalle), seguido de una decimación. Esto es dual a un banco de filtros espejo en cuadratura. La condición de ortogonalidad de la base wavelet exige que los filtros satisfagan ciertas relaciones. El análisis es flexible: se puede variar la forma de la wavelet según el tipo de datos.
Las huellas dactilares digitales y los códigos de barras se comprimen con wavelets. Los instrumentos que buscan defectos en piezas de aviones escuchan con wavelets el eco de las grietas.
La visión humana se asemeja en parte al análisis wavelet: distinguimos tanto la forma general de una silla en la penumbra como una inscripción fina en la pata; el cerebro procesa la imagen en varias escalas a la vez.
| W | variable | Wavelet transform coefficient — wavelet transform coefficient |
| s | variable | Scale parameter — scale parameter |
| τ | variable | Translation parameter — translation parameter second |
| x | variable | Input signal — señal |
| t | variable | Time variable — tiempo second |
| ψ* | variable | Complex conjugate of wavelet function — wavelet function |
| ∫ | operador | Integration over time — operador integral |
















