Oltre Fourier: applicazioni ambientali e biomediche …Analisi wavelet Il caso bi-dimensionale:...
Transcript of Oltre Fourier: applicazioni ambientali e biomediche …Analisi wavelet Il caso bi-dimensionale:...
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Oltre Fourier: applicazioni ambientali ebiomediche delle wavelets
Orietta Nicolis
Dipartimento di Ingegneria Informatica e Metodi Quantitativi, Università di Bergamo
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Auto-similarità, frattalità, invarianza nella scala, ...
Auto-similarità geometrica/matematica
Auto-similarità statistica
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Auto-similarità statistica (o auto-affinità) e motoBrowniano frazionario
Definizione di auto-similarità
Un processo casuale X (t), t > 0 è detto auto-similare se per ognia > 0 esiste un b > 0 tale che
X (at) d= bX (t),
Il moto Browniano frazionario (fBm), {BH(t); t ∈ R}, è unprocesso Gaussiano continuo nel tempo ed è auto-similare diparametro H, (con H > 0) nel senso che
BH(at) d= aHBH(t),
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Il moto Browniano frazionario generalizza il motoBrowniano classico
la funzione di covarianza dipende dalparametro di Hurst 0 < H < 1
σ2H2
(‖t‖2H + ‖u‖2H + ‖t − u‖2H
),
lo spettro di potenza è
|ω|−2H−1.
Per H = 0.5 si ha ilmoto Browniano classico
0 500 1000 1500 2000−3
−2
−1
0
1
2
3
fBm
pat
h, H
=1/4
0 500 1000 1500 2000−3
−2
−1
0
1
2
3
fBm
pat
h, H
=1/2
0 500 1000 1500 2000−3
−2
−1
0
1
2
3
fBm
pat
h, H
=3/4
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Il Sig. Harold Edwin Hurst
R/S=rescaledadjusted range
R/S ∝ NH
idrologo inglese che, nel 1951 lavorò al progetto di invasiartificiali lungo il fiume Nilo.Effetto di Hurst–> dipendenza di lungo termine tra leosservazioni successive
0 100 200 300 400 5009
10
11
12
13
14
15
years
max
Nile
riv
er le
vel
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Dominio temporale o scala/frequenza? L’analisiwavelets ...
Il dominio scala/frequenza rivela le proprietà di scaling eautosimilarità di una serie storica.
0.2 0.4 0.6 0.8 1−0.3
−0.2
−0.1
0
0.1
0.2 Mother D4 Wavelet
0.2 0.4 0.6 0.8 1−0.2
−0.1
0
0.1
0.2 Mother S8 Symmlet
0.2 0.4 0.6 0.8 1−0.05
0
0.05
0.1
0.15
0.2 Father D4 Wavelet
0.2 0.4 0.6 0.8 1−0.05
0
0.05
0.1
0.15 Father S8 Symmlet
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Wavelet e FourierFT: F (ω) =
∫∞−∞ X (t)ejωtdt
WT: dj,k =∫∞−∞ X (t)ψj,k (t)dt
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Analisi wavelet dei processi auto-similari
Sia {BH(t), t ∈ IR} un processo auto-similare. Fissato j si ha
djkd= 2−j(H+1/2) d0,k .
dove IEd0k = 0 e IEd20k = IEd2
00. Ponendo C = IEd200,
IEd2jk = C 2−j(2H+1),
log2 IEd2jk = −(2H + 1) · j + C′,
–> stima di α = 2H + 1 (or H = 1+α2 ).
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Livelli minimi annuali del Nilo: anni 62-1281 d. C.
0 100 200 300 400 5009
10
11
12
13
14
15
years
max
Nile
riv
er le
vel
0 1 2 3 4 5 6 7 8 9−3
−2
−1
0
1
2
3
4
slope=−0.82
Dyadic Scale
log2
Sca
le−A
vera
ged
Ene
rgy
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Temperatura dell’aria: 12- 16 luglio 1995, a 5.2 m,Durham, North Carolina.
0 1 2 3 4 5 6
x 104
301
301.5
302
302.5
303
303.5
304
time
Tem
per
atu
re
0 1 2 3 4 5 6 7 8−18
−16
−14
−12
−10
−8
−6
−4
−2
0
slope = −5/3
0 5 10 15−15
−10
−5
0
5
10
15
20
slope = − 5/3
Dyadic Scales
log2
Sca
le−A
vera
ged
Ene
rgy
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Azioni Coca cola
0 500 1000 1500 2000 2500 3000 3500 40000
10
20
30
40
50
60
days
do
llar
valu
e
0 2 4 6 8 10 12−15
−10
−5
0
5
10
15
20
slope = −1.85
Dyadic Scales
log2
Sca
le−A
vera
ged
Ene
rgy
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
DNA random walk
0 1000 2000 3000 4000 5000 6000 7000 8000
−50
0
50
100
150
200
250
300
350
400
index
DN
A R
W
3 4 5 6 7 8 9 10 11 12−15
−10
−5
0
5
10
15
20
slope=−2.24
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Bellcore Internet Data
0 100 200 300 400 5000
200
400
600
800
1000
1200
1400
1600
packet
inte
rarr
ival
tim
e
0 2 4 6 8 10 12 14 16 1816
18
20
22
24
26
28
Dyadic Scales
log2
Sca
le−A
vera
ged
Ene
rgy
slope = − 0.64
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Casi di morbillo in 7 città inglesi: dal Gennaio 1948 aldicembre 1985 (aumento vaccinazione negli anni 60)
0 200 400 600 800 1000 1200 1400 1600 1800 20000
1000
2000
3000
4000
5000
6000
LondonBristolLiverpoolManchesterNewcastleBirminghamSheffield
0 2 4 6 8 10 12−6
−4
−2
0
2
4
6
8
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
A cosa serve conoscere il parametro H?
costruzione di modelli temporali di previsione di serie storiche(ARFIMA, FIGARCH, ecc.)classificazione, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
2-D fBm: il caso isotropico e il caso anisotropico
In 2-D il fBm può essere caratterizzato daun’unico parametro di Hurst –>caso isotropicoda diversi parametri di Hurst per le diverse direzioni –>casoanisotropico
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Le wavelets in 2D
2D wavelets
φ(x1, x2) = φ (x1) · φ (x2)
ψh(x1, x2) = φ (x1) · ψ (x2)
ψv (x1, x2) = ψ (x1) · φ (x2)
ψd (x1, x2) = ψ (x1) · ψ (x2)
Qualsiasi funzione in f ∈ L2(R2) può essere rappresentata come
f (x) =∑
k
cj0,kφj0,k(x) +∑j≥j0
∑k
∑i
d ij,kψ
ij,k(x)
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Alcune wavelets (tipo: Symmlet)
Symmlet; j=2,k=(1,1); FxF
0 0.5 1
0
0.2
0.4
0.6
0.8
1
Symmlet; j=2,k=(2,2); MxF
0 0.5 1
0
0.2
0.4
0.6
0.8
1
Symmlet; j=2,k=(2,1); FxM
0 0.5 1
0
0.2
0.4
0.6
0.8
1
Symmlet; j=2,k=(2,1); MxM
0 0.5 1
0
0.2
0.4
0.6
0.8
1
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
The 2D dwt: some examples
X Marks the Spot
20 40 60 80 100 120
20
40
60
80
100
120
WT2[X Marks the Spot]
20 40 60 80 100 120
20
40
60
80
100
120
Fingerprint
100 200 300 400 500
100
200
300
400
500
WT2[Fingerprint]
100 200 300 400 500
100
200
300
400
500
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
2D wavelet coefficients
Per i processi 2-D, BH(x), i coeffienti wavelets sono dati da
d ij,k = 2j
∫B H(x)ψi(2jx − k)dx,
il logaritmo dello spettro wavelets è
log2 E[∣∣d i
j,k∣∣2
]= −(2H + 2)j + C2, (1)
dove C2 = log2σ2
H2 Vψi (H).
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Alcuni esempi
200 400 600 800 1000
200
400
600
800
10002 4 6 8
−35
−30
−25
−20
−15
−10
−5
slope(d)=−2.5989
slope(h)=−2.5906
slope(v)=−2.5969
dyadic level
log
sp
ectr
um
100 200 300 400 500 600 700 800 900 1000
100
200
300
400
500
600
700
800
900
1000
2 4 6 8
−30
−25
−20
−15
−10
−5 Hd=−3.000Hh=−2.5865Hv=−3.6553
dyadic level
log
sp
ectr
um
Simulazioni conH = 0.3.
Simulazioni conHh = 0.3, Hv = 0.8 eHd = 0.5
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Spettro wavelet per il denoising Bayesiano di immaginifrattali
100 200 300 400 500
100
200
300
400
500
0 100 200 300 400 500−1.5
−1
−0.5
0
0.5
1
1.5
2signalsig+noise
0 100 200 300 400 500−1.5
−1
−0.5
0
0.5
1
1.5
2sig.den.
0 20 40 60 80 100−0.2
0
0.2
0.4
0.6
0.8
Lag
Sam
ple
Aut
ocor
rela
tion
1 Immagine simulatacon H = 1/3;
2 Rumore aggiuntivo(s/n = 2);
3 Ricostruzionedell’immagine;
4 Indipendenza deiresidui.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
2D spettro wavelet
1 2 3 4 5 6 7
−5
0
5
10 slope(d)=−2.5141slope(h)=−2.6598slope(v)=−2.6598
dyadic level
log
sp
ectr
um
Spettro wavelet perl’immagine con rumore;
Spettro wavelet perl’immagine senza rumore.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Classificazione nuvole/temperatura
200 400 600 800 1000
100
200
300
400
500
600
700
800
900
1000
I dati:EUMETSTAT(http://www.eumetsat.int)160 IR with wavelength3.9µPeriodo: dal 11/01/2006 al12/10/2006 (40 giorniconsecutivi).Rilevazioni: mezzanotte(0:12am), mattina(6:12am), mezzogiorno(12:12pm), e sera(6:12pm).
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Alcuni risultati
Testing Lin. Quad. Lin. Quad. Poly. RBFProportion SVM SVM SVM SVM
50% 0.072 0.081 0.085 0.088 0.084 0.08630% 0.069 0.077 0.086 0.086 0.079 0.084
Table: Percentuali di errori per il 50% e il 30% dei dati usati nel testing.
Classificatore lineare:92.8% di previsioni corrette!
0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5−0.1
0
0.1
0.2
0.3
0.4
H (horizontal)
V (
vert
ical
)
othersnoon
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Lo spettro wavelet multifrattale (Gonçalvès et al.,1998)
Funzione di partizione
T (q) = limj→−∞
log2 E |dj,k |q
Misura di di singolarità (Gonçalvès et al., 1998)
α(t) = limk2j→t
1j
log2 |dj,k |
α(t) basso→ alta irregolaritàα(t) alto→ bassa irregolarità
Trasformata di Legendre
fL(α) = infq{qα− T (q)}.
))(( qf
2.0
0
1 2 )(q
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Gli indicatori dello spettro wavelet multifrattale
))(( qf
2.0
0
1 2 )(q
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Spettro wavelet 2D multifrattale per l’analisi delleimmagini digitali di mammografie
I dati:University of South Florida’s DigitalDatabase for Screening Mammography(http://marathon.csee.usf.edu/Mammography/Database.html)5 casi normali e 5 casi di tumoremaligno4 mammografie per ogni caso: 2 perseno (CC e MLO)148 sottoimmagini (256 × 256): 74normali + 74 maligni
caso normale caso maligno
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Analisi multifrattale
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Indicatori multifrattali
Alcuni risultati:HN < HM –> irregolarità neltessuto.LSN < LSM e RSN < RSM–> alte oscillazioni o bassogrado di smoothing.B è simile in entrambi i casi
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Alcuni risultati: percentuali di errori di classificazione
Pairs of Measures Lineal Quad. Lineal svm Quad. svm Poly. svm RBF svm
(H, LT) 0.2659 0.2695 0.2756 0.2696 0.2787 0.2505
(H, B) 0.2626 0.2568 0.2705 0.2602 0.2832 0.2802
(LT, LS) 0.2640 0.2760 0.2615 0.2646 0.2497 0.3260
(RT, LS) 0.2869 0.2392 0.2812 0.2007 0.2570 0.2357
(RS, LS) 0.2656 0.2506 0.2572 0.2750 0.3161 0.2829
(B, LS) 0.2670 0.2670 0.2701 0.2588 0.3186 0.3378
(B, RS) 0.2626 0.2657 0.2694 0.2572 0.3193 0.3402
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Spettro wavelet 3D multifrattale per l’analisi diimmagini BMRI (Derado et al. 2008)
DATI: scansioni seriali BMRI (ogni 3 mm) di 4 donne: 2 sane e 2malate.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Le trasformate wavelets in 3D
φj,k(x) = 23jφ(2jx1 − k1,2jx2 − k2,2jx3 − k3)
ψij,k(x) = 23jψi(2jx1 − k1,2jx2 − k2,2jx3 − k3)
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Spettro wavelet 3D multifrattale
50 100 150 200 250
50
100
150
200
250
−2 −1 0 1 2 3 4 5 6 7−3.5
−3
−2.5
−2
−1.5
−1
−0.5
0
α
f(α)
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Indicatori multifrattali e classificazione
Indicatori H,LS e classificazione con il metodo SVM (basato sufunzioni a base radiale di parametro 0.1).
I casi sani sono situati nella zona con H e LS bassi –> alta irregolaritàe multifrattalitàLa crescente regolarità e multifrattalità è spesso segno di unapatologia.
−0.2 0 0.2 0.4 0.6 0.8 10.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
H
LS
H,LS at the direction of hlv
0,subj1
1,subj1
3,subj15,subj1
7,subj1
0,subj41,subj43,subj45,subj4
7,subj40,subj2
1,subj2
3,subj25,subj2
7,subj20,subj3
1,subj33,subj35,subj37,subj3
Cancerous subjectNoncancerous subject
−0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5 0.60.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0
1
35
7
0135
7 0
1
3 5
7 0
1 3 5 7
H
LS
Decision boundary of SVM at the hlv direction
CancerNoncaner
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Outline
1 Autosimilarità e processi autosimilari
2 Analisi wavelet
3 Il caso bi-dimensionale: teoria, esempi e applicazioni
4 Lo spettro wavelet multifrattale in 2D
5 Lo spettro wavelet multifrattale in 3D
6 Conclusioni e sviluppi futuri
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Conclusioni e sviluppi futuri
Lo spettro wavelet è in grado di “identificare” il parametro di Hurst insegnali e immagini autosimilari.
Molte cose restano ancora da fare ...lo studio dei processi autosimilari in n− dimensioni (proprietà,simulazioni,stima, ecc.);lo studio dell’anisotropia in ogni direzione, per esempio mediantel’utilizzo di wavelet direzionali;l’utilizzo delle funzioni wavelets per lo studio di processispazio-temporali e delle funzioni di autocorrelazione (es.approssimazione variogrammi)Altre applicazioni: ambientali (inquinanti dell’aria, ecc.),monitoraggio strutture edili, ecc.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets
Autosimilarità e processi autosimilariAnalisi wavelet
Il caso bi-dimensionale: teoria, esempi e applicazioniLo spettro wavelet multifrattale in 2DLo spettro wavelet multifrattale in 3D
Conclusioni e sviluppi futuri
Alcune letture ...
Nicolis, O., Vidakovic, B. (2008)Wavelets, Self-Similarity,LongRange Dependence, and Processes That Scale Wiley. Inpreparazione.
Nicolis, O., Garutti, C. and Vidakovic, B. (2007). 2-DWavelet-Based Spectra with Applications in Analysis ofGeophysical Images. Submitted to Statistica sinica.
Ramirez, P, Vidakovic, B. (2007) Wavelet based 2D MultifractalSpectrum with Applications in analysis of Digital MammographyImages Working Paper, July.
Derado, G., Lee, K., Nicolis, O., Bowman, F. D., Newell,M.Ruggeri F. and Vidakovic, B. (2008) Wavelet-based 3-DMultifractal Spectrum with Applications in Breast MRI Images. Toappear in Bioinformatics Research and Applications, Springer.
Gonçalves P., Riedi, R. and Baraniuk, R. (1998). Simplestatistical analysis of waveletbased multifractal spectrumestimation. In Proceedings 32nd Asilomar Conference onSignals, Systems and Computers, Pacific Grove, CA.
Orietta Nicolis Oltre Fourier: applicazioni ambientali e biomediche delle wavelets