Ingrid Daubechies, la matematica che legge le immagini

Perché è importante

Una fotografia digitale è una grande raccolta di numeri. Possiamo conservarli tutti, ma spesso vogliamo rappresentare la stessa informazione in modo più economico, separare i dettagli dal rumore o riconoscere una struttura poco visibile. Prima di scegliere un algoritmo bisogna decidere in quale linguaggio descrivere quei numeri.

Ingrid Daubechies ha contribuito in modo decisivo a costruire quel linguaggio. Le wavelet sono funzioni localizzate che permettono di analizzare un segnale a scale differenti: una descrizione grossolana mostra l’insieme, mentre livelli successivi isolano particolari sempre più fini.

Il suo risultato unisce proprietà che sembravano difficili da conciliare: localizzazione, regolarità, ortogonalità e calcolo efficiente. Non ha inventato da sola l’intera teoria delle wavelet; ha realizzato costruzioni che hanno reso praticabili molte delle sue promesse. È un esempio di come una domanda astratta possa cambiare gli strumenti con cui osserviamo il mondo.

La vita

Daubechies nasce in Belgio nel 1954 e studia fisica alla Vrije Universiteit Brussel. Nel 1980 consegue il dottorato in fisica teorica, lavorando su problemi matematici legati alla meccanica quantistica. La formazione fisica accompagna la sua attenzione per le applicazioni, senza ridurre l’importanza delle dimostrazioni.

Nel 1987 entra nei Bell Laboratories negli Stati Uniti. Il confronto fra analisi matematica, ingegneria e trattamento dei segnali offre un ambiente fertile per le nuove idee sulle wavelet. Seguiranno incarichi a Rutgers e Princeton, quindi il trasferimento a Duke nel 2011.

Dal 2011 al 2014 presiede l’Unione Matematica Internazionale, prima donna in questo ruolo. La sua attività scientifica si accompagna all’impegno per ampliare la partecipazione alla ricerca. Il curriculum conservato dall’IMU documenta formazione e tappe accademiche.

Le idee che hanno cambiato la matematica

1. Guardare un segnale a più scale

Una sinusoide descrive un’oscillazione che si estende lungo tutto l’asse. Una wavelet concentra invece la propria azione in una zona: traslarla serve a esplorare posizioni diverse; dilatarla o comprimerla permette di cambiare scala. Possiamo così individuare non soltanto quali variazioni siano presenti, ma anche dove compaiano.

La rappresentazione multirisoluzione separa un’approssimazione dai dettagli necessari per migliorarla. Ripetendo il procedimento sull’approssimazione si ottiene una gerarchia. Per un’immagine, livelli diversi possono mettere in evidenza contorni ampi, piccoli bordi e tessiture. Le trasformate di Fourier restano fondamentali: la scelta dello strumento dipende dal problema.

2. Supporto compatto e regolarità

Una funzione ha supporto compatto se è nulla fuori da un intervallo limitato. Questa proprietà rende locale il calcolo: un coefficiente dipende soltanto da una porzione del segnale. Le wavelet di Haar possedevano già questa caratteristica, ma sono discontinue.

Nel lavoro del 1988 Daubechies costruisce basi ortonormali a supporto compatto con regolarità arbitrariamente elevata, scegliendo opportunamente la famiglia. Non significa ottenere una singola wavelet infinitamente regolare con tutte le altre proprietà: al crescere della regolarità cresce anche l’estensione del supporto. La costruzione mette in equilibrio precisione locale e levigatezza.

3. Dai coefficienti alla compressione

Una trasformazione invertibile, da sola, non elimina informazione e non garantisce un file più piccolo. Il vantaggio emerge quando molti coefficienti risultano nulli o piccoli: la descrizione può diventare più economica, dopo una codifica adatta. Se arrotondiamo o eliminiamo coefficienti, introduciamo invece una perdita da controllare.

Nel lavoro con Albert Cohen e Jean-Christophe Feauveau compaiono wavelet biortogonali: analisi e ricostruzione usano due famiglie collegate. Rinunciare alla stessa base ortonormale nelle due direzioni consente altre proprietà utili, come la simmetria. Queste costruzioni hanno un ruolo nel JPEG 2000; non vanno confuse con il JPEG tradizionale.

La formula o il teorema simbolo

Il risultato simbolo è l’esistenza di basi ortonormali di wavelet a supporto compatto e con regolarità elevata. Una famiglia si ottiene da una funzione madre ψ mediante traslazioni e cambiamenti di scala:

ψ_j,k(x) = 2^j/2 ψ(2^jx − k), con j e k interi.

Il parametro j controlla la scala, k la posizione. Il fattore davanti mantiene costante la norma quadratica. Per una base ortonormale appropriata, una funzione f a quadrato integrabile si espande in queste wavelet; i coefficienti sono i prodotti scalari di f con ciascun elemento, e la convergenza è intesa nella norma L².

Ortonormalità significa che gli elementi sono normalizzati e mutuamente ortogonali. Ne segue un controllo preciso dell’errore: se manteniamo solo alcuni coefficienti, il quadrato dell’errore L² è la somma dei quadrati di quelli scartati. Questa identità collega la scelta dei dettagli da conservare a una quantità misurabile.

Un problema raccontato

Prendiamo quattro valori di luminosità: 10, 10, 14, 14. Possiamo descriverli attraverso coppie di medie e differenze. Per la prima coppia otteniamo media 10 e semidifferenza 0; per la seconda media 14 e semidifferenza 0. I due zeri dicono che, dentro ciascuna coppia, non c’è variazione.

Ora trattiamo le due medie: la loro media è 12 e la semidifferenza, prendendo il primo valore meno il secondo, è −2. La descrizione diventa 12, −2, 0, 0. Per tornare indietro calcoliamo 12 + (−2) = 10 e 12 − (−2) = 14, poi ricostruiamo le due coppie.

Abbiamo cambiato coordinate senza perdere nulla. Se cancellassimo anche −2, ricostruiremmo quattro volte 12: l’immagine diventerebbe più uniforme, ma perderemmo il salto centrale. È precisamente il compromesso fra risparmio e dettaglio che la compressione deve gestire.

Questo esempio usa la logica di Haar e una normalizzazione comoda per il conto a mente, non la base ortonormale normalizzata né una wavelet più regolare di Daubechies. Per l’ortonormalità si usano fattori √2. Il principio didattico rimane: distinguere ciò che cambia lentamente da ciò che aggiunge informazione locale.

Curiosità

• La sua prima formazione universitaria è in fisica, non in un corso di laurea in matematica.
• Il nome wavelet richiama una piccola onda: scala e posizione sono entrambe essenziali.
• Il suo libro Ten Lectures on Wavelets ha ricevuto il Premio Steele per l’esposizione matematica nel 1994.
• Le applicazioni delle wavelet raggiungono anche lo studio delle opere d’arte: gli strumenti matematici aiutano a confrontare strutture e tracce nelle immagini.

Cosa leggere

Per conoscere la sua vita

La biografia MacTutor ricostruisce formazione, collaborazioni e riconoscimenti. È utile per collocare i risultati nel percorso della ricercatrice.

Per capire le wavelet

Ingrid Daubechies, Ten Lectures on Wavelets, SIAM, 1992. Un testo di riferimento per chi possiede basi di analisi e vuole andare oltre le analogie visive. È una lettura consigliata, distinta dai volumi verificati nel catalogo personale.

Fonti e testi originali

Orthonormal Bases of Compactly Supported Wavelets (1988) presenta la costruzione fondamentale. Le lezioni sulle diverse prospettive delle wavelet aiutano a collegare analisi, algoritmi e applicazioni.

L’eredità

Il contributo di Daubechies mostra che la rappresentazione di un problema è già parte della soluzione. I pixel non scompaiono per magia: vengono descritti in coordinate che possono rendere più visibili regolarità, dettagli e ridondanze. Da qui nascono possibilità concrete di elaborazione.

La stessa idea invita alla prudenza: un dettaglio piccolo può essere trascurabile in una fotografia e decisivo in un’immagine scientifica. La qualità di una ricostruzione va valutata rispetto allo scopo. La matematica fornisce misure e garanzie; scegliere che cosa preservare richiede anche conoscere il contesto.

In una frase

Ingrid Daubechies ha dato ai dettagli un linguaggio matematico capace di passare dalla dimostrazione all’immagine.

DALLA MIA BIBLIOTECA

• Timothy Gowers (a cura di), The Princeton Companion to Mathematics. Offre il contesto dell’analisi e delle applicazioni; Daubechies è fra gli autori dei contributi.

Scopri gli altri articoli della serie “Grandi matematici”