小波变换（分解/重构）和彩色图像分量处理

2023-03-24 13:40| 来源: 网络整理| 查看: 265

小波变换小波分析

小波变换分成两个大类：离散小波变换（DWT）和连续小波转换（CWT）。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。所有小波变换可以视为时域频域表示的形式，所以和调和分析相关。

应用

1.影像分割影像分割可以定义为，将影像分成若干个区域，而这些像素组成区域必须为各个类似的像素所连结而成．临界值法：主要是靠设定临界值，来去区分物体与背景．区域法：将影像分为若干个子区域，这些子区域有相连性边界法：借由求影像梯度大小，来找出正确影像边界的方法边缘法：利用一阶导数的大小来侦测出边缘所在的位置，之后再使用一阶导数的方向将小的边缘连结成边界的方法．借由小波转换的方法，将原始的影像，经过特定的小波转换的技巧后, EX: symlets wavelet, 滤除掉噪声，并且对Ｘ轴方向做一次小波转换，对Y轴方向做一次小波转换，之后采用影像分割的方法，提高影像分割的精确度． 2.影像压缩原始的图形资料 -> 色彩模式的转换 -> DCT转换 -> 量化器 -> 编码器 -> 压缩完成算法细节参考小波压缩。 3.边缘侦测 4.音乐信号分析 5.遥测影像分析 6.生物医学信号分析:心电图 (Electrocardiography) 与脑波图 (Electroencephalography)

小波转换的优点

可以同时观察频率和时间轴，在频率高时有较好的时间清晰度，在频率低时有较好的频率清晰度。有快速小波转换可以加速运算。可以分离出信号的精细或粗糙成分。在小波理论中，可以用较少的小波系数去逼近一个函数。对信号去噪或压缩信号时，不会对信号造成明显的破坏。适用于分析突变信号，以及奇异信号可以分析信号不同scale大小样貌

代码实现 import numpy as np import pywt import cv2 import matplotlib.pyplot as plt from skimage import data,filters from numpy import * #1 读入图片数据 img = cv2.imread("huidu4.png") img = cv2.resize(img, (448, 448)) # 将多通道图像变为单通道图像 img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY).astype(np.float32) noiseSigma=0.04 img =img+random.normal(0, noiseSigma, size=img.shape) #生成正态分布 plt.figure('小波变换分解一层') ##coeffs = pywt.dwt2(img, 'haar') # 2分解一层 coeffs = pywt.wavedec2( img, 'haar', level=1) cA, (cH, cV, cD) = coeffs # 将各个子图进行拼接，最后得到一张图（影像压缩） AH = np.concatenate([cA, cH], axis=1) # np.concatenate 数组拼接函数 axis表示对应行 VD = np.concatenate([cV, cD], axis=1) img1 = np.concatenate([AH, VD], axis=0) ##可以进行图像阈值分割/（影像分割） thresh = filters.threshold_otsu(img) #返回一个阈值 dst =(img

【本文地址】

公司简介

联系我们