二维图像haar小波变换的分解与重构

二维离散小波的理论推导和一维小波类似，但是以其尺度函数生成的尺度函数集作为标准正交基的尺度空间V_i的正交补空间W_i不能直接得到，而是可以证明，正交补空间W_i是由三个子空间的直和组成，对应的三个子空间可以由作为正交基的尺度函数、小波函数张成。

二维离散小波变换对图像的分解可以看做如下图所示的滤波过程，即首先进行行滤波，沿着列方向进行，然后下采样，然后对上一步得到的结果进行列滤波，沿着行方向，然后下采样，做完所有的列滤波后，获得4个不同的频带，一个近似分量、三个细节分量（水平、垂直、对角线），将所有的结果组合为一张图。

若对所得的近似分量继续进行这样的滤波过程，既可以得到如下图所示的塔式分解：

注意这里有个坑，python cv2对于float类型会乘以255，导致近似分量会显示为白图，需要使用pyplot进行显示。重构出来的图像如下图所示：

haar代码如下：

import numpy as np
import matplotlib.image as mpimg # mpimg 用于读取图片
import matplotlib.pyplot as pltL_D = np.array([0.7071,   0.7071])
H_D = np.array([-0.7071,  0.7071])
L_R = np.array([0.7071,   0.7071])
H_R = np.array([0.7071,  -0.7071])QP = 20
threshold = 5
#这里的图像是整张图像，height、width是整张图像大小
def haar_decomposition(img, height, width, depth):img_h = np.zeros((height , width ))img_l = np.zeros((height , width ))img_l_l = np.zeros((height , width)) #近似系数，左上img_l_h = np.zeros((height , width)) #细节系数，垂直方向，左下img_h_l = np.zeros((height , width)) #细节系数，水平方向，右上img_h_h = np.zeros((height , width)) #细节系数，对角线，右下img_new = np.zeros((height , width)) depth_count = 1;while depth_count <= depth:if depth_count != 1:width = width // 2height = height // 2#行滤波#行间滤波,然后进行下采样for i in range(0, height // 2, 1):for j in range(0, width, 1):    i_endflag = 1 if i + 1 < height // 2 else -1img_l[i][j] = ((L_D[0] * img[i * 2][j] + L_D[1] * img[i * 2 + i_endflag][j]) // QP) * QPimg_h[i][j] = ((H_D[0] * img[i * 2][j] + H_D[1] * img[i * 2 + i_endflag][j]) // QP) * QPn_w = width // 2n_h = height // 2#列滤波，列间滤波，沿着行for i in range(0, height // 2, 1):for j in range(0, width // 2, 1):j_endflag = 1 if j + 1 < width // 2 else -1img_l_l[i][j]             = ((L_D[0] * img_l[i][j * 2] + L_D[1] * img_l[i][j * 2 + j_endflag]) // QP) * QPimg_l_h[n_h + i][j]       = ((H_D[0] * img_l[i][j * 2] + H_D[1] * img_l[i][j * 2 + j_endflag]) // QP) * QPimg_h_l[i][n_w + j]       = ((L_D[0] * img_h[i][j * 2] + L_D[1] * img_h[i][j * 2 + j_endflag]) // QP) * QPimg_h_h[n_h + i][n_w + j] = ((H_D[0] * img_h[i][j * 2] + H_D[1] * img_h[i][j * 2 + j_endflag]) // QP) * QPif depth_count == depth:img_new = img_new + img_l_l + img_l_h + img_h_l + img_h_helse:img_new = img_new + img_l_h + img_h_l + img_h_himg = img_l_l.copy()img_l[:][:] = 0img_h[:][:] = 0img_l_l[:][:] = 0    img_l_h[:][:] = 0img_h_l[:][:] = 0img_h_h[:][:] = 0depth_count += 1 img_new = np.round(img_new)return img_new#这里的图像是整张图像，height、width是原始图像大小
def haar_reconstruction(img, height, width, trans_num):img_h = np.zeros((height , width ))img_l = np.zeros((height , width ))img_l_l = np.zeros((height , width))img_l_h = np.zeros((height , width))img_h_h = np.zeros((height , width))img_h_l = np.zeros((height , width))img_new = np.zeros((height , width)) depth_count = 1;min_width  = width  // ( 2 ** trans_num )min_height = height // ( 2 ** trans_num )cur_width =  min_widthcur_height = min_heightwhile depth_count <= trans_num:if depth_count != 1:cur_width  = cur_width * 2cur_height = cur_height * 2#列上采样for i in range(cur_height):for j in range(cur_width):img_l_l[i][2*j] = img[i][j]img_l_h[i][2*j] = img[cur_height + i][j]img_h_l[i][2*j] = img[i][cur_width + j]img_h_h[i][2*j] = img[cur_height + i][cur_width + j]#列滤波,列间滤波，沿着行for i in range(cur_height):for j in range(2 * cur_width):j_endflag = 1 if j + 1 < 2 * cur_width else -1img_l_l[i][j] = L_R[0] * img_l_l[i][j] + L_R[1] * img_l_l[i][j + j_endflag]img_l_h[i][j] = H_R[0] * img_l_h[i][j] + H_R[1] * img_l_h[i][j + j_endflag]img_h_l[i][j] = L_R[0] * img_h_l[i][j] + L_R[1] * img_h_l[i][j + j_endflag]img_h_h[i][j] = H_R[0] * img_h_h[i][j] + H_R[1] * img_h_h[i][j + j_endflag]for i in range(cur_height):for j in range(2 * cur_width):img_l[i][j] = img_l_l[i][j] + img_l_h[i][j]img_h[i][j] = img_h_l[i][j] + img_h_h[i][j]#行上采样for i in range(cur_height - 1, -1, -1):for j in range(2 * cur_width):img_l[2 * i][j] = img_l[i][j]img_h[2 * i][j] = img_h[i][j]if i != 0:img_h[i][j]     = 0img_l[i][j]     = 0#行滤波for j in range(2 * cur_width):for i in range(2 * cur_height):i_endflag = 1 if i + 1 < 2 * cur_height else -1img_l[i][j] = L_R[0] * img_l[i][j] + L_R[1] * img_l[i + i_endflag][j]img_h[i][j] = H_R[0] * img_h[i][j] + H_R[1] * img_h[i + i_endflag][j]img_new = img_l + img_h    img_new = np.round(img_new)img_new = np.clip(img_new, 0, 255)    for i in range(2 * cur_height):for j in range(2 * cur_width):img[i][j] = img_new[i][j]img_l[:][:] = 0img_h[:][:] = 0img_l_l[:][:] = 0    img_l_h[:][:] = 0img_h_l[:][:] = 0img_h_h[:][:] = 0depth_count += 1      return img_newdef calc_psnr(img_reco, img_org):data1 = np.round(img_reco)data2 = np.round(img_org)data1 = np.clip(data1, 0, 255)data2 = np.clip(data2, 0, 255)mse = np.mean((data1 - data2) * (data1-data2))# print(mse)return 10 * np.log10(255*255.0/mse)# 统计零值占比
def calc_percent(img):count = 0height = img.shape[0]width = img.shape[1]for i in range(height):for j in range( width):if img[i, j] == 0:count += 1percent = count / 256 / 256return percentdef main():img = mpimg.imread("LENA.BMP")img = img.copy()trans_num = 1#img_st, 存储小波变换后的图像img_st = haar_decomposition(img, img.shape[0], img.shape[1], trans_num)plt.xticks([])plt.yticks([])plt.imshow(img_st, cmap='gray')plt.show()per = calc_percent(img_st)img_re = haar_reconstruction(img_st, img.shape[0], img.shape[1], trans_num)mse = calc_psnr(img, img_re)plt.imshow(img_re, cmap='gray')plt.show()print(mse)print(per)if __name__ == "__main__":main()

二维图像haar小波变换的分解与重构相关推荐

图像Haar小波变换
说起小波变换就需要提起傅里叶变换.傅里叶变换就是把波进行分解,可以认为任意一个周期波都可以有足够多的正弦(余弦)波组成,这里足够多的正弦波对应的频率不同,把这些足够的正弦波放在频域中,就是傅里叶变换, ...
时间序列转二维图像方法及其应用研究综述
目录 1 前言 2 方法综述 2.1 时频分析法 2.1.1 短时傅里叶变换 2.1.2 小波变换 2.1.3 希尔伯特-黄变换 2.2 图像编码方法 2.2.1 格兰姆角场 2.2.2 马尔可夫转移 ...
二维图像的傅立叶变换
摘要:二维图像的傅立叶变换,与一维傅立叶相比,在理解上要抽象很多.我在网上找了几篇相对较好的文章,并用matlab自己做了几个实验图像,希望能对大家理解二维图像的傅立叶变换有所帮助. 关键字:二维傅立 ...
【Python】函数图像绘制：二维图像、三维图像、散点图、心形图
[Python]函数图像绘制:二维图像.三维图像.散点图.心形图所有需要用的包二维图像三维图像散点图绘制心形图绘制所有需要用的包 from mpl_toolkits.mplot3d imp ...
python怎么画简单图片-Python绘制简易的二维图像
大家好,我是飞向天空的牛. 最近学习了一下用Python绘制简易的二维图像,代码如下图所示:绘图代码文本如下: import matplotlib.pyplot as plt import nump ...
【MATLAB】二维绘图 ( 绘制二维图像 | 设置图像样式 )
文章目录一.绘制二维图像 1.二维绘图步骤 2.二维绘图步修饰 3.代码示例二.设置图像参数 1.图像参数 2.代码示例一.绘制二维图像 1.二维绘图步骤绘图前需要给定 xxx 轴 , yyy ...
python二维图颜色函数_Python scipy的二维图像卷积运算与图像模糊处理操作示例
本文实例讲述了Python scipy的二维图像卷积运算与图像模糊处理操作.分享给大家供大家参考,具体如下: 二维图像卷积运算一代码 import numpy as np from scipy i ...
拉普拉斯算子属于卷积方法吗_二维图像中的Laplace算子和图论中的Laplacian矩阵...
最近在阅读如何理解 Graph Convolutional Network(GCN)?www.zhihu.com 接触到了图论中的Laplacian矩阵,定义为 , 是Laplacian矩阵, 是 ...
程序员用「美貌」突破二维图像的人脸识别
GitChat 作者:于航原文: 如何利用"女装术"突破基于二维图像的人脸识别关注微信公众号:「GitChat 技术杂谈」一本正经的讲技术 [不要错过文末彩蛋] 首先声明,这 ...

二维图像haar小波变换的分解与重构

二维图像haar小波变换的分解与重构

二维图像haar小波变换的分解与重构相关推荐

最新文章

热门文章