小波图像处理

这篇具有很好参考价值的文章主要介绍了小波图像处理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

数字图像处理实验–小波图像处理

前置知识:
(1)wavedec2函数:

格式:[C,S]=wavedec2(X,N,‘wname’)
对图像X用wname小波基函数实现N层分解,
wname取值:‘Haar’是哈尔小波,‘sym4’是Symlet小波。
输出为C,S,C为各层分解系数,S为各层分解系数长度,也就是大小。

(2)appcoef2函数:

格式:A = appcoef2(C,S,‘wname’,N)
提取小波变换的第N层分解的低频系数,其中C,S是wavedec2的输出。

(3)detcoef2函数:

格式:[H,V,D] = detcoef2(‘all’,C,S,N)
提取小波变换的第N层分解的所有高频系数。
H、V、D分别表示HL子图、LH子图和HH子图。

(4)wrcoef2函数:

格式:X = wrcoef2(‘type’,C,S,‘wname’,N)
使用小波系数进行单支重构原图像。
type取值:‘a’表示使用LL子带;‘h’表示使用HL子带;‘v’表示使用LH子带;‘d’ 表示使用HH子带。

(5)wthcoef2函数:

格式:NC = wthcoef2(‘type’,C,S,N,T,SORH)
对小波系数阈值进行处理:返回经过小波分解结构[C,S]进行处理后的新的小波分解向 量NC,[NC,S]即构成一个新的小波分解结构。
N是一个包含高频尺度的向量(例如N=[1,2]表示对第1级和第2级分解的系数进行阈值处 理),T是相应的阈值(例如T=[10,20]表示第1级和第2级分解的系数的阈值分别为10 和20),且N和T长度须相等。参数SORH用来对阈值方式进行选择,当SORH = ‘s’时, 为软阈值,当SORH = ‘h’ 时,为硬阈值。

(6)waverec2函数:

格式:X = waverec2(C,S,‘wname’)
使用C,S对图像进行重建。

注意:

imshow(I,[]):根据 I中像素值的范围缩放显示.使用[min (f (😃) max (f (😃)]作为显示范围。imshow将f中的最小值显示为黑色,将最大值显示为白色。即函数会将图像矩阵中min(I(😃)=low,max(I(😃)=high;从而达到灰度拉伸的效果。

clc 
clear
I = imread('lena.jpg');
img_gray = rgb2gray(I);
[C,S] = wavedec2(img_gray,2,'Haar');
LL2 = appcoef2(C,S,'Haar',2);
[HL2,LH2,HH2] = detcoef2('all',C,S,2);
subplot(2,2,1),imshow(LL2,[]),title('第二层LL子图');
subplot(2,2,2),imshow(HL2,[]),title('第二层HL子图');
subplot(2,2,3),imshow(LH2,[]),title('第二层LH子图');
subplot(2,2,4),imshow(HH2,[]),title('第二层HH子图');

小波图像处理

PCH=[LL2,HL2;LH2,HH2];
[HL1,LH1,HH1] = detcoef2('all',C,S,1);
subplot(2,2,1),imshow(PCH,[]),title('第二层拼接图像');
subplot(2,2,2),imshow(HL1,[]),title('第一层HL子图');
subplot(2,2,3),imshow(LH1,[]),title('第一层LH子图');
subplot(2,2,4),imshow(HH1,[]),title('第一层HH子图');

小波图像处理

PCH1=[PCH,HL1;LH1,HH1];
subplot(1,2,1),imshow(img_gray),title('原始图像');
subplot(1,2,2),imshow(PCH1,[]),title('所有系数拼接图像');

小波图像处理

clc 
clear
I = imread('lena.jpg');
img_gray = rgb2gray(I);
I_noise = imnoise(img_gray,'gaussian',0,0.003);
[C_noise,S_noise] = wavedec2(I_noise,2,'sym4');
low_rec = wrcoef2('a',C_noise,S_noise,'sym4',2);
NL = wthcoef2('v',C_noise,S_noise,[1,2],[10.12,23.28],'s');
NH = wthcoef2('h',C_noise,S_noise,[1,2],[10.12,23.28],'s');
NC = wthcoef2('d',C_noise,S_noise,[1,2],[10.12,23.28],'s');
thre_rec = waverec2(C_noise,S_noise,'sym4');
subplot(2,2,1),imshow(img_gray),title('原始图像');
subplot(2,2,2),imshow(I_noise,[]),title('含噪声图像');
subplot(2,2,3),imshow(low_rec,[]),title('第一次去噪图像');
subplot(2,2,4),imshow(thre_rec,[]),title('第二次去噪图像');

小波图像处理文章来源地址https://www.toymoban.com/news/detail-464201.html

到了这里,关于小波图像处理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 彩色图像处理之彩色图像直方图处理的python实现——数字图像处理

    彩色图像的直方图处理是一种重要的图像处理技术,用于改善图像的视觉效果,增强图像的对比度,或为后续的图像处理任务(如图像分割、特征提取)做准备。彩色图像通常由红色(R)、绿色(G)、蓝色(B)三个颜色通道组成,因此彩色图像的直方图处理相比单色图像更

    2024年01月23日
    浏览(69)
  • 数字图像处理实验——数字图像处理初步

    一、实验目的与要求 1.熟悉及掌握在MATLAB中能够处理哪些格式的图像; 2.熟练掌握在MATLAB中如何读取图像及图像的属性信息(大小、颜色、亮度(灰度)、宽度、高度等); 3.掌握如何在MATLAB中按照指定要求存储一副图像的方法; 4.了解图像的算术运算在数字图像中的初步应

    2024年02月04日
    浏览(54)
  • 数字信号与图像处理实验三:图像处理基础与图像变换

    ​ 通过本实验加深对数字图像的理解,熟悉MATLAB中的有关函数;应用DCT对图像进行变换;熟悉图像常见的统计指标,实现图像几何变换的基本方法。 ​ 选择两幅图像,读入图像并显示,同时使用Matlab计算图像的大小,灰度平均值、协方差矩阵、灰度标准差和相关系数。 DC

    2024年02月04日
    浏览(62)
  • 数字图像处理第六章——彩色图像处理

    目录 引言 一、彩色基础 二、彩色模型 2.1 RGB彩色模型 2.2 CMY和CMYK彩色模型  2.3 HSI彩色模型 三、伪彩色图像处理 3.1 灰度分层 3.2 灰度到彩色的变换 四、彩色变换 ​编辑色调与色彩校正 五、平滑与锐化 5.1 平滑 5.2 锐化         在图像处理中,彩色的运用受两个主要因素

    2024年02月09日
    浏览(64)
  • Matlab图像处理基础(1):图像表示,点处理

    目录 0. 概要 1. 图像表示 Image Representation 1.1 图像格式 Image format 1.2 图像分辨率 resolution of image 1.3 图像的编码 1.4 Matlab图像加载、显示和保存  1.5 Image Information 1.6 图像格式转换 1.7 其它类型的像素 1.8 像素数值格式 1.9 图像数据的访问和引用 3. 点处理 Point Processing 3.1 关于像

    2023年04月08日
    浏览(53)
  • Python图像处理【23】分布式图像处理

    Python 已逐渐成为数据分析/处理领域中的主要语言,这得益于 Python 丰富的第三方库,但是,这些库的设计并未在分布式上进行扩展。 Dask 是为了原生地扩展这些 Python 库及其生态系统而开发的,它能够与现有的 Python 生态系统兼容,将其扩展到多核计算机和分布式集群中。

    2024年03月23日
    浏览(51)
  • python数字图像处理基础(四)——图像平滑处理、形态学操作、图像梯度

    让有噪音点(图像上显得突兀的像素点)的图像变得更加自然顺眼 1.均值滤波 blur() 根据核的大小(rowcol),每个像素值就等于以此像素为中心的周围rowcol个像素的平均值。 核大一点,显然越平滑、模糊。 result = cv2.blur(img, (15, 15)) 2.方框滤波 boxFilter() normalize=true的时候,效果同

    2024年01月18日
    浏览(82)
  • 数字图像处理 - 图像处理结合机器学习的应用示例

            在本文中,特别关注树叶分类机器学习技术的实现。我们的目标是演示如何利用机器学习算法来分析一系列叶子照片,从而实现准确分类并提供对植物领域有价值的算法。         图像处理中机器学习的本质         机器学习使计算机能够学习模式并根据

    2024年02月13日
    浏览(47)
  • 基于matlab的数字图像处理之彩色图像处理

    一、实验目的 (1)了解如何利用RGB分量生成简单的图像。 (2)熟练掌握RGB彩色模型转换到HIS彩色模型的过程。 (3)熟练掌握RGB图像的彩色分割。 (4)熟练掌握彩色图像如何在向量空间中进行边缘检测。 二、实验仪器(软件平台)     计算机、MATLAB软件 三、实验原理

    2024年02月06日
    浏览(48)
  • 图像处理ASIC设计方法 笔记2 图像边界镜像处理

    这本书是图像处理方面ASIC与DSP比较,讲了为什么要用ASIC做图像处理,它的特点和适用场景。读到第一章, (计算卷积的)工作窗口位于图像边界时镜像扩展后的情况 。 输入仍然是逐行逐列串行图像数据流,但是在工作窗口内部,根据窗口中心像素的坐标判断窗口位于图像

    2024年02月21日
    浏览(53)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包