【图像处理】小波变换（Wavelet Transform，WT）

在图像领域，小波变换是一种重要的多尺度、多分辨率分析工具，能够有效地提取图像的时频局部信息，广泛应用于图像压缩、去噪、特征提取、纹理分析等多个方面。

一、小波变换的基本原理

1、概述

小波变换（Wavelet Transform，WT）是一种时频分析方法，属于多分辨率分析（Multi-Resolution Analysis, MRA）工具。它通过一组由平移和伸缩操作生成的基函数（小波函数）对信号进行分解，能够同时捕捉局部细节信息（高频）和整体轮廓信息（低频）。

• 底层原理：小波变换入门（超清晰的思路）
• 图像处理：小波变换

2、傅里叶变换与小波变换的关系

在信号处理领域，傅里叶变换（Fourier Transform, FT）和小波变换（Wavelet Transform, WT） 都是将信号从时间域映射到频域的重要工具，但侧重点不同。

3、连续小波变换与离散小波变换

4、按小波基特性分类

基函数的选择影响变换的平滑度、正交性和边缘保留能力。

二、图像小波变换

1、概述

图像小波变换是将二维图像信号进行多尺度、多方向分解的过程。它通过小波函数和尺度函数将图像分为低频（Approximation）和高频（Detail）部分，以便针对不同频率进行分析、处理或压缩。

低频子带（LL）：图像的整体结构信息（轮廓、亮度分布）
高频子带（LH、HL、HH）：图像的细节信息（水平、垂直、对角纹理或边缘）

2、原理详解

（1）图像小波 - 分解：DWT

图像小波变换通常采用二维离散小波变换（2D-DWT）：

• （1）行变换
  对图像的每一行做一维小波变换，得到低频和高频行信号：

  • 低频行 → 保留行方向的轮廓信息
  • 高频行 → 保留行方向的边缘/细节

• （2）列变换
  对行变换结果的每一列再做一维小波变换，其将图像分解为四个子带：

  • LL（低频-低频：图像整体轮廓）
  • LH（低频-高频：水平边缘）
  • HL（高频-低频：垂直边缘）
  • HH（高频-高频：对角纹理与噪声）

这样一层分解完成后，可以进一步对 LL 子带做二级分解，实现多尺度分解。

• （3）多尺度分解（Multi-level Decomposition）
  每一层 LL 子带可以作为下一层输入继续分解，多层分解能实现逐渐抽象的图像信息提取：
  • 第一层 LL：保留主要轮廓
  • 第二层 LL：更粗略的整体结构
  • 高频子带依旧保留各层的边缘和纹理信息

这种多层分解是图像压缩和去噪的基础。

记忆口诀：低频看轮廓，高频看细节；行列分两次，四宫格呈现。

阈值处理（Thresholding）：常用于去噪，保留幅值大的系数，抑制噪声
系数修改：用于图像增强、压缩或特征提取

（2）图像小波 - 重构：Inverse DWT

定义：将处理后的子带通过逆小波变换组合回原图
原理：逆向执行列变换 → 行变换 → 恢复完整图像
特点：

• 正交小波：能量守恒，重构无失真
• 双正交小波：重构精确，同时可实现滤波器对称性，减少边缘伪影

3、算法流程

• 选择小波基（Haar、Daubechies、Symlet 等）
• 二维分解：对行 → 列做一维小波变换
• 多尺度迭代分解（可选）
• 子带处理：压缩、去噪、增强或提取特征
• 图像重构：逆小波变换恢复处理后图像

4、优势

• 多分辨率分析：低频-高频分离，边缘和纹理信息明确
• 局部特征提取：能有效保留局部结构信息
• 去噪能力强：通过阈值处理高频子带去除噪声
• 压缩效率高：高频系数可量化或舍弃，实现图像压缩（JPEG2000）

三、函数详解

（1）pywt.dwt2()：计算二维离散小波变换（2D DWT）

"""#############################################################################################
# 函数功能：计算二维离散小波变换（2D DWT），将二维信号（如图像）分解为低频和高频分量。
# 函数说明：pywt.dwt2(data, wavelet, mode='symmetric', axes=(-2, -1))
# 参数说明：
#         data：输入二维数组（通常是灰度图像或二维信号）。
#         wavelet：小波基名称（如 'haar', 'db1', 'db2', 'coif1' 等）或小波对象。
#         mode：信号边界扩展模式，用于处理边界效应。常见取值：
#             - 'symmetric'（默认）
#             - 'periodization'
#             - 'constant'、'reflect'、'nearest'、'mirror'
#         axes：指定进行小波变换的轴，默认对最后两个轴进行变换（适合二维图像）。
# 返回值：
#         返回一个元组 (cA, (cH, cV, cD))：
#             cA：低频近似系数（Approximation coefficients）。
#             cH：水平方向细节系数（Horizontal detail coefficients）。
#             cV：垂直方向细节系数（Vertical detail coefficients）。
#             cD：对角线方向细节系数（Diagonal detail coefficients）。
# 功能描述：
#         - 将二维信号分解为低频部分和三个高频细节部分，有助于图像压缩、特征提取、去噪等。
# 示例：
import pywt
import numpy as np
import matplotlib.pyplot as plt

# 构造一个简单二维信号（灰度图像）
data = np.array([[1, 2, 3, 4],
                 [5, 6, 7, 8],
                 [9, 10, 11, 12],
                 [13, 14, 15, 16]], dtype=np.float32)

# 进行二维离散小波变换
cA, (cH, cV, cD) = pywt.dwt2(data, wavelet='haar')

# 输出结果
print("低频近似系数 cA:\n", cA)
print("水平细节系数 cH:\n", cH)
print("垂直细节系数 cV:\n", cV)
print("对角线细节系数 cD:\n", cD)
#############################################################################################"""

（2）pywt.idwt2()：计算二维离散小波逆变换（2D IDWT）

"""#############################################################################################
# 函数功能：计算二维离散小波逆变换（2D Inverse Discrete Wavelet Transform, 2D IDWT），将二维小波分解系数重建为原始二维信号（如图像）。
# 函数说明：pywt.idwt2(coeffs, wavelet, mode='symmetric')
# 参数说明：
#         coeffs：二维小波系数，可以是 (cA, (cH, cV, cD)) 形式，
#                 其中 cA 为低频近似系数，cH、cV、cD 为水平、垂直、对角线细节系数。
#         wavelet：小波基名称（如 'haar', 'db1', 'db2', 'coif1' 等）或小波对象，需与 dwt2 使用的小波一致。
#         mode：信号边界扩展模式，用于处理边界效应。常见取值：
#             - 'symmetric'（默认）
#             - 'periodization'
#             - 'constant'、'reflect'、'nearest'、'mirror'
# 返回值：
#         返回重建后的二维数组，与原始输入二维信号形状相同。
# 功能描述：
#         - 将二维小波分解系数重建回原始信号，用于图像重建、压缩恢复、去噪后重构等。
# 示例：
import pywt
import numpy as np
import matplotlib.pyplot as plt

# 构造一个简单二维信号（灰度图像）
data = np.array([[1, 2, 3, 4],
                 [5, 6, 7, 8],
                 [9, 10, 11, 12],
                 [13, 14, 15, 16]], dtype=np.float32)

# 进行二维离散小波变换
cA, (cH, cV, cD) = pywt.dwt2(data, wavelet='haar')

# 使用逆变换重建原始信号
reconstructed = pywt.idwt2((cA, (cH, cV, cD)), wavelet='haar')

# 输出重建结果
print("重建后的二维信号:\n", reconstructed)
#############################################################################################"""

四、项目实战

"""pip install opencv-python pywavelets matplotlib"""

import cv2
import pywt
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 1. 读取图像（灰度模式）
img = cv2.imread('../image/image.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.imread(r"D:\py\BC\brightness_51.2-1.tif", cv2.IMREAD_GRAYSCALE)  # 替换为真实图像路径
if img is None:
    print("图像不存在！")
    exit()

# 2. 执行 2D 离散小波变换（DWT）
coeffs2 = pywt.dwt2(img, 'haar')  # 'haar' 是最简单的小波，可以换成 'db2', 'sym4' 等
LL, (LH, HL, HH) = coeffs2
# LL：低频部分（整体亮度与结构）
# LH：水平高频（垂直边缘）
# HL：垂直高频（水平边缘）
# HH：对角高频（纹理和噪声）

# 3. 显示分解结果
titles = ['低频 LL', '水平高频 LH', '垂直高频 HL', '对角高频 HH']
fig, axes = plt.subplots(1, 4, figsize=(10, 4))
for i, a in enumerate([LL, LH, HL, HH]):
    axes[i].imshow(a, cmap='gray')
    axes[i].set_title(titles[i])
    axes[i].axis('off')

plt.tight_layout()
plt.show()
###################################################################################
# 4. 将分解结果重新组合成图像（重构）
reconstructed_img = pywt.idwt2(coeffs2, 'haar')

# 5. 显示原图与重构图
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1), plt.imshow(img, cmap='gray'), plt.title("原图"), plt.axis('off')
plt.subplot(1, 2, 2), plt.imshow(reconstructed_img, cmap='gray'), plt.title("小波重构图"), plt.axis('off')
plt.tight_layout()
plt.show()