### Python代码示例 #### 读取并显示图像 为了实现这一功能，可以利用`PIL`库中的`Image`模块来加载图像文件，并通过`matplotlib.pyplot.imshow()`函数展示图像。 ```python from PIL import Image import matplotlib.pyplot as plt image_path = 'path_to_image.jpg' img = Image.open(image_path) plt.figure(figsize=(8, 6)) plt.axis('off') plt.imshow(img) plt.show() ``` 上述脚本会打开指定路径下的图片文件，并将其可视化出来[^1]。 #### 进行快速傅里叶变换(FFT) 对于二维数组形式的灰度图而言，可借助NumPy包执行离散傅立叶转换操作；而对于彩色RGB模式，则需先转成灰阶版本再处理。这里给出的是针对单通道（即黑白照片）情况下的方法： ```python import numpy as np from scipy.fftpack import fftshift, fft2 gray_img = img.convert('L') # 转换成灰色调 np_gray_img = np.array(gray_img) f_transformed = fft2(np_gray_img) magnitude_spectrum = 20 * np.log(np.abs(f_transformed)) # 显示幅度谱 plt.figure(figsize=(8, 6)) plt.title('Magnitude Spectrum') plt.xticks([]), plt.yticks([]) plt.imshow(magnitude_spectrum, cmap='gray') plt.colorbar(label="log magnitude") plt.show() ``` 这段程序计算输入图像矩阵对应的频域表示——复数型频率响应阵列，并绘制其绝对值对数值作为振幅分布图形。 #### 小波变换(Wavelet Transform) 采用PyWavelets工具箱完成多分辨率分析任务，具体来说就是应用db4类型的Daubechies小波基底来进行一层级分解过程。 ```python import pywt coeffs2 = pywt.dwt2(np_gray_img, 'db4') LL, (LH, HL, HH) = coeffs2 fig, axs = plt.subplots(nrows=1, ncols=4, figsize=(12, 3)) axs[0].imshow(LL, origin='upper', interpolation="nearest", cmap=plt.cm.gray) axs[0].set_title('Approximation LL') for i, ax in enumerate(axs[1:], start=1): component = [LH, HL, HH][i-1] im = ax.imshow(component, origin='upper', interpolation="nearest", cmap=plt.cm.gray) ax.set_title(['Horizontal LH', 'Vertical HL', 'Diagonal HH'][i-1]) fig.tight_layout() plt.show() reconstructed_image = pywt.idwt2(coeffs2, 'db4') plt.figure(figsize=(8, 6)) plt.title('Reconstructed Image via IDWT') plt.imshow(reconstructed_image.astype(int), cmap='gray') plt.show() ``` 此部分展示了如何运用双正交滤波器组将原始信号拆解为不同尺度上的近似分量与细节特征向量集合，同时也包含了逆离散小波变化重建原貌的过程[^2]。