### Python 实现图像的小波变换与逆变换 为了实现图像的小波变换，可以通过滤波器组生成四个通道的图像，并保存这些通道的结果。随后还可以通过小波逆变换来整合图像。以下是详细的说明和代码示例： --- #### 小波变换的基本概念 小波变换的核心在于通过对图像进行水平和垂直方向上的低通和高通滤波操作，将其分解为四个子带： - **LL 子带**：水平和垂直方向均为低通滤波结果，表示图像的近似部分。 - **LH 子带**：水平低通、垂直高通滤波结果，反映图像的水平边缘信息。 - **HL 子带**：水平高通、垂直低通滤波结果，反映图像的垂直边缘信息。 - **HH 子带**：水平和垂直方向均为高通滤波结果，反映图像的对角线边缘信息。 这些子带共同构成了小波变换后的四个通道[^4]。 --- #### 使用 PyWavelets 库实现小波变换 PyWavelets 是一个强大的库，支持多种小波基函数以及快速的小波变换（DWT）和逆变换（IDWT）。下面是一个完整的代码示例，演示如何生成四个通道并保存它们，然后再通过逆变换恢复原图。 ```python import pywt import numpy as np from PIL import Image import matplotlib.pyplot as plt # 加载灰度图像 def load_image(image_path): img = Image.open(image_path).convert('L') # 转换为灰度图像 return np.array(img) # 执行小波变换 def perform_wavelet_transform(image, wavelet='db1', level=1): coeffs = pywt.dwt2(image, wavelet) # 进行二维小波变换 ll, (lh, hl, hh) = coeffs # 获取四个子带 return ll, lh, hl, hh # 可视化并保存四个子带 def save_subbands(ll, lh, hl, hh, output_prefix="subband"): subbands = {"ll": ll, "lh": lh, "hl": hl, "hh": hh} for name, data in subbands.items(): image = Image.fromarray(np.uint8(data)) image.save(f"{output_prefix}_{name}.png") # 执行小波逆变换 def reconstruct_image(coeffs, wavelet='db1'): reconstructed_image = pywt.idwt2(coeffs, wavelet) # 逆变换重构图像 return reconstructed_image # 主程序流程 if __name__ == "__main__": input_image_path = "input_image.png" # 输入图像路径 output_prefix = "output/subband" # 输出子带文件前缀 # 步骤 1: 加载图像 original_image = load_image(input_image_path) # 步骤 2: 执行小波变换 ll, lh, hl, hh = perform_wavelet_transform(original_image, wavelet='haar') # 步骤 3: 保存四个子带 save_subbands(ll, lh, hl, hh, output_prefix=output_prefix) # 步骤 4: 构造逆变换所需的系数元组 coeffs_for_reconstruction = (ll, (lh, hl, hh)) # 步骤 5: 执行小波逆变换 reconstructed_image = reconstruct_image(coeffs_for_reconstruction, wavelet='haar') # 显示原始图像和重建图像 fig, axes = plt.subplots(1, 2, figsize=(10, 5)) axes[0].imshow(original_image, cmap='gray') axes[0].set_title("Original Image") axes[0].axis('off') axes[1].imshow(reconstructed_image, cmap='gray') axes[1].set_title("Reconstructed Image") axes[1].axis('off') plt.show() ``` --- #### 关键点解析 1. **加载图像**：使用 `PIL.Image` 和 NumPy 数组加载并转换为灰度图像。 2. **小波变换**：调用 `pywt.dwt2()` 方法执行二维小波变换，返回 LL、LH、HL 和 HH 四个子带。 3. **保存子带**：将每个子带保存为独立的 PNG 文件。 4. **逆变换**：通过 `pywt.idwt2()` 方法重新组合四个子带，还原原始图像。 5. **可视化对比**：显示原始图像和重建图像以便验证效果。 --- #### 注意事项 - 在实际应用中，可以选择不同的小波基函数（如 `'haar'`, `'db1'`, `'sym4'` 等），以适应具体的场景需求[^3]。 - 如果需要更深层次的小波分解，可以调整参数 `level` 并多次迭代 `pywt.wavedec2()` 函数。 - 对于彩色图像，需先分离 RGB 通道并对每个通道单独处理后再合并。 --- ### 结果展示 运行上述代码后，将会生成如下内容： 1. 四个子带图像文件 (`subband_ll.png`, `subband_lh.png`, `subband_hl.png`, `subband_hh.png`)。 2. 展示原始图像和重建图像的对比窗口。 ---