2014第3章图像变换.ppt

5．二维离散小波变换 二维离散小波变换是一维离散小波变换的推广，其实质上是将二维信号在不同尺度上的分解，得到原始信号的近似值和细节值。由于信号是二维的，因此分解也是二维的。分解的结果为：近似分量cA、水平细节分量cH、垂直细节分量cV和对角细节分量cD。同样也可以利用二维小波分解的结果在不同尺度上重构信号。 2.5.2 小波变换在图像处理方面的应用 小波变换是一种复杂的数学变换，可以在时域和频域上对原始信号进行多分辨率分解，小波分析的应用是与小波分析的理论研究紧密地结合在一起的。小波分析在图像处理方面的应用领域十分广泛，可用于图像压缩、分类识别、去除噪声等；在医学成像方面，它用于减少B超、CT、核磁共振成像的时间，提高分辨率等。 图2.5.10 二级小波变换示例 下面举一个二级小波分解的例子来说明基于小波变换的图像编码能够很好地实现图像分辨率和图像质量的多级伸缩性。 在图2.5.10中，a 图是一个分辨率为256×256像素的灰度图像，图像的灰度级为256，对这个二维原始图像做小波变换，对二维图像做小波变换实际上就是把原始图像的像素值矩阵变换成另一个有利于压缩编码的系数矩阵，该系数矩阵所对加的图像如图b所示，可以看出，经过一级小波变换后，原始图像被分解成几个子图像，每个子图像包含了原始图像中不同的频率成分，左上角子图包含了图像的低频分量，即图像的主要特征，低频分量可再次分解；右上角子图包含了图像的垂直分量，即包含了较多的垂直边缘信息；左下角子图包含了图像的水平分量，即包含了较多的水平边缘信息：右下角子图包含了图像的对角分量，即同时包含了垂直和水平边缘信息。 从图b中可以看出，经过小波变换，原始图像的全部信息被更新分配到了四个子图中，左上角子图包含了原始图像的低频信息，但失去了一部分边沿细节信息，这些失去的细节信息被分配到了其他三个子图中，由于失去了部分细节信息，所以左上角子图比原始图像模糊了一些，不仅如此，其长宽尺寸也降低到原来的—半，即分辨率降低到原来的1／4。一种最容易理解的图像压缩方法就是，丢弃三个细节子图，只保留并编码低频子图。但实际上，并不是通过这么简单的处理来进行图像压缩，三个细节子图不会被丢掉，而是与低频子图一起编入码流，这样才可能在解码时恢复出完整的原始图像。 当然，如果用户只需要一个小尺寸的图像，那就只需从码流中解码出低频子图即可。低频子图可以进一步分解，经过二级分解后，系数矩阵所对应的图像如图c所示。图c中，低频子图的尺寸降到了原始图像的1／16，可见每一级小波分解都是对空间分辨率和频率分量的进一步细分。从此例可以看出，小波变换为在一个码流中实现图像多级分辨率提供了基础，前面提到，为了能在解码端恢复出完整的原始图像，所有的细节子图都一起编入了码流，不扔掉这些细节，那图像的数据量又怎能被压缩呢?对图像进行了小波变换，并不代表图像的数据量就被压缩了。因为变换后，系数的总量并未减少，那么变换的意义何在呢?在于使图像的能量分布（频域内的系数分布）发生改变，从而利于压缩编码。要真正地压缩数据量，还要对变换后的系数进行量化、扫描和熵编码。这样就可以达到减少图像数据量的目的。 例2.5.1 利用二维小波变换对图像进行编码。 MATLAB源程序代码如下： clear clc X=imread(barbara.bmp); %对图像用小波进行层分解 [c,s]=wavedec2(X,2,bior3.7); %提取小波分解结构中一层的低频和高频系数 ca1=appcoef2(c,s,bior3.7,1); ch1=detcoef2(h,c,s,1); cv1=detcoef2(v,c,s,1); cd1=detcoef2(d,c,s,1); %小波重构 a1=wrcoef2(a,c,s,bior3.7,1); h1=wrcoef2(h,c,s,bior3.7,1); v1=wrcoef2(v,c,s,bior3.7,1); d1=wrcoef2(d,c,s,bior3.7,1); c1=[a1,h1;v1,d1]; %保留小波分解第一层低频信息进行压缩 ca1=appcoef2(c,s,bior3.7,1); %首先对第一层信息进行量化编码 ca1=wcodemat(ca1,400,mat,0); %改变图像高度 ca1=0.5*ca1; ca2=appcoef2(c,s,bior3.7,2); %保留小波分解第二层低频信息进行压缩 %首先对第二层信息进行量化编码 ca2=wcodemat(ca2,400,mat,0); %改变图像高度 ca2=0.25*ca2; %显示原始图像 subplot(221) imshow(X) title(原始图像) d