小波变换mallat.docVIP

实验目的：通过编程实现离散快速小波变换Mallat算法，从而加深理解二维小波变换的分解与合成，同时，提高编程能力和matlab的应用，为以后的学习打下基础。 实验原理： 1、Mallat快速算法 本实验使用离散快速小波变换快速算法Mallat算法，算法原理如下 （1） （2） 重构算法： （3） 对于（1）、（2）等效于经过冲击响应为和的数字滤波器，然后再分别进行“二抽取”，Mallat分解算法的滤波器表示形式如下图 用滤波器表示如下图 2、 分别表示原始图像和重建后的图像，。 3、边界延拓方法有零延拓、周期延拓、对称周期延拓、常数连续延拓等，本实验采用以上四种方法进行原图像的1/8延拓，并进行重构，各种延拓方法所对应的函数为yan0(x)、yancir（x）、yan(x)、yanc(x),在主程序中，需要某种延拓，便调用某种函数。 实验编程思路： 为使程序易于理解，在不考虑算法复杂度的情况下，分解程序采用简洁的循环计算出下一级的分解系数，程序采用的编程思想如下 以上矩阵等式左面是进行二抽样的结果，是分解的低频部分。同理，对于分解的高频部分有如下矩阵形式： 分解程序： lenx=size(x,2);%x为一维向量 lenh=size(h,2); h=[h,zeros(1,(lenx-lenh))]; g=[g,zeros(1,(lenx-lenh))]; r1(1)=sum(h.*x); r2(1)=sum(g.*x); for k=1:1:(lenx/2-1) %循环求出下一级低频和高频分量 h=[h(end-1:end),h(1:(end-2))]; r1(k+1)=sum(h.*x); g=[g(end-1:end),g(1:1:(end-2))]; r2(k+1)=sum(g.*x); end y=[r1,r2]; 对于重构算法，其等效形式为 上式等号右边部分实质上是对变量的数字卷积运算,程序采用频域相乘代替卷积，重建程序为 y=ifft(fft(c3,lenx).*fft(h,lenx))+ ifft(fft(d3,lenx).*fft(g,lenx)); 实验结果及分析： 1、多尺度分解与重构图像 二维小波变换采用小波采用db3，其峰值信噪比PNSR=230.13db，并对三级分解图像进行归一化，求出0的个数为37626，其所占的百分比为57.41%。 2、延拓重建图像 延拓方法 周期延拓 对称周期延拓 零延拓 常数连续延拓 PNSR 230.18db 230.48db 229.80db 230.13db 从PNSR结果可知，在各种延拓中，对称周期延拓的重建图像结果最好，相比之下零延拓图像效果不如其他方法延拓。 3、不同小波下重构图像的性质 用不同小波进行图像重构，所得的重构图像能量分布如下 用各种小波进行重构后的图像的均值方差如下表。 小波 db1 db2 db3 db4 均值 124.0309 124.0509 124.0509 124.0509 方差 2272 2272 2272 2272 附录： 1、主函数程序 clc;clear; X=imread(LENA.bmp);%路径 X=double(X); % S=yancir(X); A=mallatdec2(X,db3, 3); image(abs(A)); colormap(gray(255)); title(3级多尺度分解图像); Y=mallatrec2(A,db3,3); Y=real(Y); figure(2); subplot(1,2,1); image(X); colormap(gray(255)); title(原始图像); subplot(1,2,2); image(Y); colormap(gray(255)); title(重建图像); zerosn=numberzeros(A); % Y=Y(33:288,33:288); %当调用延拓图像时，从延拓的重建图像进行截取 csize=size(X); sr=csize(1); sc=csize(2); mse=sum(sum( (Y-X).^2,1))/(sr*sc); psnr=10*log(255*255/mse)/log(10) 2、分解程序 function Y=mallatdec2(X,wname,level) %输入:X 载入的二维图像像数值; % level 小波分解次(级)数设定值(如果设定值超过最高可分解次数,按最高分解次数分 % wname 小波名字wavelet name %输出：Y 多极小波分解后的小波系数矩阵 [h,g]