数字图像处理分IPA-7.pptVIP

对于数字图象（以512x512为例），通过连续平均2x2的象素块并丢掉隔行隔列的象素，将得到缩小的图象（256x256）（行列各缩小为原来的1/2）。这样迭代进行下去，直到得到1x1的图象为止。如果利用同样尺寸的边缘检测算子，在原始图象上则会得到小边缘，在256x256及更小的图象上会得到稍大及更大的边缘。 Haar基本小波函数定义在区间 [0，1]上，如图所示： DWT变换方法 执行离散小波变换的有效方法是使用滤波器 该方法是Mallat在1988年开发的，叫做Mallat算法 这种方法实际上是一种信号的分解方法，在数字信号处理中称为双通道子带编码。 用滤波器执行离散小波变换的概念如图所示 S表示原始的输入信号，通过两个互补的滤波器产生A和D两个信号 A表示信号的近似值 D表示信号的细节值 在许多应用中，信号的低频部分是最重要的，而高频部分起一个“锦上添花”的作用。 比如声音，把高频分量去掉之后，听起来声音确实是变了，但还能够听清楚说的是什么内容。相反，如果把低频部分去掉，听起来就莫名其妙了。 在小波分析中，近似值是大的缩放因子产生的系数，表示信号的低频分量。而细节值是小的缩放因子产生的系数，表示信号的高频分量。 双通道滤波过程 离散小波变换可以被表示成由低通滤波器和高通滤波器组成的一棵树 原始信号通过这样的一对滤波器进行的分解叫做一级分解 信号的分解过程可以叠代，也就是说可进行多级分解。 如果对信号的高频分量不再分解，而对低频分量连续进行分解，就得到许多分辨率较低的低频分量，形成如图所示的一棵比较大的树，这种树叫做小波分解树。 分解级数的多少取决于要被分析的数据和用户的需要。 小波分解树 小波包分解树 小波分解树表示只对信号的低频分量进行连续分解。如果不仅对信号的低频分量连续进行分解，而且对高频分量也进行连续分解，这样不仅可得到许多分辨率较低的低频分量，而且也可得到许多分辨率较低的高频分量。这样分解得到的树叫做小波包分解树（二叉树）。 快速小波变换算法 离散小波变换算法 快速小波变换算法 离散小波逆变换 二维离散小波变换 对于M×N的离散函数f(x,y)的离散小波变换对为： 快速小波变换算法 二维离散小波变换的一次分解 快速小波变换算法 图像的二维离散小波变换 小波分析在图像处理中的应用 傅里叶变换用在频谱分析和滤波方法的分析上。但傅里叶反映的是信号或函数的整体特征，而实际问题关心的是信号的局部范围中的特征。如，在音乐和语言信号中人们关心的是什么时刻奏什么音符，发出什么样的音节；对地震记录，关心什么位置出现反射波；在边缘检测中，关心的是信号突变部分的位置。引进的窗口傅里叶，用一个窗口去乘所研究的函数，然后进行傅里叶变换。但引入的这种变换窗口的尺寸和形状与频率无关而且是固定不变的。这与高频信号的分辨率应比低频信号高，因而与频率升高应当窗口减小这一要求不符，为此未能得到广泛的应用与发展。 小波分析在图像处理中的应用 1)从分辨率看，小波很好地解决了时间与频率分辨率的矛盾，它巧妙的利用了非均匀分布的分辨率，在低频段用高的频率分辨率和低的时间分辨率，而在高频段则采用低的频率分辨率和高的时间分辨率。即子波分析的窗宽是可变的，在高频时用窄窗口，而在低频时，则使用宽窗口。 2) 小波并不一定要求是正交的，其时宽频宽乘积很小，因而展开系数的能量较为集中。 子波变换的基本思想：是用一族函数去表示或逼进一个信号或函数，这族函数称为子波函数集，它通过一基本子波函数的不同尺度的平移和伸缩组成，它的特点是时宽频宽乘积很小，且在时间和频率轴上都很集中。 小波分析在图像处理中的应用 小波的特点：特别适用于非稳定信号的处理 a）能量集中 b）易于控制各子带噪声 c）与人类视觉系统相吻合的对数特征。 d）突变信号检测中：由于分辨率随频率的不同而变化的 特点，能准确定位信号的上升沿和下降沿。 小波分析在图像处理中的应用 应用： 1）图像压缩：小波把信号分解成具有不同时间和分辨率的信号 2）图像除噪(除噪的同时保留边界) 3）正交小波变换在图像拼接和镶嵌中的应用 把两个图像按不同尺度下的小波分量先拼接下来，然后再用程序重构整个图像，这样得到的图像可以很好地兼顾清晰度和光滑度两个方面的要求。 第七章 小波和多分辨率处理 多分辨率分析的背景知识 多分辨率展开 一维小波变换 快速小波变换算法 二维离散小波变换 小波分析在图像处理中的应用 多分辨率分析的背景知识 图像金字塔 金字塔算法 （机器视觉、图像压缩） 一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合 一个金字塔图像结构 金字塔的底部是待处理图像 的高分辨率表示，而顶部是