小波变换（分解/重构）和彩色图像分量处理

小波变换

小波分析

小波变换分成两个大类：离散小波变换（DWT） 和连续小波转换（CWT）。两者的主要区别在于，连续变换在所有可能的缩放和平移上操作，而离散变换采用所有缩放和平移值的特定子集。所有小波变换可以视为时域频域表示的形式，所以和调和分析相关。

应用

1.影像分割
影像分割可以定义为，将影像分成若干个区域，而这些像素组成区域必须为各个类似的像素所连结而成．
临界值法： 主要是靠设定临界值，来去区分物体与背景．
区域法： 将影像分为若干个子区域，这些子区域有相连性
边界法： 借由求影像梯度大小，来找出正确影像边界的方法
边缘法： 利用一阶导数的大小来侦测出边缘所在的位置，之后再使用一阶导数的方向将小的边缘连结成边界的方法．
借由小波转换的方法，将原始的影像，经过特定的小波转换的技巧后, EX: symlets wavelet, 滤除掉噪声，并且 对Ｘ轴方向做一次小波转换，对Y轴方向做一次小波转换，之后采用影像分割的方法，提高影像分割的精确度．
2.影像压缩
原始的图形资料 -> 色彩模式的转换 -> DCT转换 -> 量化器 -> 编码器 -> 压缩完成
算法细节参考小波压缩。
3.边缘侦测
4.音乐信号分析
5.遥测影像分析
6.生物医学信号分析:心电图 (Electrocardiography) 与脑波图 (Electroencephalography)

小波转换的优点

可以同时观察频率和时间轴，在频率高时有较好的时间清晰度，在频率低时有较好的频率清晰度。
有快速小波转换可以加速运算。
可以分离出信号的精细或粗糙成分。
在小波理论中，可以用较少的小波系数去逼近一个函数。
对信号去噪或压缩信号时，不会对信号造成明显的破坏。
适用于分析突变信号，以及奇异信号
可以分析信号不同scale大小样貌

代码实现

import numpy as np
import pywt
import cv2
import matplotlib.pyplot as plt
from skimage import data,filters
from numpy import *

#1  读入图片数据
img = cv2.imread("huidu4.png")
img = cv2.resize(img, (448, 448))
# 将多通道图像变为单通道图像
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY).astype(np.float32)
noiseSigma=0.04
img =img+random.normal(0, noiseSigma,<