【图像压缩】基于matlab GUI小波变换图像压缩【含Matlab源码 609期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、简介

1974年，法国工程师J.Morlet首先提出小波变换的概念，1986年著名数学家Y.Meyer偶然构造出一个真正的小波基，并与S.Mallat合作建立了构造小波基的多尺度分析之后，小波分析才开始蓬勃发展起来。小波分析的应用领域十分广泛，在数学方面，它已用于数值分析、构造快速数值方法、曲线曲面构造、微分方程求解、控制论等。在信号分析方面的滤波、去噪声、压缩、传递等。在图像处理方面的图像压缩、分类、识别与诊断，去噪声等。本章将着重阐述小波在图像中的应用分析。
1 小波变换原理
小波分析是一个比较难的分支，用户采用小波变换，可以实现图像压缩，振动信号的分解与重构等，因此在实际工程上应用较广泛。小波分析与Fourier变换相比，小波变换是空间域和频率域的局部变换，因而能有效地从信号中提取信息。小波变换通过伸缩和平移等基本运算，实现对信号的多尺度分解与重构，从而很大程度上解决了Fourier变换带来的很多难题。
小波分析作一个新的数学分支，它是泛函分析、Fourier分析、数值分析的完美结晶；小波分析也是一种“时间—尺度”分析和多分辨分析的新技术，它在信号分析、语音合成、图像压缩与识别、大气与海洋波分析等方面的研究，都有广泛的应用。
（1）小波分析用于信号与图像压缩。小波压缩的特点是压缩比高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中能够抗干扰。基于小波分析的压缩方法很多，具体有小波压缩，小波包压缩，小波变换向量压缩等。
（2）小波也可以用于信号的滤波去噪、信号的时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。
（3）小波分析在工程技术等方面的应用概括的包括计算机视觉、曲线设计、湍流、远程宇宙的研究与生物医学方面。
2 多尺度分析

3 图像的分解和量化

4 图像压缩编码

5 图像编码评价

⛄二、部分源代码

unction varargout = multi_wavelet(varargin)

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @multi_wavelet_OpeningFcn, …
‘gui_OutputFcn’, @multi_wavelet_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before multi_wavelet is made visible.
function multi_wavelet_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to multi_wavelet (see VARARGIN)

% Choose default command line output for multi_wavelet
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes multi_wavelet wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = multi_wavelet_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
global I ;
[fname,pname]=uigetfile(‘.’);
I=imread(strcat(pname,‘’,fname));
[m,n,k]=size(I);
if k~=1
I=rgb2gray(I);
end
I=double(I);
axes(handles.axes1);
imshow(mat2gray(I));
title(‘原始图像的灰度图’);

% — Executes on selection change in popupmenu1.
function popupmenu1_Callback(hObject, eventdata, handles)
% hObject handle to popupmenu1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: contents = get(hObject,‘String’) returns popupmenu1 contents as cell array
% contents{get(hObject,‘Value’)} returns selected item from popupmenu1

global I ;
w1=get(handles.popupmenu1,‘value’)
switch w1 %选择小波基
case 1
w2= ‘bior 3.7’;
case 2
w2=‘bior 1.1’;
case 3
w2=‘bior 1.3’;
case 4
w2=‘bior 1.5’;
case 5
w2=‘bior 2.2’;
case 6
w2=‘bior 2.4’;
case 7
w2= ‘bior 2.6’;
case 8
w2=‘bior 2.8’;
case 9
w2=‘bior 3.1’;
case 10
w2=‘bior 3.3’;
case 11
w2=‘bior 3.5’;
case 12
w2=‘bior 3.9’;
case 13
w2=‘bior 4.4’;
case 14
w2=‘bior 5.5’;
case 15
w2=‘bior 6.8’;
case 16
w2=‘db1’;
case 17
w2=‘db4’;
case 18
w2=‘db15’;
end
disp(‘压缩前图像的大小’);%显示文字
whos(‘I’) %显示图像属性
% 进行二维小波变换 ‘bior3.7’
[a,b] = wavedec2(I, 3,w2); % 分三层，wavedec2：2维多层小波分解
% 提取各层低频信息
c1 = appcoef2( a, b,w2, 1 );%提取二维小波分解低频系数
axes(handles.axes18);
imshow(c1, []);
title(‘第一层低频部分：’);
ca1=wcodemat(c1,440,‘mat’,0); %对第一层信息进行量化编码
axes(handles.axes2);
imshow(ca1, []);
title(‘第一次压缩后图像：’);
disp(‘第一次压缩图像的大小’);%显示文字
whos(‘ca1’);
c2= appcoef2( a, b,w2, 2 );
axes(handles.axes19);
imshow(c2, []);
title(‘第二层低频部分：’);
ca2=wcodemat(c2,440,‘mat’,0); %对第一层信息进行量化编码
axes(handles.axes6);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]郑伟,崔跃利,王芳.基于小波变换的图像压缩编码研究综述[J].通信技术. 2008,(02)

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合