基于opencv的小波变换

最新推荐文章于 2023-06-15 11:00:42 发布
最新推荐文章于 2023-06-15 11:00:42 发布
阅读量5.3k 收藏 14
点赞数 1
分类专栏： CV相关

申明，本文非笔者原创，原文转载自：http://www.cnblogs.com/zhangzhi/archive/2009/09/19/1569888.html


提供函数DWT()和IDWT()，前者完成任意层次的小波变换，后者完成任意层次的小波逆变换。输入图像要求必须是单通道浮点图像，对图像大小也有要求（1层变换：w,h必须是2的倍数；2层变换：w,h必须是4的倍数；3层变换：w,h必须是8的倍数......），变换后的结果直接保存在输入图像中。
1、函数参数简单，图像指针pImage和变换层数nLayer。
2、一个函数直接完成多层次二维小波变换，尽量减少下标运算，避免不必要的函数调用，以提高执行效率。
3、变换过程中，使用了一个指针数组pData用于保存每行数据的起始位置，pRow和pColumn用于保存一行和一列临时数据，用于奇偶分离或合并，内存消耗较少。

代码: 全选
// 二维离散小波变换（单通道浮点图像）
void DWT(IplImage *pImage, int nLayer)
{
   // 执行条件
   if (pImage)
   {
      if (pImage->nChannels == 1 &&
         pImage->depth == IPL_DEPTH_32F &&
         ((pImage->width >> nLayer) << nLayer) == pImage->width &&
         ((pImage->height >> nLayer) << nLayer) == pImage->height)
      {
         int     i, x, y, n;
         float   fValue   = 0;
         float   fRadius  = sqrt(2.0f);
         int     nWidth   = pImage->width;
         int     nHeight  = pImage->height;
         int     nHalfW   = nWidth / 2;
         int     nHalfH   = nHeight / 2;
         float **pData    = new float*[pImage->height];
         float  *pRow     = new float[pImage->width];
         float  *pColumn  = new float[pImage->height];
         for (i = 0; i < pImage->height; i++)
         {
            pData[i] = (float*) (pImage->imageData + pImage->widthStep * i);
         }
         // 多层小波变换
         for (n = 0; n < nLayer; n++, nWidth /= 2, nHeight /= 2, nHalfW /= 2, nHalfH /= 2)
         {
            // 水平变换
            for (y = 0; y < nHeight; y++)
            {
               // 奇偶分离
               memcpy(pRow, pData[y], sizeof(float) * nWidth);
               for (i = 0; i < nHalfW; i++)
               {
                  x = i * 2;
                  pData[y][i] = pRow[x];
                  pData[y][nHalfW + i] = pRow[x + 1];
               }
               // 提升小波变换
               for (i = 0; i < nHalfW - 1; i++)
               {
                  fValue = (pData[y][i] + pData[y][i + 1]) / 2;
                  pData[y][nHalfW + i] -= fValue;
               }
               fValue = (pData[y][nHalfW - 1] + pData[y][nHalfW - 2]) / 2;
               pData[y][nWidth - 1] -= fValue;
               fValue = (pData[y][nHalfW] + pData[y][nHalfW + 1]) / 4;
               pData[y][0] += fValue;
               for (i = 1; i < nHalfW; i++)
               {
                  fValue = (pData[y][nHalfW + i] + pData[y][nHalfW + i - 1]) / 4;
                  pData[y][i] += fValue;
               }
               // 频带系数
               for (i = 0; i < nHalfW; i++)
               {
                  pData[y][i] *= fRadius;
                  pData[y][nHalfW + i] /= fRadius;
               }
            }
            // 垂直变换
            for (x = 0; x < nWidth; x++)
            {
               // 奇偶分离
               for (i = 0; i < nHalfH; i++)
               {
                  y = i * 2;
                  pColumn[i] = pData[y][x];
                  pColumn[nHalfH + i] = pData[y + 1][x];
               }
               for (i = 0; i < nHeight; i++)
               {
                  pData[i][x] = pColumn[i];
               }
               // 提升小波变换
               for (i = 0; i < nHalfH - 1; i++)
               {
                  fValue = (pData[i][x] + pData[i + 1][x]) / 2;
                  pData[nHalfH + i][x] -= fValue;
               }
               fValue = (pData[nHalfH - 1][x] + pData[nHalfH - 2][x]) / 2;
               pData[nHeight - 1][x] -= fValue;
               fValue = (pData[nHalfH][x] + pData[nHalfH + 1][x]) / 4;
               pData[0][x] += fValue;
               for (i = 1; i < nHalfH; i++)
               {
                  fValue = (pData[nHalfH + i][x] + pData[nHalfH + i - 1][x]) / 4;
                  pData[i][x] += fValue;
               }
               // 频带系数
               for (i = 0; i < nHalfH; i++)
               {
                  pData[i][x] *= fRadius;
                  pData[nHalfH + i][x] /= fRadius;
               }
            }
         }
         delete[] pData;
         delete[] pRow;
         delete[] pColumn;
      }
   }
}

// 二维离散小波恢复（单通道浮点图像）
void IDWT(IplImage *pImage, int nLayer)
{
   // 执行条件
   if (pImage)
   {
      if (pImage->nChannels == 1 &&
         pImage->depth == IPL_DEPTH_32F &&
         ((pImage->width >> nLayer) << nLayer) == pImage->width &&
         ((pImage->height >> nLayer) << nLayer) == pImage->height)
      {
         int     i, x, y, n;
         float   fValue   = 0;
         float   fRadius  = sqrt(2.0f);
         int     nWidth   = pImage->width >> (nLayer - 1);
         int     nHeight  = pImage->height >> (nLayer - 1);
         int     nHalfW   = nWidth / 2;
         int     nHalfH   = nHeight / 2;
         float **pData    = new float*[pImage->height];
         float  *pRow     = new float[pImage->width];
         float  *pColumn  = new float[pImage->height];
         for (i = 0; i < pImage->height; i++)
         {
            pData[i] = (float*) (pImage->imageData + pImage->widthStep * i);
         }
         // 多层小波恢复
         for (n = 0; n < nLayer; n++, nWidth *= 2, nHeight *= 2, nHalfW *= 2, nHalfH *= 2)
         {
            // 垂直恢复
            for (x = 0; x < nWidth; x++)
            {
               // 频带系数
               for (i = 0; i < nHalfH; i++)
               {
                  pData[i][x] /= fRadius;
                  pData[nHalfH + i][x] *= fRadius;
               }
               // 提升小波恢复
               fValue = (pData[nHalfH][x] + pData[nHalfH + 1][x]) / 4;
               pData[0][x] -= fValue;
               for (i = 1; i < nHalfH; i++)
               {
                  fValue = (pData[nHalfH + i][x] + pData[nHalfH + i - 1][x]) / 4;
                  pData[i][x] -= fValue;
               }
               for (i = 0; i < nHalfH - 1; i++)
               {
                  fValue = (pData[i][x] + pData[i + 1][x]) / 2;
                  pData[nHalfH + i][x] += fValue;
               }
               fValue = (pData[nHalfH - 1][x] + pData[nHalfH - 2][x]) / 2;
               pData[nHeight - 1][x] += fValue;
               // 奇偶合并
               for (i = 0; i < nHalfH; i++)
               {
                  y = i * 2;
                  pColumn[y] = pData[i][x];
                  pColumn[y + 1] = pData[nHalfH + i][x];
               }
               for (i = 0; i < nHeight; i++)
               {
                  pData[i][x] = pColumn[i];
               }
            }
            // 水平恢复
            for (y = 0; y < nHeight; y++)
            {
               // 频带系数
               for (i = 0; i < nHalfW; i++)
               {
                  pData[y][i] /= fRadius;
                  pData[y][nHalfW + i] *= fRadius;
               }
               // 提升小波恢复
               fValue = (pData[y][nHalfW] + pData[y][nHalfW + 1]) / 4;
               pData[y][0] -= fValue;
               for (i = 1; i < nHalfW; i++)
               {
                  fValue = (pData[y][nHalfW + i] + pData[y][nHalfW + i - 1]) / 4;
                  pData[y][i] -= fValue;
               }
               for (i = 0; i < nHalfW - 1; i++)
               {
                  fValue = (pData[y][i] + pData[y][i + 1]) / 2;
                  pData[y][nHalfW + i] += fValue;
               }
               fValue = (pData[y][nHalfW - 1] + pData[y][nHalfW - 2]) / 2;
               pData[y][nWidth - 1] += fValue;
               // 奇偶合并
               for (i = 0; i < nHalfW; i++)
               {
                  x = i * 2;
                  pRow[x] = pData[y][i];
                  pRow[x + 1] = pData[y][nHalfW + i];
               }
               memcpy(pData[y], pRow, sizeof(float) * nWidth);
            }
         }
         delete[] pData;
         delete[] pRow;
         delete[] pColumn;
      }
   }
}

上述代码只能对单通道进行变换，并且对图像位深和大小也有要求，还是不太好用。没关系，就这两个函数，可以对任意大小的彩色图像进行任意层次的小波变换，给段代码：

代码: 全选
// 小波变换层数
int nLayer = 2;
// 输入彩色图像
IplImage *pSrc = cvLoadImage("Lena.jpg", CV_LOAD_IMAGE_COLOR);
// 计算小波图象大小
CvSize size = cvGetSize(pSrc);
if ((pSrc->width >> nLayer) << nLayer != pSrc->width)
{
   size.width = ((pSrc->width >> nLayer) + 1) << nLayer;
}
if ((pSrc->height >> nLayer) << nLayer != pSrc->height)
{
   size.height = ((pSrc->height >> nLayer) + 1) << nLayer;
}
// 创建小波图象
IplImage *pWavelet = cvCreateImage(size, IPL_DEPTH_32F, pSrc->nChannels);
if (pWavelet)
{
   // 小波图象赋值
   cvSetImageROI(pWavelet, cvRect(0, 0, pSrc->width, pSrc->height));
   cvConvertScale(pSrc, pWavelet, 1, -128);
   cvResetImageROI(pWavelet);
   // 彩色图像小波变换
   IplImage *pImage = cvCreateImage(cvGetSize(pWavelet), IPL_DEPTH_32F, 1);
   if (pImage)
   {
      for (int i = 1; i <= pWavelet->nChannels; i++)
      {
         cvSetImageCOI(pWavelet, i);
         cvCopy(pWavelet, pImage, NULL);
         // 二维离散小波变换
         DWT(pImage, nLayer);
         // 二维离散小波恢复
         // IDWT(pImage, nLayer);
         cvCopy(pImage, pWavelet, NULL);
      }
      cvSetImageCOI(pWavelet, 0);
      cvReleaseImage(&pImage);
   }
   // 小波变换图象
   cvSetImageROI(pWavelet, cvRect(0, 0, pSrc->width, pSrc->height));
   cvConvertScale(pWavelet, pSrc, 1, 128);
   cvResetImageROI(pWavelet); // 本行代码有点多余，但有利用养成良好的编程习惯
   cvReleaseImage(&pWavelet);
}
// 显示图像pSrc
// ...
cvReleaseImage(&pSrc);

ChenLee_1
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
在OpenCV里实现小波变换
大坡3D软件开发
11-23 3460
小波变换（wavelet transform，WT）是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，...
python绘图函数
热门推荐
qq_18343569的博客
12-12 2万+
常用的绘图函数： cv2.line()， cv2.circle()， cv2.rectangle()，cv2.ellipse()， cv2.putText()  上面所有的这些绘图函数需要设置下面这些参数： • img：你想要绘制图形的那幅图像。 • color：形状的颜色。以 RGB 为例，需要传入一个元组，例如： （255,0,0） 代表蓝色。对于灰度图只需要传入灰度
转：基于opencv的小波变换
weixin_34218890的博客
08-08 581
转自http://www.cnblogs.com/zhangzhi/archive/2009/09/19/1569888.html 提供函数DWT()和IDWT()，前者完成任意层次的小波变换，后者完成任意层次的小波逆变换。输入图像要求必须是单通道浮点图像，对图像大小也有要求（1层变换：w,h必须是2的倍数；2层变换：w,h必须是4的倍数；3层变换：w,h必须是8的倍数......），变换后的结...
python的opencv操作记录(八)——小波变换
新兴IT民工的专栏
11-09 2932
小波变换的概念，一般逻辑和例子
opencv+小波变换
qq_37333087的博客
07-18 1万+
什么是小波变换   小波变换，作为图像处理中的一个重要分支，在图像压缩，医疗图像处理中有着比较好的应用，在一定程度上甚至可以取代傅里叶变换。与傅里叶变换不同，由于小波变换是建立在多尺度上的，因而可以有着更高的灵活度。这里为了让各位更好地理解小波，先打个比方。存在一家做产品的公司，该公司等级制度明确，其中有一个负责产品方向的CEO，以及一个负责技术的CTO。此时CEO决定做产品A，跟同为大佬的CT...
DWT与图像转换——Python和Matlab实现（完整解析版）
最新发布
有时候，想要一块二向箔
06-15 740
提取：将原载体图像进行二级离散小波变换得到三级分辨率级下的多个个细节子图，取cH2,cV2,cD2和一个逼近子图cA，嵌入后的载体图像进行二级离散小波变换得到一级分辨率下的一个逼近子图ca和三个细节子图chl,cvl,cd1，再计算并重构水印图像。将原载体图像进行二级离散小波变换得到三级分辨率级下的多个个细节子图，取cH2,cV2,cD2和一个逼近子图cA，嵌入后的载体图像进行二级离散小波变换得到一级分辨率下的一个逼近子图ca和三个细节子图chl,cvl,cd1，再计算并重构水印图像。
opencv小波变换
08-25
opencv小波变换,基于哈尔函数的尺度向量和小波向量分别为：hf=[1/sqr2,1/sqr2],hs=[1/sqr2,1/sqr2]
快速小波变换 基于opencv带注释
07-19
快速小波变换 线性小波 带注释 opencv 源码
sy.zip_opencv 图像融合_opencv 融合_opencv小波变换_图像复原_图像融合
07-15
基于opencv的图像小波变换 并实现图像融合和图像复原等功能
基于小波变换的图像分割研究
05-22
基于多分辨率分析的图像分割技术是当前图像处理的重要内容, 提出了小波变换多分辨率分析方法与改进分水岭分割算法相结合的综合分割方法。此方法利用逐层影射和小波反变换可以得到高分辨率图像, 与在原始图像上直接...
C++编程实现图像的小波变换去噪系统
05-29
C++编程实现图像的小波变换去噪系统
Opencv + c++实现简单的小波变换
10-06
简单的实现二维图像的小波变换，实现简答，也便于后期的小波拓展。
OpenCV3 小波变换
06-20
借鉴网上前辈代码，用OpenCV3写的小波变换，如有错误，请各位大神批评指正。
openCV图像的小波变换和逆变换
11-21
基于openCV的小波变换和逆变换，实现对输入图像的多层小波变换和逆变换重构，适用于图像处理、融合、识别等。
图像小波变换和逆变换_openCV
11-26
基于openCV实现的图像小波变换和逆变换功能函数源代码，可以在你的工程项目中直接调用，适用于图像融合分析分类识别等计算机视觉领域。
opencv实现小波变换
04-25
在VC++6.0和opencv1.0版本基础上实现小波变换
初学OpenCV学习记录(二)
weixin_42411702的博客
03-29 791
以下内容摘自OpenCV2 计算机视觉编程手册 大多数图像处理中，我们需要遍历图像的所有像素，接下来介绍遍历循环的方式(以三通道的彩色图像为例) 存储方式 在一个彩色图像中，图像数据缓冲区的前三个字节对应图像左上角像素的三个通道值，接下来三个字节对应第一行的第二个像素块，以此类推，出于效率考虑，有些图像每行会填补一些额外像素方便一些多媒体芯片处理数据，如果没有填补像素，则图像的有效宽度等于真实宽度。 本节用到的相关参数 成员变量： rows 图像的高度(像素的行数) cols 图像的宽度(像素的列数)
[学习记录]基于小波变换的图片分解
东荷新绿的博客
04-28 5302
本博客所包含的大致内容: 小波分解原理；基于python-opencv的RGB图像的小波分解与合成；基于PIL的RGB图像的小波分解与合成；解析命令行的简单使用。
使用基于小波变换的去噪方法 去除图片中的低频噪音 python opencv、
05-26
可以使用OpenCV中的小波变换函数cv2.dwt()来实现基于小波变换的去噪方法。下面是一个简单的示例代码： ```python import cv2 import numpy as np # 读取图像 img = cv2.imread("image.jpg", cv2.IMREAD_GRAYSCALE) # 使用小波变换进行去噪 coeffs = cv2.dwt2(img, 'haar') LL, (LH, HL, HH) = coeffs LL[np.where(np.abs(LL) < 10)] = 0 coeffs = LL, (LH, HL, HH) dst = cv2.idwt2(coeffs, 'haar') # 显示原始图像和去噪后的图像 cv2.imshow("Original", img) cv2.imshow("Denoised", dst) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上面的代码中，我们首先使用cv2.dwt2()函数对图像进行小波变换，然后将低频分量LL中小于10的值置为0，最后使用cv2.idwt2()函数将变换后的系数还原为图像。可以根据实际情况调整阈值大小以达到更好的去噪效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值