基于小波变换和双三次插值的声呐图像超分辨率 python

1.理论基础

        图像进行离散小波变换获得低频系数和高频系数，低频系数和高频系数通过逆离散小波变换又可以重构为原图像。利用这一性质，我们可以对低频系数和高频系数进行一些处理，比如插值、去噪等，来完成图像的超分辨率重建。

        低频系数的处理：将原图进行领域插值后再进行haar小波分解，就能够使原图完全转化为其低频系数，且不存在任何信息损失。

        高频系数的处理：对原图进行双三次插值后进行haar小波分解，提取其三个方向上的高频系数。

2.代码实现

import cv2
import pywt
# 读取图像
image = cv2.imread(r'D:\pycharm\pytorch\study\data\LR\X4\9x4.jpg', 0)
#将原图先进行领域插值、双三次插值
img_area=cv2.resize(image, (0,0),fx=4,fy=4,interpolation=cv2.INTER_AREA)
img_cubic=cv2.resize(image, (0,0),fx=4,fy=4,interpolation=cv2.INTER_CUBIC)
# 进行小波变换 领域插值获取低频，双三次插值获取高频
coeffs_area = pywt.dwt2(img_area, 'haar')
cA, (cH, cV, cD) = coeffs_area
coeffs_cubic = pywt.dwt2(img_cubic,'haar')
cA1,(cH1, cV1, cD1) =coeffs_cubic
# 重构图像
coeffsSR=cA,(cH1, cV1, cD1)
reconstructed_image = pywt.idwt2(coeffsSR, 'haar')
# 显示原始图像和重构图像
cv2.imshow('Original Image', image)
cv2.imshow('Reconstructed Image', reconstructed_image.astype('uint8'))
cv2.waitKey(0)
cv2.destroyAllWindows()
#cv2.imwrite('Original Image.png', image)
#cv2.imwrite('Reconstructed Image.png', reconstructed_image.astype('uint8'))