matlab如何重构图像,小波图像重构 Matlab 程序 - V2.0版

注意！程序有新的修正了，详细请见如下文章：

%----------------------------------------------------------%

小波分解重构 V2.0 版程序存在的问题分析

小波图像分解 Matlab 程序 - V3.0版

小波图像重构 Matlab 程序 - V3.0版

%----------------------------------------------------------%

本文给出相应的小波图像重构程序的修正版代码，图像分解程序的代码请见下文：

《小波图像分解

Matlab

程序

- V2.0

版

》

下面给出重构程序的代码，包括有：

mywaverec2(), myidwt2(), myidwt(), upspl()

。

function xrec=mywaverec2(coef,recdim,wname)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

函数

MYWAVEREC2()

对输入的分解系数矩阵

x

进行

recdim

层重构，得到重构矩阵

xrec

%

输入参数：

y ——

分解系数矩阵；

%          recdim ——

重构级数；

%          wname ——

重构所用的小波函数

%

输出参数：

xrec ——

重构矩阵。

% % Copyright by Zou Yuhua ( chenyusiyuan ), original : 2007-11-10, modified: 2008-06-04

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

求小波函数对应的重构滤波器组系数

[Lo_R,Hi_R] = wfilters(wname,'r');

%

通过小波系数矩阵求出图像的分解级数

decdim

[yr,yc]=size(coef);

%

小波系数矩阵

coef

是一个细胞矩阵(

cell matrix

)

,

其中有

yr

个子矩阵，

yc=1

decdim=(yr-1)/3;

%

图像的

N

级分解会产生

1

个低频矩阵，

N*3

个高频矩阵

if decdim

error(['Reconstruction level can not larger than decomposition level ( declev = ',num2str(decdim),' )'])

end

rcA=coef{1};

for i=1:recdim

%

依次获取第

decdim

级至第(

decdim - recdim + 1

)级的高频系数矩阵

rcV=coef{(i-1)*3+2};

rcH=coef{(i-1)*3+3};

rcD=coef{(i-1)*3+4};

rcA=myidwt2(rcA,rcV,rcH,rcD,Lo_R,Hi_R);

%

第

N

级重构得到第

N-1

级低频系数矩阵

end

xrec=rcA;

%

重构结束后得到的矩阵

rcA

即为输出矩阵

xrec

figure;

xr=uint8(xrec);

%

将矩阵

xrec

的数据格式转换为适合显示图像的

uint8

格式

[sr,sc]=size(xr);

imshow(xr);

title(['Reconstructed Image. DecLevel = ',num2str(decdim),' , RecLevel = ',num2str(recdim)]);

xlabel(['Size : ',num2str(sr),'*',num2str(sc)]);

%

显示重构矩阵的大小

function outcA=myidwt2(rcA,rcV,rcH,rcD,Lo_R,Hi_R)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

函数

MYIDWT2()

对输入的子矩阵序列进行逆小波变换，重构出矩阵

y

%

输入参数：

rcA,rcV,rcH,rcD ——

第

N

级低频、高频系数矩阵

%          Lo_R,Hi_R ——

图像重构用到的低通、高通滤波器系数

%

输出参数：

outcA ——

第

N-1

级低频系数矩阵，当

N-1=0

时即为重构图像。

% Copyright by Zou Yuhua ( chenyusiyuan ), original : 2007-11-10, modified: 2008-06-04

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

系数矩阵规范化，使各矩阵大小一致

[m,n]=size(rcA);

rcV=rcV(1:m,1:n);

rcH=rcH(1:m,1:n);

rcD=rcD(1:m,1:n);

%

将四个第

N

级系数矩阵组合成一个矩阵

tmp_mat=[rcA,rcV;rcH,rcD];

[row,col]=size(tmp_mat);

%

这里

tmp_mat

的行列数比第

N-1

级低频矩阵

cA(N-1)

的要长

lnf-1

行(列)

%

求出滤波器的长度

lnf=length(Lo_R);

for k=1:col

%

首先对组合矩阵

tmp_mat

的每一列，分开成上下两半

ca1=tmp_mat(1:row/2,k);

%

分开的两部分分别作为平均系数序列

ca1

、细节系数序列

cd1

cd1=tmp_mat(row/2+1:row,k);

% ca1

、

cd1

的长度恰好等于

tmp_mat

的行数

row

tmp1=myidwt(ca1,cd1,Lo_R,Hi_R);

%

重构序列的长度是(

row+lnf-1

)

%

注意不论是分解或重构，卷积后序列的长度都会比原序列要长

(

lnf-1

)

%

所以这里

tmp1

的长度要比

cA(N-1)

的行数长

2*(lnf-1

)行

%

故有效的重构序列应该是以

tmp1

中心的长度为(

row-lnf+1

)的那一段

%

通过

Matlab

函数

wkeep()

来实现截取

yt1(:,k)=wkeep(tmp1,row-lnf+1);

%

截取后的重构序列存入缓存矩阵

yt1

end

[row1,col1]=size(yt1);

for j=1:row1

%

将缓存矩阵

yt1

的每一行，分开成左右两半

ca2=yt1(j,1:col1/2);

%

分开的两部分分别作为平均系数序列

ca2

、细节系数序列

cd2

cd2=yt1(j,col1/2+1:col1);

tmp2=myidwt(ca2,cd2,Lo_R,Hi_R);

outcA(j,:)=wkeep(tmp2,col-lnf+1);

%

同理，也要截取

tmp2

中间长度为(

col-lnf+1

)的那一段，存入输出矩阵

outcA

end

function y = myidwt(cA,cD,lpr,hpr);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

函数

MYIDWT()

对输入的小波分解系数进行逆离散小波变换，重构出信号序列

y

%

输入参数：

cA ——

平均部分的小波分解系数；

%           cD ——

细节部分的小波分解系数；

%           lpr

、

hpr ——

重构所用的低通、高通滤波器。

% Copyright by Zou Yuhua ( chenyusiyuan ), original : 2007-11-10

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

lca=length(cA);

%

求出平均、细节部分分解系数的长度

lcd=length(cD);

while (lcd)>=(lca)

%

每一层重构中，

cA

和

cD

的长度要相等，故每层重构后，

%

若

lcd

小于

lca

，则重构停止，这时的

cA

即为重构信号序列

y

。

upl=upspl(cA);

%

对平均部分系数进行上抽样

cvl=conv(upl,lpr);

%

低通卷积

cD_up=cD(lcd-lca+1:lcd);

%

取出本层重构所需的细节部分系数，长度与本层平均部分系数的长度相等

uph=upspl(cD_up);

%

对细节部分系数进行上抽样

cvh=conv(uph,hpr);

%

高通卷积

cA=cvl+cvh;

%

用本层重构的序列更新

cA

，以进行下一层重构

cD=cD(1:lcd-lca);

%

舍弃本层重构用到的细节部分系数，更新

cD

lca=length(cA);

%

求出下一层重构所用的平均、细节部分系数的长度

lcd=length(cD);

end

% lcd < lca

，重构完成，结束循环

y=cA;

%

输出的重构序列

y

等于重构完成后的平均部分系数序列

cA

function y=upspl(x);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%

函数

Y = UPSPL(X)

对输入的一维序列

x

进行上抽样，即对序列

x

每个元素之间

%

插零，例如

x=[x1,x2,x3,x4],

上抽样后为

y=[x1,0,x2,0,x3,0,x4]; %

% Copyright by Zou Yuhua ( chenyusiyuan ), original : 2007-11-10

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

N=length(x);

%

读取输入序列长度

M=2*N-1;

%

输出序列的长度是输入序列长度的

2

倍再减一

for i=1:M

%

输出序列的偶数位为

0

，奇数位按次序等于相应位置的输入序列元素

if mod(i,2)

y(i)=x((i+1)/2);

else

y(i)=0;

end

end

运行结果图示：

1、Bior3.7 小波 3 级分解

由分解图可见，低频系数图像的边缘是有一定宽度的黑色边带，这是由于行、列变换时卷积产生的冗余数据，黑色表示这些数据的值为零，边带宽度与滤波器长度有关。图像原始大小为 256*256，n = 256, bior3.7小波的滤波器长度为 lnf=16，则上图中各级系数矩阵的大小可由公式 lenca1 = floor((n-1)/2)+lnf 计算得出：

Level-1: 256+16-1=271, floor(271/2)= 135   (128)   ( 7)

Level-2: 135+16-1=150, floor(150/2)=  75   ( 64)   (11)

Level-3:  75+16-1= 90, floor( 90/2)=  45   ( 32)   (13)

上面两列括号内的数据，第1列是有效的图像小波分解系数大小，第2列是黑色边带的宽度。

2、Bior3.7 小波 1 级重构

3、Bior3.7 小波 2 级重构

4、Bior3.7 小波 3 级重构

5、最后做一个有趣的实验，如果将分解后得到的平均系数 cA 清零，保留其它细节系数，然后进行重构，我们就会得到下面这样的重构图像：

这个重构图像完全是由各级细节系数重构得到的，可以说它表现了原始图像的轮廓、边缘特征的所有信息。应该可以作为图像纹理分析、边缘检测等应用的基础，呵呵，不知说的是否恰当，希望能抛砖引玉，欢迎大家拍砖，多多讨论交流！