10. 小波变换与图像处理（下）

10.1 一维小波变换

10.1.1 小波级数展开

1） 对于函数f(x) ，我们利用尺度函数与小波函数对其展开表示：

其中j0是任意起始尺度.cj0(k)通常称为近似或尺度系数，dj(k)称为细节或小波系数。

如果展开函数形成了一个正交基或者紧框架（通常情况下是这样的），展开系数计算如下：

2）示例：
考虑如下简单函数：

使用哈尔小波计算展开系数来表示它。令j0 = 0，有：

将这些系数带入：

也就是说可以在不同的分辨率对一个函数进行分解变换。得到的结果精确度越来越高，细节越来越像。

10.1.2 一维离散小波变换

1）如果展开的函数是离散的，那么得到的就是离散小波变换。其系数如下：

通常，我们令j0 = 0，并选择M为2的幂。
2）示例：
考虑四点的离散函数： f(0) = 1, f(1) = 4, f(2) = -3, f(3) = 0.我们将使用哈尔尺度和小波函数，并假定四个采样值分布在基函数的支撑域[0，1]上。取j0 = 0 ，离散小波变换系数可通过下式计算:


接下来我们通过反变换来重建原来的函数：

可得：

10.2 快速小波变换

1）快速小波变换是实现离散小波变换(DWT)的高效计算，该变换使用了相邻尺度DWT系数间的一种惊人的关系，实现系数的快速计算：

该式子表达使用较高分辨率可以得到低分辨率的系数，其实现方法是通过卷积在进行下采样即可。

2）如下图所示，一个信号被分解为一个低通函数（近似分量）和一个高通函数（细节分量），近似分量还可以继续向下分解。

3）一维快速小波变换举例：
f(n)= {1,4,-3,0},使用哈尔尺度函数和哈尔小波函数进行滤波：

哈尔尺度函数：

哈尔小波函数：

过程如下：

4）快速小波反变换：
（1）公式：

上采样方式为插0.
（2）举例：

5）快速傅里叶变换和快速小波变换比较：
（1）快速小波变换计算复杂度更低为n，快速傅里叶变换为nlogn
（1）小波变换可以反映一个信号的时域和频域信息，而傅里叶变换只可以表示频域信息

10.3 二维离散小波变换

1）小波变换很容易的就可以扩展到二维空间。在二维情况下，需要一个二维尺度函数和三个二维小波函数。每个都是两个一维函数的乘积：

定义尺度函数和小波函数：

因此，大小为M*N的二维图像的离散小波变换为：

离散小波反变换为：

2）二维离散小波变换示意：

将一幅图像分解为水平低通垂直低通的近似图像、水平低通垂直高通的垂直纹理图像，水平高通垂直低通的水平纹理图像，水平高通垂直高通的两个方向的纹理图像。
3）示例1：图像的小波分解

4）示例2：基于小波的边缘检测
如果把图7.25（c）中的近似半部分置为0，其余部分保留，在进行重建，就可以得到实现边缘检测的目的。如果把水平高频部分置为0，在进行重建就可以得到竖直边缘。如下图所示：

**4）示例2：基于小波的噪声去除 **
通常噪声都是图像中的高频部分，把图像进行小波分解后，设定阈值，将噪声部分去除，然后进行重建，就可去除噪声，如下图：

10.4 小波变换的MATLAB实现