图像压缩与小波变换要点

合集下载

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用图像压缩是一种常见的数据压缩技术,其目的是通过减少图像数据的存储空间,以便更有效地传输和处理图像。

小波变换作为一种重要的数学工具,被广泛应用于图像压缩领域。

本文将探讨小波变换在图像压缩中的应用,并介绍其原理和优势。

一、小波变换的原理小波变换是一种多尺度分析方法,能够将信号分解成不同频率的子信号。

与傅里叶变换相比,小波变换具有更好的时域和频域局部性。

小波变换通过将信号与一组基函数进行卷积,得到信号在不同频率上的分解系数。

这些分解系数表示了信号在不同频率上的能量分布情况。

二、在图像压缩中,小波变换被用来分解图像,并通过舍弃部分系数来实现图像的压缩。

具体而言,小波变换将图像分解成一系列不同频率的子图像,其中低频子图像包含了图像的大部分能量,而高频子图像则包含了图像的细节信息。

通过舍弃高频子图像的一部分系数,可以实现对图像的压缩。

三、小波变换图像压缩的优势相比于传统的基于傅里叶变换的图像压缩方法,小波变换具有以下几个优势:1. 多尺度分析:小波变换能够对图像进行多尺度分析,能够更好地捕捉图像的细节信息。

这使得小波变换在保持图像质量的同时实现更高的压缩率。

2. 良好的时域和频域局部性:小波变换在时域和频域上都具有较好的局部性,能够更准确地描述图像的局部特征。

这使得小波变换在压缩图像时能够更好地保持图像的细节和边缘信息。

3. 适应性:小波变换是一种自适应的变换方法,能够根据图像的特性进行变换。

这使得小波变换能够更好地适应不同类型的图像,并实现更好的压缩效果。

四、小波变换图像压缩的实现步骤小波变换图像压缩一般包括以下几个步骤:1. 图像预处理:对原始图像进行预处理,包括灰度化、降噪等操作,以提高压缩效果。

2. 小波分解:将预处理后的图像进行小波分解,得到一系列不同频率的子图像。

3. 系数选择:根据压缩比率和图像质量要求,选择保留的小波系数。

4. 逆小波变换:对选择的小波系数进行逆小波变换,得到重构的图像。

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用一、引言近年来,随着数字图像的广泛应用,图像的压缩和储存问题得到了越来越多的关注。

图像压缩是将图像从原始表示转换为更紧凑的表示的过程,其目的是通过减少数据来减少存储空间和传输时间。

小波变换作为一种有效的信号分析工具,在图像压缩领域上也有广泛应用。

本文将探讨小波变换在图像压缩中的应用。

二、小波变换基础小波变换是一种多尺度分析方法,与傅里叶变换不同,它用一组经过移位和缩放的基本函数来分析信号的不同频率成分。

小波变换的基本函数是小波,它可以用于分析不仅包含低频信息的信号,也包含高频信息。

小波分析可根据信号中不同频率的变化来确定信号的局部特性。

小波变换优于传统的傅里叶变换在于它能保留信号的时域和频域特征,并且可以进行多分辨率分析。

三、小波变换的特点小波变换的主要特点有以下几个方面:1.自适应性:小波变换可以在不同分辨率下对不同频段的信号进行分析,因此可以根据需要选择合适的小波分析不同类型的图像。

2.局部性:小波变换可以分析信号的局部特性,因此能够对图像的局部结构进行更准确的处理。

3.高效性:小波变换可以通过快速算法进行计算,因此能够在较短时间内处理大量数据。

四、小波变换在图像压缩中的应用在图像压缩中,小波变换主要应用于两种压缩方法:基于小波变换的可逆压缩和基于小波变换的不可逆压缩。

1. 基于小波变换的可逆压缩小波变换在可逆压缩中的应用中,将图像分解为不同尺度和不同方向的子带。

在编码之前,可以对每个子带进行一些变换,例如位平面编码和霍夫曼编码。

这种方法的优点是压缩比高和可逆性好,但缺点是解压缩速度慢和需要大量的存储空间。

2. 基于小波变换的不可逆压缩不可逆压缩通常用于图像和视频压缩中。

这个过程是基于小波变换和基于量化的。

其中,小波变换负责将信号转换为不同频段的按重要性排序的系数,而量化将系数视为可压缩的数据,以达到良好的压缩率。

这种方法的优点是压缩比比可逆压缩高,缺点是解压缩后的图像已无法恢复原始精度。

小波变换及应用(图像压缩)

小波变换及应用(图像压缩)

a LL3
HL 3
d
2 3
´4
d
2 2
LH3 HH3
´4
d
1 3
d
3 3
HL2
d
1 2
d
3 2
LH 2
HH 2
d11
d12
HL1
d13
LH1
HH1
小波系数的树形结构
a
a1
(d
1 3
)
a2
(d
2 3
)
a3 (d33 )
a11 a12 a13 a14 a21 a22 a23 a24 a31 a32 a33 a34
k1 0 k2 0
L1 L1
di11(n1, n2 )
h(k1)g(k2 )ai (2n1 k1,2n2 k2 )
k10 k2 0
L1 L1
di21(n1, n2 )
g(k1)h(k2 )ai (2n1 k1,2n2 k2 )
k10 k2 0
小波变换及应用 (图像压缩)
小波分析因为同时具有好的空间分辨率和好的 频率分辨率,特别适于分析非稳态信号。自然 图像正具有这种非稳态特性,可以看作是能量 空间集中(图像边沿和细节)和频率集中(图 像的平缓变化部分)信号的线性组合[8]。因此, 使用小波分析进行图像压缩可以取得很好的效 果。
基于小波的图像压缩思想来源
L1 L1
di31(n1, n2 )
g(k1)g(k2 )ai (2n1 k1,2n2 k2 )
k10 k2 0
其中H(Z)和G(Z)为1-D小波滤波器,信号ai1(n1,n2) 是 ai(n1,n2) 在低分辨率上的近似,从ai(n1,n2) 籍 低通滤波器和沿行及列2倍下取样计算此近似 信号,信号 di1 1(n 1,n2)d ,i2 1(n 1,n2)和 di31(n1,n2)包 含 ai(n1,n2) 的细节。信号 di11(n1,n2) 包含垂直高 频(水平边沿)。计算此信号是由水平方向低 通和垂直方向高通滤波 ai(n1,n2) ,信号di21(n1,n2)

小波变换在图像压缩中的应用研究

小波变换在图像压缩中的应用研究

小波变换在图像压缩中的应用研究第一章:背景介绍随着计算机技术的不断进步,图像处理技术也在不断地发展。

在日常生活和工作中,我们经常需要传输和存储大量的图像文件,但是图像文件本身的大小经常非常大,给存储和传输带来了很大的困难。

为了解决这个问题,图像压缩技术应运而生。

其中一种常用的方法是小波变换。

第二章:小波变换的原理小波变换是一种分析时频域的信号处理方法,它通过对信号进行一定的变换,将信号从时域转换成频域,进而实现对信号的压缩和去噪等处理。

小波变换的数学公式为:x(t) = ∑ cnφn(t) + ∑ dnψn(t)其中,φn(t)和ψn(t)分别是正交小波函数,cn和dn为小波系数,表示信号在φn(t)和ψn(t)上的投影。

第三章:小波变换在图像压缩中的应用在图像压缩中,小波变换通常与离散余弦变换(DCT)等方法一起使用。

具体地,小波变换对图像进行多层分解,将一张大图像分解成多个小的频域图像,然后对每个小图像进行压缩。

小波变换的优点是能够同时提取图像的时域和频域信息,更好地保留图像的细节信息,并且能够有效地去除高频噪声。

第四章:具体实现方法小波变换在图像压缩中的具体实现方法有多种,其中较为常用的方法是基于小波分解和量化的方法。

具体过程如下:1. 将原始图像进行小波分解,并对每个分解后的小图像进行2倍下采样(即只保留低频部分);2. 对每个小图像进行量化,即将每个小图像的所有小波系数除以一个固定的量化因子,并对结果进行四舍五入;3. 将量化后的系数编码成熵编码,以减小数据传输的大小。

第五章:小波变换在图像压缩中的优势通过小波变换进行图像压缩可以有效地减小图像的大小,提高图像传输和储存的效率。

同时,小波变换能够更好地保留图像的细节信息,避免在压缩过程中出现马赛克等模糊现象,因此可以获得更好的图像视觉效果。

第六章:应用前景展望小波变换在图像压缩中的应用已经广泛,而且还有很大的发展空间。

未来,随着计算机处理能力的提高,小波变换的速度和精度都将进一步提高,将会在更多的图像处理领域得到应用,比如图像识别、医学图像处理等。

小波变换用于图像压缩

小波变换用于图像压缩

一、小波变换用于图像压缩1. 图像用小波分解后的系数特征一个图像做小波分解后,可得到一系列不同分辨率的字图像。

其中高分辨率(即高频)的字图像上大部分点的数值都接近零,越是高频这种现象越明显。

而图像的能量主要集中在低频系数(近似系数)上。

从理论上说,由于f 具有指数)10(≤<ααHolder 连续的充要条件是()()21,+≤αψa K b a f W取j j k b --==2,2α,所以当j 比较大时,即高频时,小波变换()()j j k f W --2,2ψ的绝对值较小,而当j 比较小时,即低频时,小波变换的绝对值较大。

这样,可以在高频部分可以进行压缩比较大的压缩,低频部分进行压缩比较小的压缩,这样达到比较好的压缩效果。

2. 基于神经网络的矢量量化压缩(1) 量化方法我们将图像分解后的小波系数看作是一串m 个数据即一个m 维向量。

把这m 个数据截成M 段,每段k 个数据。

这样就将这m 个数据变为M 个k 维数据向量。

再将这M 个向量分为N 组,对每组用一个数据向量作为代表(可以是这组中的一个向量,也可以是另外的向量)。

设第i 组的代表向量为N i y i ,2,1,=。

压缩就是将图像上的数据向量,如果属于第i 组,则这个数据向量就用这组的代表向量i y 代替,这时的编码就是在码书的相应位置上记下编号i ,而不必记下i y 本身。

记录i y 的文件称为密码书。

代表向量i y 最理想为组中各向量的“中心”向量。

(2) 基于神经网络的向量量化人工神经网络的主要功能之一就是分类聚类问题。

无监督的聚类问题是指人工神经网络的学习表现为自适应于输入空间的检测规则,其学习过程为:给系统提供动态输入信号,使各神经元以某种方式竞争,“获胜者”神经元本身或其领域得到增强,其它神经元进一步得到抑制,从而将信号空间划分为有用的多个区域。

具体到矢量量化问题:我们将M 个k 维向量作为网络的M 个输入样本,想分的组数N 作为神经元个数,通过一定的算法使网络学习,其结果是将M 个样本以一定规则分为N 类, 而神经元与输入样本向量之间的连接权值{}k j w j i ,2,1,,=就是了第i 组的中心向量。

基于小波变换的图像压缩方法研究

基于小波变换的图像压缩方法研究

基于小波变换的图像压缩方法研究图像压缩是数字图像处理中的重要内容。

在现代社会中,随着信息技术的迅猛发展,数字图像的应用越来越广泛,因此对图像压缩算法的研究也变得越来越必要。

其中,基于小波变换的图像压缩方法是一种常用的压缩算法。

本文将着重探讨这种算法的原理和实现方式。

第一部分:小波变换理论基础在图像压缩领域中,小波变换被广泛应用。

小波变换是一种分析信号的方法,其本质是一种基于多项式的变换过程。

小波变换可以将信号分解成不同的频率分量,较高频率部分细节更加清晰,较低频率部分包含更多的整体信息。

所以,利用小波变换可以将信号从时间域转换到频率域,并对其进行分析和处理。

小波分解是小波变换的一种方法,通常可以分为两步。

首先,利用小波函数将原始信号进行分解,得到系数序列。

然后,选择合适的系数进行逆变换,还原得到原始信号。

小波变换可以在不同的尺度上对信号进行分解,因此在利用小波变换进行压缩处理时,可以在不同的尺度上对图像进行分解,以得到更合理的压缩质量。

第二部分:基于小波变换的图像压缩原理基于小波变换的图像压缩方法实现的原理可以简化为以下几个步骤:首先,将原始图像进行小波变换处理,得到小波系数表示。

然后,根据压缩要求,选择适当的小波系数进行保留或者舍弃。

最后,对经过修剪的小波系数进行逆变换,还原得到压缩后的图像。

在小波分解的过程中,利用“滤波器组”将图像分解为低频分量和高频分量。

低频分量表示图像的粗略整体信息,而高频分量则表示图像的细节特征部分。

将这些系数表示成矩阵形式,以更方便地进行数学分析和处理。

在实际应用中,我们通常只需要保留小波系数矩阵中的一部分,以降低图像的大小。

因此,在小波变换的过程中,常常采用阈值技术来实现压缩。

利用阈值将小波系数分成较强和较弱两部分,舍弃较弱的部分以达到压缩的目的。

第三部分:基于小波变换的图像压缩算法实现基于小波变换的图像压缩算法实现主要有两种方式:离散小波变换和连续小波变换。

离散小波变换使用离散小波基函数对图像进行分解,因此实现相对简单,而连续小波变换则使用连续小波基函数对图像进行分解,因此实现相对复杂。

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用

小波变换在图像压缩中的应用施吉鸣摘要:近十几年来小波理论研究已成为应用数学的一个新方向。

作为数学工具,小波被迅速应用到图 像和语音分析等众多领域。

本文试圉从工程和实验角度出发,较为直观地探讨小波变换在图像压缩中的应用・关键词:小波变换重构图像压缩 1>小波概述众所周知.傅立叶分析是把一个信号分解成各种不同频率的正弦波.因此正弦波是傅立叶变换的基函 数。

同样.小波分析是把一个信号分解成由原始小波经过移位和缩放后的一系列小波,因此小波是小波变 换的基函数.即小波可用作表示一些函数的基函数。

小波是近十几年才发展并迅速应用到图像和语音分析等众女领域的数学丄具,是继110笋年前建立傅 立叶(Joseph Fourier)分析之后的一个重大突破°经过十几年的努力,小波理论基础已经基木建立并成 为应用数学的一个新领域.引起了众女数学家和丄:程技术人员的极大关注.是国际上科技学术界商度关注 的前沿领域。

木文试图从工程和实验角度出发.较为直观地探讨小波变换在图像斥缩中的应用°2、小波变换和垂构小波变换的基木思想是用一组小波或基函数表示一个函数或信号,例如图像信号。

以哈尔(Haar)小 波基函数为例,基木哈尔小波函数(Haar wavelet function)定义如下:r 1,当 0仝<1/2T(x) = J -1,出 1/2<X <11 0,其他设有一幅分辨率Id 有4个像素的一维图像•对应像素值为:[9 7 3 5] °用哈尔小波变换的过程是: 讣算相邻像素对的平均值(averaging,亦可称之为近似值approximation),得到一幅分辨率为原图像1/2 的新图像:[8 4]。

这时图像信息已部分丢失.为了能从2个像素组成的图像重构出4个像素的原图像. 必须把每个像素对的第一个像素值减这个像素的平均值作为图像的细节系数(dezil coefficient)保存。

小波变换在图像压缩中的性能优化策略

小波变换在图像压缩中的性能优化策略

小波变换在图像压缩中的性能优化策略引言:随着数字图像的广泛应用,图像压缩成为了一项重要的技术。

小波变换作为一种有效的图像压缩方法,已经被广泛应用于图像处理领域。

然而,由于小波变换的复杂性和计算量较大的问题,如何优化小波变换在图像压缩中的性能成为了一个研究热点。

本文将介绍小波变换在图像压缩中的性能优化策略。

一、小波变换的基本原理小波变换是一种时频分析方法,它将信号分解成不同频率的子信号,从而实现对信号的压缩。

小波变换的基本原理是通过选择合适的小波基函数,将信号分解成不同尺度和频率的子信号,然后根据需要对子信号进行保留或舍弃,从而实现对信号的压缩。

二、小波变换在图像压缩中的应用小波变换在图像压缩中的应用主要包括两个方面:离散小波变换(DWT)和小波包变换(DWP)。

离散小波变换是一种通过分解和重构的方式实现图像压缩的方法,而小波包变换则是在离散小波变换的基础上进一步优化的方法。

三、小波变换在图像压缩中的性能优化策略1. 小波基函数的选择小波基函数的选择对小波变换的性能有着重要影响。

常用的小波基函数有Haar 小波、Daubechies小波、Symlet小波等。

不同的小波基函数适用于不同类型的图像,因此在实际应用中,需要根据图像的特点选择合适的小波基函数。

2. 尺度选择小波变换可以通过改变尺度来实现对图像的不同程度的压缩。

较大的尺度可以保留图像的整体特征,而较小的尺度可以保留图像的细节信息。

因此,在进行小波变换时,需要根据图像的需求选择合适的尺度。

3. 阈值选择阈值选择是小波变换中的一个重要环节,它决定了哪些子信号需要保留,哪些子信号需要舍弃。

常用的阈值选择方法有固定阈值法、自适应阈值法等。

在实际应用中,需要根据图像的特点选择合适的阈值选择方法。

4. 压缩比的控制压缩比是衡量图像压缩性能的重要指标,它表示了图像压缩后的大小与原始图像大小之间的比值。

在进行小波变换时,可以通过控制阈值的大小来实现对压缩比的控制。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

数字图像处理期末论文--小波变换与图像压缩课程____________学院____________班级____________姓名____________学号____________日期____________小波变换与图像压缩物电10(3)赵卫超10223221摘要:随着信息技术的发展,图像以其信息量丰富的特点,成为通信和计算机系统中信息传输的重要载体,而图像信息占据了大量的存储容量,因而图像压缩编码是图像存贮的一个重要课题。

本文首先介绍了图像压缩编码的研究背景,然后详细地理论上介绍了图像压缩,并讲解了变换编码中的小波变换的产生、和第二代小波变换在图像压缩中的应用及特点。

通过小波变换的理论研究,应用MATLAB来实现了一般图像的压缩,证明了小波变换在图像压缩中的可行性。

关键词:图像压缩、小波变换、MATLAB1、图像压缩背景及概念1.1图像压缩背景随着计算机多媒体技术和通信技术的日益发展,以及网络的迅速普及,图像数据信息以其直观、形象的表现效果,在信息交流中的使用越来越广泛。

每天都有大量的图像信息通过数字方式进行存储、处理和传输。

由于技术上对图像数据的要求,图像的分辨率在不断增加。

由此导致图像数据量急剧增加。

这就给图像的传输和存储带来了极大的困难。

因此,图像数据压缩势在必行,通过压缩手段将信息的数据量降下来,以压缩的形式存储和传输,既节约了存储空间,又提高了通信干线的传输效率。

一般原始图像中通常存在大量的各种冗余,如像素相关冗余、编码冗余、视觉冗余等。

图像压缩技术所追求的目标就是最大限度地挖掘和利用这种冗余信息。

尽量减少表示图像所需的数据量。

正是由于图像压缩的重要性,使得图像压缩算法和技术成为非常活跃的一个研究领域。

1.2图像压缩的概念数字图像压缩是数字图像处理的一个重要的分支学科,所谓的数字图像压缩就是以较少的数据量表示信源以原始形式所代表的信息,目的在于节省存储空间、传输时间、信号频带或发送能量等。

这些概念无论是针对静态的文字、图像,还是针对动态的音频、视频都是适用的。

图像数据可以看成是信息和冗余度的组合,图像数据可以压缩的根据来源于两个方面:一方面是图像信号中存在大量冗余度可供压缩,并且这种冗余度在解码后还可以无失真地恢复;另一方面是可以利用人的视觉特性,在不被主观视觉察觉的情况下通过减少表示信号的精度,以一定的客观失真换取数据压缩。

信息论对于图像压缩的重要意义在于将图像信息进行了量化。

并且证明在不产生失真的前提下,通过合理有效的编码算法,对于每一个信源符号所分配码字的平均码长可以任意接近于信源的熵。

在此理论框架下,人们开发出了各种各样的图像压缩方法。

数字图像编码系统无论采用何种具体结构和技术,其基本过程是一致的,编码过程如图1所示。

图1数据压缩系统组成图原始图像经映射变换后的数据再经量化器和熵编码器成为码流输出。

从原理讲,压缩过程由变换、量化和编码3个基本环节组成。

从图1可以看出,图像压缩编码的过程包括以下三步:第一步,对信号进行映射变换。

这里的变换是指将输入数据转换为可以减少输入图像中像素间冗余的格式,经过映射变换,如时域预测、频域变换或其它变换,原始图像数据特性被改变,变得更利于压缩编码。

这步操作通常是可逆的,主要是为后续的操作中更容易找到像素间的冗余以便进行压缩,并且有可能直接减少表示图像的数据量;第二步,量化过程。

量化过程减少表示信号的精度,即将映射后输出的精度调整到与预设的保真度准则相一致,因而减少了输入图像的心理视觉冗余,量化操作是不可逆的。

第三步,对量化后的符号进行熵编码。

熵编码生成一个固定的或可变长编码用于表示量化器输出并将输出转化为与编码相一致。

熵编码过程可以消除符号编码冗余度,一般不产生失真,常用的熵编码方法有分组码、行程码、变长码和算术码等。

熵编码操作是可逆的,熵编码后的信息码流被送入存储设备或通过信道传输。

2小波变换原理2.1小波变换的产生1987年,Mallat首次巧妙地将计算机视觉领域内的多尺度分析思想引入到小波变换中,统一了在此之前的各种小波的构造方法,之后,他又研究了小波变换的离散形式,并将相应的算法应用于图像的分解与重构中,为随后的小波图像压缩编码奠定了基础。

小波变换是基于傅里叶变换理论发展起来的一种新型变换方法。

被引入图像信号处理以后,很快引起了人原始图像,而小波变换的图像压缩编码算法己成为目前图像压缩研究领域的一个主要方向。

2.2小波变换与图像编码小波变换用于图像编码的基本思想即去相关性:即把图像根据Mallat塔式快速小波变换算法进行多分辨率分解。

其具体过程为:首先对图像进行多级小波分解, 然后对每层的小波系数进行量化, 再对量化后的系数进行编码。

由于小波变换后使得原始图像能量集中在少数部分的小波系数上,因此最简单的系数量化方法就是将某一阈值以下的系数略去,或者表示为恒定常数,只保留那些能量较大的小波系数,从而达到数据压缩的目的。

在这里,所采用的标量量化方法是分别在不同分辨率(不同分解层次)的小波频带来完成的。

可见,小波编码主要有三个部分:变换、量化和熵编码。

小波图像压缩是当前图像压缩的热点之一, 已经形成了基于小波变换的国际压缩标准, 如MPEG-4 标准, 及JPEG2000 标准。

2.3 小波压缩的优点小波具有有限的持续时间和突变的频率和振幅,波形可以是不规则的,也可以是不对称的,在整个时间范围里的幅度平均值为零。

由于其良好的空间—频率局部化特征,小波变换在图像压缩应用中得到了广泛的应用。

小波压缩的固有特征使它在图像处理中有以下优点:(1)多尺度分解提供了不同尺度下图像的信息,并且变换后的能量大部分集中在低频部分,便于对不同尺度下的小波系数分别设计量化编码方案,在提高图像压缩比的情况下保持好的视觉效果和较高的PSNR;(2)小波变换的完善重构能力,保证了信号在分解过程中没有信息损失和冗余信息产生;(3)小波变换把头像分解为逼近影响和细节影响之和,分别代表了影响不同尺度和不同结构的信息,便于提取原始图像中的结构信息和细节信息;4) 小波变换具有快速算法;5) 二维小波分析为图像分析提供了与人类视觉系统方向特性相吻合的方向选择性。

2.4影响小波变换的因素其中,影响小波编码效果的因素有:小波基的选取、图像的边界延拓方式、小波系数的量化策略、熵编码的设计以及小波分解和重构级数。

图像经过了小波的多分辨分解后,并不意味着图像己经压缩。

事实上,小波变换只是给图像压缩提供了好的图像表示形式,而存贮图像所用的空间并没减少。

为了达到图像压缩的目的,必须根据人类视觉特征对所变换后的系数进行适当的取舍、量化和编码。

3第二代小波变换由于一般的小波滤波器的输出结果是浮点数,因而在对变换后的数据进行压缩时,要先进行量化,以得到相应的整数,这必然会引入误差,不适合于图像的无损压缩。

1994年Win Swelden 提出了一种新的小波构造方法即提升方法也叫第二代小波变换或整数小波变换。

第二代小波变换构造方法继承了第一代小波的多分辨率的特性,不依赖傅立叶变换, 直接在时域完成小波变换,小波变换后的系数可以是整数。

3.1第二代小波变换特点第二代小波变换具有如下特点:本位操作:所有运算可做本位操作,节省内存; 效率高:利用复合赋值,减少了浮点运算量;并行性:一个上升步骤中的所有操作是并行的,而多个上升步骤之间是串行的; 逆变换:逆变换只须简单地改变代码执行的先后循序,具有与正向变换相同的计算复杂性;通用性:由于变换过程中不必依赖Fourier 分析,很容易推广到一般性应用领域; 非线性:易于构造非线性小波变换(如整数变换);自适应:支持自适应性小波变换。

函数的分析由粗到细逐步进行,细化过程可仅限于感兴趣的区域。

3.2提升方法的实现提升方法构造小波分为分裂、预测和更新3个步骤。

(1) 分裂分裂(Split)是将原始信号{,}j j s s k =分为两个互不相交的子集和。

每个子集的长度是原子集的一半。

通常是将一个数列分为偶数序列1j e -和奇数序列1j o -,即 11()(,)j j j Split s e o --=(1)其中,11{,,2}j j j e e k s k --==,11{,,21}j j j o o k s k --==+。

(2) 预测预测(Predict)是利用偶数序列和奇数序列之间的相关性,由其中一个序列(一般是偶序列1j e -)来预测另一个序列(一般是奇序列1j o -)。

实际值1j o -与预测值1()j P e -的差值1j d -反映了两者之间的逼近程度,称之为细节系数或小波系数,对应于原信号sj 的高频部分。

一般来说,数据的相关性越强,则小波系数的幅值就越小。

如果预测是合理的,则差值数据集dj-1所包含的信息比原始子集1j o -包含的信息要少得多。

预测过程如下:111()j j j d o p e ---=-(2)其中,预测算子P 可用预测函数Pk 来表示,函数Pk 可取为ej-1中的对应数据本身:11(,),,2k j j j P e k e k s k--== (3)或ej-1中的对应数据的相邻数据的平均值:111()(,,1)/2(,2,21)/2k j j j j j P e e k e k s k s k ---=++=++ (4)或其他更复杂的函数。

(3) 更新经过分裂步骤产生子集的某些整体特征 (如均值)可能与原始数据并不一致,为了保持原始数据的这些整体特征,需要一个更新(Update)过程。

将更新过程用算子U 来代替,其过程如下:111()j j j s e U d ---=+ (5)其中,sj-1为sj 的低频部分;与预测函数一样,更新算子也可以取不同函数,如 11(),/2k j j U d d k --= (6) 或111()(,1,)/41/2k j j j U d d k d k ---=-++(7)P 与U 取不同的函数,可构造出不同的小波变换。

(4)分解与重构 经过小波提升,可将信号js 分解为低频部分-1j s 和高频部分-1j d ;对于低频数据子集-1j s可以再进行相同的分裂、预测和更新,把-1j s 进一步分解成-2j d 和2,...,...j s -如此下去,经过n 次分解后,原始数据sj 的小波表示为11{,,,...,}j n j n j n j s d d d ---+-。

其中j ns -代表了信号的低频部分 ,而11{,,...,}j n j n j d d d --+-则是信号的从低到高的高频部分系列。

每次分解对应于上面的三个提升步骤——分裂、预测和更新:11()(,)j j j Split s e o --=,(8) 111()j j j d o p e ---=-, (9) 111()j j j s e U d ---=+(10)小波提升是一个完全可逆的过程,其反变换的步骤如下:111()j j j e s U d ---=-, (11) 111()j j j o d P e ---=+,(12)11(,)j j j s Merge e o --=(13)4.仿真分析4.1MATLAB 源程序用MATLAB 仿真软件编写源程序实现对一幅图像的基于整数小波变换的正变换和逆变换重构,源程序代码如下:%正变换function y=IWT(x) %x 为输入图像矩阵 x=imread('kids.tif'); %读入原图像 imshow(x); %显示原图像 figure;x=double(x); %将像素转换为浮点数据精度 y=x; %准备用y 存储变换结果 [hp,lp]=size(x); %取图像的长和宽 hc=hp/2; %中间变量 lc=lp/2; %中间变量%奇偶列重排for n=1:lc %n 表示前半段数据变量 j=n*2-1; %j 表示和n 对应的奇数列数据 y(:,n)=x(:,j); %将x 的奇数列数据重排在y 的前lc 列 y(:,lc+n)=x(:,j+1); %将x 的偶数列数据重排在y 的后lc 列 endimshow(uint8(y));figure; %显示奇偶列重排结果%行变换开始 for n=1:lcy(:,lc+n)=y(:,lc+n)-y(:,n); endfor n=1:lck=y(:,lc+n)/2-mod(y(:,lc+n)/2,1); y(:,n)=y(:,n)+k; end%行变换结束 imshow(uint8(y));figure; %显示行变换结果 x=y; %将y 的值重新赋给x ,准备列变换%奇偶行重排,原理同上 for n=1:hc j=n*2-1; y(n,:)=x(j,:);y(hc+n,:)=x(j+1,:); endimshow(uint8(y));figure; %显示奇偶行重排结果%列重排开始,原理同上for n=1:hcy(hc+n,:)=y(hc+n,:)-y(n,:);endfor n=1:hck=y(hc+n,:)/2-mod(y(hc+n,:)/2,1);y(n,:)=y(n,:)+k;end%列重排结束y=uint8(y);imshow(y);figure; %显示列重排结果%逆变换x=y; %将正变换的值y重新付给x,准备逆变换x=double(x);[hp,lp]=size(x);hc=hp/2;lc=lp/2;%列逆重排开始for n=1:hck=y(hc+n,:)/2-mod(y(hc+n,:)/2,1);y(n,:)=y(n,:)-k;endfor n=1:hcy(hc+n,:)=y(hc+n,:)+y(n,:);end%列逆重排结束x=y%逆奇偶行重排for n=1:hcj=n*2-1;y(j,:)=x(n,:);y(j+1,:)=x(hc+n,:);end%行逆重排开始for n=1:lck=y(:,lc+n)/2-mod(y(:,lc+n)/2,1);y(:,n)=y(:,n)-k;endfor n=1:lcy(:,lc+n)=y(:,lc+n)+y(:,n);end%行逆重排结束x=y;%逆奇偶列重排for n=1:lcj=n*2-1;y(:,j)=x(:,n);y(:,j+1)=x(:,lc+n);endy=uint8(y);imshow(y); %显示逆变换重构结果运行源程序所得结果如下:原图像图1 原图像奇偶列重排结果图2 奇偶列重排结果行变换结果图3 行变换结果奇偶行重排结果图4 奇偶行重排结果列变换结果图5 列变换结果逆变换结果图6 逆变换重构后的结果4.2结果分析通过比较逆变换重构后的图像和原图像可知,经过逆变换可以回复出原图像,而逆变换的过程中只需要用图像分裂后的左上角部分j n s 的数据,即原图像的低频部分,而且经过多级分裂后使得低频部分的能量更加集中,这一部分数据将远远小于原图像的总数据,而恢复出的图像几乎无失真。

相关文档
最新文档