小波变换及应用(图像压缩)
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。
基于小波变换的图像压缩与去噪技术研究
基于小波变换的图像压缩与去噪技术研究1. 引言图像是一种以人眼可接受的方式来存储和传输大量视觉信息的媒体。
然而，图像文件通常具有较大的数据量，需要占用较大的存储空间和传输带宽。
因此，图像压缩成为一项重要的技术，对图像进行压缩可以减小文件大小和传输时间，提高存储利用率和传输效率。
此外，图像往往受到噪声的影响，噪声会导致图像质量的下降，降低图像的可视性和识别性。
因此，图像去噪也是一个重要的研究方向，可以提升图像的质量和信息内容。
基于小波变换的图像压缩和去噪技术因其较好的性能而备受关注。
本文将探讨小波变换在图像压缩和去噪中的应用。
2. 小波变换基础小波变换是一种数学变换方法，将函数分解为多个尺度的基函数（小波），并用各个尺度上的系数来表示原函数。
小波变换可以提取图像的频域信息和时域信息，具有较好的局部化特性。
3. 图像压缩技术图像压缩技术可以分为有损压缩和无损压缩两种方法。
有损压缩减少了图像中的冗余信息，牺牲一定的图像质量，而无损压缩可以完全恢复原始图像，但压缩比较低。
基于小波变换的图像压缩利用小波变换的多尺度分解和系数量化来实现。
首先，将原始图像进行小波分解得到低频分量和高频分量。
然后，对高频分量进行系数量化，利用人眼对于高频信息的较低敏感性，减少高频分量的数据量。
最后，将量化后的系数进行编码和存储。
4. 图像去噪技术图像去噪的目标是恢复出原始图像中的有效信息并去除噪声，提升图像的质量和可视性。
小波变换的局部化特性使其在图像去噪中有较好的效果。
基于小波变换的图像去噪方法通常采用阈值去噪的思想。
将图像进行小波分解，得到各个尺度上的小波系数。
然后，对小波系数应用适当的阈值，在不影响原始图像主要特征的情况下去除噪声。
5. 小波变换在图像压缩与去噪中的应用小波变换在图像压缩与去噪中已经得到广泛应用。
通过灵活选择不同的小波基函数和改进的算法，可以进一步提高图像压缩和去噪的性能。
在图像压缩方面，小波变换可以通过调整系数量化策略来平衡图像质量和压缩比。
小波变换在机器视觉中的应用研究
小波变换在机器视觉中的应用研究小波变换(Wavelet Transform)是一种信号分析和处理的数学工具，它在机器视觉领域中有着广泛的应用。
本文将介绍小波变换在机器视觉中的研究和应用，并着重讨论其在图像压缩、边缘检测和图像特征提取等方面的应用。
首先，小波变换在图像压缩中起到了重要作用。
在图像传输和存储中，压缩是必不可少的。
传统的图像压缩算法，如JPEG、MPEG等，往往使用离散余弦变换(DCT)作为基础变换，这种方法常常导致压缩后的图像出现较为明显的块效应。
而小波变换通过使用不同尺度和位置上的小波基函数，能够更好地捕捉图像的局部特征，从而减少了图像压缩中的块效应。
因此，小波变换在图像压缩中具有更好的性能，并被广泛应用于无损和有损压缩算法的设计中。
其次，小波变换在边缘检测中也有重要的应用。
边缘是图像中物体之间的分界线，是图像中的重要特征。
传统的边缘检测方法，如Sobel、Canny等，常常会受到噪声和纹理干扰的影响。
而小波变换通过对图像进行多尺度分析，能够在不同尺度上获取图像的边缘信息，并通过阈值处理方法，将有效的边缘提取出来。
因此，小波变换在边缘检测领域中表现出较好的性能，并被广泛应用于目标跟踪、图像分割等领域。
最后，小波变换在图像特征提取中也有重要应用。
图像特征提取是机器视觉中的核心任务之一，它为图像识别、目标检测等任务提供了基础。
传统的特征提取方法，如形状描述子、颜色直方图等，常常对于图像的局部特征处理不够准确。
而小波变换通过多尺度分析，能够获取图像在不同尺度上的局部特征，并通过小波系数的能量分布，进一步提取图像的全局特征。
因此，小波变换在图像特征提取中具有更好的性能，并被广泛应用于目标识别、图像检索等领域。
综上所述，小波变换在机器视觉中有着广泛的应用和研究。
它在图像压缩、边缘检测和图像特征提取等方面，都能够取得良好的效果。
随着机器学习和深度学习的快速发展，小波变换与神经网络的融合也成为当前研究的热点，这将进一步推动小波变换在机器视觉领域的发展。
小波变换及其应用
小波变换及其应用
小波变换是一种多尺度分析的信号处理技术，可以将信号分解为不同
频率和时间尺度的小波分量，从而提供了更全面的信息，具有很广泛的应用。
以下为小波变换的主要应用：
1.信号压缩：小波变换具有如同离散余弦变换（DCT）、小波重构等
变换可压缩性，可以通过选取一定的小波基，剔除高频噪声等方法将信号
压缩到较小的尺寸。
2.信号去噪：小波变换能够将信号分解为多个尺度和频段的小波系数，因而，小波变换可以应用于信号去噪。
在小波域中对噪声尺度和频段进行
分析和滤波，可有效地去除噪声，使信号更加真实。
3.图像处理：小波变换可以将图像分为低频和高频两个部分，分别表
示图像中大面积变化和微小变化的部分。
图像压缩往往采用这种特性进行
处理。
4.音频处理：小波变换也是音频处理领域中广泛应用的技术。
对语音
信号进行小波分析，可以提取其频率、语气、声调信息等，为音频处理提
供更多信息。
5.金融数据分析：小波变换也被广泛应用于金融领域中，用于对金融
数据进行分析和预测。
通过小波分解，可以提取出不同的时间尺度和频率
对应的信息，进一步了解金融市场的趋势和波动情况。
总之，小波变换在信号处理、图像处理、音频处理、金融领域等方面
都具有广泛的应用。
小波变换在图像处理中的应用及其实例
小波变换在图像处理中的应用及其实例引言：随着数字图像处理技术的不断发展，小波变换作为一种重要的数学工具，被广泛应用于图像处理领域。
小波变换具有多尺度分析的特点，能够提取图像的局部特征，对图像进行有效的压缩和去噪处理。
本文将探讨小波变换在图像处理中的应用，并通过实例加以说明。
一、小波变换的基本原理小波变换是将信号或图像分解成一组基函数，这些基函数是由母小波函数进行平移和伸缩得到的。
小波变换的基本原理是将信号或图像在不同尺度上进行分解，得到不同频率的小波系数，从而实现信号或图像的分析和处理。
二、小波变换在图像压缩中的应用图像压缩是图像处理中的重要应用之一。
小波变换通过分解图像，将图像的高频和低频信息分离出来，从而实现图像的有损或无损压缩。
小波变换在图像压缩中的应用主要有以下两个方面：1. 小波变换在JPEG2000中的应用JPEG2000是一种新一代的图像压缩标准，它采用小波变换作为核心算法。
JPEG2000通过小波变换将图像分解成多个子带，然后对每个子带进行独立的压缩，从而实现对图像的高效压缩。
相比于传统的JPEG压缩算法，JPEG2000在保持图像质量的同时，能够更好地处理图像的细节和边缘信息。
2. 小波变换在图像去噪中的应用图像去噪是图像处理中的常见问题，而小波变换能够有效地去除图像中的噪声。
小波变换通过将图像分解成多个尺度的小波系数，对每个尺度的小波系数进行阈值处理，将较小的小波系数置零，从而抑制图像中的噪声。
经过小波变换去噪后的图像能够更清晰地显示图像的细节和边缘。
三、小波变换在图像增强中的应用图像增强是改善图像质量的一种方法，而小波变换能够提取图像的局部特征，从而实现图像的增强。
小波变换在图像增强中的应用主要有以下两个方面：1. 小波变换在图像锐化中的应用图像锐化是增强图像边缘和细节的一种方法，而小波变换能够提取图像的边缘信息。
通过对图像进行小波变换，可以得到图像的高频小波系数，然后对高频小波系数进行增强处理，从而增强图像的边缘和细节。
小波变换在图像压缩中应用[论文]
![小波变换在图像压缩中应用[论文]](https://img.taocdn.com/s3/m/d7dc2c1c55270722192ef7e0.png)
小波变换在图像压缩中的应用【摘要】对图像进行压缩可以在有限带宽下提高图像的传输速度，也可以在有限空间内存储更多的图像数据。
小波变换在图像压缩中得到了重点应用。
本文简要分析了小波变换在图像压缩领域的应用过程，对如何应用小波变换实现图像压缩进行了详细阐述，此外对如何进一步提高经过小波变换的压缩图像的压缩比进行了讨论。
【关键词】图像小波变换图像压缩压缩比数字图像在诸多领域均发挥着重要作用，但是被采集的图像通常较大，不利于传输存储，因而需要对图像进行压缩处理。
对图像的存储数据进行分析可知，一幅图像内包含大量的冗余信息，这些信息虽然能够提升图像的质量，但是也占用了大量的存储空间和带宽，因而，有必要对图像进行适当的压缩处理，以节省图像的传输时间和存储空间。
现有的图像压缩方法很多，如熵编码法、变换编码法、预测编码法等，其中变换编码法可以将图像的能量变换到更为集中的区域，如离散余弦变换和离散小波变换等，可以获得较为满意的压缩效果。
离散余弦变换编码方法虽然可以再较高码率下获得较好的图像质量，但是随着人们对图像压缩速度要求的不断提升，离散余弦变换在码率低于0.25bpp时存在的重构缺陷使得其应用效果大大降低。
相较而言，离散小波变换则因其优良的图像压缩性能得到了重点关注，并被采用为jpeg 2000图像编码的核心技术。
1 小波变换在图像压缩中的发展概述小波变换最早于1989年被应用到多分辨率的图像描述中，其基于某一固定函数进行伸缩和平移来构造一系列的小波基实现图像的压缩编码，这种方法被称为第一代小波。
随着理论研究的深入，在进行小波变换时，人们采用双正交小波的函数特性，通过提升和对偶提升过程来优化小波特性。
其中，小波性能提升的方法在于小波基的构造方式抛弃了傅里叶变换，只按照需要的小波性能进行小波基构造，因而这种小波变换方式具有更大的自由度和执行速度，在整数到整数的变换中性能非常好。
这种小波构造方式被称为第二代小波。
之后嵌入式零树小波编码方法进一步利用了小波系数的特性，改进了小波基的构造方式，提升了小波变换的性能。
小波变换及其应用
小波变换及其应用随着现代科技的发展，数据的处理越来越成为一种重要的技术。
在数据的分析和处理过程中，小波变换作为一种有利的处理工具，正在越来越被广泛应用。
本文将从小波变换的基础知识、小波变换应用的实际例子、小波变换的未来发展三个方面来探讨小波变换的相关知识。
小波变换的基础知识小波变换的概念最早由英国数学家Alfred Haar引入，可以将其视为一种信号分解和分析的方法，通常可以将一种复杂的信号分解为许多相互独立的低频和高频分量，以达到更好的数据处理效果。
一般来说，小波变换可以通过对输入信号做高通和低通滤波器，然后进行下采样得到。
在高通滤波后，可以提取出信号中高频分量，并在低通滤波后提取出信号中的低频分量。
小波变换常用于图像处理和信号处理，其最大的优势在于其网格互补性，即，在一定程度上不失去信号的原始数据，依旧可以对其信号性质进行深入的分析。
小波变换应用的实际例子小波变换的应用非常广泛，下面举几个实际的例子。
1.图像压缩：图像在数字化过程中，会产生大量的数据。
通过小波变换将图像分解成不同频率的小波，可以进一步将其压缩，达到更好的数据处理和储存效果。
2.音频处理：通过小波变换可以将音频信号分解成波形的高频和低频分量，提供更好的音频信号处理效果。
3.金融分析：小波变换在金融分析中也有广泛的应用，通过对股票价格波动的分析，可以预测未来的股票价格波动趋势。
小波变换的未来发展小波变换技术在未来的发展中，有可能更加深入的将其应用到现实生活的各个方面。
目前，小波变换被广泛应用于数据的压缩、处理和分离。
但是，在未来，小波变换有可能会将更进一步，应用到物联网、机器学习、人工智能等领域上，成为重要的基础技术之一。
总之，小波变换这项技术可以分析和处理不同性质的信号，充分利用信号中的频率信息，达到更加高效和准确的数据处理和信号分离效果。
虽然小波变换在某些情况下有些限制，但其在实际应用中的效果已经足够显著，未来它的应用范围将更加广泛，至于小波变换的发展是什么样的，需要我们拭目以待。
- 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、"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、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)。
a1 (n1 , n2 )
H (Z ) G(Z )
2 2
H (Z ) G(Z )
行
a0 (n1 , n2 )
H (Z ) G(Z )
G(Z )
2
H (Z )
2
G(Z )
d12 (n1 , n2 ) d13 (n1 , n2 )
2
LL3 HL3 LH 3 HH 3
LH 2
HL2
HL1
HH 2
LH1
HH 1
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。小波图像压缩就是 利用小波变换同时具有好的空间分辨率和好的频 率分辨率的特性，使变换系数的能量同时在频率 上和空间上集中，达到去除像素冗余度的作用。
计算。
bk j ( p, q ) 1.5T
T T dk j ( p, q )
1.5T
EZW 算法是一个多遍扫描算法，每次扫描都 包含两个步骤：重要图编码和细化。如果记 cmax 是最大的小波系数的幅值，则最初的门限 T0 由下式给出。
T0 2 log2 cmax
它保证了最大的小波系数的幅值落在区间 [T0 ,2T0 ) 。每一遍扫描，门限减少一半，即
Lena图像的多分辨率表示
上述的分解过程通常采用滤波器组的形式 实现，滤波器组由一个低通滤波器和一个 高通滤波器构成。首先在行的方向上对图 像进行分解，然后再在列方向上对图像进 行分解，这样就得到一个逼近信号和三个 不同方向上的细节信号。逼近信号又可作 为输入进行下一级分解。由小波系数重构 原始图像是上述过程的逆过程。
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
i
重要图编码可部分地看作使用一 3 级的中平 量化器，见下图
1 .5 T
-T -1 .5 T
T
重要系数即那些落在最外层的量化等级的小 波系数，T 的选择保证了它们的幅度属于区 间[T,2T)，因此重建值为 1.5T 或-1.5T。
一旦一个小波系数被判定为重要的，该小波 系数就被加入到重要小波系数列表中去，以 进行后面的细化。在细化步骤需要决定小波 系数是落在[T,2T)区间的上半部分或是下半部 分。通过连续的细化，重要小波系数属于的 区间就逐渐缩小了。进行细化的一种方便的 方法是取小波系数与当前重建值的差，使用 一 2 级中升量化器进行量化，相应的重建值 为 T/4 或-T/4。最终的重建值是各次扫描重建 值的和。
如果每个节点类型用 2 比特表示(使用定长编 码时)，到目前为止重要图编码使用了 8 比特 的开销。在这一遍扫描中，唯一的重要小波 系数是 26。将该系数包括在准备细化处理的 列表中，记列表为 Ls，有 附表 Ls={26} 系数的重建值为 1.5T0=24，重建子带如下 24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
a24
a34
d2
a111 a112 a113 a114 a121 a122 a123 a124 a131 a132 a133 a134 a141a142 a143 a144
d1
展开的小波树
注意到每一级的树形节点都对应图像相同
a3 表 空间位置的区域。也即a 与 a1 、a 2 、
示的是同样的空间位置， a1 与 a11 、a12 、
2. EZW算法
Embedded zero-tree wavelet algorithm
EZW 算法是 Shaprio 等人在 1993 年发表 的，它是小波图像压缩历史上具有里程碑 意义的一个算法。到目前为止，许多最新 的算法仍然还是基于 EZW 的核心思想。该 算法的核心是对小波分解后的子带系数定 义一种零树结构，这种零树结构是基于频 率衰减的假设，即在同一方向上粗糙尺度 子带的系数要比相应位置精细尺度子带的 系数大，然后采用连续逼近量化和熵编码 生成嵌入式码流。
2 i 1 k1 0 k 2 0 L 1 L 1
d (n1 , n2 ) g (k1 ) g (k 2 )ai (2n1 k1 ,2n2 k 2 )
3 i 1 k1 0 k 2 0
其中H(Z)和G(Z)为1-D小波滤波器，信号ai 1 (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 3 d ( n , n ) 信号，信号 di11 (n1, n2 ), di2 和 i 1 (n1 , n2 )包 1 1 2 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 2 a ( n , n ) d 通和垂直方向高通滤波 i 1 2 ，信号 i 1 (n1 , n2 ) 包含水平高频（垂直边沿），信号 di31 (n1 , n2 ) 包 含两个方向的高频（角）。
图像的多分辨率表示
图像经过小波分解后，绝大部分能量集中 在逼近信号子带，该子带的图像可看作原 始图像的一种低分辨率的抽样。而细节子 带则反映了图像在各个尺度的细节，如边 缘、纹理等。因为自然图像的边缘、纹理 通常之存在于小部分区域，所以细节子带 的大部分系数很小，平均能量很低。下图 是 Lena 图像经过小波分解得到的多分辨率 表示。
附表-原重要系数 不传送
量化细化
下一步是进行细化，使我们获得重要重要 系数幅值的修正项。现在列表 Ls 中只包含 原值 有一个元素。这个元素与重建值的差值为 T /4 的 2 级 26-24=2。对差值用重建值为 0 重建值 量化器量化，得到修正项 4。于是，重建值 成为了 24+4=28。传送修正项的开销是 1 比 特。因此，仅需使用 9 比特，就可得到如 下的重建子带 28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
T /4
î Ö ² µ
T / 4
重要图编码过程中，小波系数的扫描顺序如下所 示。
b30 b32
2 b2
b12
1 b3
1 b2
1 b1
b13
需要注意的是，只有以前扫描时被认为是不重要 的小波系数才需要进行重要图编码。
EZW编码的例子
我们一个例子来说明 EZW 算法，图像经小 波变换后得到多分辨率表示如下， 26 -7 4 2
Embedded 意即编码器可以在任一希望速率 上停止编码。同样，解码器可在码流的任一 点截断码流，停止解码。 优点：不需要图像预先知识，不用存储其码 表，和不用训练。
i EZW 算法利用 DWT 分解，在每一层 的最 低带(band)分解为四个子带：LLi1 ，LHi1 ， HL i1 ， HH i1
a13 、 a14 表示同样的空间位置，其它以此类
推。这是由于小波变换的空间局域性特点 决定的。这种由同一空间位置小波系数构 成的树形结构是零树编码的基础。
能量分布
由于 小波 变换 后 能 量向 低分 辨率 子 带 集 中，因此对于自然图像而言，靠近小波树 根的小波系数其幅度值大于远离树根的小 波系数幅值的概率很大。这就意味着，如 果一个小波系数的幅度低于一个给定的门 限，则它的后代的幅度也很有可能低于该 门限。这就构成了零树编码的理论基础。
EZW 算法根据小波分解后得到的图像的多分 辨率表示的特点，定义了一种树形结构。对 于最低分辨率子带，每一个系数都可与同一 空间位置的水平、垂直、对角线方向的 3 个 小波系数相关联；对于非最高分辨率的其它 子带，每个系数都可与精细尺度的相同方向、 同一空间位置的 4 个小波系数相关联。称粗 糙尺度的系数是其关联的下一级精细尺度系 数的父亲，称精细尺度的系数是与其关联的 上一级粗糙尺度系数的孩子，这样就形成一 系列的子带系数间的父子关系。
a
LL3
LH3
HL 3
d 32
3 d3
1 d2
2 ´ 4 d2
1 d3
HH3
HL2
3 d2
´4Leabharlann d12LH 2HH 2
HL 1
1 d1
d13
LH1
HH1
小波系数的树形结构
a
1 a1 (d 3 )
a2 (d 32 )
a3 (d 33 ) a31 a32 a33
a11
a12
a13 a14
a21
a22
a23
1. 图像的小波分解
若2-D滤波器 (n1 , n2 )可分解为 (n1 , n2 ) 1 (n1 )2 (n2 )，则 可分的2-D DWT，将分解近似图象ai (n1 , n2 ) 为一个近似 图象和3个细节图象，即：
ai 1 (n1 , n2 ) h(k1 )h(k 2 )ai (2n1 k1 ,2n2 k 2 )
k1 0 k 2 0 L 1 L 1 L 1 L 1
d (n1 , n2 ) h(k1 ) g (k 2 )ai (2n1 k1 ,2n2 k 2 )
1 i 1 k1 0 k 2 0 L 1 L 1
d (n1 , n2 ) g (k1 )h(k 2 )ai (2n1 k1 ,2n2 k 2 )
零树编码的一些概念
重要系数 (significant coefficient ） ：如果小波 T 系数的幅度大于一给定门限 ，就称该小波系 T 是重要的。反之则称该系数是不 数相对门限 重要的。 SP SN 零树的根(zerotree root)：如果一个小波系数 和它所有的后代都是不重要的，则称该小波 系数是零树的根 ZR 孤立零（isolated zero） ：如果一个小波系数是 不重要的，但是其后代中存在重要系数，则 称该小波系数是孤立零。 IZ