Python小波变换实战:用wavedec2处理灰度图像高频低频系数(附Excel数据导入技巧)

【图像处理】python小波变换 ## 二维小波变换(一维和n维类似): # 单层变换 pywt.dwt2 pywt.dwt2(data, wavelet, mode=’symmetric’, axes=(-2, -1)) data: 输入的数据 wavelet:小波基 mode: 默认是对称的 return: (cA, (cH, cV, cD))要注意返回的值,分别为低频分量,水平高频、垂直高频、对角线高频。高频的值... 阅读详情

Python小波变换实战:灰度图像高频低频系数解析与Excel数据导入技巧

在数字图像处理领域,小波变换因其出色的时频分析能力而备受青睐。不同于传统的傅里叶变换只能提供全局频率信息,小波变换能够同时捕捉信号的局部特征,这使得它在图像压缩、噪声消除和特征提取等场景中表现卓越。本文将聚焦Python中的pywt.wavedec2函数,深入解析其返回值结构,并分享从Excel导入灰度图像数据的实用技巧,帮助开发者快速实现图像的多层次小波分解。

1. 环境准备与数据导入

1.1 核心工具链搭建

处理灰度图像的小波变换需要以下Python库支持:

import pywt  # 小波变换核心库
import numpy as np  # 数组运算
import pandas as pd  # Excel数据处理
import matplotlib.pyplot as plt  # 可视化

对于Excel文件读取,传统方法使用xlrd,但更推荐使用pandas的read_excel函数,它提供了更简洁的接口和更好的性能:

def excel_to_matrix(filepath):
    """将Excel表格数据转换为numpy数组"""
    df = pd.read_excel(filepath, header=None)
    return df.values.astype(np.float32)

1.2 灰度图像数据标准化

从Excel导入的图像数据通常需要标准化处理以保证小波变换效果:

def normalize_image(data):
    """归一化图像数据到[0,1]范围"""
    data_min = np.min(data)
    data_max = np.max(data)
    return (data - data_min) / (data_max - data_min + 1e-8)  # 避免除零

提示:对于医疗影像等专业领域数据,可能需要使用窗宽窗位调整而非简单归一化

2. wavedec2函数深度解析

2.1 参数配置与最佳实践

pywt.wavedec2函数的完整签名如下:

pywt.wavedec2(data, wavelet, mode='symmetric', level=None, axes=(-2, -1))

关键参数选择建议:

参数类型推荐值说明
waveletstr'sym4'对称小波,平衡时频分辨率
levelint3-4根据图像尺寸选择,通常不超过log2(min(width,height))
modestr'symmetric'边界处理模式,避免边缘失真

2.2 返回值结构剖析

以3层分解为例,返回值结构为:

[cl, (cH3, cV3, cD3), (cH2, cV2, cD2), (cH1, cV1, cD1)]

各分量含义详解:

  1. 低频系数(cl):包含图像的整体轮廓信息,数据类型为numpy.ndarray
  2. 高频系数元组:
    • cH:水平方向细节(边缘垂直特征)
    • cV:垂直方向细节(边缘水平特征)
    • cD:对角线方向细节(角点特征)
# 实际应用中的解包方式
coeffs = pywt.wavedec2(image, 'sym4', level=3)
cl, (cH3, cV3, cD3), (cH2, cV2, cD2), (cH1, cV1, cD1) = coeffs

3. 系数可视化与分析技巧

3.1 多尺度系数可视化

构建系数可视化函数:

def plot_coefficients(coeffs):
    """绘制小波分解各层系数"""
    titles = ['Approximation', 'Horizontal', 'Vertical', 'Diagonal']
    levels = len(coeffs) - 1
    
    fig, axes = plt.subplots(levels, 4, figsize=(12, 3*levels))
    for i in range(levels):
        if i == 0:
            # 显示低频分量
            axes[i,0].imshow(coeffs[0], cmap='gray')
            axes[i,0].set_title(f'Level {levels-i} {titles[0]}')
            # 显示高频分量
            for j in range(1,4):
                axes[i,j].imshow(coeffs[1][j-1], cmap='gray')
                axes[i,j].set_title(f'Level {levels-i} {titles[j]}')
        else:
            # 仅显示高频分量
            for j in range(3):
                axes[i,j+1].imshow(coeffs[i+1][j], cmap='gray')
                axes[i,j+1].set_title(f'Level {levels-i} {titles[j+1]}')
            axes[i,0].axis('off')
    plt.tight_layout()

3.2 能量分布分析

计算各层系数的能量占比:

def energy_analysis(coeffs):
    """分析各层小波系数的能量分布"""
    total_energy = sum(np.sum(c**2) for c in coeffs[0]) + \
                   sum(np.sum(h**2)+np.sum(v**2)+np.sum(d**2) 
                       for _, (h,v,d) in enumerate(coeffs[1:]))
    
    results = []
    # 低频能量
    low_energy = np.sum(coeffs[0]**2) / total_energy
    results.append(('Low-frequency', low_energy))
    
    # 各层高频能量
    for i, (h,v,d) in enumerate(coeffs[1:]):
        level = len(coeffs)-1-i
        h_energy = np.sum(h**2) / total_energy
        v_energy = np.sum(v**2) / total_energy
        d_energy = np.sum(d**2) / total_energy
        results.extend([
            (f'Level {level} Horizontal', h_energy),
            (f'Level {level} Vertical', v_energy),
            (f'Level {level} Diagonal', d_energy)
        ])
    
    return pd.DataFrame(results, columns=['Component', 'Energy Ratio'])

4. 实战:图像增强与特征提取

4.1 基于小波系数的图像去噪

实现阈值去噪算法:

def wavelet_denoise(image, wavelet='sym4', level=3, method='soft', sigma=None):
    """
    小波阈值去噪
    :param method: 'soft'/'hard' 阈值方法
    :param sigma: 噪声标准差,若为None则自动估计
    """
    coeffs = pywt.wavedec2(image, wavelet, level=level)
    
    # 估计噪声标准差(使用最高频子带)
    if sigma is None:
        sigma = np.median(np.abs(coeffs[-1][0])) / 0.6745
    
    # 对各层高频系数进行阈值处理
    new_coeffs = [coeffs[0]]  # 保留低频
    for i in range(1, len(coeffs)):
        threshold = sigma * np.sqrt(2 * np.log(image.size))
        processed = tuple(
            pywt.threshold(detail, threshold, mode=method) 
            for detail in coeffs[i]
        )
        new_coeffs.append(processed)
    
    return pywt.waverec2(new_coeffs, wavelet)

4.2 边缘特征增强

通过调整高频系数实现边缘增强:

def edge_enhancement(image, enhance_factor=2.0, wavelet='sym4', level=3):
    """通过放大高频系数增强图像边缘"""
    coeffs = pywt.wavedec2(image, wavelet, level=level)
    
    # 增强各层高频系数
    enhanced_coeffs = [coeffs[0]]  # 保持低频不变
    for i in range(1, len(coeffs)):
        enhanced = tuple(detail * enhance_factor for detail in coeffs[i])
        enhanced_coeffs.append(enhanced)
    
    return pywt.waverec2(enhanced_coeffs, wavelet)

5. 高级应用:系数分析与特征工程

5.1 构建小波特征向量

从系数中提取统计特征用于机器学习:

def extract_wavelet_features(coeffs):
    """从小波系数中提取统计特征"""
    features = {}
    
    # 低频特征
    features['low_freq_mean'] = np.mean(coeffs[0])
    features['low_freq_std'] = np.std(coeffs[0])
    
    # 各层高频特征
    for i in range(1, len(coeffs)):
        for j, band in enumerate(['H', 'V', 'D']):
            coeff = coeffs[i][j]
            prefix = f'level{len(coeffs)-i}_{band}_'
            
            features[prefix+'mean'] = np.mean(coeff)
            features[prefix+'std'] = np.std(coeff)
            features[prefix+'energy'] = np.sum(coeff**2)
            features[prefix+'kurtosis'] = scipy.stats.kurtosis(coeff.flatten())
    
    return features

5.2 多分辨率分析案例

结合不同尺度系数实现目标检测:

def multi_scale_analysis(image, wavelet='sym4'):
    """多尺度目标检测示例"""
    # 3层小波分解
    coeffs = pywt.wavedec2(image, wavelet, level=3)
    cl, (cH3, cV3, cD3), (cH2, cV2, cD2), (cH1, cV1, cD1) = coeffs
    
    # 构建各尺度边缘强度图
    edge_level3 = np.sqrt(cH3**2 + cV3**2)  # 大尺度边缘
    edge_level2 = np.sqrt(cH2**2 + cV2**2)  # 中尺度边缘
    edge_level1 = np.sqrt(cH1**2 + cV1**2)  # 精细边缘
    
    # 上采样使尺寸一致
    edge_level3 = cv2.resize(edge_level3, image.shape[::-1])
    edge_level2 = cv2.resize(edge_level2, image.shape[::-1])
    
    # 多尺度边缘融合
    combined_edge = 0.5*edge_level3 + 0.3*edge_level2 + 0.2*edge_level1
    return combined_edge

在处理实际项目时,发现小波基的选择对结果影响显著。对于自然图像,'sym4'通常表现良好;而医学图像可能更适合'coif3'。测试不同小波基时,可以计算重构误差和视觉效果来评估:

def evaluate_wavelets(image, wavelets=['haar','db2','sym4','coif2'], level=3):
    """评估不同小波基的重构质量"""
    results = []
    for wavelet in wavelets:
        coeffs = pywt.wavedec2(image, wavelet, level=level)
        reconstructed = pywt.waverec2(coeffs, wavelet)
        
        # 计算重构误差
        mse = np.mean((image - reconstructed)**2)
        psnr = 10 * np.log10(1.0 / mse)
        
        results.append({
            'wavelet': wavelet,
            'mse': mse,
            'psnr': psnr,
            'coeffs': coeffs
        })
    
    return pd.DataFrame(results)
python小波变换 wavedec2函数 各个返回值详解         网上找了好多文章都没有提到这个东西,没有说明 wavedec2 函数各个返回值究竟是什么意思         我们先看看 wavedec2 函数的大概形式, pywt.wavedec2(data, wavelet, mode=’symmetric’, level=None, axes=(-2, -1)) data: 输入的数据 wavelet: 小波基 level: 阅读详情

相关推荐

Python小波变换与wavedec2函数详解

其中,wavedec2函数是PyWavelets库中用于二维小波变换的重要函数之一。综上所述,wavedec2函数是PyWavelets库中用于二维小波变换的重要函数。通过使用该函数,我们可以方便地对二维信号或图像进行小波分解,并获取近似系数和细节系数。函数的返回值是一个元组,包含了小波变换后的系数。元组的第一个元素是近似系数,后续的元素是细节系数,按照从低频到高频的顺序排列。根据需要,我们可以进一步分析和处理这些小波系数,以实现特定的信号处理或图像处理任务。接下来,我们可以根据返回的系数进行绘图和分析。

学习使你进步。 862

小波变换--dwt2 与wavedec2

https://www.cnblogs.com/xfzhang/p/7295041.html https://www.ilovematlab.cn/thread-45020-1-1.html dwt2是二维单尺度小波变换,其可以通过指定小波或者分解滤波器进行二维单尺度小波分解。而wavedec2是二维多尺度小波分解. 尺度可理解为级,即wavedec2可用于多级小波分解 dwt2: [cA,cH,cV,cD]=dwt2(X,'wname'); wavedec2: [C,S]=wavede...

naturly的博客 4934

Python小波变换应用实战

本文还有配套的精品资源,点击获取 简介:Python是一种在科学计算、数据分析和机器学习中广泛应用的编程语言,其简洁性和库的丰富性使其成为处理复杂问题的有力工具。小波变换是信号处理和图像分析中的关键概念,它使我们能够将信号或数据分解为不同尺度和位置的局部特征。Python中的一些库如 PyWavelets 和 scipy 的 signal...

weixin_31591833的博客 2747

Python实现图像Haar小波变换

Python实现图像Haar小波变换

qq_40723205的博客 1万+

CANOE DIVA 工程怎样在具体服务前增加前置条件

然后会在CANoe的Test Module视窗中发现一个跟系统条件相关的Test Module模块,在该模块中有生成跟系统条件相关的CAPL 脚本。这里需要根据你的实际项目进行更改,diva工程加载到canoe的工程的时候,会同步加入你创建的cdd文件,这里示例的ABS_ESP 就是你的cdd的ECU命名,后面就是具体的前置条件服务。4、配置完成后,测试用例就会如下图Trace窗口所示,在每一次10 02请求之前都会调用CAPL Function的PreconditionCheck函数中定义的脚本。

weixin_45940007的博客 1975

2.4G板载PCB IFA天线仿真设计

本文简单介绍下2.4GHz的板载PCB IFA天线的HFSS仿真与设计。

射频问问 (RFASK.NET) 是在"微波射频网(MWRF.NET)”系列原创技术专栏基础上升级打造的技术问答学习平台。 6018

Python小波变换实战:用wavedec2处理灰度图像高频低频系数(附Excel数据转换技巧)

本文详细介绍了Python中使用wavedec2进行小波变换处理灰度图像高频低频系数的实战方法,包括核心函数返回值解析、Excel数据转换技巧及医学影像处理案例。通过具体代码示例,帮助读者掌握图像分解、系数处理与重建技术,提升在医学影像和工业检测领域的应用能力。

7up55的博客 785

微信小程序通过MQTT协议实现智能家居远程控制——基于阿里云物联网平台

本文详细介绍了如何利用微信小程序与MQTT协议,结合阿里云物联网平台,构建一套完整的智能家居远程控制系统。文章从平台配置、MQTT协议核心概念、小程序开发实战到单片机端对接,提供了全链路实践指南,并重点阐述了通过规则引擎实现消息路由与设备绑定的关键步骤,帮助开发者快速实现安全、稳定的自定义智能家居解决方案。

1210

matlab wavedec2 函数,python小波变换 wavedec2函数 各个返回值详解

python小波变换 wavedec2函数 各个返回值详解python小波变换 wavedec2函数 各个返回值详解网上找了好多文章都没有提到这个东西,没有说明 wavedec2 函数各个返回值究竟是什么意思我们先看看 wavedec2 函数的大概形式,pywt.wavedec2(data, wavelet, mode=’symmetric’, level=None, axes=(-2, -1))...

weixin_39929877的博客 1643

京东商品多维特征提取:基于时空大模型的实时库存预测接口设计

在电商行业,库存管理是供应链的核心环节之一。库存水平过高会导致资金占用、仓储成本增加,而库存水平过低则可能引发缺货风险,影响客户满意度和平台声誉。京东作为中国领先的电商平台,拥有海量的商品数据和复杂的业务场景,传统的库存预测方法难以应对市场动态变化和业务需求。时空大模型作为一种融合时间序列分析和空间特征提取的前沿技术,能够捕捉商品多维特征在时空维度上的变化规律,为实时库存预测提供更精准的决策依据。

FB13713612741的博客 955

Unity游戏开发客户端面经——网络(初级)

Unity游戏开发客户端面经 之 网络 篇

Sea3752的博客 1万+

Python小波变换实战:用wavedec2处理Excel灰度图的3层分解全流程

本文详细介绍了如何使用Python的wavedec2函数对Excel灰度图进行3层小波变换分解的全流程。从环境准备、数据加载到核心参数解析,再到三层分解实战和系数可视化分析,全面覆盖了小波变换在图像处理中的应用。重点解析了高频/低频系数的提取技巧,并提供了常见问题的解决方案和进阶应用方向。

gan8painter的博客 320

YOLOv8 + FireNet 火焰与烟雾检测系统开发指南:算法实现与前端 UI 展示详解

的FireNet火焰与烟雾检测系统,会是你毕设的“王牌项目”。它能实时检测视频流中的火焰与烟雾,还能实现图形界面可视化,从技术深度到成果展示都能让你在答辩中脱颖而出。界面会调用摄像头实时检测火焰与烟雾,检测结果会以带边界框的形式展示,同时给出“检测到火焰/烟雾!无论是学术创新性,还是在工业安防、建筑消防等场景的应用潜力,它都能让你的毕设极具说服力。传统人工监控效率低、易漏检,而基于YOLOv8的自动检测系统能实时识别火焰、烟雾,为火灾预警争取宝贵时间。火灾预防与应急响应是安全领域的核心需求,

know_F0727的博客 61

wavedec2函数及使用

在MATLAB中,进行小波分解及其逆运算是处理图像的一种常见方法,尤其适用于图像分析、压缩和去噪等场景。wavedec2函数可以对二维信号(例如图像)进行多级小波分解,而waverec2函数则用于进行相应的逆运算。以下是如何使用这两个函数进行3层小波分解及其逆运算的步骤。

计算机视觉之光 2437

0.嵌入式控制器EC实战 Embedded Controller开发概述

文章目录前言1.嵌入式控制器EC概述2.EC芯片框图(IT8502为例)3.General Purpose I/O Port (GPIO)4.SMBus(System Management Bus,系统管理总线)5.PWM、TACH6.KBC(KeyBoard Controller)7.PS/28.ADC(模数转换)总结 前言 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 1.嵌入式控制器EC概述 嵌入式控制器EC是挂在CPU的L

qq_30135687的博客 1万+

基于STM32设计的数字电子秤

当前项目是采用采用STM32+称重模块+OLED实现了简单的电子秤项目,称重模块上采用24位的ADC芯片,精度较高。实现了称重,校准、去皮等功能。

1万+

图像的变换——dwt、idwt、wcodemat、dwt2、idwt2、wavedec2、waverec2

文章目录三、图像小波变换1.一维小波变换dwt函数idwt函数2.二维小波变换wcodemat函数dwt2函数wavedec2函数idwt2函数waverec2函数 三、图像小波变换 1.一维小波变换 dwt函数 idwt函数 2.二维小波变换 wcodemat函数 dwt2函数 wavedec2函数 idwt2函数 waverec2函数 ...

weixin_43889476的博客 1万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

说说wavedec2函数

http://maiqiuzhizhu.blog.sohu.com/110325150.html wavedec2函数: 1.功能:实现图像(即二维信号)的多层分解. 多层,即多尺度. 2.格式:[c,s]=wavedec2(X,N,'wname')     [c,s]=wavedec2(X,N,Lo_D,Hi_D)(我不讨论它) 3.参数说明:对图像X用w

hugebawu的博客 2万+

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

wavedec2函数详解

wavedec2函数: 1.功能:实现图像(即二维信号)的多层分解,多层,即多尺度. 2.格式:[c,s]=wavedec2(X,N,'wname') [c,s]=wavedec2(X,N,Lo_D,Hi_D)(我不讨论它) 3.参数说明:对图像X用wname小波基函数实现N层分解, 这里的小波基函数应该根据实际情况选择,具体选择办法可以搜之或者 help WFILTERS ...

weixin_34283445的博客 1021

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

matlab图像小波变换-初步2

多分辨率小波图像变换及系数提取   1.相关函数    wavedec2:多层二维离散小波变换函数   [C,S] = wavedec2(X,N,'wname')   [C,S] = wavedec2(X,N,Lo_D,Hi_D)      appcoef2:二维离散小波变换低频部分系数提取   A = appcoef2(C,S,'wname',N)   A = appcoef2

zhuyonghao123的专栏 2万+

【Matlab代码】图像的小波分解和重构实现

MATLAB中实现图像分解和重构的命令主要有dwt2(idwt2)和 wavedec2( waverec2)。其中,进行一层小波分解的命令为dwt2,对应的小波重构命令为idwt2;进行多层分解的命令为wavedec2,对应的重构命令为 wavered2。

m0_70745318的博客 1万+

matlab dwt2 wavedec2,wavedec2函数详解

1. 离散傅立叶变换的 Matlab 实现 (3) wavedec2 函数 功能...1. 离散傅立叶变换的 Matlab 实现 (3) wavedec2 函数 功能...1. 离散傅立叶变换的 Matlab实现 (3) wavedec2 函数 功能:...wname:小波基名称 H:低通滤波器 G:高通滤波器 2020/4/5 二维信号的多层小波分解: [A,L]=wavedec2(X,N,’w...

weixin_39970064的博客 1368

图像处理-小波变换

小波指的是一种能量在时域非常集中的波,它的能量有限,都集中在某一点附近,而且积分的值为零,这说明它与傅里叶波一样是正交波。 图像的傅里叶变换是将图像信号分解为各种不同频率的正弦波。同样,小波变换是将图像信号分解为由原始小波位移和缩放之后的一组小波。小波在图像处理里被称为图像显微镜,原因在于它的多分辨率分解能力可以将图片信息一层一层分解剥离开来。剥离的手段就是通过低通和高通滤波...

知识搬运工的博客 11万+

Matlab中小波变换dwt和wavedec

http://szshdy.blog.163.com/blog/static/132201251201063010748540/  [cA,cD]=dwt(X,'wname')   使用小波'wname'对信号X进行单层分解,求得的近似系数存放在数组cA中,细节系数存放在数组cD中   [cA,cD]=dwt(X,’wname’)中返回的cA,cD分别存放是信号的近似和细节

baijingjing425的专栏 1万+

pyWavelets工具包的安装及使用

1  介绍 本文档的内容参考了pyWavelet 0.1.6的User Guide和ver. 0.2.0的网上例子,主要是把我目前所需要的内容进行了翻译和整理得到的。 主要包含了1D、2D的分解与重构方法,和稳态小波分解重构等内容。 小波包的部分没有翻译,日后有需要的话可能增加。 下载地址:http://www.pybytes.com/pywavelets    安装:

木东的博客 3万+
上一篇: Windows逆向工程实战:用Detours库Hook MessageBoxW的5个常见坑点(附解决方案)
下一篇: 避坑指南:Unity 2021+版本Scene Overlay开发那些事(从GUI到UIElements完整迁移方案)
糖果HTML
博客等级 码龄3年 76粉丝 1357原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值