DWT and UDWT的下采样和上采样

最新推荐文章于 2024-10-31 08:53:45 发布
原创 最新推荐文章于 2024-10-31 08:53:45 发布
· 1.6k 阅读 · 2 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了离散小波变换(DWT)与上采样离散小波变换(UDWT)的基本原理。DWT通过下采样扩展信号频谱，而UDWT则通过上采样压缩滤波器频谱。文中详细解释了UDWT中信号与滤波器频谱的变化规律，并提及了后续高频信号处理中滤波器的频移操作。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

DWT ：对滤波后的信号下采样，可以保证滤波后信号的频谱得到扩展；

UDWT：对滤波器上采样，可以使得滤波器的频谱被压缩。

在UDWT中：

信号在滤波后，低频信号频谱在[0,pi/2]之间，高频信号频谱在[pi/2,pi]之间；两个滤波器在上采样之后，低通滤波器频谱在[0,pi/4]之间，高通滤波器频谱在[pi/4,pi/2]之间。接下来若对高频信号处理，要对两个滤波器进行频移。




待续。

never_csdn
关注
YOLOv11改进策略【Neck】| ACMMM 2024 WFU：小波特征上采样 | 通过小波变换的频率分解与跨尺度融合机制，解决传统上采样过程中的混叠和细节丢失问题
Limiiiing的博客
05-04 228
WFU模块通过小波变换的频率分解与跨尺度融合机制，解决了传统上采样过程中的混叠和细节丢失问题，实现了高效、高保真的面部细节重建。其轻量化设计和强泛化能力使其成为提升人脸超分辨率模型性能的关键组件，尤其在平衡计算效率与重建质量方面表现突出。
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 4493
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！目录一、本文介绍二、原理介绍。
小波下采样，即插即用
Angelina_Jolie的博客
10-31 1069
这篇论文利用频域的小波变化来进行降采样，图像经过小波变化会得到1个低频特征A,和3个高频特征H、V、D。常规的下采样操作普遍面临的信息损失问题，应用Haar小波变换来降低特征图的空间分辨率，可以更完整的保留图像的信息。代码非常简单，只有几行，我们非常简单的将其应用到我们的模型中，用于替换常规的下采样模块，像是卷积下采样、最大池化下采样、平均池化下采样等。
Haar小波下采样模块
热门推荐
m0_62919535的博客
01-22 1万+
深度卷积神经网络 （DCNN） 通常采用标准的下采样操作，例如最大池化、平均池化和跨步卷积，这可能会导致信息丢失。丢失的信息，如边界和纹理，对于语义分割可能是必不可少的。通过跳过连接到解码器子网（如U-Net、LCU-Net、CENet、LinkNet和RefineNet ）。提取具有空间金字塔池化或扩展卷积的多尺度特征图到融合模块中（如DeepLab、PSPNet、PCPLP-Net、BiSenet和ICNet）。下面是我做实验的代码，感兴趣的可以在自己的数据上面进行实验，我觉得用于交通和医学上应该会有比
Matlab中daubechies 97小波做图像上下采样
10-26
Matlab中daubechies 97小波做图像上下采样，效果很不错
YOLOv10改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
07-11 801
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv10上其明显降低参数和GFLOPs在V10n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
Matlab实现非抽取双树复小波变换的两种形式
未抽取双树复小波变换（NDDTCW）结合了UDWT和DT-CWT的优点，它保留了UDWT的精确平移不变性和在所有尺度上所有同位系数之间的一对一关系，同时提供了DT-CWT改进的方向选择性和复杂的子带。 6. Matlab代码实现： ...
双树复小波变换（The dual-tree complex wavelet transform）,
06-05
- **冗余度**：尽管双树复小波变换相比传统离散小波变换有所增强，但它仅增加了很小的冗余度（对于d维信号，冗余因子仅为2d），这远低于未采样离散小波变换（Undecimated Discrete Wavelet Transform, UDWT）。...
基于元分析思想的遥感图像泛锐化方法综述：实践探讨与挑战 论文笔记
每天都要看论文
10-31 749
题目： Review of the Pansharpening Methods for Remote Sensing Images Based on the Idea of Meta-analysis: Practical Discussion and Challenges 基于元分析思想的遥感图像泛锐化方法综述：实践探讨与挑战 作者：Xiangchao Meng , Huanfeng ...
了解DWT就看这篇——MWCNN
qq_45981086的博客
07-03 4024
提出了一种用于图像恢复的多层小波cnn(MWCNN)结构，该结构由收缩子网络和扩展子网络组成。收缩子网由多级 D WT 和 C NN 块组成，扩展子网由多级IWT和CNN 块组 成。由于 D WT 的可逆性、频率性和位置性，MWCNN可以安全地进行子采样而不丢失信息，并且可以有效地从退化的观测中恢复细节纹理和尖锐结构。结果表明， MWCNN可以在效率和性能之间取得更好的平衡，从而扩大接收域。大量的实验证明了MWCNN在图像去噪、SISR 和JPEG压缩、伪影去除、恢复三个任务上的有效性和效率。
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割到目标检测，跨领域移植，助力创新点构建！
B站 Ai学术叫叫兽的文案地
09-10 1451
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割目标检测，跨领域移植，助力创新点构建！
即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
weixin_39818775的博客
07-10 995
在目标检测和语义分割任务中，特征下采样是至关重要的一步，它可以降低模型的计算复杂度，同时保留重要的特征信息。传统的 YOLOv5 和 YOLOv7 模型使用池化层来进行特征下采样，但池化层会丢失一些重要的空间信息。为了解决这个问题，本文提出了一种新的方案，即使用 Haar 小波下采样来替换 YOLOv5 和 YOLOv7 中的池化层。Haar 小波是一种简单而有效的下采样方法，它可以保留更多的空间信息，同时降低计算复杂度。
即插即用篇 | YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-05 2935
YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv9独家改进|使用HWD(小波下采样)模块改进ADown
深度学习炼丹师，偶尔分享炼丹技术!
03-04 5947
HWD是一种下采样模型，应用了小波变换的方法。ADown是YOLOv9中的下采样模块，对不同的数据场景具有一定的可学习能力。HWD-ADown的主要思想： 使用HWD替换ADown中的Conv模块。
YOLOv9改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
Limiiiing的博客
09-19 997
本文记录的是利用Haar小波下采样对YOLOv9网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
上采样和下采样的频谱变换
qq_46951314的博客
08-29 3542
上采样和下采样的频谱变换欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用M
YoloV8改进策略：下采样改进|HWD改进下采样
m0_47867638的博客
03-15 2726
此外，为了研究HWD的优势，我们提出了一种新的度量指标，即特征熵指数（FEI），用于衡量CNN中下采样后信息的不确定性程度。• 我们为卷积神经网络（CNNs）提出了一种新颖的基于小波的下采样模块（HWD）。据我们所知，我们的方法是首次尝试探索在深度卷积神经网络（DCNNs）的下采样阶段禁止（或阻碍）信息丢失的可行性，以改善语义分割任务的性能。• 我们探索了卷积神经网络中信息不确定性的度量方法，并提出了一种新的指标，即特征熵指数（FEI），用于评估下采样特征图与预测结果之间的信息不确定性或特征重要性。
【matlab】信号无损失下采样过程
erkuoge6464的博客
08-13 1964
在不影响计算结果精度的前提下，为了降低计算成本，通常对信号进行下采样。下采样之后的样本仍需满足大于奈奎斯特采样频率，以避免产生混叠。为了避免发生混叠，通常应在减采样前施加一个滤波器。......
DWT离散小波变换实现图像下采样
最新发布
02-26
### 使用 DWT 对图像进行下采样的方法 对于二维离散小波变换 (2D-DWT)，其主要应用于多分辨率分析，能够有效地提取不同尺度下的特征[^1]。通过应用 2D-DWT 可以实现对图像的有效下采样。 #### 小波分解过程中的下采样原理 当执行一次完整的 2D-DWT 过程时，原始图像被分割成四个子带：LL（低频-低频）、LH（低频-高频）、HL（高频-低频）以及 HH（高频-高频）。其中 LL 子带代表了原图的主要结构信息，在后续迭代过程中继续作为输入用于更深层次的分解；而 LH、HL 和 HH 则包含了细节部分的信息。每次分解都会使水平方向和垂直方向上的数据量减半，从而实现了自然的下采样效果。 #### Python 中基于 PyWavelets 库的应用实例 为了展示具体操作流程，下面给出一段利用 `PyWavelets` 库来完成这一任务的Python代码： ```python import pywt import numpy as np from matplotlib import image, pyplot as plt def dwt_downsample(img_path): img = image.imread(img_path) # Convert to grayscale if not already if len(img.shape) == 3 and img.shape[-1] == 3: gray_img = np.dot(img[..., :3], [0.2989, 0.5870, 0.1140]) else: gray_img = img coeffs = pywt.wavedec2(gray_img, 'haar') # Only keep the approximation coefficients at each level. approx_coeffs = [] for i in range(len(coeffs)-1): cA, (_, _) = coeffs[i] approx_coeffs.append(cA) downsampled_images = [pywt.waverec2([approx_coeffs[i]] + [(None,) * (len(approx_coeffs)-i)], wavelet='haar') for i in range(len(approx_coeffs))] fig, axes = plt.subplots(1, len(downsampled_images), figsize=(15, 5)) titles = ['Original Image'] + [f'Level {i} Approximation' for i in range(1, len(downsampled_images))] for ax, im_data, title in zip(axes.flat, [gray_img]+downsampled_images, titles): ax.imshow(im_data, cmap='gray', aspect='auto') ax.set_title(title) ax.axis('off') plt.show() ``` 这段程序读取给定路径下的图片文件并将其转换为灰度模式（如果有必要的话），接着采用 Haar 波基函数对该图像实施多次层次化的 2D-DWT 分解，并仅保留各级别的近似系数（即 LL 部分）。最后绘制出每一级近似后的结果对比图以便观察下采样的实际效果。
评论
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