DWT and UDWT的下采样和上采样

最新推荐文章于 2025-10-10 17:20:34 发布
原创 最新推荐文章于 2025-10-10 17:20:34 发布 · 1.7k 阅读 · 2 ·
CC 4.0 BY-SA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。

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
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 4897
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。
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
07-11 888
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
小波下采样，即插即用
Angelina_Jolie的博客
10-31 1238
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。
【深入浅出PyTorch】--上采样+下采样
最新发布
我是个好人呀，O(∩_∩)O
10-10 1343
本文系统介绍了上采样和下采样的概念与作用。下采样通过最大池化、平均池化或带步长卷积降低特征图尺寸，减少计算量并提取高层语义信息，常用于编码器。上采样通过插值法或转置卷积增大特征图尺寸，恢复空间分辨率，常用于解码器或分割任务。PyTorch中实现方式包括nn.MaxPool2d、nn.AvgPool2d、nn.Upsample（支持多种插值模式）和nn.ConvTranspose2d（可学习上采样）。针对不同任务需求，推荐使用特定组合，如分割任务建议使用双线性插值+align_corners=True。
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
采样信号频谱
你好硬件的博客
07-19 1785
频率为ω的时域信号cos(ωt)，可表示成两个旋转方向相反的复指数信号之和{exp(-jωt)+exp(jωt)}/2，负频率表示信号的旋转方向，因此采样信号的频谱关于0频轴对称。数模转换时，基带信号频率低其采样率也低，如果使用低采样率的基带信号直接进行DA转换，信号噪声大，因此通过内插将低采样率基带信号转变成高采样率基带信号，再进行DA转换。模数转换时，使用高采样率进行AD转换信号中噪声小，由于基带信号的频率低，并不需要ADC的高采样率数据，因此通过抽取降低基带信号的采样率再进行后续基带数字信号处理。
21、基于梅花形采样离散小波框架的图像融合算法解析
postgres8guard的博客
08-21 68
本文详细解析了一种基于梅花形采样离散小波框架（QSDWF）的图像融合算法。首先对比了传统的小波变换方法如低冗余离散小波框架（LRDWF）和双树复小波变换（DTCWT），介绍了梅花形采样离散小波框架的基本原理与优势，包括更高的频率分辨率、良好的位移不变性、低冗余度和较低的计算复杂度。文章深入探讨了多维数据处理中的不可分离小波变换、晶格理论、多维滤波器组的完全重构条件以及采样晶格的可替换性。最后，详细介绍了基于QSDWF的图像融合算法步骤，并展示了其在多尺度图像融合中的高效性和应用潜力。
8、基于小波变换的图像去噪技术详解
gold的博客
08-28 29
本文详细探讨了基于小波变换的图像去噪技术，重点分析了离散小波变换（DWT）和双树复小波变换（DTCWT）的理论基础及其在图像去噪中的应用。文章介绍了多种阈值处理技术，如硬阈值、软阈值、SURE shrink、Bayes shrink、Neigh shrink、Block shrink和Bivariate shrink，并比较了它们在不同噪声水平下的性能。同时，文章通过均方误差（MSE）、峰值信噪比（PSNR）和结构相似性指数矩阵（SSIM）等评估参数分析了去噪效果，为不同场景下选择合适的去噪方法提供了指导。
20、多传感器动态图像融合算法：低冗余离散小波框架的应用
postgres8guard的博客
08-20 37
本文探讨了基于低冗余离散小波框架（LRDWF）的多传感器动态图像融合算法。文章分析了标准小波变换（DWT）和其在图像融合中的局限性，如传递性问题和平移不变性不足，介绍了无下采样离散小波变换（UDWT）和双复小波变换（DTCWT）的优缺点。通过构建扩展离散小波框架模型，提出了一种新的低冗余离散小波框架，具有良好的平移不变性、较低的冗余性和计算复杂度。实验表明，基于 LRDWF 的图像融合算法在保证高质量融合的同时，提高了实时性，适用于大数据量和高实时性要求的应用场景。
揭秘小波基函数选择艺术：5种信号类型下的最优匹配方案
!...# 1. 小波基函数的基本概念与数学基础 小波基函数是小波变换的核心，其本质是一类在时间和频率域均具有局部化...数学上，小波基由母小波 $\psi(t)$ 经下式生成： \psi_{a,b}(t) = \frac{1}{\sqrt{|a|}} \psi\left(\f
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： ...
了解DWT就看这篇——MWCNN
qq_45981086的博客
07-03 4548
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 1523
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！
视频图像处理中的频域下采样技术
06-22 1441
本文转自：http://blog.youkuaiyun.com/celerychen2009/article/details/9028145  在传统的图像，视频的后处理阶段，一般会涉及到图像大小的缩放问题。这样的操作是为了适配不同屏幕分辨率的大小。例如，对于高档相机拍摄的照片，一般都很大，而要在普通显示器上显示，则要在解码图像数据之后再做缩小操作才能显示到屏幕上。对于手机屏幕，更是如此。那么，能否在图
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 1082
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 3176
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 6780
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。
YOLOv11改进 | Conv篇 | Haar小波下采样(HWD)技术详解
weixin_39818775的博客
06-18 762
频域分析：分离高低频成分避免混叠注意力融合：动态加权重要高频信息计算优化：利用小波变换的稀疏性实验证明该改进在医疗影像和卫星遥感DOTA数据集：小目标检测提升4.2%LUNA16数据集：肺结节检测灵敏度提升5.7%标准YOLOv11集成模块TensorRT加速插件ONNX导出工具链多场景预训练模型自适应小波基学习移动端极致优化多模态小波融合。
DWT离散小波变换实现图像下采样
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