数字图像处理：小波变换1.小波变换压缩设计思路小波变换压缩的设计思路是利用小波变换对图像进行多级分解，从而在不同的分

1.小波变换压缩

设计思路

小波变换压缩的设计思路是利用小波变换对图像进行多级分解，从而在不同的分辨率层次上捕捉图像的特征。通过仅保留重要的小波系数（通常是低频系数），并且去除或减少不重要的高频系数，实现图像数据的压缩，同时尽量保留图像的主要视觉信息。

实现方法

具体实现上，首先选择合适的小波基（如sym3）和分解层数进行小波变换，获取图像的多级小波系数。然后根据压缩需求选择保留哪些系数，通常保留低频系数并压缩或舍弃部分高频系数。最后，使用量化和编码技术处理保留的系数以进一步减少数据量，完成压缩过程。

Matlab代码

close all; clc; clear;

% 读取并转换图像
data = imread('G.png');  
data = rgb2gray(data);

% 显示原始图像
figure;
subplot(1,3,1);
imshow(data);
info = whos('data');
title(['原始图像，大小: ' num2str(info.bytes) ' bytes']);

% 进行一级小波分解
[c,s] = wavedec2(data, 1, 'sym3');
cA1 = appcoef2(c, s, 'sym3', 1);  % 一级低频系数
cA1 = wcodemat(cA1, 192, 'mat', 0);
cA1 = uint8(cA1);

% 显示一级压缩图像
subplot(1,3,2);
imshow(cA1);
info = whos('cA1');
title(['一级压缩图像，大小: ' num2str(info.bytes) ' bytes']);

% 进行二级小波分解
[c,s] = wavedec2(data, 2, 'sym3');
cA2 = appcoef2(c, s, 'sym3', 2);  % 二级低频系数
cA2 = wcodemat(cA2, 192, 'mat', 0);
cA2 = uint8(cA2);

% 显示二级压缩图像
subplot(1,3,3);
imshow(cA2);
info = whos('cA2');
title(['二级压缩图像，大小: ' num2str(info.bytes) ' bytes']);

效果

2.小波变换加上数字水印

设计思路

通过小波变换对图像进行多级分解，将数字水印嵌入到图像的高频部分中。这种方法利用了人眼对高频细节（如图像边缘和纹理）的不敏感特性，保持了图像的视觉质量。

实现方法

首先，选择适合的小波基和分解层数对原始图像执行小波分解。然后，将数字水印调整到适当的大小并嵌入到小波分解得到的高频系数中。嵌入水印后，使用逆小波变换重构图像，完成水印的嵌入。通过相同的小波分解，可以从修改过的图像中提取和恢复水印信息。

Matlab代码

clear all; close all; clc;

% 读取和准备图像
I = imread('G.png');
Ig = rgb2gray(I);  % 转换为灰度图

% 读取水印图像
W = imread('shuiyin.png');
Wg = rgb2gray(W);
Wg = double(Wg);

% 执行两级小波分解
[cA1, cH1, cV1, cD1] = dwt2(Ig, 'sym3');
[cA2, cH2, cV2, cD2] = dwt2(cA1, 'sym3');

% 自动调整水印大小以匹配第二级高频部分cH2的大小
W_resized = imresize(Wg, size(cH2));

% 在第二级分解的右上角嵌入水印
cH2 = cH2 - W_resized;

% 重构图像
i_c2 = idwt2(cA2, cH2, cV2, cD2, 'sym3');  % 第二级重构

% 调整 i_c2 的大小以适配 cH1 的尺寸
i_c2_resized = imresize(i_c2, size(cH1));

img_w = idwt2(i_c2_resized, cH1, cV1, cD1, 'sym3');  % 完全重构

% 显示结果
figure;
subplot(1,3,1);
imshow(Ig, []); 
title('Original Image');

subplot(1,3,2);
imshow(img_w, []);
title('Watermarked Image');

subplot(1,3,3);
imshow(Wg, []);
title('Watermark in HL2');

效果

3. Sobel，Roberts，Prewitt算子边缘检测

设计思路

边缘检测算法通过检测图像亮度的快速变化来识别对象的边缘。Sobel，Roberts和Prewitt算子都是通过卷积核对图像进行滤波，分别提取水平和垂直方向的边缘，从而增强图像中的边缘信息。这些算子设计的核心是强调图像中的高频部分，即边缘区域，而抑制低频部分，即平滑区域。

实现方法

Sobel算子：利用两个方向的卷积核（水平和垂直）来增强图像的水平和垂直边缘。其核强调中心行或列，对边缘响应较为敏感。
Roberts算子：采用对角线方向的小型卷积核，适用于高精度的边缘检测。它计算对角线差异，简单且对噪声较敏感。
Prewitt算子：与Sobel类似，但在卷积核中对所有邻近像素的权重相同，这使其在处理边缘时更为柔和。

Matlab代码

% 读取图像并转换为灰度图
I = imread('G.png');
I_gray = rgb2gray(I);

% Sobel算子核
Sx = [-1 0 1; -2 0 2; -1 0 1];
Sy = [-1 -2 -1; 0 0 0; 1 2 1];

% Roberts算子核
Rx = [1 0; 0 -1];
Ry = [0 1; -1 0];

% Prewitt算子核
Px = [-1 0 1; -1 0 1; -1 0 1];
Py = [-1 -1 -1; 0 0 0; 1 1 1];

% 进行边缘检测
BW_Sobel = abs(imfilter(I_gray, Sx)) + abs(imfilter(I_gray, Sy));
BW_Roberts = abs(imfilter(I_gray, Rx)) + abs(imfilter(I_gray, Ry));
BW_Prewitt = abs(imfilter(I_gray, Px)) + abs(imfilter(I_gray, Py));

% 显示结果
figure;
subplot(2,2,1), imshow(I_gray), title('原图');
subplot(2,2,2), imshow(BW_Sobel), title('Sobel');
subplot(2,2,3), imshow(BW_Roberts), title('Roberts');
subplot(2,2,4), imshow(BW_Prewitt), title('Prewitt');

效果

4. 小波变换边缘检测

设计思路

小波变换通过多尺度分析对图像进行分解，利用其高频子带来捕捉图像中的边缘信息。通过提取和处理水平、垂直和对角线方向的高频分量，可以有效地检测图像中的边缘。

实现方法

首先，对图像进行二维离散小波变换，将其分解为低频和高频子带。然后，通过阈值处理高频子带，提取边缘信息，并将其二值化以突出显示。最终，将各方向的边缘信息合并，得到完整的边缘检测结果。

Matlab代码

close all; clc; clear;
% 读取图像
I = imread('G.png');
I_gray = rgb2gray(I);

% 选择一个小波基
waveletFunction = 'haar';

% 执行二维小波分解，这里我们使用两层分解
[CA, CH, CV, CD] = dwt2(I_gray, waveletFunction);

% 边缘通常出现在高频子带，因此我们可以检测水平、垂直和对角高频子带
% 采用阈值处理提取边缘
edge_CH = wthresh(CH,'s',0.2*max(CH(:)));
edge_CV = wthresh(CV,'s',0.2*max(CV(:)));
edge_CD = wthresh(CD,'s',0.2*max(CD(:)));

% 二值化处理，突出显示边缘
BW_CH = imbinarize(edge_CH);
BW_CV = imbinarize(edge_CV);
BW_CD = imbinarize(edge_CD);

% 合并边缘信息
BW_edges = BW_CH | BW_CV | BW_CD;

% 显示结果
figure;
subplot(2,3,1), imshow(I_gray), title('原图');
subplot(2,3,2), imshow(BW_CH), title('水平边缘');
subplot(2,3,3), imshow(BW_CV), title('垂直边缘');
subplot(2,3,4), imshow(BW_CD), title('对角边缘');
subplot(2,3,5), imshow(BW_edges), title('结合');