基于多小波的图像分解和重构

基于多小波的图像分解和重构

摘要与单小波相比较，多小波同时具备诸如紧支性，正交性，对称性等诸多在信号处理中非常重要的良好性质。这决定了多小波是一种优于单小波的信号处理技术。在应用中，对于单小波可以直接利用分解与重构公式对信号进行滤波。但是多小波是用矢量滤波器组对信号进行分解、重构．滤波对象必须是满足一定要求的矢量信号。因此，在进行多小波分解前必须通过前置滤波器对原始离散信号进行预处理得到初始矢量，然后才能进行多小波变换。同样，对重构后的数据也要进行后处理才能得到需要的结果。本文以ＧＨＭ多小波为例，实现了对图像的预处理、分解和变换后的重构、后处理过程，并将解压缩后的结果与单小波相比较，获得较好的结果。

关键词多小波；多尺度函数；多小波变换

一、概述

多小波是标量小波向矢量空间的一种很自然的拓展。是传统小波理论中正在兴起的一个分支，它具备一些比标量小波更好的性质，如同时具有正交性和对称性、紧支性等诸多在信号处理中非常重要的良好性质。这决定了多小波是一种优于单小波的信号处理技术。这决定了多小波是一种优于单小波的信号处理技术。这就意味着多小波不但可以对信号提供一种更新的分析手段，而且对信号的逼近性质更好，重构信号在边界位置的性能也将更完善。多小波的研究最早开始于1993年，随后其理论与应用方面的研究得到了迅猛的发展。在图像处理的实际应用中，正交性能保持能量；而对称性（线性相位）既适合于人眼的视觉系统，又使信号在边界易于处理，所以，分析工具同时拥有这两种性质是十分重要的。可是，实数域中，紧支、对称、正交的非平凡单小波是不存在的。多小波开创性的将单小波中由单个尺度函数生成的多尺度分析空间，扩展为由多个尺度函数生成，以此来获得更大的自由度。它既保持了单小波所具有的良好的时域与频域的

局部化特性，又克服了单小波的缺陷，将实际应用中十分重要的光滑型、紧支性、对称性、正交性完美地结合在一起。从而在图像分解、压缩方面具有比单小波更优良的性能，这决定了其在这方面将越来越广泛的研究和应用。

二、 多小波变换理论

多小波的基本思想是将单小波中由单个尺度函数生成的多分辨分析空间，扩展为由多个尺度函数生成的空间，以此来获得更大的自由度。因此，与单小波不同的是多小波基由多个小波母函数经过伸缩平移生成，对应有多个尺度函数，而在单小波中仅有一个。

具体地讲，多小波由如下多分辨分】【析2(MRA)生成。设函数 ()[],,,,21T

r x φφφ =Φ),(2R L l ∈φr l ,,2,1 =定义对,Z j ∈

(){}

Z k r i k x clos V j l j j ∈≤≤-=,1:222/φ（1） 若由定义的空间序列满足下列条件：

当r = 1 时，即是传统的(标量）MRA 并称Φ为r 重多尺度函数。若

(){}Z k r i k x j i

∈≤≤-,1:2φ是0

V 的一个正交基，则称{}j

V 是一个正交MAR 。对一个

正交MRA ，定义中在是11++⊕=j j j j j V V V V W 的正交补。若存在r ψψψ,,,21 使得其整数平移构成0W 的一个正交基，则[]T r ψψψψ,,,21 =是一个r 重正交多小波。在正交的MRA 分析中，若[]T r φφφ,,,21 =Φ是一个紧支撑的r 重多尺度函数，

[]T r ψψψ,,,21 =ψ是与其对应的r 重正交多小波，则()()x x ψΦ和满足下列两尺

度方程

()()

()()

k x Q x k x P x k

k k

k -Φ=ψ-Φ=Φ∑∑22（2）

其中有限支撑r r ⨯实系数矩阵序列k k Q P ,分别为低通，高通滤波器序列。定义矢量的变换为对每个分量作变换，则两矩阵尺度方程(2)的频域表示分别为：

()()()()()()

ωωωωωωΦ=ψΦ=Φ

ˆ2ˆˆ2ˆQ P （3）

其中()()ωωωik k ikw

k

e Q Q e P P --∑∑==

2

1,21分别为矩阵频率响应，是矩阵低通滤波器和矩阵高通滤波器。

图１ 离散多小波变换的运算流程图

三、 图像数据的多小波分解

矩阵多小波分解：

图像的多小波变换单小波变换类似，不同的是在多小波变换前必须先进行前滤波，之后还要进行相应的后滤波，而且，多小波采用的是矩阵运算，非数量运算。我们对图像先进行行的前处理及小波分解，再对其列进行前处理和小波分解．方法如下：

设用ＮｘＮ矩阵表示图像数据，则分解过程如下：

图2 多小波图像象分解（L=3，R=2）

（1）对0I中的每一行作预处理得1I，1I中的每一行的前一半数据为与第一个尺度函数对应的系数，后一半数据为与第二个尺度函数对应的系数。

（2）对1I中的每一列进行预处理得2I，2I每一列的前一半数据为与第一个尺度函数对应的系数，后一半数据为与第二个尺度函数对应的系数。

（3）对2I中的每一行进行一维的多小波变换得到3I。

（4）对3I中的每一列进行一维多小波变换得到4I。

以上４步完成了一级二维多小波分解．具体过程如图所示：

图3图像的离散多小波分解

对于一幅图像进行一次多小波分解得到16幅子图。若前处理较适当，则大部分能量集中于某一幅子图，而子图的大小仅为原图的十六分之一，这相当与单小波分解两次得到的。同时由分解一次，两次后完全重构的PSNR可知多小波优于单小波，这不只由于多小波的对称性，而且还和多小波变换中边界误差的迭加次数有关。这在图像压缩方面是非常有利的。当然，多小波变换的缺点也是明显的，即较高的运算代价，这一缺点可以通过对滤波器长度及对称性的限制加以解决。

从上面的分析可以看出，多小波变换只适用于向量信号，对于图像信号而言，要对图像信号进行多小波变换，必须先对图像的行和列进行前置预滤波，然后将经过前置预滤波的图像的行和列，按照一定的规则组成向量信号，再进行多小波变换。设